selex-rt-outputs

SeLex-RT Outputs 是一个为低资源语法错误纠正（GEC）任务生成的合成训练数据集，通过往返机器翻译（RT）流程创建，灵感来源于 SeLex-RT 方法。该数据集主要针对词汇错误，这类错误在标准合成 GEC 方法中系统性不足。数据集包含三种目标语言（俄语、乌克兰语、斯洛文尼亚语）和三种枢轴距离（近、中、远），形成一个 3×3 的枢轴语言组合矩阵。数据内容包括合成的（错误，正确）句子对、词汇混淆集、中间翻译输出以及覆盖评估。数据集结构清晰，包含 synthetic、confusion、translations 和 eval 四个主要目录，分别存储不同阶段的数据。数据集适用于多语言 GEC 模型的预训练，旨在提高词汇错误类型的覆盖范围，推荐与标记错误语料库结合使用。数据集基于 CC BY 4.0 许可发布。