MichielBuisman/Leesplank_NL_wikipedia_veringewikkelderingen

该数据集包含不同风格的荷兰语维基百科段落的变体，基于另一个数据集的简化结果列生成。使用GPT4-1106-preview模型，通过特定的系统提示生成了这些变体，包括使用特定术语、政府机构用语、古语、技术用语、学术用语和诗意的语言风格。数据集还计划在未来增加更多类型的复杂化变体，但目前受限于模型的输出长度限制。

原始信息汇总

数据集概述

数据集名称

• UWV Leesplank NL Wikipedia Veringewikkelderingen

数据集内容

• 包含不同风格的维基百科段落变体。
• 基于另一个数据集（UWV/Leesplank_NL_wikipedia_simplifications）中的简化结果列。

生成方法

• 使用GPT4-1106-preview模型生成。
• 系统提示要求生成更复杂的荷兰语文本，采用以下类型的文本修改：
  • 术语（特定上下文术语）
  • 官方语言（政府机构、正式文件中使用）
  • 古语（古老、旧）
  • 技术语言使用（技术性）
  • 学术语言使用（学术、研究、教育）
  • 诗意语言使用（诗意、文学）
• 输出格式为有效的JSON结构。

数据集结构

• 包含原始文本、简化版本以及通过GPT4生成的各种风格文本。

未来计划

• 计划在获得资金后，基于荷兰维基百科简化版完成剩余的复杂化类型，包括成语、抽象、被动、讽刺与嘲笑、新词与流行词。