vinhtran2611/allenai_scirepeval

---
dataset_info:
features:
- name: doc_id
dtype: string
- name: doi
dtype: string
- name: corpus_id
dtype: uint64
- name: title
dtype: string
- name: abstract
dtype: string
- name: label
dtype: uint32
- name: venue
dtype: string
- name: n_citations
dtype: int32
- name: log_citations
dtype: float32
- name: labels
sequence: int32
- name: labels_text
sequence: string
- name: mag_id
dtype: uint64
- name: descriptor
dtype: string
- name: qualifier
dtype: string
- name: rating
sequence: int32
- name: confidence
dtype: string
- name: authors
sequence: string
- name: decision
dtype: string
- name: mean_rating
dtype: float32
- name: hIndex
sequence: string
- name: year
dtype: int32
- name: norm_year
dtype: float32
- name: scaled_year
dtype: float32
- name: n_authors
dtype: int32
- name: norm_authors
dtype: float32
- name: cited_by
sequence: string
- name: references
sequence: string
- name: index
dtype: int32
- name: retweets
dtype: float32
- name: count
dtype: int32
- name: mentions
dtype: float32
splits:
- name: train
num_bytes: 8476546.28927759
num_examples: 5616
download_size: 4299112
dataset_size: 8476546.28927759
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "allenai_scirepeval"

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

数据集信息：
特征字段：
- 文档ID（doc_id）：字符串型
- 数字对象标识符（DOI）：字符串型
- 语料库ID（corpus_id）：无符号64位整数型
- 标题：字符串型
- 摘要：字符串型
- 单标签：无符号32位整数型
- 发表载体：字符串型
- 被引频次：有符号32位整数型
- 被引频次对数值：单精度浮点型
- 多标签序列（元素类型为int32）：int32序列
- 文本标签序列：字符串序列
- 学术图谱ID（mag_id）：无符号64位整数型
- 描述符：字符串型
- 限定符：字符串型
- 评分序列：int32序列
- 置信度：字符串型
- 作者序列：字符串序列
- 审稿决定：字符串型
- 平均评分：单精度浮点型
- h指数序列：字符串序列
- 发表年份：有符号32位整数型
- 标准化年份：单精度浮点型
- 缩放年份：单精度浮点型
- 作者总数：有符号32位整数型
- 标准化作者数：单精度浮点型
- 被引文献序列：字符串序列
- 参考文献序列：字符串序列
- 索引：有符号32位整数型
- 转发量：单精度浮点型
- 计数：有符号32位整数型
- 提及量：单精度浮点型
数据划分：
- 训练集：字节大小为8476546.28927759，样本数量为5616
下载大小：4299112
数据集总大小：8476546.28927759
配置项：
- 配置名称：default（默认配置）
数据文件：
- 划分方式：训练集
路径：data/train-*

# 「allenai_scirepeval」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

• 数据集名称：allenai_scirepeval

数据集特征

• doc_id: 字符串类型
• doi: 字符串类型
• corpus_id: 无符号64位整数类型
• title: 字符串类型
• abstract: 字符串类型
• label: 无符号32位整数类型
• venue: 字符串类型
• n_citations: 32位整数类型
• log_citations: 32位浮点数类型
• labels: 序列，32位整数类型
• labels_text: 序列，字符串类型
• mag_id: 无符号64位整数类型
• descriptor: 字符串类型
• qualifier: 字符串类型
• rating: 序列，32位整数类型
• confidence: 字符串类型
• authors: 序列，字符串类型
• decision: 字符串类型
• mean_rating: 32位浮点数类型
• hIndex: 序列，字符串类型
• year: 32位整数类型
• norm_year: 32位浮点数类型
• scaled_year: 32位浮点数类型
• n_authors: 32位整数类型
• norm_authors: 32位浮点数类型
• cited_by: 序列，字符串类型
• references: 序列，字符串类型
• index: 32位整数类型
• retweets: 32位浮点数类型
• count: 32位整数类型
• mentions: 32位浮点数类型

数据集分割

• train:
  • 数据大小: 8476546.28927759字节
  • 示例数量: 5616

数据集大小

• 下载大小: 4299112字节
• 数据集大小: 8476546.28927759字节

配置

• config_name: default
  • data_files:
    • split: train
      • path: data/train-*

搜集汇总

数据集介绍

构建方式

在科学文献计量学与学术影响力评估领域，vinhtran2611/allenai_scirepeval数据集应运而生。其构建基于对海量学术论文元数据的系统化整合，每条记录均包含文档标识符、数字对象唯一标识符、语料库编号、标题与摘要等核心字段。通过引入标签体系，数据集将论文的语义描述符、限定符以及人工评定的置信度与决策结果进行结构化编码。此外，引用网络特征如被引次数、对数变换后的引用量、参考文献列表及施引文献集合被纳入，同时融合了作者数量、归一化后的作者指标与H指数等学术生产力维度。社交媒体传播指标如转发量与提及次数也被收录，从而构建了一个多维度的学术论文评估基准。

特点

该数据集的核心特色在于其多层次、跨维度的特征设计。它不仅涵盖了传统文献计量学中的引用频次与影响力指标，还创新性地引入了归一化时间尺度与作者规模，以消除年代与合著规模带来的偏差。标签字段通过序列化形式存储了细粒度的语义分类，而评分与平均评分则提供了量化评价的连续视角。尤为突出的是，数据集同时整合了学术社交网络信号（如转发量）与传统引文网络，使得论文影响力的衡量不再局限于学术圈内部。这种融合使得数据集在预测论文未来影响力、识别新兴研究趋势等任务中展现出独特优势。

使用方法

该数据集以HuggingFace Datasets库的标准格式发布，用户可通过加载默认配置直接使用。数据仅包含训练集划分，共5616条样本，每条样本包含34个字段，支持如文本分类、回归预测及图神经网络等多种机器学习任务。研究者可利用标题与摘要构建文本特征，结合标签与评分进行监督学习；引用网络与作者信息可构建图结构用于节点分类或链接预测；社交媒体指标则可作为额外特征提升模型泛化能力。数据以Parquet格式存储，支持高效读取与分布式处理，适用于学术影响力预测、论文推荐系统及科学计量学分析等场景。

背景与挑战

背景概述

在科学文献计量学与自然语言处理交叉领域，学术论文的影响力评估一直是研究热点。vinhtran2611/allenai_scirepeval数据集由Allen人工智能研究所（AI2）主导创建，其核心研究问题在于如何通过多维度特征（如引用次数、作者H指数、社会关注度等）对学术论文进行细粒度的质量评级。该数据集整合了来自Semantic Scholar的论文元数据与人工标注的评审意见，覆盖了计算机科学等多个学科领域。自发布以来，它已成为学术影响力预测、论文推荐系统及科学知识图谱构建等方向的重要基准资源，推动了从单纯依赖引用量到融合多模态指标的评估范式转变。

当前挑战

该数据集面临的挑战首先体现在领域问题层面：学术论文影响力评估本身具有主观性与时效性，传统基于引用次数的单一指标难以全面反映论文质量，而数据集中包含的评审评分、社会关注度等异质性特征如何有效融合并建模，仍是亟待解决的难题。在构建过程中，挑战则集中于数据清洗与标注一致性——不同学科、不同会议的评审标准差异显著，导致标签分布存在偏差；此外，从海量学术文献中提取结构化元数据（如作者序列、引用网络）时，存在实体消歧与信息缺失问题，例如部分论文缺乏DOI或作者H指数，需通过复杂规则进行补全，这增加了数据质量控制的难度。

常用场景

经典使用场景

在科学文献计量学与自然语言处理交叉领域，vinhtran2611/allenai_scirepeval数据集被广泛用于学术论文影响力评估与预测任务。该数据集汇聚了来自多学科领域的学术论文元数据，包括引用次数、作者信息、发表年份、期刊来源及社交媒体提及量等结构化特征，为构建论文影响力回归模型提供了标准化的训练与测试基准。研究者通常利用其丰富的标签体系与多维度特征，开展基于深度学习的学术成果质量预测研究。

衍生相关工作

基于该数据集已衍生出一系列具有影响力的学术工作。例如，研究者利用其多模态特征开发了基于图神经网络的论文影响力预测模型，将引用网络结构与文本语义特征进行深度融合；另有工作探索了基于注意力机制的时序影响力建模方法，通过论文发表初期的社交传播数据预测长期学术关注度。这些衍生研究不仅验证了数据集在学术影响力分析领域的基准价值，还促进了跨学科评估方法论的发展。

数据集最近研究

最新研究方向

在学术影响力评估与科学计量学的前沿领域，vinhtran2611/allenai_scirepeval数据集正成为研究论文质量与影响力预测的重要基石。该数据集整合了论文元数据、引用网络、作者特征及社交媒体提及等多维度信息，为探索科学文献的传播规律与学术评价体系提供了丰富的数据支撑。当前研究热点聚焦于利用深度学习模型，如基于Transformer的架构，从标题、摘要及标签中提取语义特征，结合引用次数、H指数等结构化指标，以更精准地预测论文的长期影响力或评审决策。此外，该数据集在分析跨学科引用模式、识别新兴研究趋势以及评估科研产出公平性方面展现出巨大潜力，其多标签与序列化特征使得细粒度的影响力分类成为可能，推动了科学计量学从传统统计向智能化、可解释性方向的演进。