Update README.md

README.md

@@ -1,29 +1,83 @@
 ---
-dataset_info:
-  features:
-  - name: id
-    dtype: int64
-  - name: messages
-    list:
-    - name: content
-      dtype: string
-    - name: role
-      dtype: string
-  - name: lang
-    dtype: string
-  - name: topic
-    dtype: string
-  - name: topic_score
-    dtype: float64
-  splits:
-  - name: train
-    num_bytes: 6574014
-    num_examples: 3407
-  download_size: 3516203
-  dataset_size: 6574014
-configs:
-- config_name: default
-  data_files:
-  - split: train
-    path: data/train-*
+language:
+- es
+license: mit
+size_categories:
+- 1K<n<10K
+source_datasets:
+- thinkPy/oasst2-short-es
+tags:
+- topic-classification
+- zero-shot-classification
+- spanish
+- oasst2
+- latin-america
 ---
+
+# oasst2-short-es-topics
+
+Dataset de conversaciones cortas en español con clasificación automática de tópicos, derivado de [thinkPy/oasst2-short-es](https://huggingface.co/datasets/thinkPy/oasst2-short-es).
+
+### Origen
+
+[thinkPy/oasst2-short-es](https://huggingface.co/datasets/thinkPy/oasst2-short-es) es una versión en español de conversaciones cortas basadas en [OpenAssistant/oasst2](https://huggingface.co/datasets/OpenAssistant/oasst2). Este dataset toma una muestra aleatoria (`seed=42`) y agrega dos columnas de clasificación temática.
+
+### Clasificación de tópicos
+
+Se utilizó el modelo [MoritzLaurer/mDeBERTa-v3-base-mnli-xnli](https://huggingface.co/MoritzLaurer/mDeBERTa-v3-base-mnli-xnli) con zero-shot classification (NLI) sobre el primer mensaje del usuario, truncado a 128 caracteres hasta el primer punto.
+
+#### Tópicos disponibles
+
+| tópico | descripción |
+|---|---|
+| `tecnología` | programación, software, hardware, IA |
+| `matemática` | álgebra, estadística, cálculo |
+| `ciencia` | física, química, biología, investigación |
+| `humanidades` | filosofía, lingüística, literatura |
+| `historia` | eventos y personajes históricos |
+| `cultura` | tradiciones, arte, música, gastronomía |
+| `política` | gobierno, relaciones internacionales |
+| `economía` | finanzas, mercados, emprendimiento |
+| `salud` | medicina, bienestar, nutrición |
+| `educación` | pedagogía, aprendizaje, academia |
+| `sociedad` | relaciones, ética, vida cotidiana |
+| `medio ambiente` | ecología, cambio climático, naturaleza |
+| `entretenimiento` | cine, videojuegos, viajes |
+| `deportes` | competencias, disciplinas, actividad física |
+
+### Esquema
+
+```json
+{
+  "id": "0",
+  "messages": [
+    {"role": "user", "content": "..."},
+    {"role": "assistant", "content": "..."}
+  ],
+  "lang": "es",
+  "topic": "cultura",
+  "topic_score": 0.7231
+}
+```
+
+### Uso
+
+```python
+from datasets import load_dataset
+
+ds = load_dataset("thinkPy/oasst2-short-es-topics", split="train")
+
+# Filtrar por tópico
+ds_cultura = ds.filter(lambda x: x["topic"] == "cultura")
+
+# Descartar inciertos
+ds_filtrado = ds.filter(lambda x: x["topic"] != "incierto")
+
+# Filtrar por confianza
+ds_alta_confianza = ds.filter(lambda x: x["topic_score"] >= 0.5)
+```
+
+### Limitaciones
+
+- La clasificación es automática y puede contener errores, especialmente en textos ambiguos o muy cortos.
+- Los ejemplos con `topic_score` bajo deben tratarse con cautela.