cqa-creative-writing-expert-cot-preview
收藏资源简介：
CQA（Creative Quality Alignment）创意写作专家链式思维预览数据集（v2版）是一个专注于创意写作质量对齐的研究级后训练数据集。其核心目标是将创意写作专家的判断过程转化为结构化、可追溯、可重用的数据，以捕捉普通文本数据中缺失的创作决策信号，例如人物困境的构建、情节线索的合理性以及跨题材的叙事原则迁移。数据源自由两位资深中文创意写作专家（拥有知识工程、媒体写作、科普视频及小说创作经验）围绕具体创作问题进行的面对面语音对话。本公开预览版本包含4个经过深度清洗与标注的样本（完整采集包含104个样本）。数据以中文为源语言，并提供AI辅助的英文阅读译文。v2版本采用了更精确的schema，将数据拆分为可独立寻址的组件：聚焦后的创作问题（prompt）、按稳定轮次切分的源对话（source_dialogue）、与具体对话轮次关联的推理事件（reasoning_events，标识了如建立语境、比较解释、抽象原则等认知工作），以及从对话整理出的单一声音最终答案（final_answer）。此外，还包含来源追溯、质量审阅状态和发布元数据。数据集提供了多种数据视图，当前主要支持三种基于中文源数据的派生任务视图：1) 最终答案监督微调（Prompt → Final Answer）；2) 推理链监督微调（Prompt → 推理事件轨迹 → Final Answer）；3) 对话到判断归纳（Source Dialogue → Final Answer）。该数据旨在用于文本生成模型的监督微调，特别是提升模型在创意写作中的推理、原则抽象和高质量内容生成能力。需要注意的是，本仓库为公开预览版，仅包含4个样本供研究评估。完整语料、模型训练、商业使用及再分发需要单独书面授权。
The CQA (Creative Quality Alignment) Creative Writing Expert Chain-of-Thought Preview Dataset (v2) is a research-grade post-training dataset focused on creative writing quality alignment. Its core objective is to transform the judgment process of creative writing experts into structured, traceable, and reusable data, capturing creative decision signals missing in ordinary text data, such as the construction of character dilemmas, the rationality of plot clues, and the transfer of narrative principles across genres. The data source consists of face-to-face voice dialogues between two senior Chinese creative writing experts (with experience in knowledge engineering, media writing, science communication videos, and novel creation) around specific creative problems. This public preview version includes 4 deeply cleaned and annotated samples (the full collection contains 104 samples). The data is in Chinese as the source language, with AI-assisted English reading translations provided. The v2 version adopts a more precise schema, splitting the data into independently addressable components: the focused creative problem (prompt), the source dialogue segmented by stable rounds (source_dialogue), reasoning events associated with specific dialogue rounds (reasoning_events, identifying cognitive work such as context establishment, comparative explanation, and principle abstraction), and the single-voice final answer compiled from the dialogue (final_answer). Additionally, it includes source tracing, quality review status, and release metadata. The dataset offers multiple data views, currently supporting three derived task views based on the Chinese source data: 1) Final Answer Supervised Fine-Tuning (Prompt → Final Answer); 2) Reasoning Chain Supervised Fine-Tuning (Prompt → Reasoning Event Trajectory → Final Answer); 3) Dialogue-to-Judgment Summarization (Source Dialogue → Final Answer). This data is intended for supervised fine-tuning of text generation models, particularly to enhance reasoning, principle abstraction, and high-quality content generation capabilities in creative writing. Note that this repository is a public preview version, containing only 4 samples for research evaluation. Full corpus, model training, commercial use, and redistribution require separate written authorization.
CQA: Creative Quality Alignment — 创意写作专家思维链数据预览
数据集概述
- 发布方：Bread Studio
- 数据集名称：CQA: Creative Quality Alignment — Research-Grade Schema v2 (Preview)
- 语言：中文（源语言）、英文（AI辅助阅读译文）
- 数据规模：n<1K（包含4条公开预览样本；完整语料共104条，不在本仓库公开）
- 许可证：其他（公开预览样本可阅读、评估，但训练、商业使用、再分发需单独书面授权）
- 任务类别：文本生成（text-generation）
- 标签：sft、reasoning、expert-annotations、human-annotations、creative-writing、chain-of-thought、post-training
数据来源与构建方法
- 源材料来自两位中文母语创意写作专家的面对面语音对谈，围绕具体创作问题展开。
- 参与者背景：长期从事知识工程、新闻媒体写作、科学内容写作，拥有十余年科普短视频创作经验；其中一位另有25年小说创作经验，发表过商业小说并获多个平台小说奖项。
- 数据不是众包标注，也非合成对话，而是从真实专家对谈中整理出的判断样本。
- 清洗流程包括：修正ASR转写错误、错别字和口癖；按论述完整性切分对谈；拟定聚焦问题；保存完整对话；整理单一声音回答；识别并标注推理事件；专家修订中文推理事件摘要；必要处进行有限脱敏。
版本信息
| 版本 | 说明 |
|---|---|
| v1.0 | 聚焦问题 + 完整双专家对话（位于<think>内）+ 最终回答 |
| v2.0 | 同一批样本表示为源对话turn、可追溯推理事件、最终回答、来源与审阅状态、任务派生视图 |
- 稳定
sample_id连接两个版本；当前main分支为v2，v1表示保留在提交1de7d0118756213c0861f7fe6d8052cf5a1d856b。
数据配置
数据集提供以下配置（均为train split）：
| 配置名 | 数据文件 | 说明 |
|---|---|---|
| public_zh（默认） | data/public_preview.zh.jsonl | 展平中文检查视图 |
| public_en | data/public_preview.en.jsonl | 展平英文阅读视图 |
| master_zh | data/cqa_master_preview.zh.jsonl | 完整中文研究级母数据 |
| master_en | data/cqa_master_preview.en.jsonl | 完整英文母数据 |
| final_answer_sft_zh | data/views/final_answer_sft.zh.jsonl | 最终回答SFT派生视图 |
| reasoning_sft_zh | data/views/reasoning_sft.zh.jsonl | 推理SFT派生视图 |
| dialogue_to_judgment_zh | data/views/dialogue_to_judgment.zh.jsonl | 对谈归纳/判断提取视图 |
母数据结构
中文和英文分别保存为独立记录，通过相同ID对应。核心字段包括：
sample_id：与v1一致的稳定标识符schema_version：当前实验Schema版本language/language_role：语言及角色（中文源记录或英文阅读译文）prompt：聚焦后的创作问题source_dialogue：按稳定turn切分的公开清洗对话reasoning_events：与具体turn相连的派生认知事件final_answer：单一声音的最终回答provenance：采集方法、源版本、路径和哈希quality：各语义层审阅状态publication：公开预览和技术可用状态derived_view_suitability：支持的派生任务视图及状态
推理事件（Reasoning Events）
推理事件不是对话的缩短复述，而是标识该部分讨论完成的认知工作，如建立语境、比较因果解释、构造机制、抽象原则等。每条样本按实际对话结构标注，事件类型和数量可以不同。
四条样本的认知结构
| 样本ID | 主要认知结构 |
|---|---|
| cqa_preview_001 | 语境建立 → 假设探索 → 跨案例比较 → 原则抽象 |
| cqa_preview_002 | 手法引入 → 对比评价 → 对照案例 → 原则收束 |
| cqa_preview_003 | 模式框定 → 两条人物功能因果链 → 原则抽象 |
| cqa_preview_004 | 约束识别 → 机制构造 → 原则抽象 → 跨题材迁移 |
派生视图
中文源记录支持三种派生视图：
- 最终回答SFT：
prompt → final_answer - 推理SFT：
prompt → 专家修订推理事件轨迹 → final_answer - 对话到判断：
source dialogue → final_answer
本数据集不包含preference、judge或process-supervision数据，因现有材料不包含所需的候选对或专家步骤级标签。
相关论文
- BC Protocol: Structured Dual-Expert Dialogue for Eliciting High-Quality Chain-of-Thought Post-Training Data（arXiv:2605.25549）——双专家对谈方法背景
- Calibrated Surprise: An Information-Theoretic Account of Creative Quality（arXiv:2604.26269）——Creative Quality Alignment理论背景
审阅状态与使用限制
- 中文源对话和最终回答继承v1的人工审阅；中文推理事件注释已经专家修订。
- 英文为AI辅助阅读译文，尚未完成独立的翻译层复核。
- 数据字段中
training_ready仅描述技术和语义审阅状态，不授予训练许可。 - 公开样本可用于阅读、评估和合作前理解；完整语料、训练权、商业使用权和再分发权不随本仓库开放。
- 模型训练/微调、使用完整语料或定制生产更多数据需单独书面授权。
- 联系邮箱：bo@BreadMedia.com
