gigant/tib_002

---
dataset_info:
features:
- name: doi
dtype: string
- name: title
dtype: string
- name: url
dtype: string
- name: video_url
dtype: string
- name: license
dtype: string
- name: subject
dtype: string
- name: genre
dtype: string
- name: release_year
dtype: string
- name: author
dtype: string
- name: contributors
dtype: string
- name: abstract
dtype: string
- name: transcript
dtype: string
- name: transcript_segments
sequence:
- name: id
dtype: int32
- name: seek
dtype: int32
- name: start
dtype: float32
- name: end
dtype: float32
- name: text
dtype: string
- name: tokens
sequence: int32
- name: temperature
dtype: float32
- name: avg_logprob
dtype: float32
- name: compression_ratio
dtype: float32
- name: no_speech_prob
dtype: float32
- name: keyframes
sequence:
- name: slide
dtype: string
- name: frames
sequence: int32
- name: timestamp
sequence: float32
- name: language
dtype: string
splits:
- name: train
num_bytes: 1011381643.8712058
num_examples: 8831
download_size: 486130872
dataset_size: 1011381643.8712058
---
# Dataset Card for "tib_002"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集特征

• doi: 数据类型为字符串。
• title: 数据类型为字符串。
• url: 数据类型为字符串。
• video_url: 数据类型为字符串。
• license: 数据类型为字符串。
• subject: 数据类型为字符串。
• genre: 数据类型为字符串。
• release_year: 数据类型为字符串。
• author: 数据类型为字符串。
• contributors: 数据类型为字符串。
• abstract: 数据类型为字符串。
• transcript: 数据类型为字符串。
• transcript_segments: 序列类型，包含以下子特征：
  • id: 数据类型为int32。
  • seek: 数据类型为int32。
  • start: 数据类型为float32。
  • end: 数据类型为float32。
  • text: 数据类型为字符串。
  • tokens: 序列类型，数据类型为int32。
  • temperature: 数据类型为float32。
  • avg_logprob: 数据类型为float32。
  • compression_ratio: 数据类型为float32。
  • no_speech_prob: 数据类型为float32。
• keyframes: 序列类型，包含以下子特征：
  • slide: 数据类型为字符串。
  • frames: 序列类型，数据类型为int32。
  • timestamp: 序列类型，数据类型为float32。
• language: 数据类型为字符串。

数据集分割

• train:
  • 数据量: 1011381643.8712058字节。
  • 样本数量: 8831。

数据集大小

• 下载大小: 486130872字节。
• 数据集总大小: 1011381643.8712058字节。

搜集汇总

背景与挑战

背景概述

该数据集包含约8,831条记录，以parquet格式存储，主要收录2018年数学领域的学术讲座信息。每条记录包含讲座的标题、作者、摘要、转录文本、多媒体链接（如视频和幻灯片）以及元数据（如DOI和许可证），语言均为英语，适用于文本分析和学术研究。