論文の概要: The Punjabi Geet Toxicity Dataset (PGT-FG): Fine-Grained Multimodal Annotations for Toxic Content in Punjabi Songs
- arxiv url: http://arxiv.org/abs/2610.32513v1
- Date: Fri, 23 Oct 2026 11:38:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.507724
- Title: The Punjabi Geet Toxicity Dataset (PGT-FG): Fine-Grained Multimodal Annotations for Toxic Content in Punjabi Songs
- Title（参考訳）: Punjabi Geet Toxicity Dataset (PGT-FG) : Punjabi Songs における Toxic Content の微粒化マルチモーダルアノテーション
- Abstract要約: データセットは、YouTubeから収集された公開のPunjabiの曲から構築された。
最終データセットには392曲の2,396のユニークなセグメントが含まれている。
2,396セグメントのうち705(29.42%)は有毒で、1,691(70.58%)は非有毒である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resources for toxicity detection in Punjabi remain limited, particularly for musical content that combines linguistic and multimodal information. We present the Punjabi Geet Toxicity Dataset (PGT-FG), a segment-level resource developed to support research on toxicity detection in Punjabi musical content. The dataset was constructed from publicly available Punjabi songs collected from YouTube. An initial collection of 620 songs resulted in 465 successfully downloaded songs and 3,402 preliminary segments from 450 songs. After quality control and annotation, the final dataset contains 2,396 unique segments from 392 songs. Four native Punjabi annotators produced 2,870 annotation records, including a shared subset of 158 segments annotated by all four. Each annotation includes binary toxicity, eight fine-grained toxicity categories, severity, sentiment, mode, and an uncertainty flag. Inter-annotator agreement was measured with Fleiss' kappa on the shared subset, and majority-based resolution produced the final segment-level labels. Of the 2,396 segments, 705 (29.42%) were labelled toxic and 1,691 (70.58%) non-toxic. Violence was the most frequent category, occurring in 539 toxic segments (76.45%), followed by gang references (227, 32.20%) and drug references (133, 18.87%). The overall toxicity label achieved substantial agreement (kappa = 0.6521). PGT-FG provides a fine-grained resource for Punjabi toxicity detection and multimodal content analysis. The resolved dataset, with one final record per segment, is publicly available on Zenodo (https://doi.org/10.5281/zenodo.23040156). Original lyrics, lyric excerpts, and copyrighted audio or video content are not redistributed.
- Abstract（参考訳）: パンジャービにおける毒性検出の資源は、特に言語情報とマルチモーダル情報を組み合わせた音楽コンテンツに限られている。
Punjabi Geet Toxicity Dataset (PGT-FG) はPunjabiの音楽コンテンツにおける毒性検出の研究を支援するために開発されたセグメントレベルのリソースである。
データセットは、YouTubeから収集されたPunjabiの楽曲から構築された。
620曲の最初のコレクションは465曲のダウンロードに成功し、450曲から3,402曲の予備的なセグメントが作られた。
品質管理とアノテーションの後、最終データセットには392曲の2,396のユニークなセグメントが含まれている。
4つのネイティブPunjabiアノテーションは2,870のアノテーションレコードを生成し、その中には4つすべてに注釈付けされた158セグメントの共有サブセットが含まれている。
各アノテーションにはバイナリ毒性、8つのきめ細かい毒性カテゴリ、深刻度、感情、モード、不確実性フラグが含まれている。
Fleiss の Kappa の共有部分集合上でのアノテータ間合意が測定され、多数決に基づく分解で最終セグメントレベルラベルが得られた。
2,396セグメントのうち705(29.42%)は有毒で、1,691(70.58%)は非有毒である。
暴力は最も頻繁なカテゴリーであり、539個の毒性領域(76.45%)で発生し、続いてギャング参照(227, 32.20%)と薬物参照(133, 18.87%)が続いた。
全体毒性ラベルは相当な合意(Kappa = 0.6521)を達成した。
PGT-FGは、Punjabi毒性の検出とマルチモーダルコンテンツ分析のためのきめ細かい資源を提供する。
解決されたデータセットはセグメント毎に1つの最終記録を持ち、Zenodo (https://doi.org/10.5281/zenodo.23040156)で公開されている。
オリジナル歌詞、歌詞の抜粋、著作権のあるオーディオやビデオコンテンツは再配布されない。
関連論文リスト
- YuE2: Unifying Symbolic and Audio Music Generation at Frontier Quality [74.61395664600597]
我々は,記号プランニングにより,フロンティア品質の象徴的およびオーディオ音楽生成を統一するYuE2を紹介する。
1つのAR-NAR Mixture-of-Transformers (MoT)は、まずメロディとハーモニーを指定する可読性スコアを書き、セマンティックミュージックトークンに拡張し、フルソングオーディオとして実現する。
専門家の聞き取りは、プロプライエタリな曲のジェネレータとの競争力をさらに確立し、Suno v4.5よりも8のベストを保ち、Suno v5に対してほぼバランスの取れた好みを与える。
論文 参考訳（メタデータ） (2026-09-27T16:55:13Z) - AlexandriaX 2026: The First Shared Task on Dialectal Arabic Machine Translation [65.18574662565511]
アレクサンドリアX 2026 アラビア語 MT の共有タスクは、3つのサブタスクを通じて課題に対処する。
Subtask 1の最良のシステムは、制約のないトラックで30.42 spBLEU、制約のないトラックで33.49 spBLEUを達成した。
その結果、明示的な方言モデリング、文脈認識生成、検索と再ランク付け、およびMT誤り解析のための特殊なアプローチの利点が浮き彫りになった。
論文 参考訳（メタデータ） (2026-09-19T05:59:30Z) - DIA-HARM: Dialectal Disparities in Harmful Content Detection Across 50 English Dialects [6.107850985025956]
本稿では,50の英語方言における偽情報検出のための最初のベンチマークであるDIA-HARMを提案する。
人間による方言の含有量は1.4-3.6%減少し、一方でAI生成された内容は安定している。
私たちはDIA-HARMフレームワーク、D3コーパス、評価ツールをリリースします。
論文 参考訳（メタデータ） (2026-04-07T01:43:48Z) - BIDWESH: A Bangla Regional Based Hate Speech Detection Dataset [0.0]
本研究は,バングラヘイトスピーチデータセットであるBIDWESHを紹介する。
BD-SHSコーパスから9,183のインスタンスを3つの主要地域方言に翻訳し、注釈付けすることで構築された。
その結果得られたデータセットは、バングラでヘイトスピーチの検出を進めるための言語的にリッチでバランスの取れた、包括的なリソースを提供する。
論文 参考訳（メタデータ） (2025-07-22T02:53:48Z) - ToxVidLM: A Multimodal Framework for Toxicity Detection in Code-Mixed Videos [46.148023197749396]
ToxVidLMには、マルチモーダルモジュール、クロスモーダルシンクロナイゼーションモジュール、マルチタスクモジュールという3つの重要なモジュールが含まれている。
本稿では,YouTubeから収集した931の動画と4021のコード混成ヒンディー語発話からなるベンチマークデータセットを提案する。
論文 参考訳（メタデータ） (2024-05-31T05:40:56Z) - Overview of Abusive and Threatening Language Detection in Urdu at FIRE
2021 [50.591267188664666]
我々は、ウルドゥー語に対する虐待と脅しの2つの共通タスクを提示する。
本研究では, (i) 乱用と非乱用というラベル付きツイートを含む手動注釈付きデータセットと, (ii) 脅威と非脅威の2つを提示する。
両方のサブタスクに対して、m-Bertベースのトランスモデルは最高の性能を示した。
論文 参考訳（メタデータ） (2022-07-14T07:38:13Z) - Hostility Detection Dataset in Hindi [44.221862384125245]
ヒンディー語で8200のオンライン投稿を手作業で収集し、注釈付けします。
データセットは、敵対的なクラス間で大きな重複があるため、マルチラベルタグとして考慮されている。
論文 参考訳（メタデータ） (2020-11-06T20:33:12Z) - Classification Benchmarks for Under-resourced Bengali Language based on
Multichannel Convolutional-LSTM Network [3.0168410626760034]
われわれはBengFastTextという2億5000万記事をベースに、これまでで最大のベンガル語埋め込みモデルを構築している。
単語の埋め込みを多チャンネル畳み込み-LSTMネットワークに組み込んで、さまざまなタイプのヘイトスピーチ、文書分類、感情分析を予測する。
論文 参考訳（メタデータ） (2020-04-11T22:17:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。