InstrucatQA

# Dataset Card for Dataset Name

Instructional dataset to finetune models used for RAG applications

## Dataset Details

### Dataset Description

This dataset is a merge from QA instructions from InstruCAT (ca), SQUAC (es), SQUAD (en), plus generalists CA and ES MENTOR datasets to provide a cognitive background for generating responses.
Contains splits of 66139 (train) and 11674 (validation) instructions

- **Curated by:** [More Information Needed]
- **Funded by [optional]:** [More Information Needed]
- **Shared by [optional]:** [More Information Needed]
- **Language(s) (NLP):** ca, es, en
- **License:** [More Information Needed]

### Dataset Sources [optional]

<!-- Provide the basic links for the dataset. -->

- **Repository:** [More Information Needed]
- **Paper [optional]:** [More Information Needed]
- **Demo [optional]:** [More Information Needed]

## Uses

Experiments with Catalan RAG applications

### Direct Use

<!-- This section describes suitable use cases for the dataset. -->

[More Information Needed]

### Out-of-Scope Use

<!-- This section addresses misuse, malicious use, and uses that the dataset will not work well for. -->

[More Information Needed]

## Dataset Structure

<!-- This section provides a description of the dataset fields, and additional information about the dataset structure such as criteria used to create the splits, relationships between data points, etc. -->

[More Information Needed]

## Dataset Creation

### Curation Rationale

<!-- Motivation for the creation of this dataset. -->

[More Information Needed]

### Source Data

<!-- This section describes the source data (e.g. news text and headlines, social media posts, translated sentences, ...). -->

#### Data Collection and Processing

<!-- This section describes the data collection and processing process such as data selection criteria, filtering and normalization methods, tools and libraries used, etc. -->

[More Information Needed]

#### Who are the source data producers?

<!-- This section describes the people or systems who originally created the data. It should also include self-reported demographic or identity information for the source data creators if this information is available. -->

[More Information Needed]

### Annotations [optional]

<!-- If the dataset contains annotations which are not part of the initial data collection, use this section to describe them. -->

#### Annotation process

<!-- This section describes the annotation process such as annotation tools used in the process, the amount of data annotated, annotation guidelines provided to the annotators, interannotator statistics, annotation validation, etc. -->

[More Information Needed]

#### Who are the annotators?

<!-- This section describes the people or systems who created the annotations. -->

[More Information Needed]

#### Personal and Sensitive Information

<!-- State whether the dataset contains data that might be considered personal, sensitive, or private (e.g., data that reveals addresses, uniquely identifiable names or aliases, racial or ethnic origins, sexual orientations, religious beliefs, political opinions, financial or health data, etc.). If efforts were made to anonymize the data, describe the anonymization process. -->

[More Information Needed]

## Bias, Risks, and Limitations

<!-- This section is meant to convey both technical and sociotechnical limitations. -->

[More Information Needed]

### Recommendations

<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->

Users should be made aware of the risks, biases and limitations of the dataset. More information needed for further recommendations.

## Citation [optional]

<!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. -->

**BibTeX:**

[More Information Needed]

**APA:**

[More Information Needed]

## Glossary [optional]

<!-- If relevant, include terms and calculations in this section that can help readers understand the dataset or dataset card. -->

[More Information Needed]

## More Information [optional]

[More Information Needed]

## Dataset Card Authors [optional]

[More Information Needed]

## Dataset Card Contact

[More Information Needed]

# 数据集卡片：数据集名称

本数据集为用于微调检索增强生成（Retrieval-Augmented Generation, RAG）应用模型的指令数据集。

## 数据集详情

### 数据集概述
本数据集合并了来自InstruCAT（加泰罗尼亚语）、SQUAC（西班牙语）、SQUAD（英语）的问答指令，以及通用型加泰罗尼亚语与西班牙语MENTOR数据集，以提供生成回复所需的认知背景。数据集包含训练集（66139条）与验证集（11674条）两类指令拆分。

- **数据整理方：** [需补充更多信息]
- **资助方（可选）：** [需补充更多信息]
- **共享方（可选）：** [需补充更多信息]
- **自然语言处理覆盖语言：** 加泰罗尼亚语（ca）、西班牙语（es）、英语（en）
- **授权协议：** [需补充更多信息]

## 数据集来源（可选）
<!-- 请提供该数据集的基础链接信息。 -->

- **代码仓库：** [需补充更多信息]
- **相关论文（可选）：** [需补充更多信息]
- **演示示例（可选）：** [需补充更多信息]

## 数据集用途
用于加泰罗尼亚语RAG应用的相关实验。

### 直接适用场景
<!-- 本章节将说明本数据集的合适使用场景。 -->
[需补充更多信息]

### 超出适用范围的用途
<!-- 本章节将说明不当使用、恶意使用，以及本数据集无法良好适配的使用场景。 -->
[需补充更多信息]

## 数据集结构
<!-- 本章节将对数据集字段进行说明，并补充介绍数据集结构的相关细节，例如数据集拆分所依据的标准、数据点间的关联关系等。 -->
[需补充更多信息]

## 数据集构建
### 数据整理依据
<!-- 本章节将说明创建本数据集的动机。 -->
[需补充更多信息]

### 源数据
<!-- 本章节将介绍源数据的相关信息，例如新闻文本与标题、社交媒体帖文、翻译语句等。 -->

#### 数据收集与处理流程
<!-- 本章节将描述数据收集与处理的全过程，例如数据筛选标准、过滤与归一化方法、所使用的工具与库等。 -->
[需补充更多信息]

#### 源数据的创建者是谁？
<!-- 本章节将介绍最初创建该数据的个人或系统。若可获取源数据创建者的自我报告式人口统计或身份信息，也应在此处说明。 -->
[需补充更多信息]

### 标注信息（可选）
<!-- 若本数据集包含不属于初始数据收集范畴的标注信息，请在本章节进行说明。 -->

#### 标注流程
<!-- 本章节将描述标注流程，例如标注所使用的工具、已标注数据的数量、向标注者提供的标注指南、标注者间一致性统计数据、标注验证方式等。 -->
[需补充更多信息]

#### 标注者是谁？
<!-- 本章节将介绍创建标注的个人或系统。 -->
[需补充更多信息]

#### 个人与敏感信息
<!-- 说明本数据集是否包含可被视为个人、敏感或隐私的数据（例如：泄露地址、唯一可识别的姓名或别名、种族或族裔出身、性取向、宗教信仰、政治观点、财务或健康数据等）。若已采取措施对数据进行匿名化处理，请说明匿名化流程。 -->
[需补充更多信息]

## 偏差、风险与局限性
<!-- 本章节旨在说明数据集在技术与社会技术层面存在的局限性。 -->
[需补充更多信息]

### 相关建议
<!-- 本章节旨在针对数据集的偏差、风险与技术局限性给出相关建议。 -->
用户应知晓本数据集存在的风险、偏差与局限性。如需获取进一步的相关建议，需补充更多信息。

## 引用信息（可选）
<!-- 若存在介绍本数据集的论文或博客文章，请在此处提供其APA与BibTeX格式的引用信息。 -->

**BibTeX格式：**
[需补充更多信息]

**APA格式：**
[需补充更多信息]

## 术语表（可选）
<!-- 若有需要，本章节可收录有助于读者理解本数据集或数据集卡片的术语与计算公式。 -->
[需补充更多信息]

## 更多信息（可选）
[需补充更多信息]

## 数据集卡片撰写者（可选）
[需补充更多信息]

## 数据集卡片联系方式
[需补充更多信息]