owid_charts_en

Our World In Data评估数据集，包含从Our World In Data网站采样得到的约5000个图表和文章。该数据集由666个查询（文章中参考图表的文本片段）和1000个独特图表组成。这个特定的数据集是从完整数据集中随机抽取的1000个图表的子集。数据集的'text_description'列包含了使用EasyOCR从图像中提取的OCR文本。

原始信息汇总

Our World In Data (OWID) Evaluation Dataset 概述

数据集基本信息

• 来源：Our World In Data (https://ourworldindata.org)
• 样本量：1000个独特图表（从完整数据集中随机抽取的子样本）
• 完整数据集：https://huggingface.co/datasets/jjinaai/owid_charts
• 下载大小：111210969字节
• 数据集大小：111924520字节

数据集结构

• 特征：
  • query：字符串类型，文章中对图表的引用文本片段
  • image：图像类型，图表图像
  • image_filename：字符串类型，图像文件名
  • text_description：字符串类型，使用EasyOCR从图像中提取的OCR文本
• 拆分：
  • test：1000个样本

示例数据

json { query: "Unsafe water is one of the worlds largest health and environmental problems, particularly for the poorest people . The Global Burden of Disease is a major global study on the causes and risk factors for death and disease published in the medical journal The Lancet . These estimates of the annual number of deaths attributed to a wide range of risk factors are shown here. Lack of access to safe water sources is a leading risk factor for infectious diseases, including cholera, diarrhea , dysentery, hepatitis A, typhoid, and polio . 1 It also exacerbates malnutrition and, in particular, childhood stunting . The chart shows that it ranks globally as a significant risk factor for death.", image: <PIL.PngImagePlugin.PngImageFile image mode=RGBA size=850x600 at 0x7F97BBB9A620>, image_filename: images/clean_water_number-of-deaths-by-risk-factor_60c21d43.png }

引用信息

bibtex @misc{OurWorldInData, author = {Our World in Data}, title = {Our World in Data}, year = {n.d.}, note = {License: CC BY. Data from Our World in Data is made available under the Creative Commons Attribution License.}, url = {https://ourworldindata.org/}, howpublished = {https://ourworldindata.org/}, note = {Accessed: 2024-12-11} }

免责声明

• 数据集可能包含公开可用的图像或文本数据。
• 所有数据仅供研究和教育用途。
• 如有知识产权或版权问题，请联系 "support-data (at) jina.ai"。

版权信息

• 所有权利归文档原作者所有。

搜集汇总

数据集介绍

构建方式

在数据可视化与全球发展研究领域，owid_charts_en数据集基于国际知名平台Our World in Data的图表资源构建而成。研究团队从约5000张图表及相关文章中抽样形成评估集，通过系统化采集流程整合了666条文本查询与1000张独特图表。该数据集特别采用EasyOCR技术对图表图像进行光学字符识别，将提取的文本信息存储于text_description字段，确保了多模态数据的完整性。

特点

该数据集最显著的特征在于其严谨的多模态数据结构，每条记录包含查询文本、图表图像及OCR提取的文本描述三重信息。图表内容涵盖全球健康、环境等重大议题，如示例中展示的饮用水安全与疾病负担关联研究，具有鲜明的实证研究价值。图像分辨率统一为850x600像素的RGBA格式，文本描述字段则保留了原始图表的完整数据标注，为跨模态检索任务提供了高质量基准。

使用方法

研究者可通过HuggingFace平台直接加载该数据集，其标准化的字段结构支持开箱即用的多模态分析。典型应用场景包括图文匹配模型训练、数据可视化理解等跨模态任务，其中query字段可作为自然语言输入，image字段提供视觉特征提取基础。使用前需注意遵守CC BY许可协议，学术引用应按照提供的BibTeX格式标注数据来源。

背景与挑战

背景概述

Our World In Data (OWID) Evaluation Dataset是由Our World in Data机构创建的数据集，旨在为数据可视化和自然语言处理研究提供支持。该数据集从Our World in Data网站上采样了约5000张图表和相关文章，构建了一个包含666个查询和1000张独特图表的评估集。这些查询是文章中对图表的文本描述，而图表则涵盖了全球健康、环境、经济等多个领域的重要议题。该数据集的创建为跨模态学习、图表理解和信息检索等研究领域提供了宝贵的资源，推动了数据驱动决策和科学传播的发展。

当前挑战

该数据集面临的主要挑战包括跨模态对齐问题和数据构建复杂性。在领域问题方面，如何准确对齐图表图像与文本描述是一个关键挑战，尤其是在处理复杂图表和多语言文本时。构建过程中的挑战则包括数据采样和标注的复杂性，例如从大量图表中选择代表性样本，以及使用OCR技术提取文本描述时的准确性问题。此外，确保数据集的多样性和覆盖范围，同时避免偏见和噪声，也是构建过程中需要克服的难点。

常用场景

经典使用场景

在数据可视化与自然语言处理交叉领域的研究中，owid_charts_en数据集为图文关联分析提供了标准化的评估基准。该数据集通过精心筛选的全球发展数据图表及其对应的文本描述，支持多模态模型在图表理解、文本生成和跨模态检索等任务上的性能测试。研究人员可基于查询语句与图表的对应关系，探索视觉元素与语义信息的深层关联机制。

实际应用

在实际应用中，该数据集支撑了智能数据叙事系统的开发，可自动生成数据图表的分析报告。教育领域利用其构建可视化教学助手，帮助学习者理解复杂统计图表。新闻机构则基于此类技术实现数据新闻的自动化生产，显著提升社会经济议题的传播效率。政府部门亦可借助相关模型快速分析公共卫生等领域的趋势图表。

衍生相关工作

围绕该数据集衍生的经典研究包括ChartQA等图表问答系统，以及基于跨模态预训练的图表摘要生成框架。多项工作探索了Transformer架构在图表理解任务中的适应性改进，如ChartTransformer专门针对统计图表设计了空间编码模块。此外，该数据集还促进了OCR技术与语义解析的结合研究，为专业领域图表的多模态处理提供了新范式。