nbalepur/QG_vs_QA_AE

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: valid
path: data/valid-*
- split: test
path: data/test-*
dataset_info:
features:
- name: question
dtype: string
- name: entity
dtype: string
- name: answer
dtype: string
- name: label
dtype: int64
- name: model
dtype: string
- name: category
dtype: string
splits:
- name: train
num_bytes: 11684.8
num_examples: 64
- name: valid
num_bytes: 11684.8
num_examples: 64
- name: test
num_bytes: 210326.4
num_examples: 1152
download_size: 134807
dataset_size: 233696.0
---
# Dataset Card for "QG_vs_QA_AE"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
配置项:
- 配置名称: default
数据文件:
- 数据集拆分（split）: 训练集（train）, 路径: data/train-*
- 数据集拆分（split）: 验证集（valid）, 路径: data/valid-*
- 数据集拆分（split）: 测试集（test）, 路径: data/test-*
数据集信息:
特征字段:
- 字段名: question（问题）, 数据类型: string（字符串）
- 字段名: entity（实体）, 数据类型: string（字符串）
- 字段名: answer（答案）, 数据类型: string（字符串）
- 字段名: label（标签）, 数据类型: int64（64位整型）
- 字段名: model（模型）, 数据类型: string（字符串）
- 字段名: category（类别）, 数据类型: string（字符串）
数据集拆分详情:
- 名称: train, 字节数: 11684.8, 样本数量: 64
- 名称: valid, 字节数: 11684.8, 样本数量: 64
- 名称: test, 字节数: 210326.4, 样本数量: 1152
下载大小: 134807
数据集总大小: 233696.0
---
# 「QG_vs_QA_AE」数据集卡片
[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集名称

• QG_vs_QA_AE

数据集配置

• 默认配置

数据文件路径

• 训练集: data/train-*
• 验证集: data/valid-*
• 测试集: data/test-*

数据集特征

• 特征名称: question
  • 数据类型: string
• 特征名称: entity
  • 数据类型: string
• 特征名称: answer
  • 数据类型: string
• 特征名称: label
  • 数据类型: int64
• 特征名称: model
  • 数据类型: string
• 特征名称: category
  • 数据类型: string

数据集分割

• 训练集
  • 字节数: 11684.8
  • 样本数: 64
• 验证集
  • 字节数: 11684.8
  • 样本数: 64
• 测试集
  • 字节数: 210326.4
  • 样本数: 1152

数据集大小

• 下载大小: 134807
• 数据集总大小: 233696.0

搜集汇总

数据集介绍

构建方式

在自然语言处理领域，问题生成（QG）与问答（QA）任务之间的关联性一直是研究热点。本数据集nbalepur/QG_vs_QA_AE旨在探究两种任务在自动评估（AE）中的差异与一致性。数据集构建基于多源文本语料，通过抽取实体与问题对，并利用不同模型生成答案，形成涵盖问题、实体、答案、标签、模型及类别的结构化样本。数据被划分为训练集、验证集和测试集，其中训练与验证集各含64条示例，测试集包含1152条示例，确保了模型评估的充分性。

特点

该数据集的核心特点在于其多维度标注结构，每条记录包含问题（question）、实体（entity）、答案（answer）及标签（label）等字段，标签以整数形式标记任务类型，便于分类研究。此外，模型（model）与类别（category）字段记录了生成来源与语义分类，为分析不同模型在QG与QA任务上的表现提供了细粒度视角。数据集规模适中，测试集样本量显著大于训练集，适合用于对比实验与泛化能力验证。

使用方法

使用该数据集时，可直接通过HuggingFace Datasets库加载，指定配置名为‘default’即可获取训练、验证与测试三个子集。数据以parquet格式存储，支持高效读取与批处理。研究者可基于‘question’和‘answer’字段构建输入序列，利用‘label’字段进行二分类或多任务学习。建议在模型训练前对文本进行分词与清洗，并根据‘model’字段筛选特定生成器数据，以开展针对性分析。

背景与挑战

背景概述

在自然语言处理领域，问题生成与问答系统作为两大核心任务，其协同演化深刻影响着机器对语义理解的边界。nbalepur/QG_vs_QA_AE数据集由研究团队于近期构建，旨在探究问题生成与问答对抗性样本之间的内在关联，核心研究问题聚焦于如何通过生成对抗性样本来提升问答模型的鲁棒性。该数据集包含训练、验证和测试三个子集，其中测试集规模显著，涵盖问题、实体、答案及标签等多元特征，为评估模型在复杂语义场景下的表现提供了标准化基准。其发布不仅推动了对抗性学习在问答系统中的实证研究，也为后续开发更鲁棒的自然语言理解模型奠定了数据基础。

当前挑战

该数据集所解决的领域挑战在于问答系统面对对抗性扰动时的脆弱性，即模型在微小语义变化下可能输出错误答案，这严重制约了其在关键应用中的可靠性。数据集构建过程中面临多重困难：首先，需要设计能够自然模拟人类语言变异的问题生成策略，避免人工构造的痕迹；其次，确保生成的对抗性样本既具有挑战性又不失语义合法性，平衡扰动强度与可理解性；最后，跨类别标注的准确性依赖于精细的实体与答案对齐，这要求对语言歧义性有深入理解，从而在有限样本量下达成高标注一致性。

常用场景

经典使用场景

在自然语言处理领域，问题生成（QG）与问答（QA）系统的协同演化一直是研究热点。nbalepur/QG_vs_QA_AE数据集以其精细的标注结构，为探究两种任务在对抗性环境下的表现提供了理想平台。该数据集最经典的使用场景是评估和对比不同模型在问题生成与回答任务上的鲁棒性，通过精心设计的样本，研究者可以深入分析模型在面对复杂实体和多样化提问策略时的行为差异。

衍生相关工作

围绕此数据集，学术界已衍生出多项具有影响力的工作。研究者基于其对抗性框架，提出了新型鲁棒训练策略，如对抗性数据增强和判别式损失函数设计。同时，该数据集促进了跨任务迁移学习的研究，使得问题生成与问答模型能够相互增强。此外，它催生了针对实体级对抗样本的专门检测方法，为构建更安全的语言模型奠定了基础。

数据集最近研究

最新研究方向

在自然语言处理领域，问答系统与问题生成任务之间的协同演化已成为前沿热点，而QG_vs_QA_AE数据集则聚焦于探索两者在对抗性环境下的交互机制。该数据集通过精心构建的64个训练样本和1152个测试样本，涵盖了问题、实体、答案及模型标签等多维特征，为研究问题生成模型与问答模型之间的对抗性学习提供了独特的实验平台。当前，该数据集被广泛应用于评估模型在噪声干扰下的鲁棒性，特别是在对抗性样本生成与防御策略的研究中，其细粒度的标签体系（如模型类型与类别划分）使得研究者能够深入剖析不同架构（如Transformer变体）在问答一致性上的表现差异。这一方向不仅推动了对抗性训练在NLP中的理论发展，也为提升智能问答系统在真实场景中的可靠性提供了关键基准。