HoundyWoundy/Scientific-dataset-on-articles-small

Scientific Dataset on Articles (Small) Это специализированный русскоязычный датасет небольшого объема (~1.5 тыс. строк), содержащий текстовую информацию, извлеченную из научных журналов по биологии (энтомология, арахнология, палеонтология), биографических очерков ученых-исследователей, а также дополненную тематическими материалами из открытых источников интернета.

Описание датасета Датасет спроектирован для задач извлечения знаний (Information Extraction), ответов на вопросы по научным текстам (QA), классификации и дообучения небольших языковых моделей на специфичный академический домен.

Ключевые характеристики: Размер: ~1,500 строк (объектов). Формат: .jsonl (JSON Lines), где каждая строка представляет собой валидный JSON-объект. Язык: Русский. Источники данных Датасет собран на основе оцифрованных материалов из узкоспециализированных научных публикаций, включая:

Биографические и мемориальные статьи об ученых:

Памяти А. В. Пономаренко (1926–2020) Памяти А. Н. Полтавского (1954–2020) Памяти А. Л. Лобанова (1940–2020) Памяти Б. В. Страдомского (1959–2019) Памяти Х. А. А. Алиева (1949–2019) Научные статьи по энтомологии и арахнологии (описания видов, фаунистические обзоры):

Исследования пауков (напр., Synaphosus shirin, фауна юга Европейской России, изменчивость окраски Mesobuthus eupeus). Таксономия и каталоги насекомых (жужелицы, жуки-стафилиниды, жуки-трясиgroup/Scirtidae, муравьи Dolichoderus, мухи Mascaromyia и Neurigona, хирономиды Средней Волги). Палеоэнтомологические находки (поздний эоцен). Рецензии на профильную литературу (напр., «Butterflies of the Levant»). Исправления, дополнения и контекстные выжимки научных трудов. Веб-допарсинг: Дополнительные контекстные данные, собранные из интернета для расширения и сглаживания распределения токенов в рамках указанных научных тематик