enem-2023-d1-multimodal

该数据集是一个多模态考试多选题数据集，包含95个训练样本。每个样本包含考试版本、考试链接、题目数量、题号、题目陈述、选项文本列表、选项标签列表、答案、题目链接、学科、题目图片以及选项图片列表。数据集适用于多选题自动问答、视觉问答、教育评估等任务，可支持文本与图像结合的阅读理解与推理。This dataset is a multimodal exam multiple-choice question dataset, containing 95 training samples. Each sample includes exam version, exam link, number of questions, question number, question statement, list of option texts, list of option labels, answer, question link, subject, question image, and list of option images. The dataset is suitable for tasks such as automatic multiple-choice question answering, visual question answering, and educational assessment, supporting reading comprehension and reasoning that combine text and images.

原始信息汇总

ENEM 2023 D1 多模态数据集

数据集概述

本数据集包含巴西国家高中教育考试（ENEM）2023年第一天的考试题目，共95道题，属于多模态数据集，包含文本和图像信息。

数据规模

• 训练集样本数：95条
• 数据集总大小：3,426,071 字节（约3.27 MB）
• 下载大小：3,393,004 字节（约3.24 MB）

数据字段说明

字段名	类型	描述
exam_edition	string	考试版本
exam_url	string	考试链接地址
num_questions	int32	题目数量
num	int32	题目编号
statement	string	题干文本
alternatives_text	list[string]	选项文本列表
alternatives_label	list[string]	选项标签列表
answer	string	正确答案
url	string	题目链接
subject	string	科目
statement_image	image	题干图像
alternatives_images	list[image]	选项图像列表

数据特性

• 该数据集包含题干图像和选项图像，为多模态数据
• 题目涉及多个科目（通过subject字段区分）
• 包含完整的题号、选项标签及正确答案信息
• 题目均带有可访问的URL链接

数据用途

适用于多模态学习研究、教育评估系统开发、自然语言处理与计算机视觉结合的教学任务等领域。

搜集汇总

数据集介绍

构建方式

该数据集源自2023年巴西国家中学教育水平考试（ENEM）第一天考试的多模态试题，由HuggingFace平台整理发布。构建过程严谨，保留了原始考试的完整结构，包括考试版本、官方链接、题目编号、题干文本、选项内容及标签、正确答案、学科分类等核心信息，并特别整合了题干和选项中的图像资源，形成了多模态数据对。所有数据被统一划分为训练集，共计95个样本，确保了数据集的完整性和可复现性。

特点

数据集独具多模态特性，巧妙融合文本与图像信息，既包含详细的文字陈述与选项，又辅以题目相关图像文件，使试题内容得以全方位呈现。其结构设计兼顾标准化与细粒度，从考试层级到单一试题均设有独立标识与链接，便于追溯与验证。此外，数据集中科目划分清晰，有助于针对不同学科领域进行深入分析与模型训练，为教育测评研究提供了丰富且具代表性的数据资源。

使用方法

该数据集适用于多模态学习与教育领域的研究，研究者可直接加载训练集用于模型训练与评估。具体而言，可结合题干文本、选项文本及图像数据构建多模态输入，训练模型完成自动答题任务；亦可利用学科标签与标准答案，开展分科目准确率分析。凭借其JSON格式的便捷性，易于通过HuggingFace数据加载工具快速接入，并支持自定义数据预处理流程，以适应不同深度学习框架的需求。

背景与挑战

背景概述

enem-2023-d1-multimodal数据集源于2023年巴西国家高中教育考试（ENEM）第一天考试，由巴西教育研究机构Anísio Teixeira国家教育研究所（INEP）组织发布。该数据集包含95道多模态试题，每道题均配备文本描述、题干图片及选项图片，旨在推动多模态推理与教育测评的交叉研究。作为首个大规模、真实考试场景的多模态问答数据集，它为视觉问答、教育知识追踪等领域提供了高价值基准，其发布推动了人工智能在个性化学习与教育公平性方面的研究进展。

当前挑战

该数据集所解决的领域问题在于多模态语言理解与视觉推理的协同挑战，即模型需同时解析文本、图像及二者间的复杂语义关联，以精准回答跨模态问题。构建过程中面临的关键挑战包括：确保试题图像与文本的严格对齐，避免信息缺失或冗余；处理不同学科（如数学、物理）中图表、公式的视觉多样性；以及标注团队需保证答案的权威性与一致性，以维持数据集的科学严谨性。此外，原始考试材料的版权与隐私保护也对数据开放策略构成制约。

常用场景

经典使用场景

该数据集源自巴西国家中等教育考试（ENEM）2023年第一天的试题，包含95道多模态问题，每题配备题干文本、备选答案文本与图像，以及正确答案标注。其经典使用场景聚焦于多模态推理与视觉问答（VQA）任务，旨在模拟真实教育测评中的人类认知过程。研究者可借此构建统一多模态模型，同步处理文本与图像信息，以理解图表、公式、几何图形及文化情境，从而推动通用人工智能在复杂教育内容上的推理能力提升。

实际应用

在实际应用中，该数据集可作为智慧教育平台中个性化学习与智能辅导的核心验证资源。基于其多模态特性，可开发自动答题与批改系统，辅助学生理解图文交织的试题，并提供即时反馈；亦可应用于教育内容生成，如自动生成类似的多模态练习题，减轻教师负担。此外，该数据集支持跨语言与跨文化知识图谱的构建，为在线教育国际化提供数据基石，助力自适应学习路径优化，提升全球范围的学习效果与公平性。

衍生相关工作

该数据集的发布催生了多项经典工作，包括基于预训练视觉-语言模型（如CLIP、GPT-4V）的零样本或少样本推理研究，以及针对教育领域优化的多任务学习框架。相关研究还探讨了图像描述与逻辑推理的解耦机制，提出新的注意力融合算法以增强模型对复杂图表和示意图的感知。此外，该数据集推动了多模态数据增强和对抗训练方法的创新，为鲁棒性评测奠定基础，并衍生出关于题目难易度预测、知识追踪等方向，形成了完整的教育人工智能研究生态。