|
|
--- |
|
|
license: mit |
|
|
language: |
|
|
- pt |
|
|
size_categories: |
|
|
- 100K<n<1M |
|
|
--- |
|
|
|
|
|
# Dataset Card para o SQuAD 1.1 em Português Brasil |
|
|
|
|
|
O conjunto de dados "Stanford Question Answering Dataset" ([SQuAD](https://drive.google.com/file/d/1Q0IaIlv2h2BC468MwUFmUST0EyN7gNkn/view)), |
|
|
para **tarefa de perguntas e respostas extrativas**, foi desenvolvido em 2016. Ele utiliza perguntas geradas a partir de |
|
|
**536 artigos da Wikipedia*** com **mais de 100.000 linhas** de dados. É construído na forma de uma pergunta e um contexto dos artigos da |
|
|
Wikipedia contendo a resposta à pergunta. [[1]](https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1174/reports/2761899.pdf) |
|
|
Originalmente este dataset foi construído no idioma inglês, contudo, o grupo [Deep Learning Brasil](http://www.deeplearningbrasil.com.br/) o |
|
|
traduziu automaticamente e fez os ajustes manuais, gastando para isto cerca de 2 meses. [[2]](https://sol.sbc.org.br/index.php/kdmile/article/view/24974) |
|
|
|
|
|
## Dataset Details |
|
|
|
|
|
### Dataset Description |
|
|
|
|
|
O desenvolvedores fornecem dois arquivos: **squad-train-v1.1.json** e **squad-dev-v1.1.json**, sendo o primeiro para treinamento e o |
|
|
segundo para validação. Os arquivos possuem, respectivamente, as seguintes quantidades de registros: 87.510 e 17.853, totalizando assim: |
|
|
105.363 registros. Percentualmente isto equivale a 83% dos dados para treinamento e 17% dos dados para validação. |
|
|
Após Análise Exploratória do dataset, verificou-se a existência de 7.283 'Id's repetidos no conjunto de validação, assim, ao invés de 17.853 registros, |
|
|
o conjunto de validação possuí 10.570 'Id's únicos. Desta forma, os 7.283 'Id's repetidos foram excluídos do dataset de validação original. |
|
|
|
|
|
No universo de Machine Learning, é comum a divisão dos datasets em: Treinamento; Validação; e Testes. Assim, por que aqui não foi fornecido |
|
|
os dados de Testes? Pesquisando em [[1]](https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1174/reports/2761899.pdf), temos: |
|
|
> "[...] Utilizamos 80% do conjunto de dados para treinar o modelo, 10% para validação e ajuste hiperparâmetro. **Os 10% finais do conjunto |
|
|
> de dados são reservados para testes** e **mantidos privados** pelos criadores da equipe com o objetivo de preservar a integridade dos |
|
|
> modelos de resposta a perguntas." |
|
|
|
|
|
Portanto, **os autores não disponibilizaram os 10% de dados para testes**. Sendo assim, este dataset faz os seguintes ajustes: Mantem os |
|
|
dados originais do conjunto de treinamento e dividi o conjunto de validação em duas partes: validação (5.500 registros (5,6%) dos dados) e |
|
|
testes (5070 registros (5,2%) dos dados). |
|
|
|
|
|
|
|
|
- **Curated by:** [More Information Needed] |
|
|
- **Funded by [optional]:** [More Information Needed] |
|
|
- **Shared by [optional]:** [More Information Needed] |
|
|
- **Language(s) (NLP):** [More Information Needed] |
|
|
- **License:** [More Information Needed] |
|
|
|
|
|
### Dataset Sources [optional] |
|
|
|
|
|
<!-- Provide the basic links for the dataset. --> |
|
|
|
|
|
- **Repository:** [More Information Needed] |
|
|
- **Paper [optional]:** [More Information Needed] |
|
|
- **Demo [optional]:** [More Information Needed] |
|
|
|
|
|
## Uses |
|
|
|
|
|
<!-- Address questions around how the dataset is intended to be used. --> |
|
|
|
|
|
### Direct Use |
|
|
|
|
|
<!-- This section describes suitable use cases for the dataset. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
### Out-of-Scope Use |
|
|
|
|
|
<!-- This section addresses misuse, malicious use, and uses that the dataset will not work well for. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
## Dataset Structure |
|
|
|
|
|
**features:** 'Id', 'title', 'context', 'question', 'ans_start', 'text' |
|
|
**'Id':** identificador único |
|
|
**'title':** Assunto do qual o contexto trata |
|
|
**'context':** Texto que contém a resposta para a questão |
|
|
**'question':** Questão respondida por meio do contexto |
|
|
**'ans_start':** Posição inicial da resposta à questão |
|
|
**'text':** Resposta à questão |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
## Dataset Creation |
|
|
|
|
|
### Curation Rationale |
|
|
|
|
|
<!-- Motivation for the creation of this dataset. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
### Source Data |
|
|
|
|
|
Wikipedia |
|
|
|
|
|
#### Data Collection and Processing |
|
|
|
|
|
<!-- This section describes the data collection and processing process such as data selection criteria, filtering and normalization methods, tools and libraries used, etc. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
#### Who are the source data producers? |
|
|
|
|
|
<!-- This section describes the people or systems who originally created the data. It should also include self-reported demographic or identity information for the source data creators if this information is available. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
### Annotations [optional] |
|
|
|
|
|
<!-- If the dataset contains annotations which are not part of the initial data collection, use this section to describe them. --> |
|
|
|
|
|
#### Annotation process |
|
|
|
|
|
<!-- This section describes the annotation process such as annotation tools used in the process, the amount of data annotated, annotation guidelines provided to the annotators, interannotator statistics, annotation validation, etc. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
#### Who are the annotators? |
|
|
|
|
|
<!-- This section describes the people or systems who created the annotations. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
#### Personal and Sensitive Information |
|
|
|
|
|
<!-- State whether the dataset contains data that might be considered personal, sensitive, or private (e.g., data that reveals addresses, uniquely identifiable names or aliases, racial or ethnic origins, sexual orientations, religious beliefs, political opinions, financial or health data, etc.). If efforts were made to anonymize the data, describe the anonymization process. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
## Bias, Risks, and Limitations |
|
|
|
|
|
<!-- This section is meant to convey both technical and sociotechnical limitations. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
### Recommendations |
|
|
|
|
|
<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. --> |
|
|
|
|
|
Users should be made aware of the risks, biases and limitations of the dataset. More information needed for further recommendations. |
|
|
|
|
|
## Citation [optional] |
|
|
|
|
|
<!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. --> |
|
|
|
|
|
**BibTeX:** |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
**APA:** |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
## Glossary [optional] |
|
|
|
|
|
<!-- If relevant, include terms and calculations in this section that can help readers understand the dataset or dataset card. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
## More Information [optional] |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
## Dataset Card Authors [optional] |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
## Dataset Card Contact |
|
|
|
|
|
[More Information Needed] |
