ihounie/when2call_imbalanced_refusal

---
pretty_name: when2call_imbalanced_refusal
configs:
- config_name: train_pref
data_files:
- split: train
path: train-*
license: mit
language:
- en
tags:
- when2call
- preference-dataset
- class-imbalance
- synthetic-sampling
size_categories:
- 1K<n<10K
---

# when2call_imbalanced_refusal

This dataset is derived from `nvidia/When2Call` (`train_pref`, `train` split) by downsampling one chosen-response category to ~50% while keeping all other rows.

## Source

- Dataset: `nvidia/When2Call`
- Config: `train_pref`
- Split: `train`
- Source rows: 9000

## Classification Rules (on `chosen_response`)

Categories are assigned in this precedence order:

1. `toolcall` if text contains `<TOOLCALL>` (case-insensitive)
2. `request` if text contains `?`
3. `request` if text contains one of:
- `To proceed,`
- `Please provide`
- `Please specify`
(case-insensitive)
4. `refusal` if text contains one of:
- `apologies`
- `apologize`
- `sorry`
- `I'm unable` (including escaped/quoted variants)
- `I'm afraid`
(case-insensitive)
5. otherwise `unk`

## Sampling Procedure

- Target minority class: `refusal`
- Keep ratio for target class: 50% (floor when odd)
- Random seed: 42
- Other classes: all rows kept

## Class Counts (chosen_response)

### Before sampling

- refusal: 2999
- toolcall: 3000
- request: 3001
- unk: 0

### After sampling

- refusal: 1499
- toolcall: 3000
- request: 3001
- unk: 0

## Rows

- Final rows: 7500

## Notes

- The schema/columns match the source `train_pref` split format.
- This repo contains only the `train_pref`/`train` data.

pretty_name: when2call_imbalanced_refusal
configs:
- config_name: train_pref
data_files:
- split: train
path: train-*
license: MIT许可证
language:
- en
tags:
- when2call
- preference-dataset
- class-imbalance
- synthetic-sampling
size_categories:
- 1K<n<10K

# when2call_imbalanced_refusal

本数据集源自英伟达（NVIDIA）开源的`nvidia/When2Call`数据集的`train_pref`训练划分集，通过将某一选定的响应类别下采样至约50%，同时保留其余所有样本行得到。

## 来源
- 源数据集：`nvidia/When2Call`
- 配置：`train_pref`
- 划分集：训练集（train）
- 源样本行数：9000

## 分类规则（针对`chosen_response`字段）
分类优先级如下：
1. 若文本包含`<TOOLCALL>`（不区分大小写），则归类为工具调用（toolcall）
2. 若文本包含问号`?`，则归类为请求（request）
3. 若文本包含以下任意字符串（不区分大小写），则归类为请求（request）：
- `To proceed,`
- `Please provide`
- `Please specify`
4. 若文本包含以下任意字符串（不区分大小写，包含转义/引号变体），则归类为拒绝（refusal）：
- `apologies`
- `apologize`
- `sorry`
- `I'm unable`
- `I'm afraid`
5. 其余情况归类为未知（unk）

## 采样流程
- 目标少数类：拒绝
- 目标类别保留比例：50%（奇数时向下取整）
- 随机种子：42
- 其余类别：保留全部样本行

## 各类别样本量（基于`chosen_response`字段）
### 采样前
- 拒绝：2999
- 工具调用：3000
- 请求：3001
- 未知：0

### 采样后
- 拒绝：1499
- 工具调用：3000
- 请求：3001
- 未知：0

## 样本行统计
- 最终样本行数：7500

## 备注
- 数据集的模式（schema）与列结构与源数据集的`train_pref`划分集保持一致。
- 本仓库仅包含`train_pref`/`train`划分集的数据。