juancavallotti/multilingual-gec

该数据集可用于训练Transformer模型（如T5）来纠正英语、西班牙语、法语和德语的简单句子中的语法错误。数据集通过代码生成，并基于互联网上常见的语法错误信息。数据集包含每种语言的句子实例，并提供了语言、原始句子、修改后的句子、主要和次要转换等数据字段。

原始信息汇总

数据集概述

• 名称: Multi Lingual Grammar Error Correction Dataset
• 作者: Juan Alberto López Cavallotti
• 发布日期: 2023年1月6日
• 许可: Apache-2.0
• 标签: 语法, GEC, 多语言, 语言检测
• 大小: 100K<n<1M

数据集详情

• 任务类别:
  • 翻译
  • 语法错误修正
  • 语言检测
• 支持语言:
  • 英语
  • 西班牙语
  • 法语
  • 德语

数据集结构

• 数据实例:
  • 德语: 32282句
  • 英语: 51393句
  • 西班牙语: 67672句
  • 法语: 67157句
• 数据字段:
  • lang: 句子语言
  • sentence: 原始句子
  • modified: 错误句子
  • transformation: 主要转换
  • sec_transformation: 次要转换（如有）

数据集创建

• 来源数据:
  • 初始数据收集自多个开源数据集，如Tatoeba。
• 注释过程:
  • 自动注释，由生成脚本完成。

其他信息

• 许可证: Apache 2 License
• 引用信息: 引用时请提及原始数据集和作者Juan Alberto López Cavallotti。