--- language: - es license: - cc-by-nc-sa-4.0 multilinguality: - monolingual task_categories: - question-answering - text-retrieval task_ids: - document-retrieval - extractive-qa pretty_name: RAGMiscContextual tags: - spanish configs: - config_name: default data_files: - split: train path: data/train-* dataset_info: features: - name: topic dtype: string - name: answer dtype: string - name: question dtype: string - name: variant dtype: string - name: context_1 dtype: string - name: context_2 dtype: string - name: context_3 dtype: string - name: context_4 dtype: string - name: context_5 dtype: string - name: link_1 dtype: string - name: link_2 dtype: string - name: link_3 dtype: string - name: link_4 dtype: string - name: link_5 dtype: string - name: text_1 dtype: string - name: text_2 dtype: string - name: text_3 dtype: string - name: text_4 dtype: string - name: text_5 dtype: string splits: - name: train num_bytes: 6905998 num_examples: 201 download_size: 1015578 dataset_size: 6905998 --- # Retrieval-Augmented-Generation and Queston-Answering in Spanish (RagQuAS) Dataset ## Table of Contents - [Dataset Card Creation Guide](#dataset-card-creation-guide) - [Table of Contents](#table-of-contents) - [Dataset Description](#dataset-description) - [Dataset Summary](#dataset-summary) - [Dataset Structure](#dataset-structure) - [Data Instances](#data-instances) - [Data Fields](#data-fields) - [Data Splits](#data-splits) - [Dataset Creation](#dataset-creation) - [Curation Rationale](#curation-rationale) - [Source Data](#source-data) - [Initial Data Collection and Normalization](#initial-data-collection-and-normalization) - [Who are the source language producers?](#who-are-the-source-language-producers) - [Annotations](#annotations) - [Annotation process](#annotation-process) - [Who are the annotators?](#who-are-the-annotators) - [Personal and Sensitive Information](#personal-and-sensitive-information) - [Considerations for Using the Data](#considerations-for-using-the-data) - [Social Impact of Dataset](#social-impact-of-dataset) - [Discussion of Biases](#discussion-of-biases) - [Other Known Limitations](#other-known-limitations) - [Additional Information](#additional-information) - [Dataset Curators](#dataset-curators) - [Licensing Information](#licensing-information) - [Citation Information](#citation-information) - [Contributions](#contributions) ## Dataset Description - **Leaderboard:** [Leaderboard Somos600M]() - - **Point of Contact:** [Instituto de Ingeniería del Conocimiento](contacto.iic@iic.uam.es) ### Dataset Summary RagQuAS es un dataset de alta calidad con ejemplos en una gran cantidad de dominios: Hobbies, Lingüística, Mascotas, Salud, astronomía, atención al cliente, coches, cotidiano, documentación, energía, esquí, estafas, gastronomía, hobbies, idiomas, juegos, lenguaje, manicura, música, patinaje, primeros auxilios, receta, reciclaje, reclamaciones, seguros, tenis, transporte, turismo, veterinaria, viajes, yoga. ### Supported Tasks and Leaderboards Está diseñado para evaluar un sistema de RAG al completo. ### Languages Castellano (BCP-47 es). ## Dataset Structure ### Data Instances Las instancias de este dataset tienen la siguiente estructura: | topic | answer | question | variant | context_1 | context_2 | context_3 | context_4 | context_5 | link_1 | link_2 | link_3 | link_4 | link_5 | text_1 | text_3 | text_4 | text_5 | |:--------------|:--------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------|:-----------|:---------------------------|:-------------------------------------|:---------------------------------------------------|:------------|:------------|:-----------------------------------------------------------------------------------------|:-----------------------------------------------|:-----------------------------------------------------|:---------|:---------|:----------------------------------|:-------------------------------------------|:---------|:---------| | reclamaciones | La opción más fácil y eficaz para reclamar una indemnización por retraso de vuelo en Europa es... | ¿Cuál es la forma más fácil de reclamar cuando un vuelo que sale de España se ha retrasado? | question_1 | #1. Airhelp. La empresa... | En AirHelp hemos ayudado a más de... | MYFLYRIGHT, expertos en derechos de los viajero... | | | https://www.businessinsider.es/mejores-paginas-reclamar-vuelo-cancelado-retrasado-804901 | https://www.airhelp.com/es/retrasos-de-vuelos/ | https://myflyright.com/es/servicios/vuelo-retrasado/ | | | 5 páginas donde poder reclamar... | Indemnización retraso vuelo. Navegación... | | | ### Data Fields - **topic:** el dominio sobre el que trata el ejemplo. - **question:** pregunta sobre los documentos. - **variant:** un indicador de la variante de la pregunta. Cuando dos respuestas "answer" son iguales, quiere decir que ambas filas en el corpus representan la misma consulta, pero formulada con una naturaleza diferente. - **answer:** respuesta del sistema a cualquiera de las variantes. - **context_i:** contexto del documento i que se ha utilizado para responder a la pregunta en cualquiera de las variantes. - **text_i:** texto completo del documento i. - **link_i:** enlace del documento i. ### Data Splits El dataset no está dividido en train, validation y test porque está diseñado para evaluar. | | train | |-------------------------|------:| | Input Sentences | 201 | ## Dataset Creation ### Curation Rationale Los sistemas de RAG son una estructura compleja que involucran la colaboración de varios modelos de inteligencia artificial. Contar con datasets que evaluan dichos sistemas en conjunto es muy valioso a la hora de medir la eficacia en su conjunto. ### Source Data Los datos se crearon a partir de texto simple extraído de la web, con información de los distintos dominios. #### Initial Data Collection and Normalization Para la recolección de los datos se hizo una selección de los textos a partir los dominios elegidos, a los que posteriormente se diseñaron una serie de preguntas, con diferentes variantes, y se seleccionaron los contextos con la información relevante para responder a cada pregunta. #### Who are the source language producers? Todo el corpus ha sido generado y revisado por humanos. ### Annotations La guía de anotación consistió en generar pares de pregunta-respuesta dado un documento y encontrar la información relevante dentro de ellos para obtener los contextos. #### Annotation process La metodología de corpus ha consistido en el acuerdo y diseño de las preguntas a realizar sobre los datos y la resolución de dudas. #### Who are the annotators? Corpus realizados de forma manual por dos lingüistas computacionales. Las respuestas han sido escritas por cada anotador. ### Personal and Sensitive Information El dataset está libre de información personal y sensible. ## Considerations for Using the Data ### Social Impact of Dataset Crear corpus de calidad en castellano es de vital importancia si queremos que la inteligencia artificial de dicho idioma esté a la altura del inglés. La donación de corpus de alta calidad con tareas y dominios variados es lo más relevante a la hora de lograr este objetivo. ### Discussion of Biases No se ha hecho un análisis de sesgo, por lo que pueden existir algunos sesgos a causa del origen del que provienen los contextos seleccionados. ### Other Known Limitations [N/A] ## Additional Information ### Dataset Curators [Instituto de Ingeniería del Conocimiento](https://www.iic.uam.es/iic/) (IIC). ### Licensing Information Este dataset está bajo la licencia de uso no comercial [CC BY-NC-SA 4.0](https://creativecommons.org/licenses/by-nc-sa/4.0/). ### Citation Information ``` @misc {Instituto de Ingeniería del Conocimiento (IIC), author = { {Instituto de Ingeniería del Conocimiento} }, title = { Retrieval-Augmented-Generation and Queston-Answering in Spanish (RagQuAS) Dataset }, year = 2024, url = { https://huggingface.co/datasets/IIC/RagQuAS }, doi = { 10.57967/hf/2044 }, publisher = { Hugging Face } } ``` ### Contributions Gracias a [@mariagrandury](https://huggingface.co/mariagrandury) por darnos la oportunidad de participar en la creación de un corpus de instrucciones en castellano y lenguas cooficiales para potenciar los modelos de inteligencia artificial en estos idiomas tan ricos, variados y de tanta relevancia.