five

liuhyuu/NetEaseCrowd|众包数据集|数据标注数据集

收藏
hugging_face2024-06-05 更新2024-06-22 收录
众包
数据标注
下载链接:
https://hf-mirror.com/datasets/liuhyuu/NetEaseCrowd
下载链接
链接失效反馈
资源简介:
NetEaseCrowd是一个基于网易公司成熟众包平台的大规模众包注释数据集。该数据集包含约2,400名工人、1,000,000个任务和6,000,000个注释,注释收集时间跨度为6个月。数据集提供了所有任务的地面真值,并记录了所有注释的时间戳。任务类型为手势比较任务,要求注释者选出不同的手势。数据集的特点包括大规模数据收集、完整的时间戳记录和多种任务类型。数据格式为CSV文件,每条记录代表工人与任务之间的交互,包含任务ID、任务集ID、工人ID、答案、完成时间、真值和能力ID等信息。

NetEaseCrowd是一个基于网易公司成熟众包平台的大规模众包注释数据集。该数据集包含约2,400名工人、1,000,000个任务和6,000,000个注释,注释收集时间跨度为6个月。数据集提供了所有任务的地面真值,并记录了所有注释的时间戳。任务类型为手势比较任务,要求注释者选出不同的手势。数据集的特点包括大规模数据收集、完整的时间戳记录和多种任务类型。数据格式为CSV文件,每条记录代表工人与任务之间的交互,包含任务ID、任务集ID、工人ID、答案、完成时间、真值和能力ID等信息。
提供机构:
liuhyuu
原始信息汇总

🧑‍🤝‍🧑 NetEaseCrowd: A Dataset for Long-term and Online Crowdsourcing Truth Inference

Introduction

NetEaseCrowd is a large-scale crowdsourcing annotation dataset based on a mature Chinese data crowdsourcing platform of NetEase Inc. It contains about 2,400 workers, 1,000,000 tasks, and 6,000,000 annotations collected over approximately 6 months. The dataset provides ground truths for all tasks and records timestamps for all annotations.

Task

The dataset is built based on a gesture comparison task. Each task contains three choices, where two are similar gestures and the other one is different. Annotators are required to pick out the different one.

Comparison with Existing Datasets

Compared to existing crowdsourcing datasets, NetEaseCrowd has the following characteristics:

Characteristic Existing Datasets NetEaseCrowd Dataset
Scalability Small sizes Large-scale with 6 million annotations
Timestamps No timestamps Complete timestamps over a 6-month period
Task Type Single type Various task types with different capabilities

Dataset Statistics

The basic statistics of NetEaseCrowd and other datasets are as follows:

Dataset #Worker #Task #Groundtruth #Anno Avg(#Anno/worker) Avg(#Anno/task) Timestamp Task type
NetEaseCrowd 2,413 999,799 999,799 6,016,319 2,493.3 6.0 ✔︎ Multiple
Adult 825 11,040 333 92,721 112.4 8.4 Single
Birds 39 108 108 4,212 108.0 39.0 Single
Dog 109 807 807 8,070 74.0 10.0 Single
CF 461 300 300 1,720 3.7 5.7 Single
CF_amt 110 300 300 6030 54.8 20.1 Single
Emotion 38 700 565 7,000 184.2 10.0 Single
Smile 64 2,134 159 30,319 473.7 14.2 Single
Face 27 584 584 5,242 194.1 9.0 Single
Fact 57 42,624 576 216,725 3802.2 5.1 Single
MS 44 700 700 2,945 66.9 4.2 Single
Product 176 8,315 8,315 24,945 141.7 3.0 Single
RTE 164 800 800 8,000 48.8 10.0 Single
Sentiment 1,960 98,980 1,000 569,375 290.5 5.8 Single
SP 203 4,999 4,999 27,746 136.7 5.6 Single
SP_amt 143 500 500 10,000 69.9 20.0 Single
Trec 762 19,033 2,275 88,385 116.0 4.6 Single
Tweet 85 1,000 1,000 20,000 235.3 20.0 Single
Web 177 2,665 2,653 15,567 87.9 5.8 Single
ZenCrowd_us 74 2,040 2,040 12,190 164.7 6.0 Single
ZenCrowd_in 25 2,040 2,040 11,205 448.2 5.5 Single
ZenCrowd_all 78 2,040 2,040 21,855 280.2 10.7 Single

Data Content and Format

Obtain the Data

The dataset can be accessed in two ways:

  • Directly download from Hugging Face.
  • Download partitions from the GitHub repository and concatenate them.

Dataset Format

Each record in the dataset represents an interaction between a worker and a task, with the following columns:

  • taskId: Unique id of the annotated task.
  • tasksetId: Unique id of the task set.
  • workerId: Unique id of the worker.
  • answer: Annotation given by the worker.
  • completeTime: Timestamp of annotation completion.
  • truth: Ground truth of the annotated task.
  • capability: Id of the capability required by the task set.

Data Sample

tasksetId taskId workerId answer completeTime truth capability
6980 1012658482844795232 64 2 1661917345953 1 69
6980 1012658482844795232 150 1 1661871234755 1 69
6980 1012658482844795232 263 0 1661855450281 1 69

Baseline Models

Several truth inference methods have been tested on the dataset, with results as follows:

Method Accuracy F1-score
MV 0.92695 0.92692
DS 0.95178 0.94817
MACE 0.95991 0.94957
Wawa 0.94814 0.94445
ZeroBasedSkill 0.94898 0.94585
GLAD 0.95064 0.95058
EBCC 0.91071 0.90996
ZC 0.95305 0.95301
TiReMGE 0.92713 0.92706
LAA 0.94173 0.94169
BiLA 0.88036 0.87896

License

The NetEaseCrowd dataset is licensed under CC-BY-SA-4.0.

用户留言
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?
点击留言
数据主题
具身智能
数据集  4099个
机构  8个
大模型
数据集  439个
机构  10个
无人机
数据集  37个
机构  6个
指令微调
数据集  36个
机构  6个
蛋白质结构
数据集  50个
机构  8个
空间智能
数据集  21个
机构  5个
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

China Health and Nutrition Survey (CHNS)

China Health and Nutrition Survey(CHNS)是一项由美国北卡罗来纳大学人口中心与中国疾病预防控制中心营养与健康所合作开展的长期开放性队列研究项目,旨在评估国家和地方政府的健康、营养与家庭计划政策对人群健康和营养状况的影响,以及社会经济转型对居民健康行为和健康结果的作用。该调查覆盖中国15个省份和直辖市的约7200户家庭、超过30000名个体,采用多阶段随机抽样方法,收集了家庭、个体以及社区层面的详细数据,包括饮食、健康、经济和社会因素等信息。自2011年起,CHNS不断扩展,新增多个城市和省份,并持续完善纵向数据链接,为研究中国社会经济变化与健康营养的动态关系提供了重要的数据支持。

www.cpc.unc.edu 收录

OpenSonarDatasets

OpenSonarDatasets是一个致力于整合开放源代码声纳数据集的仓库,旨在为水下研究和开发提供便利。该仓库鼓励研究人员扩展当前的数据集集合,以增加开放源代码声纳数据集的可见性,并提供一个更容易查找和比较数据集的方式。

github 收录

中国高分辨率高质量PM2.5数据集(2000-2023)

ChinaHighPM2.5数据集是中国高分辨率高质量近地表空气污染物数据集(ChinaHighAirPollutants, CHAP)中PM2.5数据集。该数据集利用人工智能技术,使用模式资料填补了卫星MODIS MAIAC AOD产品的空间缺失值,结合地基观测、大气再分析和排放清单等大数据生产得到2000年至今全国无缝隙地面PM2.5数据。数据十折交叉验证决定系数R2为0.92,均方根误差RMSE为10.76 µg/m3。主要范围为整个中国地区,空间分辨率为1 km,时间分辨率为日、月、年,单位为µg/m3。注意:该数据集持续更新,如需要更多数据,请发邮件联系作者(weijing_rs@163.com; weijing@umd.edu)。 数据文件中包含NC转GeoTiff的四种代码(Python、Matlab、IDL和R语言)nc2geotiff codes。

国家青藏高原科学数据中心 收录

WorldClim

WorldClim是一个全球气候数据集,提供了全球范围内的气候数据,包括温度、降水、生物气候变量等。数据集的分辨率从30秒到10分钟不等,适用于各种尺度的气候分析和建模。

www.worldclim.org 收录

Beijing Traffic

The Beijing Traffic Dataset collects traffic speeds at 5-minute granularity for 3126 roadway segments in Beijing between 2022/05/12 and 2022/07/25.

Papers with Code 收录