gigant/tib_002

--- dataset_info: features: - name: doi dtype: string - name: title dtype: string - name: url dtype: string - name: video_url dtype: string - name: license dtype: string - name: subject dtype: string - name: genre dtype: string - name: release_year dtype: string - name: author dtype: string - name: contributors dtype: string - name: abstract dtype: string - name: transcript dtype: string - name: transcript_segments sequence: - name: id dtype: int32 - name: seek dtype: int32 - name: start dtype: float32 - name: end dtype: float32 - name: text dtype: string - name: tokens sequence: int32 - name: temperature dtype: float32 - name: avg_logprob dtype: float32 - name: compression_ratio dtype: float32 - name: no_speech_prob dtype: float32 - name: keyframes sequence: - name: slide dtype: string - name: frames sequence: int32 - name: timestamp sequence: float32 - name: language dtype: string splits: - name: train num_bytes: 1011381643.8712058 num_examples: 8831 download_size: 486130872 dataset_size: 1011381643.8712058 --- # Dataset Card for "tib_002" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)数据集信息： 特征项： - 名称：数字对象标识符（Digital Object Identifier，DOI），数据类型：字符串 - 名称：标题，数据类型：字符串 - 名称：链接，数据类型：字符串 - 名称：视频链接，数据类型：字符串 - 名称：许可证，数据类型：字符串 - 名称：主题，数据类型：字符串 - 名称：体裁，数据类型：字符串 - 名称：发布年份，数据类型：字符串 - 名称：作者，数据类型：字符串 - 名称：贡献者，数据类型：字符串 - 名称：摘要，数据类型：字符串 - 名称：转录文本，数据类型：字符串 - 名称：转录片段（transcript_segments）： 序列结构： - 名称：编号，数据类型：32位整数 - 名称：查找位置，数据类型：32位整数 - 名称：起始时间，数据类型：32位浮点数 - 名称：结束时间，数据类型：32位浮点数 - 名称：文本内容，数据类型：字符串 - 名称：Token序列：整数类型序列 - 名称：温度参数，数据类型：32位浮点数 - 名称：平均对数概率，数据类型：32位浮点数 - 名称：压缩率，数据类型：32位浮点数 - 名称：无语音概率，数据类型：32位浮点数 - 名称：关键帧（keyframes）： 序列结构： - 名称：幻灯片，数据类型：字符串 - 名称：帧序列：整数类型序列 - 名称：时间戳序列：32位浮点数序列 - 名称：语言，数据类型：字符串 数据集划分： - 划分名称：训练集（train），字节大小：1011381643.8712058，样本数量：8831 下载大小：486130872 数据集总大小：1011381643.8712058 --- # "tib_002"数据集卡片 [更多信息待补充](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

数据集特征

• doi: 数据类型为字符串。
• title: 数据类型为字符串。
• url: 数据类型为字符串。
• video_url: 数据类型为字符串。
• license: 数据类型为字符串。
• subject: 数据类型为字符串。
• genre: 数据类型为字符串。
• release_year: 数据类型为字符串。
• author: 数据类型为字符串。
• contributors: 数据类型为字符串。
• abstract: 数据类型为字符串。
• transcript: 数据类型为字符串。
• transcript_segments: 序列类型，包含以下子特征：
  • id: 数据类型为int32。
  • seek: 数据类型为int32。
  • start: 数据类型为float32。
  • end: 数据类型为float32。
  • text: 数据类型为字符串。
  • tokens: 序列类型，数据类型为int32。
  • temperature: 数据类型为float32。
  • avg_logprob: 数据类型为float32。
  • compression_ratio: 数据类型为float32。
  • no_speech_prob: 数据类型为float32。
• keyframes: 序列类型，包含以下子特征：
  • slide: 数据类型为字符串。
  • frames: 序列类型，数据类型为int32。
  • timestamp: 序列类型，数据类型为float32。
• language: 数据类型为字符串。

数据集分割

• train:
  • 数据量: 1011381643.8712058字节。
  • 样本数量: 8831。

数据集大小

• 下载大小: 486130872字节。
• 数据集总大小: 1011381643.8712058字节。

搜集汇总

背景与挑战

背景概述

该数据集包含约8,831条记录，以parquet格式存储，主要收录2018年数学领域的学术讲座信息。每条记录包含讲座的标题、作者、摘要、转录文本、多媒体链接（如视频和幻灯片）以及元数据（如DOI和许可证），语言均为英语，适用于文本分析和学术研究。