2024-mcm-everitt-ryan/job-bias-synthetic-train-human-val-and-test

该数据集包含多个特征字段，涉及文本分析，特别是与年龄、残疾、性别、种族、性取向等相关的分析。数据集分为训练集、验证集和测试集，分别包含22103、315和314个样本。特征字段包括id、document_id、verified、synthetic、source、country、company、position、analysis_age、analysis_disability、analysis_feminine、analysis_masculine、analysis_racial、analysis_sexuality、analysis_general、text、notes、original以及多个标签字段（如label_age、label_disability等）。

This dataset contains multiple feature fields related to text analysis, particularly focusing on aspects such as age, disability, gender, race, sexuality, and more. The dataset is divided into training, validation, and test sets, containing 22103, 315, and 314 samples respectively. The feature fields include id, document_id, verified, synthetic, source, country, company, position, analysis_age, analysis_disability, analysis_feminine, analysis_masculine, analysis_racial, analysis_sexuality, analysis_general, text, notes, original, and several label fields (e.g., label_age, label_disability, etc.).

原始信息汇总

数据集概述

数据特征

• id: 字符串类型
• document_id: 字符串类型
• verified: 布尔类型
• synthetic: 布尔类型
• source: 字符串类型
• country: 字符串类型
• company: 字符串类型
• position: 字符串类型
• analysis_age: 字符串类型
• analysis_disability: 字符串类型
• analysis_feminine: 字符串类型
• analysis_masculine: 字符串类型
• analysis_racial: 字符串类型
• analysis_sexuality: 字符串类型
• analysis_general: 字符串类型
• text: 字符串类型
• notes: 字符串类型
• original: 字符串类型
• label_age: 布尔类型
• label_disability: 布尔类型
• label_feminine: 布尔类型
• label_masculine: 布尔类型
• label_racial: 布尔类型
• label_sexuality: 布尔类型
• label_general: 布尔类型

数据分割

• train:
  • 字节数: 208867090
  • 样本数: 22103
• val:
  • 字节数: 2197090
  • 样本数: 315
• test:
  • 字节数: 2167161
  • 样本数: 314

数据集大小

• 下载大小: 78923409 字节
• 数据集总大小: 213231341 字节

配置

• config_name: default
  • 数据文件:
    • train: data/train-*
    • val: data/val-*
    • test: data/test-*