---
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
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: 6575115
    num_examples: 3407
  download_size: 3516555
  dataset_size: 6575115
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
---

# 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 256 caracteres.

#### 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")

# 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.