Find research datasets worth reusing
Search datasets from major research repositories and use ShareScore to quickly assess how well each record supports discovery, access, and reuse.
3
datasets available to search
ShareScore release 0.7.1
Dataset results
3 results for “odio”
Algoritmo de clasificación de expresiones de odio por intensidades en español
<p>Algoritmo de clasificación de expresiones de odio en mensajes en español. Este algoritmo fue desarrollado en el marco del proyecto Hatemedia (PID2020-114584GB-I00), financiado por MCIN/AEI /10.13039/501100011033, con la colaboración de Possible Inc.</p> <p>Por favor lea el documento README IN SPANISH, en el que se expone todos los pasos a seguir para el uso del algoritmo desarrollado en el marco del proyecto Hatemedia (PID2020-114584GB-I00), financiado por MCIN/ AEI /10.13039/501100011033</p> <p>El algoritmo permite la clasificación de expresiones de odio, de acuerdo a 4 tipos de intensidad de odio:</p> <ul> <li>Intensidad 1 – Odio asociado a mensajes incívico</li> <li>Intensidad 2 – Odio asociado a mensajes mal intensionados o con expresiones abusivas</li> <li>Intensidad 3 – Odio asociado a insultos</li> <li>Intensidad 4 – Odio asociado a amenazas veladas o explícitas</li> </ul> <p>La estructura de carpetas con la documentación de Github es la presentada a continuación:</p> <div> <pre><code> 02 Documentación Github └── 01_Intensidades ├── DOCUMENTACIÓN GITHUB(1).docx ├── ejemplo.py ├── Modelo_intensidades.ipynb ├── obtener_caracteristicas.py └── recursos-20240304T124712Z-001.zip </code></pre> <div> </div> </div> <p>Se detalla a continuación el contenido de cada fichero:</p> <ul> <li> <p>DOCUMENTACIÓN GITHUB.docx: Informe en el que se presenta el uso de los scripts ejemplo (1).py y obtener_caracteristicas (1).py para emplear los modelos.</p> </li> <li> <p>ejemplo (1).py: Script Python que muestra el uso de los modelos para realizar predicciones.</p> </li> <li> <p>Modelo_binario_(1) (1).ipnyb: Notebook con el código utilizado para el entrenamiento de los distintos modelos.</p> </li> <li> <p>Obtener_caracteristicas (1).py: Script Python con las funciones de preprocesado utilizadas previamente al uso de los modelos para predecir las entradas de un dataframe.</p> </li> <li> <p>Recursos-20231027T110710Z-001 (1).zip: La carpeta recursos contiene 3 .csv utilizados en la extracción de características.</p> </li> </ul> <p>El dataset que se ha utilizado para el entrenamiento de los modelos es dataset_completo_caracteristicas_ampliadas_todas_combinaciones_v1_textoProcesado.csv (<a href="https://acortar.link/diSV7o" rel="nofollow">https://acortar.link/diSV7o</a>)</p> <p>El Algoritmo fue desarrollado a partir de las pruebas de los modelos aplicados que se muestran en la carpeta MODELOS. En esta carpeta se encuentran todos los resultados de los modelos utilizados durante el proceso de desarrollo de este algoritmo, con los respectivos porcentajes de entrenamiento y prueba.</p> <p>El procedimiento seguido para entrenar los modelos queda reflejado en el Informe técnico Desarrollo del algoritmo de clasificación del odio por intensidades en medios digitales españoles en X (Twitter), Facebook y portales web (<a href="https://doi.org/10.6084/m9.figshare.25884262.v2" rel="nofollow">https://doi.org/10.6084/m9.figshare.25884262.v2</a>).</p> <p>Autores: </p> <ul> <li>Xiomara Blanco</li> <li>Almudena Ruiz</li> <li>Daniel Pérez Palau</li> <li>Oscar De Gregorio</li> <li>Juan José Cubillas</li> <li>Elias Said-Hung</li> <li>Julio Montero-Díaz</li> </ul> <p>Financiado por: Agencia Estatal de Investigación – Ministerio de Ciencia e Innovación</p> <p>Con el apoyo de:</p> <ul> <li>POSSIBLE S.L.</li> </ul> <p>Más información:</p> <ul> <li><a href="https://www.hatemedia.es/" rel="nofollow">https://www.hatemedia.es/</a> o contactar con: <a href="mailto:elias.said@unir.net">elias.said@unir.net</a></li> <li>Este algoritmo está relacionado con el algoritmo de clasificación de odio/no odio, desarrollado también por los autores: <a href="https://github.com/esaidh266/Algorithm-for-classifying-hate-expressions-in-Spanish">https://github.com/esaidh266/Algorithm-for-classifying-hate-expressions-in-Spanish</a></li> </ul>
Librerías de odio según intensidad y tipos en medios informativos digitales en España
<p>Librerías de odio según intensidad y tipos en los medios informativos digitales en España, resultado del proyecto "Hatemedia" (proyecto PID2020-114584GB-I00), financiado por MCIN/ AEI /10.13039/501100011033.</p> <p>A partir de la <a href="https://doi.org/10.6084/m9.figshare.26085700.v1" target="_blank" rel="noopener"><strong>BD usada para el entrenamiento</strong></a> de los diferentes modelos de algoritmos de clasificación desarrollados en el proyecto Hatemedia, se extranjeron 6.273 lemas simples y compuestos, asociados a los mensajes con expresiones de odio identificados por cada una de las intensidades y tipos de odio estudiados en este proyecto. Las librerías de odio por intensidad y tipo de odio, están conformadas por un total de: 2.706 y 3.567 lemas simples y compuestos, respectivamente.</p> <p><strong>Por intensidad de odio:</strong></p> <ul> <li>Intensidad 1 – Odio asociado a mensajes incívidos: 1.000 lemas simples y compuestos.</li> <li>Intensidad 2 – Odio asociado a mensajes mal intensionados o con expresiones abusivas: 364 lemas simples y compuestos.</li> <li>Intensidad 3 – odio asociado a insultos: 1.110 lemas simples y compuestos.</li> <li>Intensidad 4 – Odio asociado a amenazas veladas o explícitas: 232 lemas simples y compuestos.</li> </ul> <p><strong>Por tipo de odio:</strong></p> <ul> <li>Odio general: 1.001 lemas simples y compuestos.</li> <li>Odio misogino: 505 lemas simples y compuestos.</li> <li>Odio politico: 1.235 lemas simples y compuestos.</li> <li>Odio sexual: 160 lemas simples y compuestos.</li> <li>Odio xenófobo: 666 lemas simples y compuestos.</li> </ul> <p>Una vez recabado estos lemas, se llevó a cabo el siguiente proceso:</p> <ul> <li>ETIQUETADO DE EXPRESIONES Y EXTRACCIÓN DE LEMAS. Del total de mensajes identificados se eliminaron stop-words, se identificaron datos anómalos (que no pertenecían a un idioma conocido o eran diminutivos de éste), separándolos posteriormente en función de su intensidad y su tipo de odio. A partir de esta separación, se identificaron tanto los lemas simples como compuestos de forma independiente para cada intensidad y tipo de odio.</li> <li>IDENTIFICACIÓN DE DUPLICADOS: En la primera fase se realizaron dos listados, el primero de lemas simples y el segundo de lemas compuestos. El primer paso fue filtrar estas dos listas para identificar lemas repetidos, obteniendo estas dos bibliotecas donde cada lema aparece una sola vez.</li> <li>INTEGRACIÓN BBDD: A continuación, en la tercera fase, se procedió a unir ambas bibliotecas para construir una biblioteca final que integrara todos los lemas, tanto simples como compuestos. Finalmente, se realizó un filtrado final para asegurar que no se repitan los lemas.</li> </ul> <p>Una vez hecho el proceso descrito, se revisó manualmente cada uno de los lemas identificados, con el fin de eliminar aquellos que no aludían a expresiones de odio, por motivo de contexto o significado del término, quedando finalmente la siguiente relación de lemas, según intensidad y tipo de odio. Las librerías de odio por intensidad y tipo de odio, están conformadas por un total de: 1.140 y 1.673 lemas simples y compuestos, respectivamente.</p> <p><strong>Por intensidad de odio:</strong></p> <ul> <li>Intensidad 1 – Odio asociado a mensajes incívidos: 401 lemas simples y compuestos.</li> <li>Intensidad 2 – Odio asociado a mensajes mal intensionados o con expresiones abusivas: 99 lemas simples y compuestos.</li> <li>Intensidad 3 – odio asociado a insultos: 542 lemas simples y compuestos.</li> <li>Intensidad 4 – Odio asociado a amenazas veladas o explícitas: 98 lemas simples y compuestos.</li> </ul> <p><strong>Por tipo de odio:</strong></p> <ul> <li>Odio general: 463 lemas simples y compuestos.</li> <li>Odio misogino: 239 lemas simples y compuestos.</li> <li>Odio politico: 579 lemas simples y compuestos.</li> <li>Odio sexual: 74 lemas simples y compuestos.</li> <li>Odio xenófobo: 319 lemas simples y compuestos.</li> </ul>
Base de datos estudio Discursos de odio y sesgos de género en videojuegos multijugador online (MMO)
<p>Financiación a cargo del proyecto Androcentrismo, discurso de odio y sesgo de género a través de los videojuegos online en Castilla - La Mancha (32BITS). SBPLY/21/180501/000262, financiado por la Junta de Comunidades de Castilla-La Mancha y cofinanciado por la Unión Europea.</p> <p>Participación y colaboración del proyecto HATEMEDIA (PID2020-114584GB-100), financiado por MCIN/AEI/10.13039/501100011033, en el proceso de elaboración del instrumento.</p>
ScienceDex guides
Understand access before you commit
These curated guides explain access requirements, typical timelines, costs, and reuse considerations for widely used research datasets.
Allen Brain Atlas
Allen Brain Atlas is an Allen Institute collection of brain map atlases, datasets, APIs, and analysis tools covering mouse, human, and non-human primate brain resources.
Annotated Behaviour and Observability Dataset (ABODe)
ABODe is a University of Edinburgh DataShare dataset for behavior classification in group-housed mice using home-cage video, identities, bounding boxes, ground-plate positions, and annotator labels.
DANDI Archive for NWB datasets
DANDI is a BRAIN Initiative archive for publishing and sharing neurophysiology data, including electrophysiology, optophysiology, and behavioral data packaged as NWB and related standards.
International Brain Laboratory public data
The International Brain Laboratory public data releases expose standardized mouse decision-making experiments, including Neuropixels recordings, widefield calcium imaging, behavior, and session metadata accessed through the ONE API.
OpenNeuro
OpenNeuro is a free, open platform for sharing neuroimaging datasets, with public search, dataset pages, and download paths for web, S3, DataLad, and the OpenNeuro CLI.