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/qasc|自然语言处理数据集|教育数据集
收藏hugging_face2024-01-04 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/allenai/qasc
下载链接
链接失效反馈资源简介：
QASC是一个专注于句子组合的问答数据集，包含9,980个关于小学科学的8项选择题（8,134个训练样本，926个开发样本，920个测试样本），并附带一个包含1700万句子的语料库。数据集的结构包括id、问题、选项、答案、事实1、事实2、组合事实和格式化问题等字段。
提供机构：
allenai
原始信息汇总
数据集概述
基本信息
- 名称: Question Answering via Sentence Composition (QASC)
- 语言: 英语 (en)
- 许可证: CC BY 4.0
- 多语言性: 单语种
- 数据来源: 原始数据
- 任务类别: 问答 (question-answering), 多选题 (multiple-choice)
- 任务ID: 抽取式问答 (extractive-qa), 多选题问答 (multiple-choice-qa)
- 数据集大小: 1K<n<10K
数据集结构
-
特征:
id: 字符串类型question: 字符串类型choices: 字典类型，包含text(字符串类型) 和label(字符串类型)answerKey: 字符串类型fact1: 字符串类型fact2: 字符串类型combinedfact: 字符串类型formatted_question: 字符串类型
-
数据分割:
train: 8134 条记录test: 920 条记录validation: 926 条记录
数据集创建
- 注释创建者: 众包
- 语言创建者: 发现
使用考虑
- 许可证: 数据集根据 CC BY 4.0 许可发布。
引用信息
@article{allenai:qasc, author = {Tushar Khot and Peter Clark and Michal Guerquin and Peter Jansen and Ashish Sabharwal}, title = {QASC: A Dataset for Question Answering via Sentence Composition}, journal = {arXiv:1910.11473v2}, year = {2020}, }
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
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
Asteroids by the Minor Planet Center
包含所有已知小行星的轨道数据和观测数据。数据来源于Minor Planet Center，格式包括Fortran (.DAT)和JSON，数据集大小为81MB（压缩）和450MB（未压缩），记录数约750,000条，每日更新。
github 收录
LinkedIn Salary Insights Dataset
LinkedIn Salary Insights Dataset 提供了全球范围内的薪资数据，包括不同职位、行业、地理位置和经验水平的薪资信息。该数据集旨在帮助用户了解薪资趋势和市场行情，支持职业规划和薪资谈判。
www.linkedin.com 收录
CMAB
CMAB数据集由清华大学创建，是中国首个全国范围的多属性建筑数据集，涵盖了3667个自然城市，总面积达213亿平方米。该数据集通过集成多源数据，如高分辨率Google Earth影像和街景图像，生成了建筑的屋顶、高度、功能、年龄和质量等属性。数据集的创建过程结合了地理人工智能框架和机器学习模型，确保了数据的高准确性。CMAB数据集主要应用于城市规划和可持续发展研究，旨在提供详细的城市3D物理和社会结构信息，支持城市化进程和政府决策。
arXiv 收录
URPC系列数据集, S-URPC2019, UDD
URPC系列数据集包括URPC2017至URPC2020DL，主要用于水下目标的检测和分类。S-URPC2019专注于水下环境的特定检测任务。UDD数据集信息未在README中详细描述。
github 收录