印度学者发布BharatGather数据集：14646 条记录用于大型活动虚假信息检测
该数据集融合事实核查平台抓取、多媒体转录与LLM合成增强，专为印度宗教节日、政治集会等公共事件场景设计。
AI解读：印度大型公共活动（如宗教节日、政治集会）中谣言传播快、风险高，但现有虚假信息检测基准往往不包含当地的社会文化细节。BharatGather数据集就是针对这个问题构建的：它包含 14646 条记录，来源包括知名事实核查平台、多媒体转录，并利用大语言模型进行合成扩充，以增加叙事多样性。对研究人员来说，这意味着有了一个专门面向印度活动场景的基准，可以用来训练和评估文化敏感的虚假信息分类模型。但需注意，论文目前仅提供摘要，未公开数据集的下载方式、标注质量评估或基线模型表现，因此无法判断其实际可用性。相关团队如需使用，应先联系作者确认数据开放情况。
来自印度的研究团队于 2026 年 7 月 2 日向arXiv提交论文，介绍名为BharatGather的新数据集，专用于印度大型公共活动场景下的虚假信息二分类检测。数据集包含 14,646 条记录，通过混合流程构建：系统抓取知名事实核查平台、提取多媒体转录，并利用大语言模型进行合成增强以丰富叙事多样性。论文地址：https://arxiv.org/abs/2609.02895。
数据集构建方法与目标
据论文摘要，BharatGather旨在填补现有基准在印度语境下的空白。研究团队指出，虽然自动虚假信息检测方法已有显著进展，但现有基准常无法捕捉印度背景下的社会文化细微差别和事件特有动态。该数据集面向印度大型集会生态系统中的二元虚假信息分类（即区分真实与虚假信息）。
语料库的构建采用混合流水线：对主流事实核查平台进行系统性网页抓取、多媒体转录提取，以及大语言模型中介的合成增强，以确保叙事多样性。论文作者包括Parth Bramhecha、Smit Deshmukh、Sairaj Bodhale、Adwait Borate和Raviraj Joshi，论文被归类于计算语言学（cs.CL）和机器学习（cs.LG）方向。
应用价值与局限
研究团队称，通过提供针对印度事件相关虚假信息独特复杂性的资源，该工作有助于开发文化信息化的检测系统，并为在高风险公共环境中评估其性能建立严格基准。需要指出的是，本报道依据的是arXiv论文摘要，未阅读全文；数据集的下载方式、标注流程细节、基线模型性能及与现有基准的对比结果，目前均未在摘要中披露。