The Punjabi Geet Toxicity Dataset (PGT-FG): Fine-Grained Multimodal Annotations for Toxic Content in Punjabi Songs

📄 arXiv: 2610.32513v1 📥 PDF

作者: Lakhjeet Kaur, Jaspreet Kaur, Komal Rani, Yougal Attri, Ramakant KumarJaydeep Kishore, Pravin Kumar

分类: cs.CL

发布日期: 2026-10-23

💡 一句话要点

提出PGT-FG数据集以支持旁遮普歌曲中的毒性检测研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 毒性检测 旁遮普歌曲 多模态分析 数据集构建 细粒度注释

📋 核心要点

  1. 现有的毒性检测资源在旁遮普音乐内容中相对匮乏，缺乏细粒度的多模态注释。
  2. 本文提出的PGT-FG数据集通过对公开的旁遮普歌曲进行收集和注释，填补了这一空白。
  3. 最终数据集中的2396个段落中，有705个被标记为毒性，暴力是最常见的毒性类别，提供了重要的研究基础。

📝 摘要（中文）

旁遮普地区在毒性检测资源方面仍然有限，尤其是在结合语言和多模态信息的音乐内容上。本文提出了旁遮普歌曲毒性数据集（PGT-FG），这是一个基于公共可用旁遮普歌曲构建的段落级资源，旨在支持对旁遮普音乐内容中毒性检测的研究。最终数据集包含来自392首歌曲的2396个独特段落，提供了二元毒性、八个细分毒性类别、严重性、情感、模式和不确定性标志的注释记录。该数据集为旁遮普毒性检测和多模态内容分析提供了细粒度资源。

🔬 方法详解

问题定义：本研究旨在解决旁遮普音乐内容中毒性检测资源不足的问题，现有方法未能有效处理多模态信息的结合。

核心思路：通过构建PGT-FG数据集，整合语言和多模态信息，提供细粒度的毒性注释，支持更准确的毒性检测。

技术框架：数据集的构建包括歌曲收集、段落提取、质量控制和多位注释者的标注，最终形成2396个段落的注释记录。

关键创新：PGT-FG数据集的细粒度注释和多模态信息的结合是其主要创新，与现有的单一语言或模态数据集相比，提供了更全面的分析基础。

关键设计：数据集中的每个段落都包含二元毒性标记、八个细分毒性类别、情感和不确定性标志，采用Fleiss' kappa测量注释者一致性，确保数据的可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在2396个段落中，705个（29.42%）被标记为毒性，暴力类别在539个毒性段落中占76.45%。整体毒性标签的一致性达到kappa = 0.6521，表明数据集的高可靠性和有效性，为后续研究提供了坚实基础。

🎯 应用场景

该研究的潜在应用领域包括社交媒体内容监测、音乐内容审核以及文化研究等。PGT-FG数据集为研究人员提供了一个重要的工具，以深入分析旁遮普音乐中的毒性内容，促进相关领域的研究和应用。未来，该数据集可能推动多模态毒性检测技术的发展，提升内容审核的准确性和效率。

📄 摘要（原文）

Resources for toxicity detection in Punjabi remain limited, particularly for musical content that combines linguistic and multimodal information. We present the Punjabi Geet Toxicity Dataset (PGT-FG), a segment-level resource developed to support research on toxicity detection in Punjabi musical content. The dataset was constructed from publicly available Punjabi songs collected from YouTube. An initial collection of 620 songs resulted in 465 successfully downloaded songs and 3,402 preliminary segments from 450 songs. After quality control and annotation, the final dataset contains 2,396 unique segments from 392 songs. Four native Punjabi annotators produced 2,870 annotation records, including a shared subset of 158 segments annotated by all four. Each annotation includes binary toxicity, eight fine-grained toxicity categories, severity, sentiment, mode, and an uncertainty flag. Inter-annotator agreement was measured with Fleiss' kappa on the shared subset, and majority-based resolution produced the final segment-level labels. Of the 2,396 segments, 705 (29.42%) were labelled toxic and 1,691 (70.58%) non-toxic. Violence was the most frequent category, occurring in 539 toxic segments (76.45%), followed by gang references (227, 32.20%) and drug references (133, 18.87%). The overall toxicity label achieved substantial agreement (kappa = 0.6521). PGT-FG provides a fine-grained resource for Punjabi toxicity detection and multimodal content analysis. The resolved dataset, with one final record per segment, is publicly available on Zenodo (https://doi.org/10.5281/zenodo.23040156). Original lyrics, lyric excerpts, and copyrighted audio or video content are not redistributed.