antonn-dromundo/SinOdio-LATAM-Regional-HateSpeech

🛡️ Hate Speech Detection Dataset - Latin American Spanish

Un dataset único diseñado para detectar discurso de odio explícito Y disimulado en español latinoamericano

🤗 Dataset • 📊 Splits • 💡 Uso Responsable

---

🌟 ¿Por qué este dataset es especial?

La mayoría de los datasets de hate speech se enfocan en detectar odio explícito y obvio. Pero en el mundo real, el discurso de odio más peligroso es aquel que se disfraza de preocupación legítima, que suena "razonable" pero perpetúa los mismos prejuicios.

Este dataset es único porque cada ejemplo incluye DOS versiones del mismo prejuicio:

📌 Ejemplo Real

Tipo	Texto
Explícito	"Los venecos son una plaga que invade Colombia"
Disimulado	"Colombia no tiene capacidad para tanta migración, debemos ser realistas"

Ambos expresan xenofobia, pero el segundo es mucho más difícil de detectar porque:

• ✅ Suena "razonable"
• ✅ Usa lenguaje "neutral"
• ✅ Se presenta como "preocupación legítima"
• ❌ Pero perpetúa el mismo prejuicio

Este dataset permite entrenar modelos que detecten ambos tipos de odio, haciendo las plataformas digitales más seguras.

---

📊 Características del Dataset

Cobertura y Balance

• 10,000 pares de ejemplos (20,000 textos totales)
• 5 países latinoamericanos: México, Colombia, Argentina, Chile, Perú
• 5 categorías de odio: Xenofobia, Homofobia, Racismo, Clasismo, Intolerancia Religiosa
• Balance perfecto: 20% por cada categoría y país
• 9,371 subtipos únicos: Alta diversidad para evitar overfitting

Autenticidad Lingüística

Cada país incluye jerga y expresiones regionales auténticas:

País	Ejemplos de Jerga
🇲🇽 México	"wey", "pinches", "naco", "chingados"
🇨🇴 Colombia	"parcero", "gonorrea", "ñero", "chimba"
🇦🇷 Argentina	"boludo", "che", "pelotudo", "gil"
🇨🇱 Chile	"weón", "flaite", "cachai", "po"
🇵🇪 Perú	"pata", "causa", "cholo", "huevón"

---

🎯 Casos de Uso

1. Detección de Hate Speech Disimulado (Principal) ⭐

Entrena modelos que detecten discurso de odio disfrazado de "preocupaciones legítimas" o "debates razonables".

# Ejemplo: Detectar odio sutil
from transformers import pipeline

classifier = pipeline("text-classification", model="tu-modelo")
texto = "No soy homófobo pero hay que poner límites razonables"
resultado = classifier(texto)
# Output: {"label": "hate_speech_subtle", "score": 0.89}

2. Moderación de Contenido en Redes Sociales

Implementa sistemas de moderación que detecten hate speech en español latinoamericano con sensibilidad regional.

3. Investigación Académica

• Análisis de manifestaciones de odio en diferentes países
• Comparación de hate speech explícito vs. disimulado
• Estudios sobre variación dialectal del español

4. Educación y Concientización

Herramienta educativa para entender cómo el odio se manifiesta de formas sutiles en el discurso cotidiano.

---

📁 Estructura del Dataset

Columnas Principales

Columna	Descripción	Ejemplo
id	Identificador único	1-10000
pais	País de origen	MEXICO, COLOMBIA, ARGENTINA, CHILE, PERÚ
escenario	Contexto social	Crisis migratoria, Derechos LGBTQ+, etc.
grupo_discriminado	Grupo objetivo del odio	Venezolanos, Trans/No binarios, Indígenas, etc.
categoria_odio	Categoría principal	xenofobia, homofobia, racismo, clasismo, intolerancia_religiosa
subtipo	Subcategoría específica	xenofobia_economica, homofobia_identidad, etc.
texto_original	Hate speech EXPLÍCITO	"pinches centroamericanos invaden el país wey"
texto_disimulado	Hate speech DISIMULADO	"pero la verdad no tenemos capacidad para tanta gente"
etiqueta_final	Etiqueta	hate_speech

Distribución por Categoría

Categoría	Ejemplos	Porcentaje	Grupos Principales
Xenofobia	2,000	20%	Venezolanos, Centroamericanos, Bolivianos, Haitianos
Homofobia	2,000	20%	Trans/No binarios, Comunidad LGBTQ+
Racismo	2,000	20%	Indígenas, Mapuches, Afrocolombianos
Clasismo	2,000	20%	Clase pobre
Intolerancia Religiosa	2,000	20%	No católicos

Distribución por País

País	Ejemplos	Porcentaje
🇲🇽 México	2,000	20%
🇨🇴 Colombia	2,000	20%
🇦🇷 Argentina	2,000	20%
🇨🇱 Chile	2,000	20%
🇵🇪 Perú	2,000	20%

---

🔄 Splits

El dataset está dividido en tres conjuntos con estratificación perfecta (mantiene balance de categorías y países):

Split	Ejemplos	Porcentaje	Uso
Train	7,000	70%	Entrenamiento de modelos
Validation	1,500	15%	Ajuste de hiperparámetros
Test	1,500	15%	Evaluación final

Cargar el Dataset

from datasets import load_dataset

# Cargar todos los splits
dataset = load_dataset("antonn-dromundo/SinOdio-LATAM-Regional-HateSpeech")

# Cargar un split específico
train = dataset['train']
val = dataset['validation']
test = dataset['test']

# Ver un ejemplo
print(train[0])

---

🚀 Ejemplo de Uso

Fine-tuning para Detección de Hate Speech

from datasets import load_dataset
from transformers import (
    AutoTokenizer,
    AutoModelForSequenceClassification,
    TrainingArguments,
    Trainer
)

# 1. Cargar dataset
dataset = load_dataset("antonn-dromundo/SinOdio-LATAM-Regional-HateSpeech")

# 2. Cargar modelo pre-entrenado en español
model_name = "dccuchile/bert-base-spanish-wwm-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(
    model_name,
    num_labels=2  # hate_speech vs. no_hate
)

# 3. Preparar datos
def preprocess(examples):
    # Puedes elegir texto_original, texto_disimulado, o ambos
    return tokenizer(
        examples['texto_disimulado'],  # Detectar hate speech sutil
        truncation=True,
        padding='max_length',
        max_length=128
    )

tokenized_dataset = dataset.map(preprocess, batched=True)

# 4. Entrenar
training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=3,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=16,
    evaluation_strategy="epoch",
    save_strategy="epoch",
    load_best_model_at_end=True,
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_dataset['train'],
    eval_dataset=tokenized_dataset['validation'],
)

trainer.train()

Evaluación por País o Categoría

import pandas as pd

# Cargar test set
test_df = pd.DataFrame(dataset['test'])

# Evaluar por país
for pais in test_df['pais'].unique():
    subset = test_df[test_df['pais'] == pais]
    # ... evaluar modelo en subset
    print(f"{pais}: Accuracy = {accuracy:.3f}")

# Evaluar por categoría
for categoria in test_df['categoria_odio'].unique():
    subset = test_df[test_df['categoria_odio'] == categoria]
    # ... evaluar modelo en subset
    print(f"{categoria}: F1 = {f1:.3f}")

---

📊 Estadísticas Clave

Longitudes de Texto

Tipo	Promedio	Mediana	Rango
Texto Original (Explícito)	41 caracteres	39	19-79
Texto Disimulado (Sutil)	45 caracteres	47	20-92

Palabras Clave Más Frecuentes

Xenofobia: venezolanos (933), inmigrantes (907), discriminación (368) Homofobia: trans (1,682), binarios (1,502), discriminación (403) Racismo: indígenas (959), mapuches (680), pueblos (614) Clasismo: clase (1,516), pobre (1,503), discriminación (397) Intolerancia Religiosa: católicos (1,543), religiosa (428), discriminación (389)

Diversidad

• 9,371 subtipos únicos (93.7% del dataset)
• 15 grupos discriminados diferentes
• 25+ expresiones regionales por país

---

⚖️ Uso Responsable

⚠️ IMPORTANTE: Este dataset contiene lenguaje ofensivo por diseño

Este dataset contiene lenguaje discriminatorio, ofensivo y violento. Ha sido creado con un propósito específico: ayudar a COMBATIR el discurso de odio, no a propagarlo.

✅ Usos Permitidos y Éticos

Este dataset debe usarse EXCLUSIVAMENTE para:

• ✅ Investigación académica en detección de hate speech
• ✅ Desarrollo de sistemas de moderación de contenido
• ✅ Entrenamiento de modelos que protejan a usuarios en línea
• ✅ Estudios sociolingüísticos sobre manifestaciones de odio
• ✅ Educación sobre formas sutiles de discriminación
• ✅ Creación de herramientas que promuevan espacios digitales seguros

❌ Usos Prohibidos

• ❌ Generar nuevo hate speech automático
• ❌ Entrenar modelos para crear contenido ofensivo
• ❌ Amplificar o propagar discurso de odio
• ❌ Discriminar o atacar a grupos vulnerables
• ❌ Cualquier uso malicioso que cause daño

🎯 Compromiso con la Responsabilidad Social

Este dataset es una herramienta de propósito social. Su objetivo es:

1. Proteger comunidades vulnerables en espacios digitales
2. Hacer visible el hate speech sutil que suele pasar desapercibido
3. Empoderar a plataformas para crear políticas de moderación efectivas
4. Fomentar la investigación sobre discriminación en español latinoamericano
5. Educar sobre las formas disfrazadas de odio

📝 Consideraciones Éticas para Investigadores

Si usas este dataset en tu investigación:

1. Contexto de uso: Explica claramente que es para combatir hate speech
2. Protección de grupos: Considera el impacto en comunidades vulnerables
3. Transparencia: Documenta limitaciones y posibles sesgos
4. Validación humana: Complementa con revisión de expertos cuando sea posible
5. Privacidad: No intentes identificar autores de los textos

---

🔬 Validación y Calidad

Este dataset ha pasado validación exhaustiva:

✅ Checklist de Calidad

• 10,000 pares completos y válidos
• Balance perfecto (20% por categoría y país)
• Sin duplicados de IDs
• Textos 100% válidos (sin contenido vacío)
• Splits estratificados sin solapamiento
• Jerga regional auténtica verificada
• 9,371 subtipos únicos (alta diversidad)
• Formato compatible con Hugging Face y modelos de NLP

📊 Métricas de Validación

Métrica	Resultado
Total de pares	✅ 10,000
IDs únicos	✅ 10,000 (0 duplicados)
Textos válidos	✅ 100%
Balance por categoría	✅ Desviación: 0.00%
Balance por país	✅ Desviación: 0.00%
Splits sin solapamiento	✅ Verificado
Diversidad de subtipos	✅ 93.7% únicos

---

📚 Citación

Si usas este dataset en tu investigación, por favor cítalo:

@dataset{dromundo2024sinodio_latam,
  title={SinOdio-LATAM-Regional-HateSpeech: Hate Speech Detection Dataset for Latin American Spanish},
  author={Dromundo, Antonio},
  year={2025},
  publisher={Hugging Face},
  howpublished={\url{https://huggingface.co/datasets/antonn-dromundo/SinOdio-LATAM-Regional-HateSpeech}},
  note={10,000 paired examples of explicit and subtle hate speech across 5 Latin American countries}
}

Texto (APA):*

Dromundo, A. (2025). SinOdio-LATAM-Regional-HateSpeech: Hate Speech Detection Dataset for Latin American Spanish [Dataset]. Hugging Face. https://huggingface.co/datasets/antonn-dromundo/SinOdio-LATAM-Regional-HateSpeech

Texto (MLA):

Dromundo, Antonio. "SinOdio-LATAM-Regional-HateSpeech: Hate Speech Detection Dataset for Latin American Spanish." Hugging Face, 2025, huggingface.co/datasets/antonn-dromundo/SinOdio-LATAM-Regional-HateSpeech.

---

📜 Licencia

Este dataset está licenciado bajo Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0).

✅ Puedes:

• Compartir: Copiar y redistribuir el dataset en cualquier medio o formato
• Adaptar: Remezclar, transformar y construir sobre el dataset
• Uso Académico: Usar libremente para investigación y educación

⚠️ Bajo los siguientes términos:

• Atribución (BY): Debes dar crédito apropiado, proporcionar un enlace a la licencia e indicar si se realizaron cambios
• No Comercial (NC): No puedes usar el dataset con propósitos comerciales sin permiso explícito
• Compartir Igual (SA): Si remezclas, transformas o construyes sobre el dataset, debes distribuir tus contribuciones bajo la misma licencia

📄 Licencia Completa

Para ver los términos legales completos, visita: https://creativecommons.org/licenses/by-nc-sa/4.0/

💼 Uso Comercial

Si estás interesado en usar este dataset con propósitos comerciales, por favor contacta al autor para discutir los términos.

---

🤝 Contribuciones y Contacto

Contribuir

Este dataset puede expandirse o mejorarse. Contribuciones bienvenidas:

• Agregar más países latinoamericanos (Venezuela, Ecuador, etc.)
• Incluir nuevos escenarios sociales
• Anotar intensidad del odio
• Agregar metadata temporal
• Mejorar balance de escenarios

Reportar Problemas

Si encuentras errores, sesgos problemáticos, o tienes sugerencias:

• Abre un Issue en el repositorio
• Contacta directamente para discusiones sobre uso ético

---

🏆 Reconocimientos

Este dataset fue creado con el objetivo de hacer las plataformas digitales más seguras para todas las personas, especialmente para las comunidades históricamente discriminadas.

Agradecimientos especiales a todas las comunidades que luchan por espacios en línea libres de odio.

---

🌎 Creado por Antonio Dromundo, de México para el mundo

Construyendo tecnología con propósito social

---

Este dataset es una contribución a la lucha contra el discurso de odio en el mundo digital. Úsalo responsablemente. Úsalo para construir un internet más seguro para todos.