SIH Problem Statement Archive

包含2024、2025和2026年每一届智慧印度黑客马拉松的问题陈述，每个文件都是纯Markdown格式，无需登录。包含来自86个组织的614个问题陈述，共189,240个字的部委撰写的工程简报。This dataset contains the problem statements for each iteration of the Smart India Hackathon held in 2024, 2025, and 2026. Each document is in pure Markdown format and requires no login. It includes 614 problem statements from 86 organizations, with a total of 189,240 words of engineering briefs drafted by government ministries.

原始信息汇总

🇮🇳 SIH Problem Statement Archive 数据集详情

数据集概述

这是一个Smart India Hackathon（SIH） 问题陈述存档数据集，涵盖 2024、2025 和 2026 三个年度的全部问题陈述。数据集以 纯 Markdown 格式 存储，共包含 614 条问题陈述，来自 86 个组织机构，总文字量达 189,240 词，无需登录即可访问。

数据集内容

年度分布

年份	问题陈述数	ID 范围	软件	硬件	主题数	完整性
2026	233	SIH26001–SIH26233	176	57	18	✅ 完整，无缺失
2025	135	SIH25001–SIH25142	90	45	17	⚠️ 部分，缺失 7 个 ID
2024	246	SIH1524–SIH1782	178	68	18	⚠️ 缺失 13 个 ID
总计	614	—	444	170	18	~96% 已知 ID

• 文件均为 UTF-8 编码 Markdown 格式，总大小 2.8 MB
• 每个问题陈述平均约 354 词，最长文件为 2024 年的 SIH1704.md，共 2,281 词
• 2024 和 2025 年文件包含总决赛获奖结果，2026 年尚未评审

目录结构

sih-ps-archive/ ├── 2024/ 246 files — SIH1524 … SIH1782 ├── 2025/ 135 files — SIH25001 … SIH25142 ├── 2026/ 233 files — SIH26001 … SIH26233 ├── ATTRIBUTION.md sources, provenance, what was normalised ├── CONTRIBUTING.md how to add a missing statement └── README.md

数据结构

每个问题陈述文件的元数据字段保持格式一致：

• 组织（Organization）：86 个不同的赞助机构（部委、州政府或公司）
• 部门（Department）：具体部门或协作机构
• 类别（Category）：仅 Software 或 Hardware 两种取值
• 主题（Theme）：18 个官方主题之一

各章节出现频率：

• ## Problem Statement：604 个文件（完整背景与描述）
• ## Expected Solution：299 个文件（交付物规范）
• ## Winner：285 个文件（总决赛获奖团队）
• ## Winners：87 个文件（联合获奖，格式为复数）
• ## Dataset：71 个文件（真实数据集 URL，多为 2024 年卫星/遥感数据集）
• ## Expected Solutions：15 个文件（原文中为复数形式）

历年主题分布趋势

按三年总数排序的主题分布：

主题	2024	2025	2026	总计	趋势
智能自动化	57	14	31	102	🔻 从 2024 年峰值下降
综合类	35	18	38	91	▬ 持续作为兜底主题
智慧教育	30	20	13	63	🔻 稳步下降
区块链与网络安全	20	3	23	46	🔀 2025 年崩溃后回升
医疗/生物/健康科技	17	11	16	44	▬ 稳定
灾害管理	5	8	29	42	🔺 两年增长 5.8 倍
农业、食品科技与乡村发展	11	17	14	42	▬ 稳定
清洁与绿色科技	21	8	3	32	🔻 近乎完全消失
交通与物流	12	8	8	28	▬ 稳定
机器人与无人机	9	3	10	22	🔀 先降后回升
太空科技	6	2	12	20	🔺 上升
可再生能源	7	6	4	17	🔻 逐渐消退
旅行与旅游	4	6	6	16	▬ 稳定
遗产与文化	2	4	7	13	🔺 上升
健身与体育	2	3	8	13	🔺 增长 4 倍
智能车辆	3	2	4	9	▬ 规模小且稳定
玩具与游戏	3	2	2	7	▬ 一直很小
智能资源保护	2	0	5	7	🔀 2025 年完全缺席

显著性信号：灾害管理主题从 5→8→29 条，目前为 2026 年第三大主题。太空科技从 6 增至 12。清洁与绿色科技从 21 降至仅 3 条。

主要赞助机构

机构	问题陈述数
AICTE（含 MIC 学生创新）	106
地球科学部（MoES）	38
国家技术研究组织（NTRO）	37
水利部	26
印度空间研究组织（ISRO）	21
德里国家首都辖区政府	16
旁遮普邦政府	15
喀拉拉邦政府	14
通信部	12
Autodesk	12

获胜者数据

• 2024/2025 年共记录 455 支获奖团队、覆盖 366 条问题陈述
• 2025 年：134/135 条有结果，共 160 支团队（108 支独享，52 支联合获奖），记录奖金总额 ₹2,01,00,000
• 2024 年：232/246 条有结果，共 295 支团队（171 支独享，124 支联合获奖），未发布奖金
• 2025 年独享冠军奖金为 ₹1,50,000；联合获奖团队各得一半
• 数据来自 87 个节点中心；6 条记录注明未宣布获奖者
• 两年获奖字段格式不同：2024 包含机构 ID/城市/州（无奖金）；2025 含奖金（无机构位置）

数据缺失情况

• 2024 年：范围内 259 个 ID 中收录 246 个，缺少 ID：1551, 1552, 1553, 1634, 1635, 1636, 1662, 1663, 1665, 1713, 1763, 1766, 1769
• 2025 年：范围内 142 个 ID 中收录 135 个，缺少 ID：25078, 25086, 25087, 25088, 25089, 25105, 25106
• 2026 年：233 个 ID 全部收录，连续无缺口

数据注意事项

• 文本按原样复制，保留了赞助机构的原始表述不一致性
• 3 个文件（SIH26031、SIH26032、SIH26033）没有独立的问题陈述章节，完整内容在标题中
• Expected Solutions 复数形式出现于 15 个文件中，需同时匹配两种拼写
• 主题标签偶尔有误标（如洋葱分级视觉问题被归入健身与体育类）
• 机构名称标识未标准化：ISRO 有两种拼写（无空格 11 次，带空格 z 拼写 10 次）
• 项目符号采用 • 而非标准 -
• ID 方案各年不同：2024 为 4 位数字，2025/2026 为年份前缀+3 位数字
• 内容未做任何改写，仅修复了 Markdown 结构、空白、杂散标签和乱码

搜集汇总

数据集介绍

构建方式

该数据集系统性地汇集了印度智能印度黑客马拉松（SIH）2024至2026年度发布的全部问题陈述，共614份，源自86个组织机构，涵盖444项软件与170项硬件挑战。每个问题陈述均被整理为独立的Markdown文件，命名规则遵循官方ID体系，如2024年的SIH1524格式与2025/2026年的SIH25001格式。文件内采用统一的四字段元数据块组织，包括组织机构、部门、类别（软件或硬件）及主题（共18类），并附带问题背景、预期解决方案等自由格式章节。文本内容忠实于原始发布，仅对Markdown结构、空白字符及乱码进行规范化处理，未改动任何实质语言表述。

特点

该数据集的核心特征在于其完整性与可解析性。2026年数据全覆盖，无缺失；2025与2024年分别仅有7个与13个官方ID缺失，整体完整度约96%。数据附带的元数据丰富，不仅包含问题陈述，还收录了455支决赛获胜团队信息及部分获奖金额，为研究政府技术需求演变提供了纵向视角。尤为显著的是，灾害管理类问题两年间增长5.8倍，体现了政策导向的转变。所有文件均采用UTF-8编码，支持通过正则表达式进行编程化检索，便于构建索引或执行全文搜索。

使用方法

数据集的设计旨在实现即克隆即用的便捷性，无需任何构建步骤或依赖环境。用户只需通过git clone获取仓库，即可利用标准命令行工具进行高效检索。例如，可使用grep命令按主题、类别或组织机构筛选问题陈述，或构建整年标题索引，甚或提取全部数据集URL。此外，仓库包含一个轻量级Web应用，可直接从这些Markdown文件读取数据，提供浏览器端的搜索、过滤及团队协作功能。对于研究者而言，该格式便于进行跨年度的语义分析，以追踪政府技术挑战的变化趋势。

背景与挑战

背景概述

SIH Problem Statement Archive数据集是由独立开发者Vigneshrdy于2024年创建，旨在系统性地保存印度智慧黑客松（Smart India Hackathon）历年发布的问题陈述。该赛事由印度政府主导，每年吸引众多中央部委、邦政府及公共部门提交工程挑战议题，但官方平台常在赛季更迭后移除旧题，导致历史数据流失。此数据集以纯Markdown格式收录了2024至2026年共614条问题陈述，源自86个组织机构，覆盖18个主题领域，总计约18.9万词，并附有获胜团队、奖金及数据集链接等丰富元数据，为研究印度政府技术需求演变提供了独特且结构化的纵向档案。其影响力在于，它不仅便利了参赛团队横向对比历年题目以识别未解难题，更为政策分析、科技趋势研究及信息检索系统开发提供了宝贵的数据基础，成为连接政府需求与学术研究的重要桥梁。

当前挑战

该数据集面临的挑战首要在于数据完整性与一致性：2024年和2025年分别缺失13条和7条已知ID的问题陈述，且各年份的ID编号方案、获奖信息字段（如2024年含学院地址而无奖金，2025年相反）及元数据标签（如主题分类偶有错标）均存在差异，给跨年纵向分析与数据整合带来障碍。其次，构建过程中需应对数据源的不稳定性，即官方门户会随赛季更替移除旧题，收集工作依赖多渠道追溯与社区贡献，耗时且易遗漏；同时，文本保留原始拼写及格式（如机构名称拼写不一、项目符号不统一），虽忠实还原源头，却要求使用者具备模糊匹配与容错解析能力。此外，2026年题目尚未决出获奖者，造成结果数据缺失，限制了对竞赛成效的完整评估。

常用场景

经典使用场景

该数据集汇集了2024至2026年印度智慧黑客马拉松（SIH）的614项问题陈述，涵盖86个组织与18个主题，以纯Markdown格式存储，便于检索与解析。其经典使用场景在于为参赛团队提供跨年度的问题对比与分析，使团队能够识别出连续多年悬而未决的挑战，从而精准定位具有实际意义且尚未被攻克的课题。此外，研究人员可借此纵向追踪印度政府工程需求的变化趋势，例如灾难管理主题从2024年的5项激增至2026年的29项，清晰反映了政策导向的演变。

解决学术问题

该数据集有效解决了学术研究中长期存在的政府公开数据分散、难以获取及缺乏标准化的问题。通过将分散于官方门户且逐年替换的问题陈述进行系统化归档，为政策分析、技术趋势预测及公共工程教育研究提供了可靠的数据基础。其固定元数据结构和统一的文件命名规范，使得数据可被正则表达式轻松解析，支持大规模的文本挖掘与量化分析。该语料库的建立促进了基于实证的跨学科研究，尤其为理解政府技术优先级变化与创新生态提供了独特视角。

衍生相关工作

该数据集的衍生工作主要体现在工具与平台的建设上。其附属的在线浏览应用本身就是一项典型的衍生成果，证明了基于Markdown数据源构建交互式前端的可行性。此外，数据集的规范格式激发了社区贡献，包括撰写补充缺失年份的陈述、开发针对其元数据的解析器或可视化工具。更重要的是，该档案为诸如人工智能辅助问题匹配、技术需求预测模型等学术研究提供了宝贵语料，推动了数据驱动的创新政策研究。