annotations_creators:
- no-annotation
language:
- es
language_creators:
- machine-generated
license:
- cc-by-sa-4.0
multilinguality:
- monolingual
pretty_name: letrascarnavalcadiz
size_categories:
- 1K<n<10K
source_datasets:
- original
tags:
- lyrics
- carnival
- cadiz
task_categories: []
task_ids: []
Tarjeta del Dataset Letras Carnaval Cádiz
Descripción del Dataset
- Página de inicio: https://letrascarnavalcadiz.com
- Repositorio: https://huggingface.co/datasets/IES-Rafael-Alberti/letras-carnaval-cadiz
- Punto de Contacto: contacto@letrascarnavalcadiz.com
Registro de cambios
| Versión | Descripción |
|---|---|
| v1.0 | Lanzamiento inicial del dataset. Incluye más de 1000 letras. Es necesario verificar la precisión de los datos, especialmente el subconjunto midaccurate. |
Resumen del Dataset
Este dataset es una colección completa de letras del Carnaval de Cádiz, un importante patrimonio cultural de la ciudad de Cádiz, España. A pesar de esa importancia, no tenemos constancia de la existencia de una base de datos estructurada para estas letras, lo que dificulta la investigación y el acceso público a este patrimonio cultural. Este dataset tiene como objetivo solucionar este problema.
El dataset está creado por la Comunidad de Aprendizaje de Inteligencia Artificial de Cádiz AI, una rama de la asociación sin fines de lucro Spain AI, y se ha desarrollado por Iván Romero Reyna y Jesús Federico Franco Medinilla, estudiantes del Curso de Especialización en Inteligencia Artificial y Big Data del IES Rafael Alberti durante el año académico 2022-2023. El proyecto está supervisado por Jesús Carlos Avecilla de la Herrán, lingüista computacional e impulsor de Cádiz AI.
Es necesaria la colaboración con personas capaces de verificar los diferentes registros del dataset en letrascarnavalcadiz.com, asegurando que la transcripción de las letras y todos los datos sean correctos. También se pueden agregar nuevas letras al dataset en el mismo portal. Las correcciones y adiciones no se reflejarán inmediatamente en el dataset, pero se actualizarán periódicamente.
Para obtener más información o informar de un problema, puede escribir a contacto@letrascarnavalcadiz.com.
Tareas y clasificaciones soportadas
[Se necesita más información]
Idiomas
El dataset está en español, puesto que es el idioma del Carnaval de Cádiz.
Estructura del Dataset
Instancias de datos
Las instancias en el dataset está en formato JSON y contienen los siguientes campos:
{
"id": "9de8647521b728c45ff45c1c11208708d055397fd7781b31cf91b473dff224d5",
"autores": ["Juan Carlos Aragón Becerra"],
"tipo_cancion": 2,
"año": "2018",
"grupo": "Los Mafiosos",
"tipo_grupo": 2,
"letras": [
"Mujer va llegando el momento",
"de ser la que lleve la rienda",
"el camino ha sido largo y polvoriento",
"pero ya no habrá varón que te detenga",
"gritad larga vida a la reina",
"que va a comenzar tu gobierno```
"ojalá no heredes nada",
"de aquel macho que te odiaba",
"porque en el fondo sabía",
"que ya tú te le acercabas",
"y el contigo no podía",
"ten en cuenta cuando hagas justicia",
"de volver a nivelar la balanza",
"y aguantar aunque tragando saliva",
"el deseo de venganza",
"de ser oh humano fatal",
"de ser o que puedo entender",
"tan solo con una mirada",
"la llaga que baña tu alma y tu piel",
"que te sirva la experiencia",
"del macho de la manada",
"la fuerza no vale nada",
"si no es con la inteligencia",
"y ojalá que tu conciencia",
"a mí me brinde la suerte",
"de nunca volver a verte",
"con los pies en una iglesia",
"que ella fue quien escribió",
"que ella fue quien escribió",
"la historia contra vosotras",
"y encima se la cobró",
"y encima se la cobró",
"con mil millones de devotas",
"ojalá que tu corona y tu bandera",
"abran paso a una vida nueva",
"como un mundo en primavera",
"ojalá que a ti no te envenene el poder",
"y que no dejes nunca de ser la mujer",
"que siempre fue nuestra gran compañera"
]
}
El campo id identifica de manera única cada instancia en el dataset, proporcionando una forma de referenciar entradas específicas. Los campos 'authors' (autores/as), song_type (tipo_cancion), year (año), group (agrupación), y group_type' (tipo_agrupación) proporcionan contexto para las letras, mientras que el campo lyrics` (letra) en sí contiene el texto real de la canción. Las relaciones entre estos campos están implícitas en la estructura del dataset, con cada registro representando una sola canción del Carnaval de Cádiz.
Campos de Datos
id
Identificador único para cada canción en el dataset. Un hash SHA-256 calculado a partir de los primeros cuatro versos de las letras y el nombre del grupo, con todos los espacios eliminados y convertidos a minúsculas (string).
authors
Lista de autores que han escrito la canción (array de strings).
song_type
El tipo de canción (1: presentación, 2: pasodoble/tango, 3: cuplé, 4: estribillo, 5: popurrí, 6: cuarteta).
year
Año en que se interpretó la canción (string).
group
Nombre de la agrupación que interpretó la canción (string).
group_type
El tipo del agrupación (1: coro, 2: comparsa, 3: chirigota, 4: cuarteto).
lyrics
Las letras de la canción, representadas como un array de versos (array de strings).
Subconjuntos de Datos
Este dataset no tiene divisiones tradicionales de entrenamiento, validación y prueba. En cambio, se divide en dos subconjuntos: "accurate" (preciso) y "midaccurate" (medianamente preciso).
El subconjunto "accurate" contiene 957 instancias. Todos los campos en este subconjunto se han obtenido a través de web scraping y han pasado por al menos una revisión humana para verificar su precisión.
El subconjunto "midaccurate" contiene 226 instancias. Los campos 'group' y 'lyrics' en este subconjunto se recogieron a través de web scraping, pero los campos restantes se completaron consultando modelos de lenguaje conectados a Internet. Por lo tanto, los datos en estos campos pueden no ser precisos.
| Subconjunto | Instancias |
|---|---|
| accurate | 957 |
| midaccurate | 226 |
Tenga en cuenta que la división en subconjuntos se basa en el método y la fiabilidad de la recopilación de datos, en lugar de una división aleatoria o estratificada que se utiliza típicamente en las tareas de aprendizaje automático. Los usuarios del dataset deben tener esto en cuenta al decidir cómo utilizar los datos.
Dataset Creation
Curation Rationale
The dataset was created to address a significant need in the cultural heritage of the city of Cádiz, Spain. The Carnaval de Cádiz is a major cultural event, yet there was no structured database of its lyrics that could be consulted for research or public access. This lack of a structured database hindered the exploration and appreciation of this cultural heritage. The dataset was curated to respond to this need.
Source Data
Initial Data Collection and Normalization
The initial collection of lyrics was carried out through automatic scraping of various websites and multimedia content on the Internet. To maximize the number of records with minimal effort, all collection is being done using different Artificial Intelligence models.
Who are the source language producers?
The source language producers of the dataset are the authors and performers of the songs from the Carnaval de Cádiz. These include a wide range of individuals and groups who have participated in the Carnaval over the years. The dataset does not include self-reported demographic or identity information for these individuals or groups.
The data in the dataset was collected from two websites: https://www.alsondelcarnaval.es and http://letrasdesdeelparaiso.blogspot.com. The "accurate" subset of the dataset was collected from the former, while the "midaccurate" subset was collected from the latter. The data was extracted through automatic web scraping, and in the case of the "midaccurate" subset, some fields were filled in by querying language models connected to the Internet.
Personal and Sensitive Information
The only sensitive information in the dataset is the names and surnames of the authors of the lyrics.
Considerations for Using the Data
Social Impact of Dataset
The use of this dataset has significant social impact.
Firstly, this dataset can positively contribute to the understanding and preservation of Cadiz's culture and traditions, as the Carnaval de Cádiz is an integral part of the city's cultural identity. By providing an accessible and easily searchable resource for carnival song lyrics, this dataset can assist cultural researchers, linguists, and the general public in better understanding and appreciating the rich tradition of the Carnaval de Cádiz.
Additionally, this dataset can be utilized to enhance natural language processing (NLP) technologies in Spanish, a language that can sometimes be underrepresented in NLP research. By providing a high-quality, culture-specific Spanish text corpus, this dataset can aid in improving the accuracy and cultural relevance of Spanish NLP models.
However, there are also risks associated with the use of this dataset. For instance, if used to train text generation models, these models could generate content that reinforces cultural stereotypes or perpetuates existing biases. Moreover, the automatic interpretation of carnival song lyrics can be challenging due to cultural and linguistic subtleties, and errors in this interpretation could lead to misunderstandings or misrepresentations of Cadiz's culture.
Finally, although this dataset does not contain a low-resource or underrepresented language, it does focus on a specific cultural tradition from a specific region of Spain. Therefore, its use can impact the Cadiz community by helping to preserve and disseminate its unique culture and traditions.
Discussion of Biases
The dataset is subject to several biases due to the nature of the data collection and the historical context of the Cadiz Carnival.
Firstly, there is a temporal bias in the dataset. More recent lyrics are overrepresented compared to older ones, as there is more information available on the internet about modern groups. This may lead to a skewed understanding of the evolution of the Carnival's themes over time.
Secondly, the dataset exhibits a popularity bias. Lyrics from more popular groups are overrepresented because individuals have chosen to write about them more frequently. This could potentially limit the diversity of styles and themes represented in the dataset.
Thirdly, there is a competition bias. Lyrics from groups that advanced further in the competition stages are overrepresented, resulting in more available lyrics from these groups. This might lead to an overemphasis on the styles and themes that tend to be more successful in the competition.
Lastly, the dataset reflects a gender bias. Given that there have historically been more male authors than female authors in the Cadiz Carnival, the majority of the dataset consists of lyrics written by men. This could potentially limit the representation of diverse perspectives and themes in the lyrics.
To mitigate these biases, we actively encourage the participation of the community. By verifying the different records of the dataset, reviewing the transcription of the lyrics and all the data for accuracy, and adding new lyrics, we hope to broaden the diversity and representation.
Other Known Limitations
[More Information Needed]
Additional Information
Dataset Curators
- Iván Romero Reyna. Student of the Specialisation Course in Artificial Intelligence and Big Data at IES Rafael Alberti during the academic year 2022-2023.
- Jesús Federico Franco Medinilla. Student of the Specialisation Course in Artificial Intelligence and Big Data at IES Rafael Alberti during the academic year 2022-2023.
- Jesús Carlos Avecilla de la Herrán. Promoter in Cádiz AI.
Licensing Information
Citation Information
@misc{letrascarnavalcadiz2023,
author = {Romero Reyna, Iván and Franco Medinilla, Jesús Federico and Avecilla de la Herrán, Jesús Carlos},
title = {letras-carnaval-cadiz},
year = {2023},
url = {https://huggingface.co/datasets/IES-Rafael-Alberti/letras-carnaval-cadiz}
}
Contributions
Thanks to @ivanro, @jframed281 for adding this dataset.
Thanks to all the reviewers at letrascarnavalcadiz.com.