Datos e software
Coleccións, modelos e código
Case todos os nosos artigos veñen con algo que outros poden reutilizar. Primeiro, os recursos que mantemos; despois, todo o que publicamos en GitHub e HuggingFace.
- Tarefa compartida
eRisk: Early Risk Prediction on the Internet
O laboratorio de avaliación do CLEF sobre detección temperá de riscos, que organizamos cada ano desde 2017. As últimas edicións tratan a ordenación de síntomas e enfoques contextuais e conversacionais para a depresión e o TDAH. A edición de 2027 forma parte do CLEF 2027.
- Dataset
MetaHate
Unha metacolección de 1.226.202 publicacións de redes sociais etiquetadas como odio ou non odio, unificadas a partir de datasets públicos de discurso de odio para que os modelos se poidan adestrar e comparar nunha base común.
Acceso. De acceso restrinxido, para uso en investigación segundo as condicións dos datasets de orixe. Unha mostra de 100 publicacións é de acceso aberto.
- Dataset
ReDSM5
1.484 publicacións longas de Reddit anotadas frase a frase por unha psicóloga colexiada para os nove síntomas de depresión do DSM-5, cada etiqueta cunha breve xustificación clínica.
Acceso. De acceso restrinxido: unha mostra de 25 publicacións é pública; o conxunto completo está dispoñible baixo solicitude.
- Modelos
eRisk 2026 personas and adapters
Persoas de pacientes simuladas con LLM e adaptadores publicados para as tarefas conversacionais de eRisk 2026, descargados máis de 1.000 veces.
- Dataset
Mute Cods
Un dataset multilingüe de Telegram con modelos de referencia para detectar teorías da conspiración, creado dentro da rede HYBRIDS.
- Dataset
IAT2BAS
Un dataset publicado en 2026 coa Fondazione Bruno Kessler e o CSIC.
- Software
LabChain
Un framework en Python para experimentos científicos reproducibles e modulares, desenvolvido coa Universidade de Santiago de Compostela.
Todo o que publicamos 52
12 datasets e 19 modelos en HuggingFace, 21 repositorios en GitHub. Os autores aproban baixo solicitude o acceso aos elementos restrinxidos.
Datasets
- Discurso de odio ICWSM 2024
MetaHate
Unha metacolección de 36 datasets de discurso de odio en redes sociais, unificados baixo unha única etiqueta binaria. A versión 2.0 mellora a eliminación de duplicados entre datasets. MetaHateES é a súa versión en español.
- Saúde mental CIKM 2025
ReDSM5
Publicacións de Reddit anotadas frase a frase para os nove síntomas do DSM-5 dun episodio depresivo maior, cada etiqueta cunha xustificación experta. Unha mostra parafraseada de 25 publicacións non require acordo.
- Saúde mental
eRisk Depression Severity Personas
Persoas simuladas de 116 usuarios de Reddit con depresión autodeclarada e a súa gravidade no BDI-II, para a simulación de usuarios condicionada por persoa (Eval4MHSim). Unha mostra parafraseada de tres usuarios é de acceso aberto.
- Discurso de odio
Pautas inducidas para a clasificación do discurso de odio
Pautas de clasificación inducidas por un LLM a partir de exemplos etiquetados do corpus Measuring Hate Speech. Citan literalmente publicacións de odio, polo que o acceso se aproba manualmente.
- Crawling
ProdCrawl
Unha colección de proba reproducible para crawling focalizado: copias estáticas de 621 sitios web de empresas cun xuízo de relevancia para cada páxina sobre «é esta unha páxina de produto?», e o codificador de texto de ancoraxe axustado.
- RAG e busca
LoreHopQA
Preguntas multisalto situadas en 61 mundos inventados, de modo que o contexto recuperado é a única fonte da resposta. De acceso restrinxido para que ningún modelo avaliado o vexa no adestramento; a avaliación e a publicación non teñen restricións.
- Galego arXiv 2023
Datos de instrucións en galego
Traducións ao galego das instrucións de Stanford Alpaca (52K) e de conversas de ShareGPT, empregadas para adestrar Cabuxa.
Modelos
- Discurso de odio
Clasificadores MetaHate
BERT e BERT multilingüe axustados con MetaHate para a detección binaria de discurso de odio en inglés, español, portugués e galego.
- Discurso de odio ECIR 2025
Distil-MetaHate
Llama 3 8B destilado con cadea de pensamento para clasificar o discurso de odio e explicar por que.
- Discurso de odio NAACL 2025
Stop-Hate
Mistral 7B e Llama 2 13B axustados para que os modelos conversacionais non entren no discurso de odio nin o amplifiquen.
- Discurso de odio ICWSM 2026
Axuste contra o nesgo xeográfico
Adaptadores de Llama 3.1 8B, Mistral Nemo e Phi-4 mini axustados contra o nesgo para que as decisións sobre discurso de odio se manteñan consistentes ao engadir unha persoa dun país, con e sen contexto lingüístico.
- Mistral-Nemo-Instruct-2407-Geographic-Debias-Tuning
- Mistral-Nemo-Instruct-2407-Geographic-Debias-Tuning-Lang
- Phi-4-mini-instruct-Geographic-Debias-Tuning-Lang
- Phi-4-mini-instruct-Geographic-Debias-Tuning
- Llama-3.1-8B-Instruct-Geographic-Debias-Tuning
- Llama-3.1-8B-Instruct-Geographic-Debias-Tuning-Lang
- Galego arXiv 2023
Cabuxa: LLM para o galego
Cabuxa-7B, un modelo de instrucións LLaMA para o galego, e Cabuxa 2.0, Llama 3.1 8B Instruct con preadestramento continuado sobre o corpus CorpusNós, tamén nunha versión GPTQ de 4 bits.
- Saúde mental ECIR 2025
MindWell
Adaptador para Vicuna 7B detrás de MindWell, un axente conversacional que axuda no cribado profesional da depresión en redes sociais.
- Crawling
Codificador de texto de ancoraxe de ProdCrawl
MPNet axustado para puntuar o texto de ancoraxe de ligazóns que levan a páxinas de produto, empregado polo crawler focalizado de ProdCrawl.
Código
- prodcrawl
Crawler focalizado con BFS, DFS e puntuación de ancoraxes baseada en clasificadores e en recuperación, e os scripts para servir as copias de ProdCrawl.
- lorehop-qa
Experimentos de validación para LoreHopQA: resposta sen contexto, evidencia ablacionada e contexto completo.
- eval4sim
Eval4Sim, un marco de avaliación para a simulación de persoas con LLM.
- eval4mhsim
Eval4MHSim, unha colección de persoas simuladas e un marco de avaliación para simular usuarios de redes sociais con problemas de saúde mental.
- llm-prf
Retroalimentación de pseudorrelevancia asistida por LLM que filtra os documentos de retroalimentación con ruído antes da expansión da consulta.
- erisk-qrels-expansion
Execucións campioas e anotación asistida por LLM para ampliar os xuízos de relevancia pouco profundos das coleccións de eRisk.
- recsysipp
Xuízos de relevancia con LLM para avaliar sistemas de recomendación sobre MovieLens: calidade dos xuízos, pools ampliados e nesgo de popularidade.
- grpo-dsm5
Group Relative Policy Optimization para que o razoamento dos LLM sobre os síntomas de depresión do DSM-5 sexa clinicamente fiable.
- rcl
Pooling híbrido con LLM mediante aprendizaxe do contexto de relevancia.
- hate-eval-agreement
Se os LLM poden avaliar clasificadores de discurso de odio mesmo onde anotan mal.
- geographic-bias
Nesgo xeográfico na detección de discurso de odio con LLM, e axuste para reducir o nesgo.
- multiple-testing
Probas estatísticas para comparar moitos sistemas de recuperación á vez.
- Lost-in-the-Evidence-in-RAG-Virtual-Appendix
Apéndice virtual dun estudo de reproducibilidade sobre os efectos da posición do documento e do tamaño do contexto en RAG.
- bayesian-inference
Inferencia bayesiana con Stan para comparacións estatísticas entre sistemas de recuperación.
- SIQSE
Simula con LLM usuarios que escollen suxestións de consultas, para avaliar as suxestións máis alá das primeiras posicións.
- depression-prompt-induction
Symptom Induction: un LLM mestre destila exemplos etiquetados en pautas interpretables para detectar evidencia de síntomas de depresión.
- ColBERTKP
ColBERT adaptado a consultas de palabras clave.
- distil-metahate
Destilación de LLM en clasificadores de discurso de odio eficientes e explicables.
- decoding-hate
Como reaccionan os modelos de linguaxe ao discurso de odio, e como evitar que entren nel.
- metahate
Scripts que constrúen MetaHate a partir dos seus 36 datasets de orixe.
- RAKS
Xeración aumentada por recuperación para suxerir sinónimos de palabras clave.