Croatian profanity list — otvoreni dataset

croatian-profanity-list (GitHub + Hugging Face)

Izvor istine: GitHub · mirror za Dataset Viewer: Hugging Face. Licenca: MIT. Slobodno koristi, forkaј, citiraj. Engleski README namjerno — da NLP / moderation timovi brzo nađu Croatian swear wordlist i severity skorove.

Pokriva hrvatske (HR) leme s regionalnim preklapanjem za BA / RS / ME. U repou: surface liste, fraze, normalizirani indeksi, severity JSON i regex obrasci otporni na bypass.

Što ide u listu?

• psovke s dovoljno glasova / kvalitete s rang liste
• varijante i normalizirani oblici (pipeline u repou)
• severity ljestvica 0–5 za filtere (tipično ≥ 2 za blockliste)
• krediti prema LDNOOBW i drugim izvorima gdje treba

Ne ide automatski svaka glupost s interneta. Ima ljudski / poluautomatski filter — i pravila stranice. False positive testovi (npr. kurir dostava, serija filmova) žive u GitHub tests/.

Psovke ↔ dataset

Psovke je playful front door: brutometar, upvotei, psovka tjedna. Repo je trajni artefakt za production filtere. Crowdsourcing otkriva kandidate; lista se kurira za stvarnu uporabu u moderaciji komentara, pretrage i UGC-a.

API na ovoj stranici

• GET /psovke/api/words — rang lista (JSON, filteri)
• GET /psovke/api/export — dump teksta, glasova, scorea
• GET /psovke/api/weekly — psovka tjedna (+ ?archive=1)
• GET /psovke/api/health — healthcheck

Rate limit postoji. Ne mlati API bez veze.

Kako citirati?

Za akademski / production rad: navedi GitHub ili Hugging Face + datum snimke liste. Primjer:

offshore.studio / croatian-profanity-list (MIT)
GitHub: https://github.com/offshore-studio/croatian-profanity-list
Hugging Face: https://huggingface.co/datasets/offshore-studio/croatian-profanity-list
Companion: https://offshore.studio/psovke/

NLP load: load_dataset("offshore-studio/croatian-profanity-list", "terms")

Za meme: tagaj offshore.studio i pošalji bakin screenshot.

Dodaj na GitHub ★ O projektu ← Rang lista