metadata

language:
  - es
license:
  - cc-by-nc-sa-4.0
multilinguality:
  - monolingual
task_categories:
  - question-answering
  - text-retrieval
task_ids:
  - document-retrieval
  - extractive-qa
pretty_name: RAGMiscContextual
tags:
  - spanish
configs:
  - config_name: default
    data_files:
      - split: train
        path: data/train-*
dataset_info:
  features:
    - name: topic
      dtype: string
    - name: answer
      dtype: string
    - name: question
      dtype: string
    - name: variant
      dtype: string
    - name: context_1
      dtype: string
    - name: context_2
      dtype: string
    - name: context_3
      dtype: string
    - name: context_4
      dtype: string
    - name: context_5
      dtype: string
    - name: link_1
      dtype: string
    - name: link_2
      dtype: string
    - name: link_3
      dtype: string
    - name: link_4
      dtype: string
    - name: link_5
      dtype: string
    - name: text_1
      dtype: string
    - name: text_2
      dtype: string
    - name: text_3
      dtype: string
    - name: text_4
      dtype: string
    - name: text_5
      dtype: string
  splits:
    - name: train
      num_bytes: 6905998
      num_examples: 201
  download_size: 1012468
  dataset_size: 6905998

Retrieval-Question-Answering en castellano

Corpus realizados de forma manual por dos lingüistas computacionales. La metodología de corpus ha consistido en el acuerdo y diseño de las preguntas a realizar sobre los datos y la resolución de dudas. Las respuestas han sido escritas por cada anotador.

Columnas:

question: pregunta sobre los documentos. Hay 5 variantes disponibles que derivan hacia la misma respuesta.
answer: respuesta del sistema a cualquiera de las variantes.
context_i: contexto del documento i que se ha utilizado para responder a la pregunta en cualquiera de las variantes.
text_i: texto completo del documento i.
link_i: enlace del documento i.

Guía de uso

Para cargar el dataset:

from datasets import load_dataset
dataset = load_dataset("IIC/RAGMiscContextual")

Si se quiere tener todos los documentos en una única columna, se puede hacer lo siguiente:

dataset = dataset.map(
    lambda x : {
        "documents": {f"document_{i}":{"context":x[f"context_{i}"],"full_text":x[f"text_{i}"],"url":x[f"link_{i}"]}for i in range(1,6)}
    },
    remove_columns = sum([[f"context_{i}",f"text_{i}",f"link_{i}"] for i in range(1,6)],[])
)

De esta manera, generaremos una nueva columna dentro del dataset, formada por diccionarios con la siguiente estructura:

{
    "document_1" : {"context":"contenido del contexto.","full_text":"texto completo del enlace.","url":"enlace."},
    .
    .
    .
    "document_n" : {"context":"contenido del contexto.","full_text":"texto completo del enlace.","url":"enlace."},
}

En cada diccionario estará contenida la base de datos con todos los documentos.

Licencia

Este dataset está bajo la licencia de uso no comercial CC BY-NC-SA 4.0.