PlanTL-GOB-ES/SQAC

SQAC（西班牙问答语料库）是一个用于西班牙语的抽取式问答数据集，包含6,247个上下文和18,817个问题及其答案。数据来源于西班牙维基百科、Wikinews和AnCora语料库，每个上下文包含1到5个问题。数据集支持抽取式问答任务，语言为西班牙语。数据集的结构包括训练集、开发集和测试集，分别包含15,036、1,864和1,910个实例。数据集的内容分析显示，每个上下文平均包含250个词，每个问题平均包含10.8个词，每个答案平均包含4.8个词。数据集的创建遵循了SQUAD 1.0的指导方针，由母语为西班牙语的注释者进行注释。

SQAC (Spanish Question Answering Corpus) is an extractive question answering dataset for Spanish, containing 6,247 contexts and 18,817 question-answer pairs. The data is sourced from Spanish Wikipedia, Wikinews, and the AnCora corpus, with each context containing 1 to 5 questions. This dataset supports extractive question answering tasks, and all content is in Spanish. The dataset is divided into training, development, and test sets, which contain 15,036, 1,864, and 1,910 instances respectively. Content analysis of the dataset shows that each context averages 250 words, each question averages 10.8 words, and each answer averages 4.8 words. The dataset was created following the guidelines of SQUAD 1.0, and annotated by native Spanish speakers.

原始信息汇总

数据集概述

数据集名称

• 名称: Spanish Question Answering Corpus (SQAC)
• 别名: SQAC

数据集描述

• 语言: 西班牙语 (es)
• 许可: CC-BY-SA-4.0
• 多语言性: 单语
• 任务类别: 问答
• 任务ID: 提取式问答 (extractive-qa)

数据集来源

• 原始数据来源:
  • 西班牙维基百科
  • 西班牙维基新闻
  • AnCora语料库

数据集内容

• 包含:
  • 6,247个上下文
  • 18,817个问题及其答案
  • 每个片段有1到5个问题

数据集结构

• 数据实例:
  • id: 字符串
  • title: 字符串
  • context: 字符串
  • question: 字符串
  • answers:
    • text: 字符串列表
    • answer_start: 整数列表

数据分割

• 分割:
  • train: 15,036个实例
  • dev: 1,864个实例
  • test: 1,910个实例

数据分析

• 文章、段落和问题数量:
  • 文章数量: 3,834
  • 上下文数量: 6,247
  • 问题数量: 18,817
  • 问题/上下文比例: 3.01

词汇变化

• 问题中的词汇在上下文中出现的比例: 46.38%

问题类型统计

• 各类型问题数量及百分比:
  • qué: 6,381 (33.91%)
  • quién/es: 2,952 (15.69%)
  • cuál/es: 2,034 (10.81%)
  • cómo: 1,949 (10.36%)
  • dónde: 1,856 (9.86%)
  • cuándo: 1,639 (8.71%)
  • cuánto: 1,311 (6.97%)
  • cuántos: 495 (2.63%)
  • adónde: 100 (0.53%)
  • cuánta: 49 (0.26%)
  • no question mark: 43 (0.23%)
  • cuántas: 19 (0.10%)

数据集创建

• 注释过程:
  • 遵循SQUAD 1.0指南，为每个上下文创建1到5个问题
  • 注释者: 母语为西班牙语的专家

数据集使用注意事项

• 社会影响: 促进西班牙语语言模型的发展
• 偏见讨论: 未采取后处理步骤以减轻潜在的社会偏见

搜集汇总

背景与挑战

背景概述

SQAC是一个西班牙语抽取式问答数据集，包含6,247个上下文和18,817个问题，每个上下文对应1到5个问题，数据来源于西班牙维基百科、Wikinews新闻和AnCora语料库，使用CC许可。该数据集专为抽取式问答任务设计，支持西班牙语自然语言处理研究，常用于训练和评估问答模型。