cannin/biostars_qa

该数据集包含从BioStars网站提取的4803个问答对，主要关注生物信息学、计算基因组学和生物数据分析。数据集的结构包括INSTRUCTION、RESPONSE、SOURCE和METADATA字段。数据集的创建标准是问题必须有一个被接受的答案，并且问题至少有一个投票。数据集的使用许可为Apache-2.0，并提供了相关的引用信息。

许可证：CC BY 4.0
任务类别：
- 文本分类
- 问答
- 文本生成
语言：
- 英语
标签：
- 生物学
样本规模：
- 1000 < n < 10000

## 数据集描述
- **BioStars官网**：https://www.biostars.org/
- **BioStars相关论文**：https://doi.org/10.1371/journal.pcbi.1002216
- **本数据集代码仓库**：https://github.com/cannin/biostars_qa

### 数据集概览
本数据集包含从[BioStars](https://www.biostars.org/)网站提取的4803条问答对。该网站专注于生物信息学、计算基因组学与生物数据分析。

### 数据集结构
#### 数据字段
本数据集包含**指令（INSTRUCTION）**、**回复（RESPONSE）**、**来源（SOURCE）**与**元数据（METADATA）**四个字段。格式规范参考[LAION-AI/Open-Assistant](https://github.com/LAION-AI/Open-Assistant/blob/main/data/datasets/README.md)的说明。

### 数据集构建
#### 筛选依据
仅收录带有已采纳回答，且问题至少获得1票点赞的问答对。

#### 源数据来源
数据通过[Biostars API](https://www.biostars.org/info/api/)采集。

## 附加信息
### 数据集维护者
[@cannin](https://github.com/cannin)。@cannin与BioStars项目无任何关联。

### 许可证信息
Apache-2.0

### 引用信息
#### BioStars项目
引用原项目：https://doi.org/10.1371/journal.pcbi.1002216

#### 本数据集
本数据集的引用格式如下：

@misc{Luna2023a,
author = {Augustin Luna},
title = {biostars_qa 数据集},
year = {2023},
howpublished = {url{https://huggingface.co/datasets/cannin/biostars_qa}}
}

#### 本数据集生成代码
本数据集生成代码的引用格式如下：

@misc{Luna2023b,
author = {Augustin Luna},
title = {biostars_qa 代码},
year = {2023},
howpublished = {url{https://github.com/cannin/biostars_qa}}
}

原始信息汇总

数据集概述

基本信息

• 许可证: cc-by-4.0
• 任务类别:
  • 文本分类
  • 问答
  • 文本生成
• 语言: 英语
• 标签: 生物学
• 大小类别: 1K<n<10K

数据集详情

• 包含内容: 4803个问答对
• 来源: 从BioStars网站提取，该网站专注于生物信息学、计算基因组学和生物数据分析。

数据集结构

• 数据字段: INSTRUCTION, RESPONSE, SOURCE, METADATA
• 格式描述: 参考LAION-AI/Open-Assistant

数据集创建

• 筛选标准: 包含的问答对需为已接受答案且至少有1票。
• 数据收集方式: 使用Biostars API收集

附加信息

• 数据集创建者: @cannin
• 许可证信息: Apache-2.0
• 引用信息:

  • 原始项目: BioStars Project

  • 此数据集:

    @misc{Luna2023a, author = {Augustin Luna}, title = {biostars_qa Dataset}, year = {2023}, howpublished = {url{https://huggingface.co/datasets/cannin/biostars_qa}} }

  • 生成此数据集的代码:

    @misc{Luna2023b, author = {Augustin Luna}, title = {biostars_qa Code}, year = {2023}, howpublished = {url{https://github.com/cannin/biostars_qa}} }

搜集汇总

背景与挑战

背景概述

该数据集是从BioStars网站提取的4,803个问答对，专注于生物信息学、计算基因组学和生物数据分析领域。数据格式为Parquet，包含问题、回答、来源和元数字段，适用于文本分类、问答和文本生成等自然语言处理任务。数据集基于API收集，问题需满足有接受答案且至少1票的条件，具有明确的许可证和引用信息。