README.md

---
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
  - split: validation
    path: data/validation-*
  - split: test
    path: data/test-*
dataset_info:
  features:
  - name: text
    dtype: string
  - name: labels
    dtype: int64
  splits:
  - name: train
    num_bytes: 1287816.4583728428
    num_examples: 4217
  - name: validation
    num_bytes: 161244.2708135786
    num_examples: 528
  - name: test
    num_bytes: 161244.2708135786
    num_examples: 528
  download_size: 965791
  dataset_size: 1610304.9999999998
license: apache-2.0
language:
- es
pretty_name: ConspiraText-ES
size_categories:
- 1K<n<10K
---
# Dataset Card for "ConspiraText-ES"
---
annotations_creators:
- machine-generated
language_creators:
- machine-generated
languages:
- es
licenses:
- Apache 2.0
multilinguality:
- monolingual 
pretty_name: ConspiraText-ES
size_categories:
- 1K<n<10K
source_datasets:
- original
task_categories:
- text-classification
task_ids:
- binary-classification
---

# Dataset Card for ConspiraText-ES

## Table of Contents

- [Dataset Description](#dataset-description)
- [Dataset Structure](#dataset-structure)
- [Dataset Creation](#dataset-creation)
- [Considerations for Using the Data](#considerations-for-using-the-data)
- [Additional Information](#additional-information)

## Dataset Description

**Homepage:** https://huggingface.co/MorcuendeA

**Repository:** https://huggingface.co/datasets/MorcuendeA/ConspiraText-ES

**Paper:** Not available  

**Leaderboard:** Not available  

**Point of Contact:** Not available  

### Dataset Summary

ConspiraText-ES is a synthetic Spanish-language dataset, using DeepSeeker R1 0528, containing short, tweet-style messages related to 15 common conspiracy topics paired with their rational refutations. Each message is labeled as either conspiratorial or rational.

The dataset is balanced and designed for binary classification tasks.

### Supported Tasks and Leaderboards

- Text classification (binary): Detect conspiratorial vs. rational statements.

### Languages

- Spanish (`es`)

## Dataset Structure

### Data Instances

Each data instance consists of a short Spanish text message (tweet style) and a binary label indicating whether the message is conspiratorial (1) or rational (0).

    text (string): A short Spanish text message.

    labels (int): Class label where 0 = rational, 1 = conspiratorial.

### Data Splits

| Split      | Total Samples | Class 0 | Class 1 |
|------------|---------------|---------|---------|
| Train      | 4,217        | 2,096   | 2,121   |
| Validation | 528           | 256     | 272     |
| Test       | 528           | 236     | 292     |


## Dataset Creation

### Curation Rationale

The dataset was created as a personal, experimental synthetic resource to simulate conspiratorial and rational discourse styles on key social topics. It aims to facilitate research in misinformation, discourse classification, and bias detection.

Financial Elites
Conspiracy: They control governments through debt.
Refutation: Complex and transparent economic processes.

Climate Change
Conspiracy: An excuse for a global government.
Refutation: A real and urgent scientific phenomenon.

Processed Foods
Conspiracy: Designed to reduce fertility.
Refutation: Regulated food safety.

Education System
Conspiracy: A tool for indoctrination.
Refutation: Formation of critical citizens.

Mass Media
Conspiracy: Fabricating pro-war consensus.
Refutation: Plurality of competing voices.

Space Exploration
Conspiracy: A hoax to divert funds.
Refutation: Science that generates innovation and collaboration.

Artificial Intelligence
Conspiracy: Elites use it to replace humans.
Refutation: A tool to complement human capabilities.

Vaccines
Conspiracy: A global surveillance program.
Refutation: Pillars of public health.

Pandemics
Conspiracy: A tool for social control.
Refutation: Real crises that require coordination.

Chemtrails
Conspiracy: They alter climate and human behavior.
Refutation: Harmless condensation trails.

Extraterrestrials
Conspiracy: Hidden by governments.
Refutation: No evidence; scientific skepticism.

5G Technology
Conspiracy: A mind control weapon.
Refutation: Safe telecommunications technology.

Social Networks
Conspiracy: Monitoring and shaping opinions.
Refutation: Spaces for free expression and information.

Large Fires
Conspiracy: Redesigning maps for corporate interests.
Refutation: Natural and human causes (climate change, negligence).

Official History
Conspiracy: Hides advanced civilizations.
Refutation: Academic consensus based on archaeological evidence.



### Source Data

This is an original dataset generated automatically by prompting the DeepSeeker R1 0528 language model.

### Initial Data Collection and Normalization

Text samples were generated using carefully designed prompts for 15 pairs of conspiracy topics and their rational counterarguments.
These prompts were randomly selected during dataset creation to ensure diversity and balance.
Below are examples of the prompts used to generate the two classes:


#### Conspiratorial prompts (Class 1):
"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo las élites financieras controlan los gobiernos mediante deuda.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo el cambio climático es una excusa para imponer un gobierno global.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo los alimentos procesados están diseñados para reducir la fertilidad.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo el sistema educativo está hecho para adoctrinar y no para enseñar.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo los medios de comunicación fabrican consensos a favor de la guerra.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo la exploración espacial es una farsa para desviar fondos públicos.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo la inteligencia artificial está diseñada para reemplazar a los humanos por orden de las élites.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo las vacunas forman parte de un programa de vigilancia global.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo los gobiernos usan las pandemias como herramienta de control social.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo los chemtrails alteran el comportamiento humano y afectan el clima.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo los extraterrestres ya están entre nosotros pero los gobiernos lo ocultan.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo la tecnología 5G puede usarse como arma de manipulación mental.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo las redes sociales están diseñadas para vigilar y moldear opiniones.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo los grandes incendios son usados para rediseñar mapas urbanos según intereses corporativos.",

"Escríbeme un mensaje tipo tweet conspiranoico sobre cómo la historia oficial ha sido manipulada para esconder civilizaciones avanzadas del pasado."

#### Rational/refuting prompts (Class 0):
"Escríbeme un mensaje tipo tweet que explique por qué las élites financieras no controlan los gobiernos mediante deuda, sino a través de procesos económicos complejos y transparentes.",

"Escríbeme un mensaje tipo tweet que refute la idea de que el cambio climático es una excusa para un gobierno global, y explique por qué es un fenómeno científico real y urgente.",

"Escríbeme un mensaje tipo tweet que desmienta que los alimentos procesados están diseñados para reducir la fertilidad, y defienda la seguridad alimentaria regulada por agencias internacionales.",

"Escríbeme un mensaje tipo tweet que argumente que el sistema educativo no busca adoctrinar, sino formar ciudadanos críticos y preparados para el mundo real.",

"Escríbeme un mensaje tipo tweet que explique que los medios de comunicación no fabrican consensos a favor de la guerra, sino que existen múltiples voces y líneas editoriales en competencia.",

"Escríbeme un mensaje tipo tweet que defienda que la exploración espacial no es una farsa, sino un campo científico real que genera innovación, conocimiento y colaboración internacional.",

"Escríbeme un mensaje tipo tweet que critique la idea de que la inteligencia artificial está diseñada por las élites para reemplazar a los humanos, y explique cómo puede complementar nuestras capacidades.",

"Escríbeme un mensaje tipo tweet que desmienta que las vacunas formen parte de un programa de vigilancia global, y reafirme su importancia para la salud pública.",

"Escríbeme un mensaje tipo tweet que explique por qué las pandemias no son herramientas de control social, sino crisis reales que requieren coordinación global para ser contenidas.",

"Escríbeme un mensaje tipo tweet que refute la idea de que los chemtrails alteran el comportamiento humano o el clima, y explique qué son en realidad las estelas de los aviones.",

"Escríbeme un mensaje tipo tweet que cuestione la idea de que los extraterrestres ya están entre nosotros y que los gobiernos lo ocultan, y promueva el escepticismo científico.",

"Escríbeme un mensaje tipo tweet que critique la teoría de que la tecnología 5G puede usarse como arma de manipulación mental, y explique cómo funciona realmente esta tecnología.",

"Escríbeme un mensaje tipo tweet que defienda que las redes sociales no están diseñadas únicamente para vigilar o manipular opiniones, sino que también permiten la libre expresión y el acceso a información.",

"Escríbeme un mensaje tipo tweet que refute la idea de que los grandes incendios son parte de un plan para rediseñar mapas urbanos, y explique las causas reales detrás de estos desastres.",

"Escríbeme un mensaje tipo tweet que explique por qué la historia oficial no está manipulada para esconder civilizaciones avanzadas, y cómo funciona el consenso académico basado en evidencia."




#for rational   
      {"role": "system", "content": "Eres un generador de contenido que redacta mensajes tipo tweet con tono racional, escéptico y basado en hechos. Los mensajes deben parecer escritos por personas comunes que valoran el pensamiento crítico y la información verificada. Usa un lenguaje claro y accesible, sin tecnicismos excesivos. Genera cada tweet con una longitud media de 20-30 tokens. Es extremadamente importante que NO incluyas nada más en tu respuesta, escribe solamente el texto que te solicita sin ninguna aclaración o número de tokens."},

#for conspiratorial
      {"role": "system", "content": "Eres un generador de contenido que redacta mensajes tipo tweet desde una perspectiva conspirativa. Los mensajes deben parecer escritos por alguien que cree sinceramente en lo que dice. Usa un tono serio, alarmista o revelador. El lenguaje debe ser informal, pero con convicción. Cubre cualquier tema conspiranoico (vacunas, política internacional, control social, aliens, etc.). Genera cada tweet con una longitud media de 20 tokens. No incluyas nada más en la salida, solo el texto del tweet."},
      

"temperature": 1,
"max_tokens": 512    



### Who Are the Source Language Producers?

All text was machine-generated by the DeepSeeker R1 0528 model; no human-generated text is included.

### Annotations

#### Annotation Process

Labels were automatically assigned based on the prompt type: conspiratorial messages received label `1`; rational/refuting messages received label `0`.

#### Who Are the Annotators?

Annotations were generated automatically; no manual annotation was performed.

### Personal and Sensitive Information

No personal data is included. The dataset consists solely of synthetic, topic-based short texts.

## Considerations for Using the Data

### Social Impact of Dataset

This dataset can help develop tools to detect conspiracy theories and misinformation in Spanish text. However, care should be taken to avoid misuse or stigmatization of legitimate critical thinking.

### Discussion of Biases

- The dataset may contain biases originating from the language model used for generation.  
- The binary label scheme simplifies complex social views.  
- Stylistic biases related to prompt engineering may be present.

### Other Known Limitations

- Fully synthetic; does not reflect real human language or discourse nuance.  
- Limited to 15 predefined topics.  
- May not generalize to other languages or domains.

## Additional Information

### Dataset Curators

Created by [MorcuendeA].

### Licensing Information

This dataset is licensed under the Apache license 2.0.

### Citation Information

If you use this dataset, please cite as:

title = ConspiraText-ES: A Synthetic Spanish Dataset of Conspiratorial and Rational Statements

author = Morcuende A

year = 2025