alvarotoledoupm/chatsubs-temporal-es-1990-2021

ChatSubs Temporal Spanish (1990-2021)

Dataset Description

Este dataset contiene una muestra estratificada de diálogos de películas en español, extraída del dataset ChatSubs (Kharitonova et al., 2023).

Propósito

Diseñado para análisis temporal del lenguaje cinematográfico en español, permitiendo estudiar la evolución de patrones lingüísticos a lo largo de tres décadas.

Dataset Structure

Data Fields

Data Splits

Distribución Temporal

• —Período: 1990 - 2021
• —Muestras por año: ~200
• —Total años: 32

Dataset Creation

Curation Rationale

Se seleccionaron 200 películas aleatorias por año para garantizar una representación equilibrada a lo largo del período de estudio.

Source Data

• —Fuente original: OpenSubtitles
• —Dataset intermedio: ChatSubs (Kharitonova et al., 2023)
• —Idioma filtrado: Español (spa)

Processing

1. 1.Extracción selectiva desde archivo TAR comprimido
2. 2.Muestreo estratificado por año
3. 3.Limpieza de diálogos (normalización de espacios, límite de caracteres)
4. 4.Conversión a formato Hugging Face Dataset

Considerations for Using the Data

Limitations

• —Los subtítulos pueden contener errores de transcripción
• —La longitud del texto está limitada a 10,000 caracteres
• —Algunos años pueden tener menos de 200 muestras si no había suficientes datos

Licensing

Este dataset deriva de ChatSubs, que a su vez proviene de OpenSubtitles. Usar bajo los términos de la licencia CC-BY-NC-4.0.

Citation

@article{kharitonova2023chatsubs,
  title={ChatSubs: A dataset of dialogues in Spanish and Spain's co-official languages},
  author={Kharitonova et al.},
  journal={Data in Brief},
  year={2023},
  publisher={Elsevier}
}

Dataset Card Contact

Creado para el proyecto DCDC - Análisis de Diálogos Cinematográficos.