Dataset Card for tw-highschool

本資料集收錄臺灣高中四大主要學科（生物、化學、數學、物理）之繁體中文知識文本，作為訓練具備臺灣高中學科知識能力之繁中模型的補充語料。

Dataset Details

Dataset Description

資料以「學科」為 config 拆分：

• biology：生物
• chemistry：化學
• math：數學
• physics：物理

每個 config 內含對應學科之知識性段落（涵蓋觀念解說、公式推導、範例題、術語對照等），以繁體中文書面語為主。可作為高中學科 chatbot、教學助理之預訓練／微調補強。

• Curated by: Huang Liang Hsun
• Language(s) (NLP): Traditional Chinese
• License: cc-by-nc-sa-4.0

Dataset Sources

• Repository: lianghsun/tw-highschool
• Chat version: lianghsun/tw-highschool-chat
• Paper: TBA

Uses

Direct Use

• 補強模型在高中四大學科上的知識覆蓋。
• 衍生下游解題、教學 chatbot 之 SFT／RAG 來源。

Out-of-Scope Use

• 不適用作為現行課綱的事實依據；課綱與教材會逐年更新。
• 不應作為考試標準答案來源；本資料以知識覆蓋為主，並非校勘版本。

Dataset Structure

每個 config 內 train split 結構大致如下：

{
  "text": "..."
}

（實際欄位以資料集載入後 features 為準）。

Dataset Creation

Curation Rationale

高中學科知識在通用網頁語料中常以零碎方式出現，不利於模型學習有系統的觀念。本資料集以「學科 → 章節 → 段落」的方式整理，提升模型在高中學科上的回答品質。

Source Data

Data Collection and Processing

1. 蒐集臺灣高中各學科之知識文本（教材、講義、政府公開教材等）。
2. 以學科分目錄存放，移除版面雜訊與圖片參考。
3. 為每個 config 輸出獨立 jsonl。

Who are the source data producers?

原始教材由各教科書出版社／教師／政府公開資源提供。

Annotations

Annotation process

無人工標註。

Who are the annotators?

無人工標註者。

Personal and Sensitive Information

不含個人識別資料。

Bias, Risks, and Limitations

• 學科內容反映特定編寫年代之觀點，與最新教材／研究可能略有差異。
• 各 config 規模未必平均，下游使用時可能需要再做樣本平衡。

Recommendations

建議與 tw-highschool-chat（chat 版本）一同使用，將「知識」與「對話」兩層一起訓練。

Citation

@misc{tw_highschool,
  title        = {tw-highschool: Taiwan High School Knowledge Corpus},
  author       = {Huang, Liang Hsun},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/tw-highschool}}
}

Dataset Card Authors

Huang Liang Hsun

Dataset Card Contact

Huang Liang Hsun