Datasets:

kerembb123
/

scienceqa-math-cot

license: apache-2.0
task_categories:
  - question-answering
  - visual-question-answering
language:
  - en
tags:
  - mathematics
  - chain-of-thought
  - cot
  - qwen2.5-vl
size_categories:
  - 10K<n<100K
pretty_name: ScienceQA Mathematics CoT Dataset

ScienceQA Mathematics CoT Dataset (Turkish)

Bu veri seti, görsel içerikli matematik sorularının çözümü için Qwen 2.5 VL ve benzeri çok modlu (multimodal) modellerin ince ayar (fine-tuning) işlemleri için hazırlanmıştır. Orijinal ScienceQA verileri temel alınarak, görsel-metin eşleşmeleri optimize edilmiş ve çözüm yolları (Chain of Thought) yapılandırılmıştır.

📊 Veri Seti Özeti

Toplam Satır Sayısı: 16,789
İçerik: Görsel (Image), Soru (Question), Cevap (Answer) ve Çözüm Yolu (Solution/CoT).
Dil: ingilizce
Format: Hugging Face datasets kütüphanesi ile tam uyumlu.

🚀 Hızlı Başlangıç

Veri setini projenize dahil etmek için aşağıdaki kodu kullanabilirsiniz:

from datasets import load_dataset

dataset = load_dataset("kerembb123/scienceqa-math-cot")

# Örnek bir veriyi inceleme
print(dataset['train'][0]['question'])
dataset['train'][0]['image'].show()
## 📂 Veri Yapısı

Bu veri seti, çok modlu (multimodal) modellerin hem görseli anlaması hem de adım adım mantık yürütmesi (Chain of Thought) için yapılandırılmıştır. Her bir örnek aşağıdaki sütunları içerir:

| Sütun Adı | Veri Tipi | Açıklama |
| :--- | :--- | :--- |
| `image` | `image` | Sorunun görsel içeriği (PIL.Image objesi) |
| `question` | `string` | Modelin cevaplaması gereken matematik sorusu metni |
| `answer` | `string` | Sorunun kesin ve kısa doğru cevabı |
| `solution` | `string` | Sorunun adım adım çözüm yolu (CoT - Chain of Thought) |

---

## 🛠️ Hazırlık Notları (Pre-processing)

Veri setinin hazırlanma sürecinde uygulanan kritik adımlar şunlardır:

1. **Görsel-Metin Eşleştirme:** Orijinal ScienceQA `train` ve `validation` parquet dosyalarındaki görseller, özel bir script ile `egitim_seti_CoT.jsonl` dosyasındaki ilgili sorularla ID bazlı olarak eşleştirilmiştir.
2. **CoT (Chain of Thought) Yapılandırma:** Sadece cevaplar değil, modelin akıl yürütme becerisini geliştirmek için `lecture` ve `solution` alanları birleştirilerek temiz bir çözüm yolu sütunu oluşturulmuştur.
3. **Veri Temizliği:** Eksik veriler (null values) ve hatalı görsel eşleşmeleri ayıklanarak 16,789 satırlık kararlı bir yapı kurulmuştur.
4. **Model Uyumluluğu:** Veri seti, **Qwen 2.5 VL** gibi güncel Vision-Language modellerinin eğitim formatına (prompt template) uygun şekilde paketlenmiştir.
5. **Eğitim Önerisi:** Yüksek çözünürlüklü görseller içerdiği için eğitim sırasında **A100 (40GB)** GPU ve **Unsloth** kütüphanesinin kullanılması hız açısından tavsiye edilir.

---