Datasetpublic

JulianVelandia/unal-repository-dataset-alternative-format

Título: Metadatos y Contenido de Tesis del Repositorio UNALDescripción: Este dataset contiene información estructurada y texto extraído de 1910 tesis del repositorio de la Universidad Nacional de Colombia. Incluye datos como el autor, asesor, fecha de emisión, descripción, título, programa académico, facultad y el contenido textual (cuando está disponible). Columnas: URI: Ruta única del PDF en el repositorio UNAL. advisor: Nombre del asesor de la tesis. author: Nombre del autor de la… See the full description on the dataset page: https://huggingface.co/datasets/JulianVelandia/unal-repository-dataset-alternative-format.

sourceHugging Faceapache-2.0updated 2y agoView on Hugging Face

0likes15downloads

Dataset Card

Título: Metadatos y Contenido de Tesis del Repositorio UNAL Descripción: Este dataset contiene información estructurada y texto extraído de 1910 tesis del repositorio de la Universidad Nacional de Colombia. Incluye datos como el autor, asesor, fecha de emisión, descripción, título, programa académico, facultad y el contenido textual (cuando está disponible).

Columnas:

—URI: Ruta única del PDF en el repositorio UNAL.
—advisor: Nombre del asesor de la tesis.
—author: Nombre del autor de la tesis.
—date: Fecha de emisión de la tesis.
—description: Breve resumen o abstract de la tesis.
—title: Título de la tesis.
—program: Programa académico asociado a la tesis.
—faculty: Facultad asociada al programa académico.
—raw_content: Texto extraído del contenido del PDF (1859 registros disponibles).

Ejemplo: | URI | advisor | author | date | title | program | faculty | raw_content | |--------------------------------------------------|-----------------------------|----------------------------|------------|-----------------------------------|-----------------------------------------|----------------------|--------------------------| | /bitstream/handle/unal/84578/1053812256.2023.pdf?sequence=2&isAllowed=y | Herrera León, Fernando Augusto | Téllez González, Jonathan Salvador | 2023-08-11 | Diseño de iluminación, control y embellecimiento de la cancha de fútbol del Estadio Alfonso López | Bogotá - Ingeniería - Especialización en Iluminación Pública y Privada | Facultad de Ingeniería | Diseño de iluminación... |

Estadísticas principales:

—Total de registros: 1910.
—Total de textos extraídos: 1859.
—Facultades únicas: 10, la más frecuente es la Facultad de Medicina (1871 registros).
—Programas únicos: 54, destacando Medicina - Especialidad en Anestesiología (995 registros).

Uso: Este dataset es ideal para:

1.Procesamiento de Lenguaje Natural (NLP): análisis de texto, generación de resúmenes, clasificación de tesis por facultad o programa.
2.Investigación académica: identificación de patrones en la producción académica de la UNAL.
3.Desarrollo de herramientas de búsqueda: combinación con otros datasets como uris.json para buscadores avanzados.

Licencia: Apache 2.0