Trelis/touch-rugby-rules-completions-only

---
dataset_info:
features:
- name: messages
list:
- name: content
dtype: string
- name: role
dtype: string
splits:
- name: train
num_bytes: 362114
num_examples: 1512
- name: test
num_bytes: 86565
num_examples: 298
download_size: 152111
dataset_size: 448679
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

数据集信息：
数据特征：
- 字段名称：messages，类型为列表，列表元素包含以下子字段：
- 子字段名称：content，数据类型：字符串
- 子字段名称：role，数据类型：字符串
数据集划分：
- 划分名称：train（训练集），字节占用量：362114，样本数量：1512
- 划分名称：test（测试集），字节占用量：86565，样本数量：298
下载体积：152111，数据集总存储体积：448679
数据集配置：
- 配置名称：default（默认配置），数据文件路径：
- 训练集对应路径：data/train-*
- 测试集对应路径：data/test-*

原始信息汇总

数据集概述

数据集特征

• messages
  • content: 数据类型为字符串
  • role: 数据类型为字符串

数据集分割

• 训练集 (train)
  • 示例数量: 1512
  • 数据大小: 362114 字节
• 测试集 (test)
  • 示例数量: 298
  • 数据大小: 86565 字节

数据集大小

• 下载大小: 152111 字节
• 数据集总大小: 448679 字节

数据文件配置

• 默认配置 (default)
  • 训练集路径: data/train-*
  • 测试集路径: data/test-*

搜集汇总

数据集介绍

构建方式

该数据集名为Trelis/touch-rugby-rules-completions-only，专注于触式橄榄球规则的问答任务。其构建基于对话式指令微调范式，每条样本由一组消息（messages）构成，每条消息包含内容（content）和角色（role）两个字段，角色字段区分用户提问与模型回答。数据集划分为训练集（1512条）和测试集（298条），数据以分片形式存储于data/train-*和data/test-*路径下，便于分布式加载。整体规模约448KB，设计轻量，旨在为触式橄榄球规则领域提供精准的指令完成数据。

特点

该数据集的核心特点在于其领域专精性与结构简洁性。所有样本均围绕触式橄榄球规则展开，覆盖规则解读、场景判断等实用场景，具有高度垂直性。数据采用对话式格式，每条记录包含多轮消息，模拟真实交互流程，角色字段清晰区分用户意图与系统响应，便于训练模型理解上下文。训练与测试集比例约为5:1，保证模型学习与评估的平衡。此外，数据量适中，既避免了冗余噪声，又为小样本微调提供了足够素材。

使用方法

使用该数据集时，用户可基于HuggingFace的datasets库直接加载，指定配置名default即可获取训练与测试分片。每条样本的messages字段可直接用于对话模型的指令微调，将用户消息（role为user）作为输入，模型回答（role为assistant）作为目标输出。建议在微调前对数据进行角色序列的拼接处理，确保模型理解对话轮次。该数据集特别适合用于优化触式橄榄球规则问答系统的响应准确性与领域适应性。

背景与挑战

背景概述

在自然语言处理与体育规则理解交叉领域中，构建面向特定运动项目的结构化知识资源成为推动智能裁判与战术分析技术发展的关键。Trelis/touch-rugby-rules-completions-only数据集由Trelis团队于近期创建，聚焦于触式橄榄球（Touch Rugby）这一非对抗性团队运动的规则补全任务。该数据集以对话式指令格式（messages结构）呈现，包含1512条训练样本与298条测试样本，旨在通过语言模型学习规则条文间的逻辑关联与缺失信息填充。其核心研究问题在于如何利用小规模、高专业性的语料提升模型对运动规则语义的精准理解，为体育领域专用语言模型提供基准资源。作为首个公开的触式橄榄球规则补全数据集，它填补了该运动在NLP应用中的空白，推动了体育规则知识表示与推理的研究边界。

当前挑战

该数据集面临的挑战首先体现在领域问题的复杂性上：触式橄榄球规则具有高度术语化与情境依赖性，模型需理解动态比赛场景中规则条款的隐含条件（如犯规判定、得分有效性），这对现有预训练语言模型的常识推理能力构成严峻考验。其次，构建过程中遭遇数据稀疏性困境——官方规则文档篇幅有限且缺乏标注，团队需人工设计规则补全模板并确保语义一致性，导致样本规模受限（仅1810条）。此外，规则更新频率与地域性变体（如不同联盟的判罚差异）增加了数据时效性维护的难度，如何在小样本条件下避免过拟合并保持泛化能力，成为该资源后续迭代的核心技术瓶颈。

常用场景

经典使用场景

在自然语言处理与体育规则理解的交叉领域，Trelis/touch-rugby-rules-completions-only数据集为触式橄榄球规则的语义解析与自动补全提供了独特的训练资源。该数据集包含1512条训练样本与298条测试样本，每条样本以结构化消息形式呈现，涵盖用户提问与系统回答的对话轮次。其最经典的使用场景是训练大语言模型完成规则问答任务——模型需根据上下文理解触式橄榄球的特定条款，例如犯规判定、得分规则或比赛流程，并生成准确、合规的规则补全。这一场景不仅考验模型对体育专业术语的掌握，更要求其具备逻辑推理与规则一致性维护的能力。

解决学术问题

该数据集有效解决了体育领域知识图谱构建与规则推理中的关键学术难题。传统方法依赖人工编纂规则库，难以覆盖复杂多变的比赛场景；而本数据集通过对话式规则补全任务，推动模型学习隐式规则表征与上下文依赖关系。研究者可借此探索少样本学习下的领域适应能力、规则冲突检测机制以及多轮对话中的知识一致性维护。其意义在于为体育规则的形式化表示提供数据驱动的新范式，同时为可解释人工智能在合规性验证中的应用奠定基础。

衍生相关工作

该数据集衍生了多项经典工作，包括基于对比学习的规则表征模型、融合外部知识库的规则推理框架以及多语言规则问答系统。研究者利用该数据集验证了提示工程在体育领域任务中的有效性，并推动了规则补全任务向通用体育规则理解扩展。后续工作进一步结合图神经网络建模规则之间的层次结构，实现了跨运动项目的规则迁移学习，为体育人工智能的标准化研究开辟了新路径。