数据集概述
本数据集及代码包支持使用BERT、Keras、XGBoost和集成方法等多种机器学习分类器，对结构化大语言模型（LLM）生成的事件消息进行可复现评估。包含人工标注数据集、未标注数据集、预处理与模型训练代码，以及环境配置文件，为复现相关研究结果和拓展分析提供支持。
文件详解
该数据集包含9个ZIP格式压缩文件，具体说明如下：
- 数据文件:
- Data - ML Classification 10K Fold Results.zip: 可能包含机器学习分类10折交叉验证结果数据
- Data - ML Training Time Tracking.zip: 可能包含模型训练时间跟踪数据
- Data - Human-Tagged, Validation Sample.zip: 可能包含人工标注的验证样本数据
- Data - Human-Tagged, Original Sample.zip: 可能包含人工标注的原始样本数据
- Data - AI-Tagged, Validation Sample.zip: 可能包含AI标注的验证样本数据
- Data - Untagged, AI-Generated Messages.zip: 可能包含未标注的AI生成消息数据
- 代码文件:
- Code - Python Scripts.zip: 可能包含Python预处理、模型训练与评估脚本
- Code - R Project.zip: 可能包含R语言数据分析与可视化脚本
适用场景
- 自然语言处理研究: 用于复现结构化LLM生成事件消息的机器学习分类评估实验
- 模型验证与基准测试: 支持BERT、XGBoost等分类器在事件消息生成任务中的性能验证
- 数据标注研究: 可基于人工标注数据集开展半自动化标注或迁移学习研究
- 跨领域拓展分析: 适用于多语言或特定领域LLM消息生成任务的基准测试与方法优化
