kenhktsui/CulturaP_quality_score_v2

该数据集包含多种语言（如阿拉伯语、保加利亚语、捷克语、德语、英语、西班牙语、法语、爱尔兰语、匈牙利语、印度尼西亚语、意大利语、立陶宛语、拉脱维亚语、马耳他语、罗马尼亚语、斯洛伐克语、斯洛文尼亚语、斯瓦希里语、越南语和中文）的文本数据。每个语言的数据集包含以下特征：id（唯一标识符）、document_lang（文档语言）、scores（评分序列）、langs（语言序列）、text（文本内容）、url（来源URL）、collection（数据集来源）、cc（是否来自公共领域）、en_text（英文翻译文本）和quality_score_v2（质量评分）。数据集分为训练集，并提供了每个训练集的字节大小和示例数量。

This dataset contains text data in multiple languages (such as Arabic, Bulgarian, Czech, German, English, Spanish, French, Irish, Hungarian, Indonesian, Italian, Lithuanian, Latvian, Maltese, Romanian, Slovak, Slovenian, Swahili, Vietnamese, and Chinese). Each languages dataset includes the following features: id (unique identifier), document_lang (document language), scores (sequence of scores), langs (sequence of languages), text (text content), url (source URL), collection (dataset source), cc (whether from the public domain), en_text (English translation text), and quality_score_v2 (quality score). The dataset is divided into training sets, with the byte size and number of examples provided for each training set.