在全球AI大模型加速落地的背景下，多语言训练资源的不均衡正在成为数字技术普惠的核心障碍——非洲作为全球语言多样性最丰富的大陆，现有1000余种活跃语言中，超过90%属于低资源语言，缺乏标准化的标注数据集，直接导致本土数字政务、智能消费服务、舆情治理等场景的AI应用难以适配本土用户需求，非洲语言相关的NLP（自然语言处理）研究长期受限于训练资源不足。
近期，南非比勒陀利亚大学联合相关机构正式发布Setswana Sentiment Dataset（塞茨瓦纳语情感数据集），并于2026年5月27日在预印本平台arXiv首发，专门针对南非官方语言之一的塞茨瓦纳语社交媒体文本处理需求设计，是目前全球为数不多的标准化非洲低资源语言情感标注资源。
据公开信息显示，该数据集全部样本来源于2021年至2022年间公开推特API获取的塞茨瓦纳语推文，经过多轮语言识别筛查、用户信息匿名化处理后，最终纳入3565条有效推文样本。标注环节由三位塞茨瓦纳语母语使用者完成，采用LightTag标注工具分七批次异步独立标注，记录每一批次标注的时间戳元数据以支持后续质量审计，标注涵盖积极、消极、中性等五类情感标签，最终有效分类标注数据达3454条。
该数据集的研发初衷直指非洲语言NLP资源稀缺的行业痛点，除了直接为塞茨瓦纳语情感分类模型提供训练基准外，其标注过程中沉淀的“标注质量随时间变化规律”，也可为后续低资源语言数据集的标注活动设计提供参考，助力全行业提升低资源语言数据集的构建可靠性。从应用场景来看，该数据集可广泛应用于多个领域：针对政府端，可支撑塞茨瓦纳语区的公共服务舆情监测，快速捕捉民众对公共政策、市政服务的情绪反馈，提升公共治理响应效率；面向消费市场，可支持本土电商、金融服务平台的塞茨瓦纳语用户评论分析、智能客服语义理解，优化本土用户的数字化服务体验；针对学术研究领域，也可为低资源语言NLP算法研究、多语言大模型的非洲语言能力优化提供核心训练与测试资源。
作为非洲本土高校主导研发的标准化语言数据集，该资源的发布也为全球低资源语言数据要素的供给提供了可复制的路径——当前全球数据要素市场建设中，公共语言类数据的普惠供给是弥合数字鸿沟的核心基础，针对小语种、低资源语言的标注数据集的逐步丰富，不仅将推动非洲本土数字经济的适配性发展，也将助力全球多语言AI技术的公平普惠，减少大模型的语言偏见。
详情页内容：
_1769672084863.jpg)