boolq-indic

# Indic BoolQ Dataset

A multilingual version of the [BoolQ](https://huggingface.co/datasets/google/boolq) (Boolean Questions) dataset, translated from English into 10 Indian languages.
It is a question-answering dataset for yes/no questions containing ~12k naturally occurring questions.

### Languages Covered
The dataset includes translations in the following languages:
- Bengali (bn)
- Gujarati (gu)
- Hindi (hi)
- Kannada (kn)
- Marathi (mr)
- Malayalam (ml)
- Oriya (or)
- Punjabi (pa)
- Tamil (ta)
- Telugu (te)

### Dataset Format
Each example contains:
- `question`: A yes/no question in the target language
- `passage`: A passage providing context for the question
- `answer`: Yes/No
- `label`: 1 for 'yes' and 0 for 'no'
- `language`: ISO 639-1 language code

## Dataset Statistics
- Total number of examples: ~140k
- Split sizes match the original BoolQ dataset:
- Training: 9,427 examples per language
- Validation: 3,270 examples per language

## Usage
```python
from datasets import load_dataset

dataset = load_dataset("sarvamai/boolq-indic")
```

## License
This dataset follows the same license as the original BoolQ dataset.

## Acknowledgments
- Original BoolQ dataset creators

# Indic BoolQ 数据集

本数据集是[BoolQ](https://huggingface.co/datasets/google/boolq)（布尔问答数据集）的多语言版本，由英语翻译为10种印度语言，是一个包含约1.2万个自然生成的真实是非类问题的问答数据集。

### 覆盖语言
本数据集包含以下语言的翻译版本：
- 孟加拉语（bn）
- 古吉拉特语（gu）
- 印地语（hi）
- 卡纳达语（kn）
- 马拉地语（mr）
- 马拉雅拉姆语（ml）
- 奥里亚语（or）
- 旁遮普语（pa）
- 泰米尔语（ta）
- 泰卢固语（te）

### 数据集格式
每个样本包含以下字段：
- `question`：目标语言下的是非类问题
- `passage`：为该问题提供上下文的文段
- `answer`：取值为「是」或「否」
- `label`：「是」对应取值1，「否」对应取值0
- `language`：ISO 639-1 语言代码

### 数据集统计信息
- 总样本数：约14万
- 数据集拆分规模与原始BoolQ数据集保持一致：
- 训练集：每种语言9427个样本
- 验证集：每种语言3270个样本

### 使用方法
可通过如下Python代码加载该数据集：
python
from datasets import load_dataset

dataset = load_dataset("sarvamai/boolq-indic")

### 许可协议
本数据集遵循与原始BoolQ数据集完全相同的许可协议。

### 致谢
- 原始BoolQ数据集的创建者