Datasets:
language:
- es
license: cc-by-nc-sa-4.0
pretty_name: DignityAI-Racismo-LATAM
task_categories:
- text-classification
size_categories:
- 10K<n<100K
tags:
- hate-speech
- discrimination
- spanish
- latin-america
- synthetic
configs:
- config_name: default
data_files:
- split: train
path: v1.1/train.csv
- split: validation
path: v1.1/validation.csv
- split: test
path: v1.1/test.csv
default: true
DignityAI-Racismo-LATAM
Advertencia de contenido: textos de discriminación racial explícitos y sutiles. Existen para evaluar sistemas que detectan discriminación, nunca para generarla.
Dataset sintético en español de 5 países: textos de discriminación racial 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 racial discrimination. Contrasted against human-annotated real data (Nov 2026): useful for evaluating subtle discrimination, not for training.
Cifras (versión 1.1)
| Textos únicos | 22,769 |
| Discriminatorios / contraste | 21,485 / 1,284 |
| Train / validación / test | 15,938 / 3,415 / 3,416 (sin textos compartidos entre splits) |
| Países | México, Argentina, Colombia, Perú, Chile |
from datasets import load_dataset
ds = load_dataset("antonn-dromundo/DignityAI-Racismo-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) | 87.5% claramente discriminatorios, 12.5% ambiguos, 0.0% no discriminatorios. Contrastes correctos: 100.0% |
| Modelo entrenado con comentarios reales anotados por humanos (UBA) | Marca como odio el 30% de nuestros textos discriminatorios (como racismo: 26%). En datos reales detecta el 64% de los casos de racismo. Falsas alarmas en contrastes: 9% |
| Entrenar solo con este dataset y probar en comentarios reales (TF-IDF) | F1 0.262 (con datos reales: 0.682) |
| Agregar este dataset a datos reales (10% / 100% de los positivos reales) | F1 0.701 / 0.682 frente a 0.701 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 0.996 en el test pero 0.779 con subcategorías no vistas.
- Pocos contrastes únicos (1,284).
- 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.