癌症同伴支持帖子的LLM标注情感语调标签与结构化变量数据集

数据集获取

源站：https://doi.org/10.17632/zftkdw3z7g.1

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 25.7 MB。

数据说明

该数据集扩展了“心理健康洞察：弱势癌症幸存者与照护者”数据集（Orchi等，2023；DOI：10.17632/69dcnv2gzd.1），加入了使用gpt-4o-mini生成的大语言模型（LLM）衍生标注。原始语料库包含来自在线癌症同伴支持社区（Reddit、DailyStrength、HealthBoard）的10,392条去标识化帖子，涵盖五种癌症类型（脑癌、结肠癌、肝癌、白血病、肺癌），并附有作者提供的四点量表（-2至1）情绪基调标签。对于每条帖子，LLM标注器生成了：（1）离散情绪基调标签（0 = 非常消极，1 = 消极，2 = 中性，3 = 积极），（2）报告者角色（PATIENT、CAREGIVER或UNCLEAR），以及（3）带有置信度评分的癌症类型。此外还提供了折叠的三分类标签（消极、中性、积极），以及一个增强文本字段，将ROLE和CANCER标记前置到帖子文本中。为便于可重复性，还包含了训练/验证/测试划分分配（60/20/20，按三分类AI标签分层，随机种子42）。

本数据集随附手稿：“基于LLM的标注与Token增强建模用于在线癌症同伴支持帖子中的情感语调分类”（Xu, Wang, Wang, Ding, Zou, & Cao，投稿于PLOS Digital Health，2026年）。列：row_id：整数索引（从0开始，与原始数据集行顺序一致）posts：原始帖子文本 intensity：原始人工标注（-2, -1, 0, 1）human_label_4class：以字符串形式表示的人工标注（very_negative, negative, neutral, positive）human_label_3class：合并后的人工标注（negative, neutral, positive）ai_speaker_role：LLM提取的报告者角色（PATIENT, CAREGIVER, UNCLEAR）ai_cancer_type：LLM提取的癌症类型（BRAIN, COLON, LIVER, LEUKEMIA, LUNG, OTHER, UNKNOWN）ai_cancer_type_confidence：LLM对癌症类型的置信度（0到1）ai_label_4class：LLM生成的情感语调标注，以字符串形式表示（very_negative, negative, neutral, positive）ai_label_3class：合并后的LLM标注（negative, neutral, positive）split：数据划分（trai

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。