E-KAR

displayName: E-KAR (Benchmark for Explainable Knowledge-intensive Analogical Reasoning)
labelTypes:
- Chinese Corpus
license:
- CC BY-NC-SA 4.0
mediaTypes:
- Text
paperUrl: https://arxiv.org/pdf/2203.08480v1.pdf
publishDate: "2022"
publishUrl: https://ekar-leaderboard.github.io
publisher:
- Fudan University
- ByteDance AI Lab
- Brain Technologies, Inc.
tags:
- Analogical Reasoning
taskTypes:
- Visual Question Answering
- Explanation Generation

---
# 数据集介绍
## 简介
识别类比的能力是人类认知的基础。测试单词类比的现有基准并未揭示神经模型类比推理的底层过程。我们坚信能够推理的模型应该是正确的，因此我们提出了首创的可解释知识密集型类比推理基准 (E-KAR)。我们的基准测试包括来自公务员考试的 1,655 个（中文）和 1,251 个（英文）问题，这些问题需要深入的背景知识才能解决。更重要的是，我们设计了一个自由文本解释方案来解释是否应该进行类比，并为每个问题和候选答案手动注释它们。
## 类定义
null
## 引文
```
@article{chen2022kar,
title={E-KAR: A Benchmark for Rationalizing Natural Language Analogical Reasoning},
author={Chen, Jiangjie and Xu, Rui and Fu, Ziquan and Shi, Wei and Li, Zhongqiao and Zhang, Xinbo and Sun, Changzhi and Li, Lei and Xiao, Yanghua and Zhou, Hao},
journal={arXiv preprint arXiv:2203.08480},
year={2022}
}
```

## Download dataset
:modelscope-code[]{type="git"}

displayName: 显示名称：E-KAR（可解释知识密集型类比推理基准，Benchmark for Explainable Knowledge-intensive Analogical Reasoning）
labelTypes:
- 中文语料库（Chinese Corpus）
license:
- CC BY-NC-SA 4.0（知识共享署名-非商业性使用-相同方式共享4.0协议）
mediaTypes:
- 文本（Text）
paperUrl: 论文链接：https://arxiv.org/pdf/2203.08480v1.pdf
publishDate: 发布日期：2022年
publishUrl: 发布平台链接：https://ekar-leaderboard.github.io
publisher:
- 复旦大学（Fudan University）
- 字节跳动人工智能实验室（ByteDance AI Lab）
- Brain Technologies有限公司（Brain Technologies, Inc.）
tags:
- 类比推理（Analogical Reasoning）
taskTypes:
- 视觉问答（Visual Question Answering）
- 解释生成（Explanation Generation）

---
# 数据集概述
## 简介
类比识别能力是人类认知的核心基础之一。现有词汇类比测试基准无法揭示神经模型进行类比推理的内在过程。我们认为，具备可靠推理能力的模型应当具备可解释性，为此我们提出了首个可解释知识密集型类比推理基准（E-KAR）。该基准包含来自公务员招录考试的1655道中文试题与1251道英文试题，所有题目均需依托深厚的背景知识方可解答。更为关键的是，我们设计了自由文本解释方案，用于阐释类比关系成立与否的依据，并为每道题目及其候选答案完成了人工注释。
## 类定义
无
## 参考文献

@article{chen2022kar,
title={E-KAR: A Benchmark for Rationalizing Natural Language Analogical Reasoning},
author={Chen, Jiangjie and Xu, Rui and Fu, Ziquan and Shi, Wei and Li, Zhongqiao and Zhang, Xinbo and Sun, Changzhi and Li, Lei and Xiao, Yanghua and Zhou, Hao},
journal={arXiv preprint arXiv:2203.08480},
year={2022}
}

## 数据集下载
:modelscope-code[]{type="git"}