有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
allenai/social_i_qa|社交智能数据集|问答系统数据集
收藏hugging_face2024-01-18 更新2024-05-25 收录
下载链接：
https://hf-mirror.com/datasets/allenai/social_i_qa
下载链接
链接失效反馈资源简介：
社交互动问答（Social IQa）是一个新的问答基准，旨在测试社会常识智能。与许多侧重于物理或分类知识的先前基准不同，Social IQa侧重于推理人们的行动及其社会影响。例如，给定一个行动如“Jesse看了一场音乐会”和一个问题如“Jesse为什么要这么做？”，人们可以轻松推断Jesse想要“看他们最喜欢的表演者”或“享受音乐”，而不是“看看里面发生了什么”或“看看它是否有效”。Social IQa包含超过37,000个QA对，用于评估模型对日常事件和情况社会影响的推理能力。
提供机构：
allenai
原始信息汇总
数据集概述
数据集名称
- 名称: Social Interaction QA
- 简称: Social IQa
数据集信息
- 特征:
context: 字符串类型question: 字符串类型answerA: 字符串类型answerB: 字符串类型answerC: 字符串类型label: 字符串类型
- 数据分割:
train: 33410个样本，6389954字节validation: 1954个样本，376508字节
- 下载大小: 2198056字节
- 数据集大小: 6766462字节
数据集描述
- 概述: Social IQa是一个专注于测试社会常识智能的问题回答基准。与许多关注物理或分类知识的先前基准不同，Social IQa侧重于推理人们的行动及其社会影响。该数据集包含超过37,000个QA对，用于评估模型对日常事件和情况的社会影响的推理能力。
数据集结构
- 数据实例: 示例包括
context,question,answerA,answerB,answerC, 和label。 - 数据字段:
context: 描述情境的字符串question: 提出的问题answerA,answerB,answerC: 可能的答案label: 正确答案的标签
- 数据分割:
train: 33410个样本validation: 1954个样本
贡献者
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
yahoo-finance-data
该数据集包含从Yahoo! Finance、Nasdaq和U.S. Department of the Treasury获取的财务数据，旨在用于研究和教育目的。数据集包括公司详细信息、高管信息、财务指标、历史盈利、股票价格、股息事件、股票拆分、汇率和每日国债收益率等。每个数据集都有其来源、简要描述以及列出的列及其数据类型和描述。数据定期更新，并以Parquet格式提供，可通过DuckDB进行查询。
huggingface 收录
OMIM (Online Mendelian Inheritance in Man)
OMIM是一个包含人类基因和遗传疾病信息的在线数据库。它提供了详细的遗传疾病描述、基因定位、相关文献和临床信息。数据集内容包括疾病名称、基因名称、基因定位、遗传模式、临床特征、相关文献引用等。
www.omim.org 收录
HazyDet
HazyDet是由解放军工程大学等机构创建的一个大规模数据集，专门用于雾霾场景下的无人机视角物体检测。该数据集包含383,000个真实世界实例，收集自自然雾霾环境和正常场景中人工添加的雾霾效果，以模拟恶劣天气条件。数据集的创建过程结合了深度估计和大气散射模型，确保了数据的真实性和多样性。HazyDet主要应用于无人机在恶劣天气条件下的物体检测，旨在提高无人机在复杂环境中的感知能力。
arXiv 收录
MultiTalk
MultiTalk数据集是由韩国科学技术院创建，包含超过420小时的2D视频，涵盖20种不同语言，旨在解决多语言环境下3D说话头生成的问题。该数据集通过自动化管道从YouTube收集，每段视频都配有语言标签和伪转录，部分视频还包含伪3D网格顶点。数据集的创建过程包括视频收集、主动说话者验证和正面人脸验证，确保数据质量。MultiTalk数据集的应用领域主要集中在提升多语言3D说话头生成的准确性和表现力，通过引入语言特定风格嵌入，使模型能够捕捉每种语言独特的嘴部运动。
arXiv 收录
学生课堂行为数据集 (SCB-dataset3)
学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。
arXiv 收录