DAIGT Proper Train Dataset

Dataset textuel composé de plusieurs milliers d’exemples destinés à entraîner des modèles pour détecter du texte généré par IA. Il regroupe des textes générés par divers grands modèles de langage (ChatGPT, LLaMA, Falcon, Claude, Mistral) ainsi que des essais officiels. Ce corpus est adapté pour le fine-tuning et l’évaluation des modèles de détection d’IA.

Télécharger le dataset

Taille

Plusieurs milliers d’essais textuels au format texte brut ou JSON

Licence

MIT

Description

‍

Le DAIGT Proper Train Dataset est un corpus textuel riche comprenant plusieurs milliers d’exemples d’essais générés par différents modèles de langage IA ainsi que des essais humains. Il contient des métadonnées telles que l’ID d’essai et le prompt de génération lorsque disponibles. Ce dataset est conçu pour les compétitions et projets de détection de texte généré par IA.

‍

À quoi sert ce dataset ?

‍

Entraîner des modèles de classification pour distinguer texte humain et texte IA
Évaluer la robustesse des détecteurs d’IA sur des données variées
Fine-tuning pour amélioration de la détection dans différents contextes

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Oui, il est possible d’ajouter des textes générés par de nouveaux modèles ou d’intégrer des annotations supplémentaires (ex. : difficulté, sujet). Le dataset peut aussi être stratifié par source ou prompt pour analyses fines.

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐⭐⭐⭐ (Dataset prêt à l’emploi, métadonnées utiles)
🧼 Besoin de nettoyage	⭐⭐⭐⭐⭐ (Faible – données bien organisées)
🏷️ Richesse des annotations	⭐⭐⭐⭐✩ (Bonne – métadonnées sur source et prompts)
📜 Licence commerciale	✅ Oui (MIT)
👨‍💻 Idéal pour les débutants	🌟 Adapté aux utilisateurs débutants et avancés
🔁 Réutilisable en fine-tuning	🎯 Excellent pour détection et classification texte IA
🌍 Diversité culturelle	📖 Textes variés produits par plusieurs modèles LLM