iapp/iapp_wiki_qa_squad

---
annotations_creators:
- expert-generated
language_creators:
- found
language:
- th
license:
- mit
multilinguality:
- monolingual
size_categories:
- 1K<n<10K
source_datasets:
- extended|other-iapp-wiki-qa-dataset
task_categories:
- question-answering
task_ids:
- extractive-qa
- open-domain-qa
paperswithcode_id: null
pretty_name: IappWikiQaSquad
dataset_info:
features:
- name: question_id
dtype: string
- name: article_id
dtype: string
- name: title
dtype: string
- name: context
dtype: string
- name: question
dtype: string
- name: answers
sequence:
- name: text
dtype: string
- name: answer_start
dtype: int32
- name: answer_end
dtype: int32
config_name: iapp_wiki_qa_squad
splits:
- name: train
num_bytes: 16107541
num_examples: 5761
- name: validation
num_bytes: 2120768
num_examples: 742
- name: test
num_bytes: 2032016
num_examples: 739
download_size: 2876630
dataset_size: 20260325
---

# Dataset Card for `iapp_wiki_qa_squad`

## Table of Contents
- [Dataset Description](#dataset-description)
- [Dataset Summary](#dataset-summary)
- [Supported Tasks and Leaderboards](#supported-tasks-and-leaderboards)
- [Languages](#languages)
- [Dataset Structure](#dataset-structure)
- [Data Instances](#data-instances)
- [Data Fields](#data-fields)
- [Data Splits](#data-splits)
- [Dataset Creation](#dataset-creation)
- [Curation Rationale](#curation-rationale)
- [Source Data](#source-data)
- [Annotations](#annotations)
- [Personal and Sensitive Information](#personal-and-sensitive-information)
- [Considerations for Using the Data](#considerations-for-using-the-data)
- [Social Impact of Dataset](#social-impact-of-dataset)
- [Discussion of Biases](#discussion-of-biases)
- [Other Known Limitations](#other-known-limitations)
- [Additional Information](#additional-information)
- [Dataset Curators](#dataset-curators)
- [Licensing Information](#licensing-information)
- [Citation Information](#citation-information)
- [Contributions](#contributions)

## Dataset Description

- **Homepage:** https://github.com/iapp-technology/iapp-wiki-qa-dataset
- **Repository:** https://github.com/iapp-technology/iapp-wiki-qa-dataset
- **Paper:**
- **Leaderboard:**
- **Point of Contact:** https://github.com/iapp-technology/iapp-wiki-qa-dataset

### Dataset Summary

`iapp_wiki_qa_squad` is an extractive question answering dataset from Thai Wikipedia articles. It is adapted from [the original iapp-wiki-qa-dataset](https://github.com/iapp-technology/iapp-wiki-qa-dataset) to [SQuAD](https://rajpurkar.github.io/SQuAD-explorer/) format, resulting in 5761/742/739 questions from 1529/191/192 articles.

### Supported Tasks and Leaderboards

extractive question answering

### Languages

Thai

## Dataset Structure

### Data Instances

An example from the dataset:
```
{'article_id': '0U2lA8nJQESIxbZrjZQc',
'question_id': '0U2lA8nJQESIxbZrjZQc_000',
'context': 'นายสุวัฒน์ วรรณศิริกุล (1 พฤศจิกายน พ.ศ. 2476 - 31 กรกฎาคม พ.ศ. 2555) อดีตรองหัวหน้าพรรคพลังประชาชน อดีตประธานสมาชิกสภาผู้แทนราษฎร และประธานภาคกรุงเทพมหานคร พรรคพลังประชาชน อดีตสมาชิกสภาผู้แทนราษฎรกรุงเทพมหานครหลายสมัย ได้รับการเลือกตั้งเป็นสมาชิกสภาผู้แทนราษฎรครั้งแรกในปี พ.ศ. 2529 ในสังกัดพรรคประชากรไทย และสังกัดพรรคพลังประชาชน เป็นพรรคสุดท้าย',
'question': 'สุวัฒน์ วรรณศิริกุล เกิดวันที่เท่าไร',
'answers': {'text': ['1 พฤศจิกายน พ.ศ. 2476'],
'answer_start': [24],
'answer_end': [45]},
'title': 'สุวัฒน์ วรรณศิริกุล',
'created_by': 'gmnjGRF0y0g7QRZDd9Qgz3AgiHJ3',
'created_on': '2019-08-18 05:05:51.358000+00:00',
'is_pay': {'date': None, 'status': False}}
{'article_id': '01KZTrxgvC5mOovXFMPJ',
'question_id': '01KZTrxgvC5mOovXFMPJ_000',
'context': 'พัทธ์ธีรา ศรุติพงศ์โภคิน (เกิด 3 ธันวาคม พ.ศ. 2533) หรือชื่อเล่นว่า อร เป็นนักแสดงหญิงชาวไทย สำเร็จมัธยมศึกษาจากCatholic Cathedral College ประเทศนิวซีแลนด์ และปริญญาตรีจากRaffles International College สาขา Business Marketing\n\nเข้าสู่วงการตั้งแต่อายุ 6 ขวบ จากการแสดงละครเวทีกับ ครูชลประคัลภ์ จันทร์เรือง จากนั้นก็เล่นโฆษณาในวัยเด็ก 2- 3 ชิ้น และยังเคยแสดงช่วงละครสั้น ในรายการซุปเปอร์จิ๋ว ประมาณปี 2542\n\nปัจจุบันเป็นทั้ง นักแสดง , พิธีกร และ วีเจ อยู่ที่คลื่น เก็ท 102.5 Bangkok International Hits Music Station และยังเป็นพิธีกรให้กับช่อง ทรู มิวสิก',
'question': 'พัทธ์ธีรา ศรุติพงศ์โภคิน เกิดวันที่เท่าไร',
'answers': {'text': ['3 ธันวาคม พ.ศ. 2533'],
'answer_start': [31],
'answer_end': [50]},
'title': 'พัทธ์ธีรา ศรุติพงศ์โภคิน',
'created_by': 'gmnjGRF0y0g7QRZDd9Qgz3AgiHJ3',
'created_on': '2019-08-07 14:00:38.778000+00:00',
'is_pay': {'status': True,
'total': 2.5,
'date': '2019-08-13 10:47:28.095000+00:00'}}
```

### Data Fields

```
{
"question_id": question id
"article_id": article id
"title": article title
"context": article texts
"question": question
"answers":
{
"text": answer text
"answer_start": answer beginning position
"answer_end": answer exclusive upper bound position
}
),
}
```

### Data Splits

| | train | valid | test |
|-------------|-------|-------|------|
| # questions | 5761 | 742 | 739 |
| # articles | 1529 | 191 | 192 |

## Dataset Creation

### Curation Rationale

[More Information Needed]

### Source Data

#### Initial Data Collection and Normalization

From the original `iapp-wiki-qa-dataset`, [@cstorm125](https://github.com/cstorm125/) applied the following processing:

- Select questions with one, non-empty answer
- Select questions whose answers match `textDetection` fields
- Select questions whose answers are 100-character long or shorter
- 80/10/10 train-validation-split at article level

#### Who are the source language producers?

Wikipedia authors for contexts and annotators hired by [iApp](https://iapp.co.th/) for questions and answer annotations

### Annotations

#### Annotation process

Annotators hired by [iApp](https://iapp.co.th/) are asked create questions and answers for each article.

#### Who are the annotators?

Annotators hired by [iApp](https://iapp.co.th/)

### Personal and Sensitive Information

All contents are from Wikipedia. No personal and sensitive information is expected to be included.

## Considerations for Using the Data

### Social Impact of Dataset

- open-domain, extractive question answering in Thai

### Discussion of Biases

[More Information Needed]

### Other Known Limitations

[More Information Needed]

## Additional Information

### Dataset Curators

Original dataset by [iApp](https://iapp.co.th/). SQuAD formattting by [PyThaiNLP](https://github.com/PyThaiNLP/).

### Licensing Information

MIT

### Citation Information

```
@dataset{kobkrit_viriyayudhakorn_2021_4539916,
author = {Kobkrit Viriyayudhakorn and
Charin Polpanumas},
title = {iapp\_wiki\_qa\_squad},
month = feb,
year = 2021,
publisher = {Zenodo},
version = 1,
doi = {10.5281/zenodo.4539916},
url = {https://doi.org/10.5281/zenodo.4539916}
}
```

### Contributions

Thanks to [@cstorm125](https://github.com/cstorm125) for adding this dataset.

原始信息汇总

数据集概述

数据集名称： iapp_wiki_qa_squad

语言： 泰语

许可证： MIT

数据集大小：

• 训练集：5761个问题
• 验证集：742个问题
• 测试集：739个问题

数据集结构：

• 数据实例： 每个实例包含问题ID、文章ID、标题、上下文、问题和答案。
• 数据字段：
  • question_id: 问题ID
  • article_id: 文章ID
  • title: 文章标题
  • context: 文章内容
  • question: 问题
  • answers:
    • text: 答案文本
    • answer_start: 答案起始位置
    • answer_end: 答案结束位置

任务类别： 抽取式问答、开放领域问答

数据集创建：

• 源数据： 来自iapp-wiki-qa-dataset，由iApp雇佣的注释者进行问题和答案的注释。
• 注释过程： 注释者为每篇文章创建问题和答案。

许可证信息： MIT

引用信息：

@dataset{kobkrit_viriyayudhakorn_2021_4539916, author = {Kobkrit Viriyayudhakorn and Charin Polpanumas}, title = {iapp_wiki_qa_squad}, month = feb, year = 2021, publisher = {Zenodo}, version = 1, doi = {10.5281/zenodo.4539916}, url = {https://doi.org/10.5281/zenodo.4539916} }