hynky/klokan-qa

--- language: - cs license: cc size_categories: - n<1K task_categories: - question-answering pretty_name: KLOKAN - Czech matehmatical dataset dataset_info: - config_name: balanced features: - name: question dtype: string - name: correct_answer dtype: string - name: category dtype: int64 - name: year dtype: int64 - name: A dtype: string - name: B dtype: string - name: C dtype: string - name: D dtype: string - name: E dtype: string splits: - name: test num_bytes: 206683 num_examples: 807 - name: train num_bytes: 208050 num_examples: 813 download_size: 256943 dataset_size: 414733 - config_name: default features: - name: question dtype: string - name: correct_answer dtype: string - name: category dtype: int64 - name: year dtype: int64 - name: A dtype: string - name: B dtype: string - name: C dtype: string - name: D dtype: string - name: E dtype: string splits: - name: train num_bytes: 208050 num_examples: 813 download_size: 125899 dataset_size: 208050 - config_name: unbalanced features: - name: question dtype: string - name: correct_answer dtype: string - name: category dtype: int64 - name: year dtype: int64 - name: A dtype: string - name: B dtype: string - name: C dtype: string - name: D dtype: string - name: E dtype: string splits: - name: test num_bytes: 206683 num_examples: 807 - name: train num_bytes: 208050 num_examples: 813 download_size: 255194 dataset_size: 414733 configs: - config_name: balanced data_files: - split: train path: balanced/train-* - split: test path: balanced/test-* - config_name: default data_files: - split: train path: data/train-* - config_name: unbalanced data_files: - split: train path: unbalanced/train-* - split: test path: unbalanced/test-* --- - The dataset has been gather from assigments of [Klokánek](https://matematickyklokan.net/) competition from 2004-2022. - I have done rule based filtering to filter-out picture related assigments - The category denote the difficulty of the task, the range is elementary school to high-school. Check example test from Klokánek for more information. - If you find an error in solution or find that the assigment is unsolvable, please contact me. - If you have any question please contact me at [e-mail] - The dataset is realesed under non-comercial licence CC BY-NC-SA Cite: ``` @misc{klokanek-dataset, author = {Hynek Kydlíček, David Nocar et al.}, title = {Klokánek dataset}, year = {2023}, publisher = {Hynek Kydlíček}, doi = { 10.57967/hf/1608 }, url = {https://matematickyklokan.net/} howpublished = "\url{https://huggingface.co/datasets/hynky/klokan-qa}" } ```语言： - 捷克语（Czech） 许可证：知识共享（CC）协议 样本规模类别： - 样本数少于1000 任务类别： - 问答任务 可读名称：KLOKAN——捷克数学数据集 数据集信息： - 配置名称：balanced（均衡版） 特征字段： - 问题：字符串类型 - 正确答案：字符串类型 - 类别：整数类型 - 年份：整数类型 - 选项A：字符串类型 - 选项B：字符串类型 - 选项C：字符串类型 - 选项D：字符串类型 - 选项E：字符串类型 数据集划分： - 划分集：test（测试集） 字节数：206683 样本数：807 - 划分集：train（训练集） 字节数：208050 样本数：813 下载大小：256943 数据集总大小：414733 - 配置名称：default（默认版） 特征字段： - 问题：字符串类型 - 正确答案：字符串类型 - 类别：整数类型 - 年份：整数类型 - 选项A：字符串类型 - 选项B：字符串类型 - 选项C：字符串类型 - 选项D：字符串类型 - 选项E：字符串类型 数据集划分： - 划分集：train（训练集） 字节数：208050 样本数：813 下载大小：125899 数据集总大小：208050 - 配置名称：unbalanced（非均衡版） 特征字段： - 问题：字符串类型 - 正确答案：字符串类型 - 类别：整数类型 - 年份：整数类型 - 选项A：字符串类型 - 选项B：字符串类型 - 选项C：字符串类型 - 选项D：字符串类型 - 选项E：字符串类型 数据集划分： - 划分集：test（测试集） 字节数：206683 样本数：807 - 划分集：train（训练集） 字节数：208050 样本数：813 下载大小：255194 数据集总大小：414733 配置项： - 配置名称：balanced（均衡版） 数据文件路径： - 划分集：train（训练集）：balanced/train-* - 划分集：test（测试集）：balanced/test-* - 配置名称：default（默认版） 数据文件路径： - 划分集：train（训练集）：data/train-* - 配置名称：unbalanced（非均衡版） 数据文件路径： - 划分集：train（训练集）：unbalanced/train-* - 划分集：test（测试集）：unbalanced/test-* --- ### 数据集补充说明 1. 本数据集采集自2004年至2022年间Klokánek数学竞赛的赛题。 2. 作者已基于规则进行过滤，剔除了涉及图片的赛题。 3. 类别字段代表赛题的难度等级，覆盖范围从小学到高中阶段。如需了解更多详情，请参考Klokánek竞赛的样题。 4. 若您发现解答存在错误，或发现赛题无法求解，请与作者联系。 5. 如有任何疑问，请发送邮件至[e-mail]与作者取得联系。 6. 本数据集采用非商业用途知识共享署名-非商业性使用-相同方式共享（CC BY-NC-SA）协议发布。 ### 引用格式 @misc{klokanek-dataset, author = {Hynek Kydlíček, David Nocar et al.}, title = {Klokánek dataset}, year = {2023}, publisher = {Hynek Kydlíček}, doi = { 10.57967/hf/1608 }, url = {https://matematickyklokan.net/} howpublished = "url{https://huggingface.co/datasets/hynky/klokan-qa}" }

原始信息汇总

KLOKAN - Czech Mathematical Dataset

基本信息

• 语言: 捷克语
• 许可证: CC
• 数据集大小: n<1K
• 任务类别: 问答
• 数据集名称: KLOKAN - Czech mathematical dataset

配置信息

配置: balanced

• 特征:
  • question: 字符串
  • correct_answer: 字符串
  • category: 整数64位
  • year: 整数64位
  • A: 字符串
  • B: 字符串
  • C: 字符串
  • D: 字符串
  • E: 字符串
• 分割:
  • test: 206683字节, 807个样本
  • train: 208050字节, 813个样本
• 下载大小: 256943字节
• 数据集大小: 414733字节

配置: default

• 特征:
  • question: 字符串
  • correct_answer: 字符串
  • category: 整数64位
  • year: 整数64位
  • A: 字符串
  • B: 字符串
  • C: 字符串
  • D: 字符串
  • E: 字符串
• 分割:
  • train: 208050字节, 813个样本
• 下载大小: 125899字节
• 数据集大小: 208050字节

配置: unbalanced

• 特征:
  • question: 字符串
  • correct_answer: 字符串
  • category: 整数64位
  • year: 整数64位
  • A: 字符串
  • B: 字符串
  • C: 字符串
  • D: 字符串
  • E: 字符串
• 分割:
  • test: 206683字节, 807个样本
  • train: 208050字节, 813个样本
• 下载大小: 255194字节
• 数据集大小: 414733字节

数据文件配置

配置: balanced

• 数据文件:
  • train: balanced/train-*
  • test: balanced/test-*

配置: default

• 数据文件:
  • train: data/train-*

配置: unbalanced

• 数据文件:
  • train: unbalanced/train-*
  • test: unbalanced/test-*

搜集汇总

数据集介绍

构建方式

在数学竞赛与教育数据挖掘的交叉领域中，高质量问答数据集的构建对模型推理能力的评估至关重要。hynky/klokan-qa数据集源自捷克数学竞赛“Klokánek”2004至2022年间的历年试题，经规则化过滤去除含图片的题目，保留了纯文本形式的多项选择题。数据集包含三个配置：balanced、default和unbalanced，其中balanced与unbalanced均划分训练集和测试集，而default仅含训练集。每个样本涵盖问题、正确答案、难度类别、年份及五个选项，类别编码对应从小学到高中的难度层级。

使用方法

使用该数据集时，可通过HuggingFace Datasets库直接加载，支持选择balanced、default或unbalanced配置。每个配置均以问答对形式存储，适合微调或评估基于Transformer的问答模型。训练集与测试集的明确划分便于进行标准化评测。用户需注意数据集采用CC BY-NC-SA非商业许可，且建议在发现答案错误或题目不可解时联系维护者。加载后可利用question字段作为输入，correct_answer字段作为目标，或利用A至E选项构建多项选择任务。

背景与挑战

背景概述

在自然语言处理与教育智能的交叉领域，面向数学推理的问答数据集日益成为评估模型逻辑与算术能力的关键基准。由Hynek Kydlíček和David Nocar等人于2023年创建的Klokan-QA数据集，源自捷克数学竞赛Klokánek（2004至2022年间的历年试题），旨在为低资源语言（捷克语）提供一份结构化的数学问答资源。该数据集包含约1600个样本，按难度分为从小学到高中的多个类别，并提供了平衡与不平衡两种配置，以支持不同的实验设计。其核心研究问题聚焦于模型在数学语境下的语义理解与多步推理能力，为捷克语NLP社区及多语言数学推理研究提供了独特的数据支撑。

当前挑战

数据集所面临的挑战首先体现在领域问题的复杂性上：数学问答不仅要求模型理解自然语言叙述，还需进行精确的符号运算与逻辑推导，这对当前主流的大语言模型而言仍是一项艰巨任务。此外，构建过程中的挑战亦不容忽视：原始竞赛试题中包含大量图片类题目，需通过规则过滤予以剔除，这一过程可能引入选择偏差，影响数据集的代表性。同时，由于数据量较小（不足千条），模型训练易受样本稀疏性影响，难以捕捉不同难度类别间的细微差异。版权方面，非商业许可（CC BY-NC-SA）也限制了数据集在工业界的大规模应用与推广。

常用场景

经典使用场景

在机器阅读理解与数学推理的交汇领域，hynky/klokan-qa数据集以其源自捷克Klokánek数学竞赛2004至2022年间的真实题目而独树一帜。该数据集涵盖了从小学到高中不同难度等级的选择题，并提供了balanced、unbalanced及default三种配置，便于研究者针对不同任务需求进行模型训练与评估。其经典使用场景聚焦于训练和测试语言模型在数学文本理解与多步推理上的能力，尤其适合评估模型在结构化选择题情境下的答案选择与逻辑推导表现。

解决学术问题

该数据集系统性地解决了数学推理问答中高质量、多难度层级标注数据匮乏的学术困境。通过提供带有明确正确答案与分类标签的捷克语数学题目，它使得研究者能够深入探究模型在跨年级知识迁移、难度适应性以及语言与符号混合推理方面的瓶颈。其意义在于为低资源语言（捷克语）的数学自然语言处理研究注入了活力，推动了多语言、多文化背景下教育测评自动化与智能辅导系统的理论发展。

实际应用

在实际应用中，hynky/klokan-qa数据集为开发面向捷克及中欧地区学生的智能数学辅导平台提供了坚实的基准。基于该数据集训练的模型可嵌入在线学习系统，用于自动批改、个性化题目推荐以及学生错误模式的诊断分析。此外，其非商业授权CC BY-NC-SA鼓励教育科技企业与非营利组织在保护知识产权的前提下，利用该数据优化自适应学习算法，从而提升数学教育的普惠性与个性化水平。

数据集最近研究

最新研究方向

在自然语言处理与数学推理的交叉领域，多语言数学问答数据集的研究正日益受到关注。hynky/klokan-qa数据集源自捷克Klokánek数学竞赛2004至2022年的试题，覆盖从小学到高中的难度梯度，为评估模型在非英语环境下的数学问题求解能力提供了独特资源。当前前沿研究方向聚焦于如何利用此类包含选择题格式和结构化难度分类的数据，训练语言模型理解复杂数学表述并执行多步推理，同时探索数据平衡策略对模型泛化性能的影响。该数据集的发布不仅填补了捷克语数学推理资源的空白，也为推动多语言、跨文化背景下的智能教育测评技术发展提供了关键基准，并与全球对可解释、公平的AI教育工具的需求紧密呼应。