osanseviero/covid_news

---
license:
- cc0-1.0
converted_from: kaggle
kaggle_id: timmayer/covid-news-articles-2020-2022
---

# Dataset Card for COVID News Articles (2020 - 2022)

## Table of Contents
- [Table of Contents](#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://kaggle.com/datasets/timmayer/covid-news-articles-2020-2022
- **Repository:**
- **Paper:**
- **Leaderboard:**
- **Point of Contact:**

### Dataset Summary

The dataset encapsulates approximately half a million news articles collected over a period of 2 years during the Coronavirus pandemic onset and surge. It consists of 3 columns - **title**, **content** and **category**. **title** refers to the headline of the news article. **content** refers to the article in itself and **category** denotes the overall context of the news article at a high level. The dataset encapsulates approximately half a million news articles collected over a period of 2 years during the Coronavirus pandemic onset and surge. It consists of 3 columns - **title**, **content** and **category**. **title** refers to the headline of the news article. **content** refers to the article in itself and **category** denotes the overall context of the news article at a high level.

This dataset can be used to pre-train large language models (LLMs) and demonstrate NLP downstream tasks like binary/multi-class text classification. The dataset can be used to study the difference in behaviors of language models when there is a shift in data. For e.g., the classic transformers based BERT model was trained before the COVID era. By training a masked language model (MLM) using this dataset, we can try to differentiate the behaviors of the original BERT model vs the newly trained models.

### Supported Tasks and Leaderboards

[More Information Needed]

### Languages

[More Information Needed]

## Dataset Structure

### Data Instances

[More Information Needed]

### Data Fields

[More Information Needed]

### Data Splits

[More Information Needed]

## Dataset Creation

### Curation Rationale

[More Information Needed]

### Source Data

#### Initial Data Collection and Normalization

[More Information Needed]

#### Who are the source language producers?

[More Information Needed]

### Annotations

#### Annotation process

[More Information Needed]

#### Who are the annotators?

[More Information Needed]

### Personal and Sensitive Information

[More Information Needed]

## Considerations for Using the Data

### Social Impact of Dataset

[More Information Needed]

### Discussion of Biases

[More Information Needed]

### Other Known Limitations

[More Information Needed]

## Additional Information

### Dataset Curators

This dataset was shared by [@timmayer](https://kaggle.com/timmayer)

### Licensing Information

The license for this dataset is cc0-1.0

### Citation Information

```bibtex
[More Information Needed]
```

### Contributions

[More Information Needed]

原始信息汇总

数据集概述：COVID新闻文章（2020-2022）

数据集描述

数据集总结

• 数据集内容： 包含约50万篇新闻文章，收集于2020至2022年新冠病毒大流行期间。
• 数据集结构： 包含三个主要字段：标题（新闻文章的标题）、内容（新闻文章的全文）和类别（新闻文章的高层次分类）。
• 应用场景： 可用于预训练大型语言模型（LLMs），以及进行自然语言处理（NLP）的下游任务，如文本分类。

支持的任务和排行榜

• 信息缺失： 具体支持的任务和排行榜信息未提供。

语言

• 信息缺失： 数据集所包含的语言信息未提供。

数据集结构

数据实例

• 信息缺失： 数据实例的具体描述未提供。

数据字段

• 信息缺失： 数据字段的具体描述未提供。

数据分割

• 信息缺失： 数据分割的具体描述未提供。

数据集创建

数据筛选理由

• 信息缺失： 数据筛选的具体理由未提供。

源数据

初始数据收集和标准化

• 信息缺失： 初始数据收集和标准化的具体描述未提供。

源语言生产者

• 信息缺失： 源语言生产者的具体信息未提供。

注释

注释过程

• 信息缺失： 注释过程的具体描述未提供。

注释者

• 信息缺失： 注释者的具体信息未提供。

个人和敏感信息

• 信息缺失： 个人和敏感信息的具体处理方式未提供。

使用数据的考虑

数据集的社会影响

• 信息缺失： 数据集的社会影响的具体讨论未提供。

偏见讨论

• 信息缺失： 数据集中可能存在的偏见的具体讨论未提供。

其他已知限制

• 信息缺失： 数据集的其他已知限制的具体描述未提供。

附加信息

数据集管理者

• 数据集分享者： @timmayer

许可信息

• 数据集许可： cc0-1.0

引用信息

• 信息缺失： 数据集的引用信息未提供。

贡献

• 信息缺失： 数据集的贡献信息未提供。