DignityAI-Clasismo-LATAM

Advertencia de contenido: textos de clasismo explícitos y sutiles. Existen para evaluar sistemas que detectan discriminación, nunca para generarla.

Dataset sintético en español de 5 países: textos de clasismo generados con plantillas combinatorias, etiquetados por país, categoría, subcategoría, nivel de sutileza y contexto, más textos de contraste no discriminatorios. Código y versión original: GitHub.

English: synthetic, template-based Spanish dataset on classism. Contrasted against human-annotated real data (Nov 2026): useful for evaluating subtle discrimination, not for training.

Cifras (versión 1.1)

Textos únicos	19,187
Discriminatorios / contraste	18,320 / 867
Train / validación / test	13,430 / 2,878 / 2,879 (sin textos compartidos entre splits)
Países	México, Argentina, Colombia, Chile, España

from datasets import load_dataset
ds = load_dataset("antonn-dromundo/DignityAI-Clasismo-LATAM")

Columnas: texto, etiqueta (1 discriminatorio, 0 contraste), tipo, pais, categoria, subcategoria, nivel_sutileza, contexto.

Validación externa (noviembre 2026)

Contrastamos el dataset con datos reales anotados por personas. Todo es reproducible en DignityAI-Validacion.

Prueba	Resultado
Revisión independiente de etiquetas (40 textos, revisor: Claude Opus 5.5, no humano)	75.0% claramente discriminatorios, 15.0% ambiguos, 10.0% no discriminatorios. Contrastes correctos: 100.0%
Modelo entrenado con comentarios reales anotados por humanos (UBA)	Marca como odio el 11% de nuestros textos discriminatorios (como clasismo: 5%). En datos reales detecta el 41% de los casos de clasismo. Falsas alarmas en contrastes: 0%
Entrenar solo con este dataset y probar en comentarios reales (TF-IDF)	F1 0.092 (con datos reales: 0.55)
Agregar este dataset a datos reales (10% / 100% de los positivos reales)	F1 0.573 / 0.544 frente a 0.571 sin agregar

Qué significa: los modelos entrenados con datos reales reconocen solo una parte de lo que documenta este dataset, sobre todo lo explícito, y entrenar o aumentar datos con él no mejora la detección de odio real. Su valor está en evaluar si un modelo detecta discriminación sutil y regional, no en entrenarlo.

La validación por comunidades afectadas sigue pendiente. Puedes ayudar con el kit de validación humana.

Limitaciones

• Es sintético: el ruido informal (typos, abreviaturas) se agregó solo a los textos discriminatorios, así que un modelo puede aprender estilo en vez de contenido. Un TF-IDF logra F1 0.998 en el test pero 0.913 con subcategorías no vistas.
• Pocos contrastes únicos (867).
• La jerga regional a veces se mezcla entre países.

Licencia y cita

CC BY-NC-SA 4.0. Uso libre para investigación, educación, organizaciones civiles y periodismo; para uso comercial escribe a antuansabe@gmail.com.

Parte de DignityAI, proyecto independiente de Antonio Dromundo. Errores o ejemplos que deban retirarse: abre una discusión aquí o escribe a antuansabe@gmail.com.