ViquiQuAD: an extractive QA dataset from Catalan Wikipedia

If you use this resource in your work, please cite our latest paper: @inproceedings{armengol-estape-etal-2021-multilingual,<br> title = "Are Multilingual Models the Best Choice for Moderately Under-resourced Languages? {A} Comprehensive Assessment for {C}atalan",<br> author = "Armengol-Estap{\'e}, Jordi and<br> Carrino, Casimiro Pio and<br> Rodriguez-Penagos, Carlos and<br> de Gibert Bonet, Ona and<br> Armentano-Oller, Carme and<br> Gonzalez-Agirre, Aitor and<br> Melero, Maite and<br> Villegas, Marta",<br> booktitle = "Findings of the Association for Computational Linguistics: ACL-IJCNLP 2021",<br> month = aug,<br> year = "2021",<br> address = "Online",<br> publisher = "Association for Computational Linguistics",<br> url = "https://aclanthology.org/2021.findings-acl.437",<br> doi = "10.18653/v1/2021.findings-acl.437",<br> pages = "4933--4946",<br> } <em>Dataset de QA extractiu amb 6282 parells de pregunta-resposta desenvolupats a partir d'articles de la Viquipèdia (https://</em>ca.wikipedia.org<em>) </em><em>utilitzats sota la llicència Creative Commons Reconeixement i Compartir-Igual.</em> <em>“ViquiQuAD: an extractive QA dataset from Catalan Wikipedia” es distribueix sota la llicència CC-BY-SA per Carlos Rodríguez y Carme Armentano de la Unitat de Text Mining del BSC - CNS.</em> This dataset contains 3111 contexts extracted from a set of 597 high quality original (no translations) articles in the Catalan Wikipedia "Viquipèdia" (ca.wikipedia.org), and 1 to 5 questions with their answer for each fragment. Viquipedia articles are used under CC-by-sa licence. This dataset can be used to build extractive-QA and Language Models. Funded by the Generalitat de Catalunya, Departament de Polítiques Digitals i Administració Pública (AINA), MT4ALL and Plan de Impulso de las Tecnologías del Lenguaje (Plan TL).

若您在研究工作中使用本资源，请引用以下论文：
@inproceedings{armengol-estape-etal-2021-multilingual,
title = "《多语言模型是中等资源匮乏语言的最优选择？针对加泰罗尼亚语的全面评估》",
author = "Armengol-Estapé, Jordi and Carrino, Casimiro Pio and Rodriguez-Penagos, Carlos and de Gibert Bonet, Ona and Armentano-Oller, Carme and Gonzalez-Agirre, Aitor and Melero, Maite and Villegas, Marta",
booktitle = "《国际计算语言学协会研究成果：ACL-IJCNLP 2021》",
month = "8月",
year = "2021",
address = "线上",
publisher = "国际计算语言学协会",
url = "https://aclanthology.org/2021.findings-acl.437",
doi = "10.18653/v1/2021.findings-acl.437",
pages = "4933--4946",
}
本数据集为抽取式问答（extractive QA）数据集，包含6282条问答对，均基于加泰罗尼亚语维基百科（Viquipèdia，https://ca.wikipedia.org）的文章构建，采用知识共享署名-相同方式共享（Creative Commons Attribution-ShareAlike）许可协议。
本数据集命名为ViquiQuAD：加泰罗尼亚语维基百科抽取式问答数据集，由巴塞罗那超级计算中心-西班牙国家研究委员会（BSC-CNS）文本挖掘单元的Carlos Rodríguez与Carme Armentano发布，采用CC-BY-SA许可协议。
本数据集包含从597篇高质量原创（无翻译）的加泰罗尼亚语维基百科“Viquipèdia”（ca.wikipedia.org）文章中提取的3111段上下文，以及每段上下文对应的1至5条问答对。
加泰罗尼亚语维基百科文章的使用需遵循CC-BY-SA许可协议。
本数据集可用于构建抽取式问答系统与大语言模型（Large Language Model）。
本数据集由加泰罗尼亚自治区政府、数字政策与公共行政部（AINA）、MT4ALL以及语言技术推动计划（Plan TL）资助。