bigbio/biology_how_why_corpus

---
language:
- en
bigbio_language:
- English
license: unknown
multilinguality: monolingual
bigbio_license_shortname: UNKNOWN
pretty_name: BiologyHowWhyCorpus
homepage: https://allenai.org/data/biology-how-why-corpus
bigbio_pubmed: False
bigbio_public: True
bigbio_tasks:
- QUESTION_ANSWERING
---

# Dataset Card for BiologyHowWhyCorpus

## Dataset Description

- **Homepage:** https://allenai.org/data/biology-how-why-corpus
- **Pubmed:** False
- **Public:** True
- **Tasks:** QA

This dataset consists of 185 "how" and 193 "why" biology questions authored by a domain expert, with one or more gold
answer passages identified in an undergraduate textbook. The expert was not constrained in any way during the
annotation process, so gold answers might be smaller than a paragraph or span multiple paragraphs. This dataset was
used for the question-answering system described in the paper “Discourse Complements Lexical Semantics for Non-factoid
Answer Reranking” (ACL 2014).

## Citation Information

```
@inproceedings{jansen-etal-2014-discourse,
title = "Discourse Complements Lexical Semantics for Non-factoid Answer Reranking",
author = "Jansen, Peter and
Surdeanu, Mihai and
Clark, Peter",
booktitle = "Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)",
month = jun,
year = "2014",
address = "Baltimore, Maryland",
publisher = "Association for Computational Linguistics",
url = "https://aclanthology.org/P14-1092",
doi = "10.3115/v1/P14-1092",
pages = "977--986",
}

```

---
language: 英语
bigbio_language: 英语
license: 未知
multilinguality: 单语言
bigbio_license_shortname: UNKNOWN
pretty_name: BiologyHowWhyCorpus
homepage: https://allenai.org/data/biology-how-why-corpus
bigbio_pubmed: 否
bigbio_public: 是
bigbio_tasks: 问答（QUESTION_ANSWERING）
---

# BiologyHowWhyCorpus数据集卡片

## 数据集概述

- **主页:** https://allenai.org/data/biology-how-why-corpus
- **关联PubMed:** 否
- **公开状态:** 是
- **任务:** 问答（QA）

本数据集包含185个“如何”类与193个“为何”类生物学问题，均由领域专家撰写，且每个问题均配有从本科生物学教材中标注得到的一条或多条标准答案段落。标注过程未对专家施加任何限制，因此标准答案段落可短至不足一个自然段，或横跨多个自然段。本数据集曾被用于ACL 2014会议论文《话语补充词汇语义学用于非事实类答案重排序》中所描述的问答系统。

## 引用信息

@inproceedings{jansen-etal-2014-discourse,
title = "话语补充词汇语义学用于非事实类答案重排序",
author = "Jansen, Peter and
Surdeanu, Mihai and
Clark, Peter",
booktitle = "第52届国际计算语言学协会（ACL）年会论文集（第1卷：长论文）",
month = jun,
year = "2014",
address = "美国马里兰州巴尔的摩市",
publisher = "国际计算语言学协会（ACL）",
url = "https://aclanthology.org/P14-1092",
doi = "10.3115/v1/P14-1092",
pages = "977--986",
}

原始信息汇总

数据集概述

• 名称: BiologyHowWhyCorpus
• 语言: 英语
• 许可证: 未知
• 多语言性: 单语
• 任务: 问答（QA）

数据集详情

• 主页: https://allenai.org/data/biology-how-why-corpus
• 是否公开: 是
• 是否包含Pubmed数据: 否

数据内容

• 包含185个“如何”和193个“为什么”的生物学问题，由领域专家编写。
• 每个问题至少有一个黄金答案段落，这些答案段落来自一本本科生教科书。
• 黄金答案可能短于一个段落或跨越多个段落。

引用信息

@inproceedings{jansen-etal-2014-discourse, title = "Discourse Complements Lexical Semantics for Non-factoid Answer Reranking", author = "Jansen, Peter and Surdeanu, Mihai and Clark, Peter", booktitle = "Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)", month = jun, year = "2014", address = "Baltimore, Maryland", publisher = "Association for Computational Linguistics", url = "https://aclanthology.org/P14-1092", doi = "10.3115/v1/P14-1092", pages = "977--986", }

搜集汇总

数据集介绍

构建方式

该数据集由领域专家精心构建，聚焦于生物学领域的“如何”与“为何”两类非事实性问题。专家共撰写了185个“如何”类问题与193个“为何”类问题，并在一本本科生物学教材中标注出对应的黄金答案段落。标注过程中，专家未受任何约束，因此答案长度灵活，可能短于一个段落，亦可能跨越多个段落，充分体现了自然语言问答的复杂性与多样性。

特点

数据集以非事实性问答为核心，区别于传统的事实型问答数据集，强调对过程与原因的深层理解。其问题由领域专家原创，答案源自权威教材，确保了专业性与准确性。此外，答案的标注方式不拘泥于固定长度，能够捕捉到教科书中连贯的语义单元，为研究复杂问答系统中的篇章推理与语义互补提供了宝贵资源。

使用方法

该数据集适用于训练与评估非事实性问答系统，尤其适合研究如何利用篇章结构信息来提升答案重排序的性能。用户可将问题作为输入，利用模型在教材文本中检索或生成答案，并通过与专家标注的黄金答案对比进行评测。数据集已集成至BigBio平台，便于通过HuggingFace Datasets库加载，支持直接用于问答任务的微调与评估。

背景与挑战

背景概述

在自然语言处理与生物医学信息检索的交叉领域中，复杂问题回答（Complex Question Answering）始终面临深层语义理解的瓶颈。BiologyHowWhyCorpus数据集由艾伦人工智能研究所（Allen Institute for AI）的研究人员Peter Jansen、Mihai Surdeanu和Peter Clark于2014年创建，旨在探索非事实型（non-factoid）生物学问题的答案重排序机制。该数据集包含185个“如何”与193个“为什么”类问题，均由领域专家精心编写，并在本科生物学教科书中标注出对应的黄金答案段落。其核心研究问题在于如何利用语篇结构与词汇语义的互补性，提升对因果、机制类问题的回答精度。该数据集因在ACL 2014会议上发表的论文《Discourse Complements Lexical Semantics for Non-factoid Answer Reranking》而闻名，为后续基于语篇的问答系统研究奠定了重要基准，推动了生物医学领域知识推理与信息抽取的进展。

当前挑战

当前BiologyHowWhyCorpus数据集面临的挑战主要体现在两个层面。首先，在领域问题层面，非事实型问答需要模型不仅理解表面语义，更要捕捉复杂的因果关系与过程机制，这对传统基于统计匹配的问答系统构成了根本性困难。其次，在数据集构建过程中，专家标注的黄金答案段落长度不一，可能短于一个段落或横跨多个段落，这种非结构化标注增加了模型训练时对齐问题与答案的难度。此外，数据集规模较小（仅378个问答对），限制了深度学习模型充分学习复杂语义模式的能力，易导致过拟合。最后，由于数据集仅涵盖本科生物学教材内容，其领域特异性强，跨领域迁移性不足，进一步加剧了模型在实际生物医学应用中泛化能力的挑战。

常用场景

经典使用场景

在自然语言处理与生物医学文本挖掘的交叉领域中，BiologyHowWhyCorpus数据集以精巧的规模承载着深层语义理解的挑战。它由185个“如何”与193个“为何”类生物学问题构成，所有问题均由领域专家精心设计，并在大学本科生物学教材中标注出对应的黄金答案段落。这些答案的粒度不拘一格，可能短于一个段落或跨越多个段落，精准反映了非事实性问答中答案边界的模糊性与多样性。该数据集最经典的使用场景，是作为非事实性问答系统的评测基准，尤其适用于评估模型在复杂因果与过程性知识检索中的表现。其独特的问题类型设计，使得研究者能够深入探讨话语结构与词汇语义如何协同作用于答案重排序，从而推动从简单事实抽取向深层次理解推理的范式转型。

衍生相关工作

围绕BiologyHowWhyCorpus衍生出的经典工作，主要集中在非事实性答案重排序与话语分析两个方向。其奠基性论文《Discourse Complements Lexical Semantics for Non-factoid Answer Reranking》（ACL 2014）首次提出将话语关系特征融入排序模型，开创了利用篇章结构增强语义匹配的先河。后续研究在此基础上扩展了多模态特征融合，例如结合图神经网络建模段落间的逻辑依赖。另有工作将该数据集与生物医学本体知识结合，探索了外部知识库如何补偿数据稀疏性问题。此外，随着预训练语言模型的兴起，研究者利用该数据集检验了BERT等模型在过程性问答上的零样本与微调能力，揭示了当前模型在因果推理链条上的薄弱环节，从而催生了针对性的对抗训练与知识增强策略。

数据集最近研究

最新研究方向

在自然语言处理与生物学教育交叉的前沿领域，BiologyHowWhyCorpus数据集聚焦于非事实型问答（Non-factoid QA）的深度语义理解，其独特之处在于收录了由领域专家撰写的“如何”与“为什么”两类生物学问题，并标注了大学教材中的完整答案段落。该数据集推动了从简单事实检索向复杂因果推理的范式转变，其研究热点集中于利用话语结构（Discourse Structure）与词汇语义（Lexical Semantics）的互补机制来优化答案重排序（Answer Reranking）。近期工作进一步探索了将预训练语言模型（如BERT、T5）与领域本体知识相结合的方法，以处理需要跨段落整合与逻辑链构建的深层问题。这一方向不仅提升了生物医学问答系统的可解释性，还为构建能够支持科学探究式学习的智能辅导系统奠定了关键基础，呼应了当前AI教育中强调高阶思维培养的迫切需求。