uscode-qa-with-context

该数据集名为“USCode Questions and answers with context”，是一个关于美国法典（US Code）的问答数据集。它由四个现有数据集合并而成：uscode_qac、legalbench:rule_qa、USCode-QAPairs-Finetuning 和 synthetic-legal。数据集包含 700 个样本，划分为训练集（600 个样本）和测试集（100 个样本）。每个样本包含三个核心字段：问题（question）、答案（answer）和上下文（context），所有字段均为文本字符串。其中，115 个样本提供了相关的上下文信息，而其余 585 个样本则不包含上下文。该数据集适用于法律领域的自然语言处理任务，如问答系统、信息检索或法律文本理解模型的训练与评估。

The dataset is named USCode Questions and answers with context and is a question-answering dataset related to the United States Code (US Code). It is formed by merging four existing datasets: uscode_qac, legalbench:rule_qa, USCode-QAPairs-Finetuning, and synthetic-legal. The dataset contains 700 samples, divided into a training set (600 samples) and a test set (100 samples). Each sample includes three core fields: question, answer, and context, all of which are text strings. Among these, 115 samples provide relevant context information, while the remaining 585 samples do not include context. This dataset is suitable for natural language processing tasks in the legal domain, such as question answering systems, information retrieval, or training and evaluation of models for legal text understanding.

原始信息汇总

• 数据集名称：USCode Questions and answers with context
• 数据集描述：该数据集合并了多个来源，包括 uscode_qac、legalbench:rule_qa、USCode-QAPairs-Finetuning 和 synthetic-legal，共包含115条带有上下文的数据和585条不带上下文的数据。
• 数据集大小：数据集总大小为1,286,180字节，下载大小为326,369字节。
• 数据集拆分：
  • 训练集：600个样本，大小为1,102,440字节。
  • 测试集：100个样本，大小为183,740字节。
• 数据特征：
  • question（字符串）：问题。
  • answer（字符串）：答案。
  • context（字符串）：上下文。
• 配置：
  • 配置名称：default
  • 训练集数据文件：data/train-*
  • 测试集数据文件：data/test-*

搜集汇总

数据集介绍

构建方式

该数据集通过整合四个美国法典相关的问答数据集构建而成，包括uscode_qac、legalbench:rule_qa、USCode-QAPairs-Finetuning以及synthetic-legal。融合后的数据集包含700个样本，其中115个样本保留了法律条文作为上下文，585个样本则仅包含问题与答案对。数据被划分为训练集与测试集，训练集包含600个样本，测试集包含100个样本，每个样本均包含问题、答案及可选的上下文字段。

特点

数据集最显著的特点在于其双模态设计：部分样本提供了法律条文作为回答的上下文支撑，而另一部分则直接呈现问答对，这种结构既适合训练模型在上下文辅助下的精准推理能力，也适用于无需外部知识的直接问答任务。数据来源的多样性确保了覆盖美国法典不同章节与条款，增强了模型对法律文本的泛化能力。

使用方法

使用者可通过HuggingFace Datasets库加载该数据集，默认配置下将同时获取训练集与测试集。在模型训练或评估时，可依据是否包含上下文字段来设计不同的任务范式：对于带上下文的样本，可采用基于检索增强的问答架构；对于无上下文的样本，则适用于纯参数化知识的问答模型。数据集的字段格式简洁，便于快速集成到现有的自然语言处理流程中。

背景与挑战

背景概述

uscode-qa-with-context数据集是在法律人工智能领域背景下由多位研究者构建而成，旨在解决美国法典（US Code）相关问答任务中缺乏结构化上下文信息的问题。该数据集首次整合自uscode_qac、legalbench:rule_qa、USCode-QAPairs-Finetuning及synthetic-legal等多个权威来源，创建时间可追溯至这些子数据集的发布年份。核心研究问题聚焦于为法律文本理解提供带有精确上下文的问答对，从而提升模型对复杂法律条文推理的准确性。该数据集对法律科技领域具有重要影响，推动了自动法律咨询、案例检索与法规解释等应用的发展。

当前挑战

该数据集的核心挑战在于所解决的领域问题：法律问答任务要求模型理解冗长、结构复杂的美国法典条文，而现有模型常因缺乏上下文关联性导致回答不精确。构建过程中面临的数据整合挑战尤为突出，例如来自不同来源的问答对格式不统一、上下文长度差异大、且部分样本（115行）虽提供上下文，但大部分（585行）缺失，造成数据分布不均衡；此外，法律术语的专业性使得人工标注成本高昂，且需确保问答对与编码条款之间严格的语义对应关系，防止引入歧义或错误推论。

常用场景

经典使用场景

在自然语言处理与法律智能交叉领域，USCode-qa-with-context 数据集为法律条文问答系统提供了宝贵的基准资源。该数据集融合了多个法律问答子集，涵盖600条训练样本和100条测试样本，每条记录均包含问题、答案以及对应的法律上下文。其经典使用场景在于训练和评估基于检索增强生成的法律问答模型，模型需从美国法典条文中精准定位相关段落，并基于上下文生成准确答复，从而模拟律师或法律研究者查阅法典解答疑问的认知过程。

实际应用

实际应用中，该数据集可直接赋能法律科技产品的核心功能。例如，律师事务所可基于此数据集训练智能助理，辅助律师快速检索案件所涉法条并生成初步法律意见；企业法务部门可利用其构建合规审查工具，自动比对业务文档与相关法典条款；法院或仲裁机构也可部署此类系统，帮助当事人理解复杂法律条文，提升司法服务的可及性和效率。这些应用均能有效降低法律信息获取的时间成本。

衍生相关工作

围绕该数据集，学界已衍生出一系列具有影响力的工作。其中，融合法律法规知识图谱的检索增强生成模型被证明能显著提升答案准确率；针对法律文本的对抗训练方法则增强了模型对条款改写和同义替换的鲁棒性。此外，部分研究探索了跨数据集迁移学习策略，利用该数据集微调后的模型在 LegalBench 等基准上取得了领先性能，推动了法律自然语言处理从封闭域问答向开放式法律咨询的演进。