somosnlp-hackathon-2022/readability-es-hackathon-pln-public

该数据集是用于西班牙语可读性评估的短篇文章汇编。这些文章主要来自学习西班牙语作为第二语言的网站，包括Coh-Metrix-Esp语料库、kwiziq和hablacultura.com等来源。数据集包含1019个文本条目，长度在80到8714个字符之间，大多数（97%）文本长度低于4000个字符。数据格式为json lines，包含类别、级别、文本等字段。

原始信息汇总

数据集概述

数据集描述

该数据集名为“readability-es-sentences”，是一个用于可读性评估的西班牙语短文汇编。

数据集来源

• Coh-Metrix-Esp corpus (Quispesaravia, et al., 2016): 包含100个平行文本，具有简单和复杂两种西班牙语版本，涵盖儿童和成人故事。
• kwiziq: 语言学习助手。
• hablacultura.com: 面向学生和教师的西班牙语资源网站。

数据集结构

• 文本数量： 1019篇。
• 文本长度： 80至8714个字符，其中97%的文本长度低于4000个字符。

数据字段

• Category: 根据CEFR标准划分的文本等级。
• Level: 标准化可读性等级：简单或复杂。
• Level-3: 标准化可读性等级：基础、中级或高级。
• Text: 格式化为句子的原始文本。

语言

西班牙语

许可证

该数据集遵循CC-BY-4.0许可证。