carlshue/TWEETS

Dataset Card for Twitter Authorship Verification Dataset

Dataset de pares de tuits (o grupos de tuits) en inglés, etiquetados según si pertenecen al mismo usuario o a usuarios distintos, construido para entrenar y evaluar modelos de verificación de autoría en Twitter. Fue creado como parte del Trabajo de Fin de Grado "Aprendizaje automático para la detección de autoría de usuarios en Twitter" (Universidad de Murcia, 2023).

Dataset Details

Dataset Description

El dataset se construyó recolectando tuits de una muestra de usuarios de Twitter en inglés y transformándolos en un corpus de pares (o grupos) de contribuciones etiquetadas con 1 si pertenecen al mismo usuario y 0 si pertenecen a usuarios distintos. El objetivo es entrenar modelos capaces de discernir autoría entre dos contribuciones textuales, en lugar de clasificar directamente qué usuario escribió un texto (verificación de autoría, no identificación cerrada de autor).

El proceso de construcción sigue cuatro fases: obtención de datos (web scraping), filtrado (idioma y contenido), vectorización (bolsa de palabras o afinidad temática) y emparejamiento (generación de pares mismo/distinto usuario, con opción de balanceo o desbalanceo).

• Curated by: Carlos Andrés Vázquez Vicente
• Funded by: No aplica (proyecto académico, TFG)
• Shared by: Carlos Andrés Vázquez Vicente
• Language(s) (NLP): Inglés (en)
• License: No especificada en el TFG original — a determinar por el autor antes de publicar.

Dataset Sources

• Repository: No especificado (dataset generado localmente durante el TFG, no publicado previamente en un repositorio)
• Paper: Vázquez Vicente, C. A. (2023). Aprendizaje automático para la detección de autoría de usuarios en Twitter (Trabajo de Fin de Grado). Universidad de Murcia.
• Demo: No disponible

Uses

Direct Use

Entrenamiento y evaluación de modelos de verificación de autoría (mismo autor / distinto autor) sobre texto corto en inglés estilo microblog, incluyendo:

• Modelos clásicos de clasificación vectorial (p. ej. SVC) sobre representaciones de bolsa de palabras (BOW) o afinidad temática.
• Fine-tuning de modelos de lenguaje basados en transformers (BERT, DistilBERT, XLM-RoBERTa) para la tarea de clasificación binaria de pares de texto.
• Investigación académica sobre el efecto de la agrupación de tuits por usuario, el número de tokens y el tipo de vectorización en el rendimiento de estos modelos.

Out-of-Scope Use

No debe usarse como herramienta única o determinante para identificar, perseguir, doxear o tomar acciones legales/disciplinarias contra personas reales basándose en la autoría predicha. El propio TFG concluye que estos modelos deben usarse como apoyo a estudios más amplios, no como prueba autónoma de autoría. Tampoco está pensado para perfilado de usuarios en producción, detección de bots (no evaluado para ese fin) ni para idiomas distintos del inglés.

Dataset Structure

El dataset final es un dataframe/CSV donde cada fila representa un par de entradas de texto (tuit individual o grupo concatenado de tuits) y una etiqueta binaria:

• texto_1: contenido textual (tuit o concatenación de N tuits) del primer usuario del par.
• texto_2: contenido textual (tuit o concatenación de N tuits) del segundo usuario del par.
• label: 1 si ambos textos pertenecen al mismo usuario, 0 si pertenecen a usuarios distintos.

Existen variantes del dataset según:

• Nivel de agrupación: sin agrupar (1 tuit), o agrupaciones de 2, 5, 10 y 25 tuits por entrada.
• Vectorización: representación por bolsa de palabras (BOW, con distintos tamaños de vocabulario: 50 a 3000 tokens) o representación por afinidad a 19 temas (usando el modelo tweet-topic-21-multi de Cardiff NLP).
• Balanceo: por defecto 50% pares del mismo usuario / 50% pares de usuarios distintos, con funciones auxiliares para generar versiones desbalanceadas.

No se documentan splits oficiales de train/validation/test en el TFG; estos se generaron ad hoc en cada experimento.

Dataset Creation

Curation Rationale

No existía en el momento del TFG un dataset público adecuado para la tarea específica de verificación de autoría en Twitter (a diferencia de tareas más estudiadas como el análisis de sentimiento). El dataset se generó desde cero para cubrir ese vacío, priorizando el idioma inglés (mayoritario en Twitter y en modelos preentrenados de NLP) y tratando de minimizar sesgos en la selección de usuarios.

Source Data

Data Collection and Processing

Los datos se obtuvieron mediante web scraping con BeautifulSoup y Selenium sobre perfiles públicos de Twitter, sin sesión iniciada (para evitar sesgos de personalización). Los usuarios se obtuvieron por dos vías: (1) búsqueda de preposiciones (palabras sin carga temática) en Twitter sin sesión activa, para diversificar temáticas, y (2) una lista de usuarios verificados del proyecto "TimeNLP" de la Universidad de Cardiff. Se recolectaron entre 50 y 150 tuits por cuenta.

Procesamiento posterior:

• Filtro de idioma: detección de idioma con spaCy (en_core_web_sm), reduciendo el conjunto a ~10.000 usuarios en inglés, más una revisión manual adicional.
• Filtro de contenido: eliminación de emojis y caracteres extraños, texto en minúsculas, sustitución de hipervínculos por el token link, y eliminación de cuentas cuyo contenido quedó demasiado reducido tras el filtrado.
• Vectorización: bolsa de palabras (filtrando previamente por sustantivos/verbos/adjetivos con spaCy y por frecuencia) o afinidad temática con el modelo tweet-topic-21-multi (Cardiff NLP, basado en RoBERTa).
• Emparejamiento: script en Python que agrupa tuits por usuario, repite y empareja filas asignando un id secundario (mismo usuario 50% de las veces, distinto 50%), generando la etiqueta binaria final.

Who are the source data producers?

Usuarios públicos de Twitter (ahora X) que publican en inglés, seleccionados mediante búsqueda de palabras neutrales (preposiciones) sin sesión iniciada, y usuarios verificados listados por el proyecto "TimeNLP" de Cardiff NLP. No se dispone de información demográfica autoinformada de estos usuarios; no se realizó anonimización explícita más allá de la eliminación de emojis y caracteres extraños durante el filtrado.

Annotations

Annotation process

No hay anotación manual de autoría: la etiqueta (mismo/distinto usuario) se deriva automáticamente y de forma determinista a partir de los identificadores de usuario ya conocidos durante la recolección (no es un juicio humano subjetivo, sino un emparejamiento programático).

Who are the annotators?

Generadas de forma automática por el script de emparejamiento desarrollado por el autor del TFG; no hubo anotadores humanos.

Personal and Sensitive Information

El dataset contiene texto de tuits públicos, que puede incluir opiniones personales, referencias a terceros, ubicaciones o cualquier contenido que el usuario decidiera publicar públicamente. No se realizó anonimización de nombres de usuario, menciones ni contenido más allá de la eliminación de emojis/caracteres extraños y la sustitución de URLs por el token link. Al provenir de contenido público de redes sociales, existe riesgo de identificabilidad de los autores originales; se recomienda revisar cuestiones de privacidad y consentimiento antes de una publicación pública del dataset.

Bias, Risks, and Limitations

• Los usuarios de redes sociales no son representativos de la población general y pueden introducir sesgos demográficos, temáticos o lingüísticos (mencionado explícitamente en el TFG, citando a Leng, 2013).
• El método de selección de usuarios (búsqueda de preposiciones + lista de verificados de Cardiff NLP) puede sesgar hacia cuentas más activas, verificadas o con presencia pública notable.
• El tamaño del dataset y la agrupación de tuits afectan fuertemente el rendimiento de los modelos; agrupaciones mayores mejoran la precisión pero reducen el tamaño efectivo del conjunto y aumentan el riesgo de redundancia si se usa repetición combinatoria.
• Restringido a texto en inglés; no se ha validado su aplicabilidad a otros idiomas.
• No evaluado en escenarios reales como suplantación de identidad, cambios de titularidad de cuentas o detección de bots.

Recommendations

Los usuarios de este dataset deben ser conscientes de los sesgos de selección de usuarios y del origen público (no anonimizado) del contenido. Se recomienda no utilizar el dataset ni los modelos resultantes como única evidencia de autoría en contextos legales o disciplinarios, y considerar ampliar la recolección de datos y aplicar métodos de anonimización más robustos antes de cualquier publicación o uso a mayor escala.

Citation

APA:

Vázquez Vicente, C. A. (2023). Aprendizaje automático para la detección de autoría de usuarios en Twitter [Trabajo de Fin de Grado, Universidad de Murcia].

BibTeX:

@thesis{vazquezvicente2023autoria,
  title        = {Aprendizaje automático para la detección de autoría de usuarios en Twitter},
  author       = {Vázquez Vicente, Carlos Andrés},
  school       = {Universidad de Murcia},
  year         = {2023},
  type         = {Trabajo de Fin de Grado}
}

Glossary

• BOW (Bag of Words): representación de texto como conjunto desordenado de palabras según su frecuencia.
• Emparejamiento: proceso de combinar tuits o grupos de tuits de distintos usuarios (o del mismo) para generar la etiqueta de autoría.
• Verificación de autoría: tarea de determinar si dos textos fueron escritos por la misma persona, a diferencia de la identificación de autoría (asignar un texto a un autor concreto de un conjunto cerrado).

More Information

Para más detalle sobre el proceso de construcción del dataset, metodología, resultados de los modelos (SVC, DistilBERT, BERT base, XLM-RoBERTa) y limitaciones, consultar el TFG completo: Aprendizaje automático para la detección de autoría de usuarios en Twitter (Universidad de Murcia, 2023), especialmente el capítulo 4 ("Diseño y resolución").

Dataset Card Authors

Carlos Andrés Vázquez Vicente (con asistencia de Claude para la redacción del card a partir del TFG).

Dataset Card Contact

carlosandres.vazquezv@um.es