tasksource/lsat-rc

---
configs:
- config_name: default
data_files:
- split: validation
path: data/validation-*
- split: train
path: data/train-*
- split: test
path: data/test-*
dataset_info:
features:
- name: context
dtype: string
- name: id_string
dtype: string
- name: answers
sequence: string
- name: label
dtype: int64
- name: question
dtype: string
splits:
- name: validation
num_bytes: 982698
num_examples: 270
- name: train
num_bytes: 6676505
num_examples: 1827
- name: test
num_bytes: 978997
num_examples: 269
download_size: 1474121
dataset_size: 8638200
---
# Dataset Card for "lsat-rc"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
配置项：
- 配置名称：default（默认配置）
数据文件：
- 数据拆分：验证集（validation），路径：data/validation-*
- 数据拆分：训练集（train），路径：data/train-*
- 数据拆分：测试集（test），路径：data/test-*
数据集信息：
特征字段：
- 名称：context（上下文），数据类型：string（字符串）
- 名称：id_string（ID字符串），数据类型：string（字符串）
- 名称：answers（答案），数据类型：字符串序列
- 名称：label（标签），数据类型：int64（64位整数）
- 名称：question（问题），数据类型：string（字符串）
数据拆分详情：
- 名称：验证集（validation），字节数：982698，样本数量：270
- 名称：训练集（train），字节数：6676505，样本数量：1827
- 名称：测试集（test），字节数：978997，样本数量：269
下载大小：1474121，数据集总大小：8638200
---
# "lsat-rc"数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集配置

• 默认配置 (config_name: default) 包含以下数据文件：
  • 验证集 (split: validation)：路径为 data/validation-*
  • 训练集 (split: train)：路径为 data/train-*
  • 测试集 (split: test)：路径为 data/test-*

数据集信息

• 特征：

  • context：数据类型为 string
  • id_string：数据类型为 string
  • answers：数据类型为 sequence: string
  • label：数据类型为 int64
  • question：数据类型为 string

• 分割信息：

  • 验证集 (name: validation)：
    • 字节数：982698
    • 示例数：270
  • 训练集 (name: train)：
    • 字节数：6676505
    • 示例数：1827
  • 测试集 (name: test)：
    • 字节数：978997
    • 示例数：269

• 下载大小：1474121字节

• 数据集总大小：8638200字节

搜集汇总

数据集介绍

构建方式

在法学教育与标准化考试研究领域，数据集的质量直接影响模型对法律文本推理能力的评估。tasksource/lsat-rc数据集源自美国法学院入学考试（LSAT）的阅读理解部分，通过系统化收集历年真题文本构建而成。该数据集以阅读理解任务为核心，每条样本包含一段法律或逻辑相关的长文本（context）、对应的问题（question）、候选答案集合（answers）以及正确选项的索引标签（label）。数据划分为训练集（1827条）、验证集（270条）和测试集（269条），确保模型训练与评估的独立性与平衡性。

特点

该数据集的核心特点在于其高度模拟真实法律考试场景的复杂性。样本中的文本涉及法律条文、判例分析及逻辑论证，长度与难度均贴近实际LSAT考试，为评估模型的语义理解与推理能力提供了严苛基准。数据格式简洁统一，包含id_string用于唯一标识样本，便于追踪与调试。此外，答案采用序列化存储方式，支持多选一任务的灵活处理，而标签以整数形式明确标注正确答案位置，降低了预处理门槛。

使用方法

使用tasksource/lsat-rc数据集时，研究者可通过HuggingFace Datasets库直接加载，无需额外下载与转换。数据以默认配置提供，支持按split参数获取指定子集（train/validation/test）。在模型训练中，建议将context与question拼接作为输入，answers作为候选选项，label作为监督信号进行多分类任务。该数据集适用于微调预训练语言模型（如BERT、RoBERTa）在法律文本领域的阅读理解能力，并可通过预测准确率与F1分数评估性能。

背景与挑战

背景概述

在法律人工智能领域，机器阅读理解能力的评估是衡量模型对复杂逻辑与专业文本理解深度的关键。lsat-rc数据集由tasksource团队构建，其核心研究问题聚焦于模拟美国法学院入学考试（LSAT）中的阅读理解部分，旨在检验模型在长文本、多选项及推理密集型场景下的表现。该数据集包含超过2300个样本，涵盖训练、验证与测试集，每个样本由上下文、问题及多个候选答案组成，要求模型精准定位并整合文本信息以得出正确结论。自发布以来，lsat-rc已成为评估高端语言模型逻辑推理与文本分析能力的基准之一，对推动法律文本自动化处理及智能辅导系统的发展具有显著影响力。

当前挑战

lsat-rc所解决的领域挑战在于法律文本推理的复杂性，包括处理高度抽象的逻辑关系、识别隐含前提以及排除干扰信息，这些远超常规阅读理解任务。构建过程中，团队面临数据标注的精确性难题，因LSAT题目本身设计严谨，需确保每个答案选项的合理性及唯一正确性，避免歧义。此外，文本长度与专业术语的多样性增加了模型泛化的难度，现有模型常在需要多步推理或跨段落信息整合时表现不佳，凸显了在有限训练数据下提升逻辑一致性与鲁棒性的迫切需求。

常用场景

经典使用场景

在自然语言理解与机器阅读推理的学术前沿，LSAT-RC数据集以其源自美国法学院入学考试阅读理解的严谨结构，成为评估模型深层语义解析能力的经典基准。该数据集通过提供长篇幅的法律文本段落、复杂逻辑问题及精确答案标签，迫使模型超越表层词汇匹配，转向对文本因果链条、隐含前提与论证结构的综合推理。研究者常将其与RACE、SQuAD等数据集对比，以检验模型在高度抽象化、多义性密集的学术文本上的泛化能力，尤其关注模型能否捕捉法律文本中特有的修饰性从句与条件逻辑。

实际应用

在实际应用中，LSAT-RC的能力可迁移至法律文书自动审阅、合同条款矛盾检测及标准化考试智能辅导系统。例如，法律科技公司可基于该数据集训练的模型，解析判例中法官的论证路径，辅助律师快速定位案件关键争议点；教育领域则能通过模型对考生答题模式的识别，定制个性化逻辑训练方案。此外，该数据集对模型抗干扰能力的高要求，使其在金融风控报告中的异常逻辑检测、医疗文献中治疗方案的合理性验证等场景中展现出独特价值。

衍生相关工作

LSAT-RC的发布直接推动了多项里程碑式研究：如‘逻辑阅读网络’（Logical Reading Network）通过引入符号推理模块，在该数据集上取得了显著提升；‘图神经网络增强的文本推理’（Text-based Reasoning with GNN）则利用图结构建模文本实体间的关系，解决了长文本中的跨段推理难题。此外，该数据集被整合进‘SuperGLUE’等综合基准测试，成为衡量模型逻辑智能的标尺，并衍生出‘LSAT-LR’（逻辑推理子集）等专注单一推理类型的变体，进一步细化了学术评估粒度。