Hugging Face's logo

Datasets:
pythainlp
/
prachathai67k

Tasks:
Text Classification
Sub-tasks:
topic-classification
Languages:
English
Size:
10K<n<100K
License:
Dataset card Files Community
3
prachathai67k / README.md
albertvillanova's picture
albertvillanova HF staff
Replace YAML keys from int to str (#2)
5a53014
preview code
|
raw
history blame
18.4 kB
metadata
annotations_creators:
  - found
language_creators:
  - found
language:
  - en
license:
  - unknown
multilinguality:
  - monolingual
size_categories:
  - 10K<n<100K
source_datasets:
  - original
task_categories:
  - text-classification
task_ids:
  - topic-classification
paperswithcode_id: prachathai-67k
pretty_name: prachathai67k
dataset_info:
  features:
    - name: url
      dtype: string
    - name: date
      dtype: string
    - name: title
      dtype: string
    - name: body_text
      dtype: string
    - name: politics
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: human_rights
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: quality_of_life
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: international
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: social
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: environment
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: economics
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: culture
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: labor
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: national_security
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: ict
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
    - name: education
      dtype:
        class_label:
          names:
            '0': neg
            '1': pos
  config_name: prachathai67k
  splits:
    - name: train
      num_bytes: 865848436
      num_examples: 54379
    - name: validation
      num_bytes: 108641386
      num_examples: 6721
    - name: test
      num_bytes: 110034036
      num_examples: 6789
  download_size: 254240975
  dataset_size: 1084523858

Dataset Card for prachathai67k

Table of Contents

Dataset Description

Dataset Summary

prachathai-67k: News Article Corpus and Multi-label Text Classificdation from Prachathai.com

The prachathai-67k dataset was scraped from the news site Prachathai. We filtered out those articles with less than 500 characters of body text, mostly images and cartoons. It contains 67,889 articles wtih 12 curated tags from August 24, 2004 to November 15, 2018. The dataset was originally scraped by @lukkiddd and cleaned by @cstorm125. Download the dataset here. You can also see preliminary exploration in exploration.ipynb.

This dataset is a part of pyThaiNLP Thai text classification-benchmarks. For the benchmark, we selected the following tags with substantial volume that resemble classifying types of articles:

  • การเมือง - politics
  • สิทธิมนุษยชน - human_rights
  • คุณภาพชีวิต - quality_of_life
  • ต่างประเทศ - international
  • สังคม - social
  • สิ่งแวดล้อม - environment
  • เศรษฐกิจ - economics
  • วัฒนธรรม - culture
  • แรงงาน - labor
  • ความมั่นคง - national_security
  • ไอซีที - ict
  • การศึกษา - education

Supported Tasks and Leaderboards

multi-label text classification, language modeling

Languages

Thai

Dataset Structure

Data Instances

{'body_text': '17 พ.ย. 2558 Blognone [1] รายงานว่า กลุ่มแฮคเกอร์ Anonymous ประกาศสงครามไซเบอร์กับกลุ่มหัวรุนแรงหลังจากกลุ่ม IS ออกมาประกาศว่าเป็นผู้อยู่เบื้องหลังการโจมตีกรุงปารีสในคืนวันศุกร์ที่ผ่านมา\n\n\nภาพในคลิปใน YouTube โฆษกของกลุ่มแฮคเกอร์สวมหน้ากากที่เป็นสัญลักษณ์ของกลุ่มได้ออกมาอ่านแถลงเป็นภาษาฝรั่งเศส มีใจความว่า จากการโจมตีของกลุ่ม IS ในกรุงปารีส กลุ่ม Anonymous ทั่วโลกจะตามล่ากลุ่ม IS เหมือนที่เคยทำตอนที่มีการโจมตีสำนักพิมพ์ Charlie Hebdo และครั้งนี้จะเป็นปฏิบัติการโจมตีครั้งใหญ่ที่สุดของกลุ่ม Anonymous เลย นอกจากนี้กลุ่ม Anonymous ยังแสดงความเสียใจต่อครอบครัวผู้สูญเสียในเหตุการณ์ครั้งนี้\nกลุ่ม Anonymous เคยประกาศสงครามกับกลุ่ม IS หลังจากการโจมตีสำนักพิมพ์ Charlie Hebdo ที่ฝรั่งเศสเมื่อต้นปีที่ผ่านมา ซึ่งครั้งนั้นกลุ่ม Anonymous อ้างว่าได้ระงับบัญชีผู้ใช้งานที่เกี่ยวข้องกับ IS ไปหลายพันบัญชี (อ่านรายละเอียดเพิ่มเติม จากBlognone ที่\xa0\xa0กลุ่มแฮคเกอร์ Anonymous ประกาศสงครามไซเบอร์ขอกวาดล้างพวก ISIS [2])', 'culture': 0, 'date': '2015-11-17 18:14', 'economics': 0, 'education': 0, 'environment': 0, 'human_rights': 0, 'ict': 1, 'international': 1, 'labor': 0, 'national_security': 0, 'politics': 0, 'quality_of_life': 0, 'social': 0, 'title': 'แฮคเกอร์ Anonymous ลั่นทำสงครามไซเบอร์ครั้งใหญ่สุดกับกลุ่ม IS', 'url': 'https://prachatai.com/print/62490'} {'body_text': 'แถลงการณ์\n\n\xa0\n\nองค์การนักศึกษามหาวิทยาลัยธรรมศาสตร์\n\n\xa0\n\nมหาวิทยาลัยธรรมศาสตร์ก่อตั้งขึ้นภายใต้แนวคิดการให้การศึกษากับประชาชนเพื่อสนับสนุนการปกครองระบอบประชาธิปไตย อีกทั้งยังเป็นสถาบันหนึ่งที่อยู่เคียงข้างประชาชนมาโดยตลอด\n\n\xa0\n\nสถานการณ์สังคมไทยปัจจุบันได้เกิดความขัดแย้งทางการเมือง ทางแนวคิด จนลุกลามเป็นวิกฤตการณ์อันหาทางออกได้ยากยิ่ง องค์กรนักศึกษามหาวิทยาลัยธรรมศาสตร์ขอร้องเรียนและเสนอแนะต่อทุกฝ่าย โดยยึดหลักแนวทางตามรัฐธรรมนูญแห่งราชอาณาจักรไทย พ.ศ. ๒๕๕๐ อันเป็นกฎหมายสูงสุดในการจัดการปกครองรัฐ ที่มีผลบังคับใช้อยู่ในปัจจุบันซึ่งผ่านการประชามติจากปวงชนชาวไทยเมื่อวันที่ ๑๙ สิงหาคม พ.ศ. ๒๕๕๐ แล้วดังต่อนี้\n\n\xa0\n\n๑.การชุมชมโดยสงบและปราศจากอาวุธย่อมได้รับการคุ้มครองตามรัฐธรรมนูญ แต่หากการชุมนุมและเคลื่อนไหวของกลุ่มใดๆ มีการละเมิดสิทธิและเสรีภาพของผู้อื่นหรือก่อให้เกิดความเสียหายต่อชีวิตและทรัพย์สินของบุคคลและส่วนรวมนั้น ไม่สามารถกระทำได้ การใช้ความรุนแรง การกระทำอุกอาจต่างๆ ทั้งต่อบุคคลและทรัพย์สิน การยั่วยุ ปลุกระดมเพื่อหวังผลในการปะทะต่อสู้ จึงควรได้รับการกล่าวโทษ\n\n\xa0\n\nดังนั้นทั้งกลุ่มพันธมิตรประชาชนเพื่อประชาธิปไตย (พธม.) และกลุ่มแนวร่วมประชาธิปไตยไม่เอาเผด็จการแห่งชาติ (นปช.) จึงควรยอมรับกระบวนการตามกฎหมาย และหากถูกกล่าวหาไม่ว่ากรณีใดๆ ก็ควรพิสูจน์ความบริสุทธิ์โดยใช้กระบวนการยุติธรรม และหากจะยังชุมนุมต่อไปก็ยังคงทำได้ภายใต้บทบัญญัติแห่งกฎหมาย\n\n\xa0\n\nองค์กรนักศึกษามหาวิทยาลัยธรรมศาสตร์ จึงร้องขอให้หน่วยงานต่างๆ ที่เกี่ยวข้องดำเนินการตามกระบวนการทางกฎหมายกับการกระทำที่ผิดบทบัญญัติแห่งกฎหมายที่ทุกฝ่ายได้กระทำไป\n\n\xa0\n\n๒.นายสมัคร สุนทรเวช นายกรัฐมนตรี ไม่มีความเหมาะสมในการบริหารราชการแผ่นดินขาดหลักธรรมาภิบาล แต่ทั้งนี้นายสมัคร สุนทรเวช ยังคงยืนยันและกล่าวอ้างความชอบธรรมตามระบอบประชาธิปไตยภายใต้รัฐธรรมนูญ โดยไม่คำนึงถึงกระแสเรียกร้องใดๆ อันส่งผลให้ความขัดแย้งทางสังคมยิ่งบานปลายจนกลายเป็นวิกฤตการณ์เช่นปัจจุบัน ซึ่งก่อให้เกิดความเสียหายต่อประเทศแนวโน้มจะคลี่คลาย\n\n\xa0\n\nองค์การนักศึกษามหาวิทยาลัยธรรมศาสตร์ จึงเห็นว่า ควรใช้สิทธิตามรัฐธรรมนูญแห่งราชอาณาจักรไทย พุทธศักราช ๒๕๕๐ มาตรา ๑๖๔ โดยการเข้าชื่อเพื่อร้องต่อประธานวุฒิสภาเพื่อให้มีมติตามมาตรา ๒๗๔ ให้ถอดถอนนายสมัคร สุนทรเวช ออกจากตำแหน่งนายกรัฐมนตรีตามมาตรา ๒๗๐ ณ ลานโพ มหาวิทยาลัยธรรมศาสตร์ ท่าพระจันทร์ อาคารเรียนรวมสังคมศาสตร์ อาคารปิยชาติ และตึกกิจกรรมนักศึกษา มหาวิทยาลัยธรรมศาสตร์ ศูนย์รังสิต\n\n\xa0\n\n\xa0\n\nด้วยความสมานฉันท์\n\nองค์การนักศึกษามหาวิทยาลัยธรรมศาสตร์', 'culture': 0, 'date': '2008-09-06 03:36', 'economics': 0, 'education': 0, 'environment': 0, 'human_rights': 0, 'ict': 0, 'international': 0, 'labor': 0, 'national_security': 0, 'politics': 1, 'quality_of_life': 0, 'social': 0, 'title': 'แถลงการณ์ อมธ.แนะใช้สิทธิ ตาม รธน.เข้าชื่อร้องต่อประธานวุฒิสภาถอดถอน "สมัคร" จากตำแหน่งนายกฯ', 'url': 'https://prachatai.com/print/18038'}

Data Fields

  • url: url of the article
  • date: date the article was published
  • title: title of the article
  • body_text: body text of the article
  • politics: 1 if sample has this tag else 0
  • human_rights: 1 if sample has this tag else 0
  • quality_of_life: 1 if sample has this tag else 0
  • international: 1 if sample has this tag else 0
  • social: 1 if sample has this tag else 0
  • environment: 1 if sample has this tag else 0
  • economics: 1 if sample has this tag else 0
  • culture: 1 if sample has this tag else 0
  • labor: 1 if sample has this tag else 0
  • national_security: 1 if sample has this tag else 0
  • ict: 1 if sample has this tag else 0
  • education: 1 if sample has this tag else 0

Data Splits

train valid test
# articles 54379 6721 6789
politics 31401 3852 3842
human_rights 12061 1458 1511
quality_of_life 9037 1144 1127
international 6432 828 834
social 6321 782 789
environment 6157 764 772
economics 3994 487 519
culture 3279 388 398
labor 2905 375 350
national_security 2865 339 338
ict 2326 285 292
education 2093 248 255

Dataset Creation

Curation Rationale

The data was scraped from the news site Prachathai from August 24, 2004 to November 15, 2018. The initial intention was to use the dataset as a benchmark for Thai text classification. Due to the size of the dataset, it can also be used for language modeling.

Source Data

Initial Data Collection and Normalization

67,889 articles wtih 51,797 tags were scraped from the news site Prachathai from August 24, 2004 to November 15, 2018. We filtered out those articles with less than 500 characters of body text, mostly images and cartoons.

Who are the source language producers?

Prachathai.com

Annotations

Annotation process

Tags are annotated for the news website Prachathai.com

Who are the annotators?

We assume that the reporters who wrote the articles or other Prachathai staff gave each article its tags.

Personal and Sensitive Information

We do not expect any personal and sensitive information to be present since all data are public news articles.

Considerations for Using the Data

Social Impact of Dataset

  • classification benchmark for multi-label Thai text classification

Discussion of Biases

Prachathai.com is a left-leaning, human-right-focused news site, and thus unusual news labels such as human rights and quality of life. The news articles are expected to be left-leaning in contents.

Other Known Limitations

Dataset provided for research purposes only. Please check dataset license for additional information.

Additional Information

Dataset Curators

PyThaiNLP

Licensing Information

CC-BY-NC

Citation Information

@misc{prachathai67k, author = {cstorm125, lukkiddd }, title = {prachathai67k}, year = {2019}, publisher = {GitHub}, journal = {GitHub repository}, howpublished={\url{https://github.com/PyThaiNLP/prachathai-67k}}, }

Contributions

Thanks to @cstorm125 for adding this dataset.