微博社会语言学语料库
2026 July 15
maikurokosmos_socioling_weibo_dataset 是一个中文微博(Weibo)话语语料库，从每日热搜话题中采样，并为社会语言学研究做了标注。它被设计成持续增长的：大多数日子会新增一个热搜话题，而且会刻意在不同领域之间轮换选题，因此语料库会不断累积覆盖不同主题、不同语域、不同社群的博文，并特别关注饭圈语言与网络社群黑话。
1. 数据集基本信息
- 来源：微博公开博文，按每日热搜话题（话题 / 热搜）采样。
- 节奏：大约每天一个新话题，每次采集约 200 条热门博文，语料库持续增长。
- 规模：目前 1000+ 条，并在增加。
- 语言：中文（普通话；包含网络用语、饭圈黑话与中英夹杂）。
- 分析单位：一行 = 一条微博博文。
- 模型：背景提取与打标目前使用 Qwen3.7-Max（撰写时的最新版本）；模型如有更新会在此说明。
- 标注：两层，AI 生成的初标，加上人工复核的抽样子集（见复核层）。
- 格式：Hugging Face 上为 CSV（自动转换为 Parquet）；单一
train划分。 - 许可：CC BY-NC 4.0，仅供非商业学术研究使用（见许可与署名）。
2. 语料库是怎么构建的
每天的一批数据都走同一条流水线：
- 选话题。 挑选一个有一定体量 / 热度的微博热搜话题，并尽量让每天的选题落在与近期不同的领域。
- 采集博文。 在该话题下抓取约 200 条热门博文。
- 梳理话题背景（AI 第一遍）。 由模型（目前为 Qwen3.7-Max）阅读该话题，产出一份背景简报：事件是什么，以及涉及的关键实体与术语清单。这一步很关键，因为微博话语如果不知道在说谁、说什么，往往根本读不懂。
- 给博文打标（AI 第二遍）。 同一模型第二遍结合上述背景简报，为每条博文分配标注标签。
- 人工复核。 每天会抽取一个最多 50 条的样本，抽取方式是部分随机、部分按规则命中可能出错的标签，再由人工逐条核对，确认或修正每个标签，结果单独保存进
reviewed_*字段。把初标与这个复核子集对比，就是准确率 / F1 的计算依据。 - 发布。 把这批数据追加进数据集。
3. 每一行里有什么
每条博文都包含一些元数据、原始文本、一套 AI 初标标签，以及一套对应的人工复核标签。
| 字段 | 含义 |
|---|---|
hf_public_record_key | 每行的稳定标识符。 |
date | 该话题 / 批次的采集日期。 |
keyword | 该博文所属的热搜关键词 / 话题。 |
text | 微博博文正文。 |
validity | （初标） 博文是否可用，以及不可用的原因。 |
target_type | （初标） 博文主要在讲什么、或指向什么。 |
stance | （初标） 博文对该对象的立场。 |
emotion_category | （初标） 主导情绪。 |
emotion_subtype | （初标） 该情绪之下更细的类别。 |
mf_main | （初标） 所基于的道德基础（若有）。 |
mf_direction | （初标） 该道德基础的哪一极。 |
satire | （初标） 博文是否为反讽 / 讽刺。 |
review_selected | 该行是否被抽入当日的人工复核样本。 |
reviewed_validity … reviewed_satire | 上述每个标签的人工核对版本。 |
4. 标注方案
下面是完整的标签取值，也就是这套码本(codebook)。每个维度都有对应的 reviewed_* 版本（见复核层）。有几个取值采用了非标准拼写，如 outfit_or_appearence、idol_doration，这些是字段里的原始写法，原样保留。
有效性
有效性(validity) 表示博文是否可用，以及不可用的原因。
| 取值 | 含义 |
|---|---|
general | 正常、切题的博文，含有可解读的内容。 |
noise | 离题或无实质内容的噪声（广告、垃圾、乱码、无关闲聊）。 |
stanning_and_other_spamming | 饭圈式刷屏，即控评、打投应援（饭圈控评、打投）及类似 spam。 |
指向对象类型
指向对象类型(target_type) 表示博文主要在讲什么、或指向什么。
| 取值 | 含义 |
|---|---|
person | 具体的某个人。 |
outfit_or_appearence | 某人的穿搭、外形、颜值。 |
action | 某个行为、举动或事件。 |
opinion | 某个观点、言论。 |
group_or_organization | 群体或组织。 |
works_or_creations | 作品或创作（歌曲、节目、画作、产品…）。 |
scenery | 风景或场景。 |
others | 其他。 |
立场
立场(stance) 表示博文对其指向对象的态度。
| 取值 | 含义 |
|---|---|
support | 支持 / 赞同。 |
oppose | 反对 / 批评。 |
neutral | 中立 / 客观。 |
no_clear_stance | 看不出明确立场。 |
irrelevant | 实际与该对象无关。 |
情绪大类与细类
情绪大类(emotion_category) 是主导情绪，情绪细类(emotion_subtype) 是其之下更细的情绪。
| emotion_category | emotion_subtype |
|---|---|
anger（愤怒） | personal_anger, moral_outrage, fury |
disgust（厌恶） | physical_disgust, moral_contemp, rejection |
annoyance（烦躁） | annoyance |
like（喜欢） | idol_doration, simple_liking, admiration, solidarity |
sadness（悲伤） | disappointed, empathy, grieve, hopeless |
happiness（快乐） | simple_happy, pride, gloat, looking_forward_and_hope |
fear（恐惧） | anxious, fear, concerned |
surprise（惊讶） | astounded, happily_surprised, shock |
none（无） | general |
uncertain（不确定） | uncertain |
道德框架
主道德基础(mf_main) 是博文所基于的道德基础，取自道德基础理论(Moral Foundations Theory)；道德方向(mf_direction) 表示所表达的是该基础的哪一极，因此取值取决于 mf_main。
| mf_main | mf_direction |
|---|---|
care_vs_harm（关怀 / 伤害） | care · harm |
fairness_vs_cheating（公平 / 欺骗） | fairness · cheating |
loyalty_vs_betrayal（忠诚 / 背叛） | loyalty · betrayal |
authority_vs_subversion（权威 / 颠覆） | authority · subversion |
sanctity_vs_degradation（神圣 / 堕落） | sanctity · degradation |
liberty_vs_oppression（自由 / 压迫） | liberty · oppression |
none（无） | none |
mf_direction 另外还允许独立取值 uncertain。
反讽
反讽(satire) 标注博文是否使用了反讽。
| 取值 | 含义 |
|---|---|
yes | 使用了反语、讽刺或反讽，字面措辞可能与真实含义相反。 |
no | 直白 / 真诚。 |
复核层
上面每个字段都有一个 reviewed_* 对应版本，另外还有 review_selected 标记。
review_selected：该行是否被抽去人工复核。抽取方式是部分随机、部分按规则，把看起来可能标错的行挑出来重点核对。reviewed_*：人工判定结果。若与初标一致，说明原标注被判为正确；若不一致，说明已被修正。- 在复核子集上把初标与
reviewed_*对比，正是打标准确率 / F1 的计算方式。
5. 可以用来做什么研究
因为选题刻意在不同领域间轮换，又因为部分标签专门标出了饭圈式刷屏(stanning)等 spam，这个语料库尤其适合：
- 社群与亚文化语言：观察特定社群、亚文化到底怎么说话；
stanning_and_other_spamming这个有效性取值、以及像idol_doration这样带饭圈色彩的情绪，都是特意设置的。 - 不同社群对比：面对可比的事件，不同社群是否表现出不同的用语习惯、框架与情绪语域。
- 追踪网络流行语：跟踪流行词与梗如何冒头、扩散、消退，横跨不同话题与日期。
- 社会语言学视角的用语变化：在一个持续增长、带日期的语料库上追踪用语随时间的变化。
- 真实语境下的立场、情绪与道德框架：在杂乱的真实文本上做中文立场 / 情绪 / 道德基础分类。
- AI 与人工标注对比：初标与
reviewed_*的划分是现成的基准，也是所报告准确率 / F1 的依据。