HALT-PROP：首个面向立陶宛语宣传叙事与技术检测的人类标注文本语料库

《Scientific Data》：HALT-PROP: Human-Annotated Lithuanian Textual Corpus for Propaganda Narratives and Techniques

本刊推荐：针对低资源语言宣传检测资源匮乏问题，研究团队构建了首个立陶宛语人类标注宣传语料库HALT-PROP。该资源包含2,870篇文档级标注新闻与1,000篇跨标注样本，细粒度标注11类宣传叙事与10种宣传技术，采用γ系数验证标注一致性（γsl=0.07-0.76），为波罗的海地区俄语宣传计算分析提供关键数据支撑。

　　

在当代信息战中，宣传已成为渗透社会认知的利器。社交媒体和整个媒体生态系统被利用来传播敌对宣传，旨在分裂社会、破坏国家稳定并侵蚀民主进程。尽管基于人工智能的自然语言处理（NLP）方法在虚假新闻和宣传检测方面取得进展，但主要集中于英语等高资源语言。对于立陶宛语等低资源语言，面临数字资源匮乏、复杂语言结构和标注数据集稀缺的严峻挑战，尤其缺乏针对俄罗斯宣传的本土语言计算资源。

为填补这一空白，维尔纽斯大学数据科学与数字技术研究所的Ieva Rizgeline团队在《Scientific Data》发表题为"HALT-PROP: Human-Annotated Lithuanian Textual Corpus for Propaganda Narratives and Techniques"的研究，构建了首个立陶宛语人类标注宣传文本语料库。该研究创新性地采用双层级标注框架，不仅识别文档级宣传内容，更深入标注文本片段中的具体宣传技术和叙事主题。

研究团队采用系统化的数据构建方法：从7个立陶宛媒体平台（2018-2024年）收集186,376篇文章，经去重和长度筛选后，由5名专家通过两阶段标注流程。第一阶段由标注员独立判断文章是否包含宣传内容（是/否/宣传引用/不明确），第二阶段对确认为宣传的文章进行跨标注，每篇文章由两名标注员独立标注宣传技术和叙事，并通过讨论达成共识形成金标准。

关键技术方法包括：基于SemEval任务的宣传技术分类体系优化，形成10类技术标签；采用Riessman主题叙事分析法识别11类俄式宣传叙事；使用γ(γ)系数进行跨标注者一致性验证；通过Label Studio平台实现文本片段和文档级标注。

语料库结构与规模

HALT-PROP包含两个互补数据集：Primary_filter.csv包含2,870篇文档级标注文章，Annotations.csv包含1,000篇金标准标注样本，细粒度标注宣传技术和叙事。语料库特别关注针对立陶宛的俄式宣传叙事，如乌克兰战争虚假信息、立陶宛国家去合法化、西方制度衰败等主题。

标注质量验证

技术标注一致性分析显示，跨标注者间γ值范围为：仅文本片段γ_s=0.10-0.36，片段加标签γ_sl=0.07-0.25。与金标准对比时，一致性显著提升（γ_s=0.31-0.69，γ_sl=0.43-0.76），与SemEval-2020任务11结果相当。叙事标注的杰卡德相似度平均值为0.30-0.57，多标签标注特性导致较高变异度。

技术可识别性分析

重复（γ=0.50）、从众效应（γ=0.43）和旗帜挥舞（γ=0.43）等技术最容易识别，而"翻旧账/转移视线/稻草人"（γ=0.13）等复杂技术识别一致性最低，与SemEval-2020结果一致，反映该类技术自动检测的普遍难度。

该研究创建了首个波罗的海地区俄语宣传计算分析平台，其双层级标注架构支持从文档分类到片段级技术检测的多粒度研究。语料库填补了俄罗斯邻国语言宣传资源的空白，为低资源语言NLP模型训练、多语言宣传监测系统和自动化叙事分析提供关键基础设施。未来可扩展至拉脱维亚语、爱沙尼亚语等近邻语言，构建区域性反宣传预警体系。