Datasetpublic

UFGCEMIGONA/perguntas_sft_nrs

Perguntas e Respostas SFT sobre Normas Regulamentadoras (NRs) Dataset de pares pergunta-resposta em português (pt-BR) para supervised fine-tuning (SFT) de modelos de linguagem no domínio de Segurança e Saúde no Trabalho (SST), com foco nas Normas Regulamentadoras (NRs) brasileiras e em material complementar de procedimentos internos de SESMT. Conteúdo do dataset Cada exemplo é um par pergunta/resposta gerado a partir de um trecho (chunk) de uma NR ou de um… See the full description on the dataset page: https://huggingface.co/datasets/UFGCEMIGONA/perguntas_sft_nrs.

sourceHugging Faceupdated 23d agoView on Hugging Face

0likes61downloads

Dataset Card

Perguntas e Respostas SFT sobre Normas Regulamentadoras (NRs)

Dataset de pares pergunta-resposta em português (pt-BR) para supervised fine-tuning (SFT) de modelos de linguagem no domínio de Segurança e Saúde no Trabalho (SST), com foco nas Normas Regulamentadoras (NRs) brasileiras e em material complementar de procedimentos internos de SESMT.

Conteúdo do dataset

Cada exemplo é um par pergunta/resposta gerado a partir de um trecho (chunk) de uma NR ou de um manual/procedimento interno, com uma justificativa extrativa do texto-fonte e uma nota de groundedness (o quanto a resposta está fielmente apoiada no trecho de origem).

Campos

Campo	Descrição
`chunk_id`	Identificador do trecho (chunk) de origem do texto-fonte
`norma`	Norma Regulamentadora de referência (ex.: `NR-12`, `NR-35`)
`titulo`	Título da norma
`item_raiz`	Item/seção raiz da norma da qual o trecho foi extraído
`fonte`	Origem do trecho: `norma` (texto oficial da NR) ou `manual` (procedimento/instrução interna de SESMT)
`persona`	Perfil simulado para quem a pergunta foi gerada: `trabalhador_em_atividade_de_risco`, `tecnico_de_seguranca_do_trabalho` ou `engenheiro_de_seguranca_do_trabalho_sesmt`
`tipo`	Categoria da pergunta: `Factual`, `Factual e Direta`, `Cenário/Aplicação`, `Raciocínio/Condicional`, `Responsabilidade` ou `Urgência/Coloquial`
`pergunta`	Pergunta gerada
`resposta_esperada`	Resposta de referência para a pergunta
`justificativa_extrativa`	Trecho do texto-fonte que fundamenta a resposta
`item_norma`	Referência ao(s) item(ns) específico(s) da norma citados na resposta
`idx`	Índice sequencial do par dentro do trecho de origem
`pontuacao_groundedness`	Nota de 0 a 10 atribuída por um avaliador (LLM-judge) para o grau de fidelidade da resposta ao texto-fonte
`raciocinio_groundedness`	Justificativa textual da nota de groundedness

Splits

Split	Nº de exemplos	Proporção
`train`	4495	90%
`test`	500	10%

Divisão feita de forma aleatória (seed fixa = 42), sem estratificação, a partir do arquivo sft_data.parquet (4995 exemplos no total).

Distribuição por norma (top 10)

Norma	Exemplos
NR-12	719
NR-15	567
NR-22	523
NR-36	401
NR-28	395
NR-31	303
NR-10	268
NR-37	247
NR-35	181
NR-34	173

O dataset cobre ao todo 31 NRs distintas (a lista completa pode ser inspecionada na coluna norma).

Distribuição por persona

Persona	Exemplos
`trabalhador_em_atividade_de_risco`	1798
`tecnico_de_seguranca_do_trabalho`	1753
`engenheiro_de_seguranca_do_trabalho_sesmt`	1444

Distribuição por fonte

Fonte	Exemplos
`norma`	3349
`manual`	1646

Qualidade (groundedness)

A coluna pontuacao_groundedness mede o quanto a resposta_esperada está apoiada fielmente no trecho de origem (0 a 10, atribuída por um LLM-judge). Todos os exemplos do dataset foram filtrados para manter apenas pares com alto grau de fidelidade:

—média: 9,98
—mediana: 10
—mínimo: 7

Pipeline de geração

1.Coleta/parse dos textos das NRs e de manuais.
2.Chunking dos documentos em trechos menores.
3.Geração de pares pergunta-resposta por persona a partir de cada trecho, via LLM.
4.Filtragem de pares inválidos/duplicados/de baixa qualidade.
5.Avaliação de groundedness por LLM-judge e seleção apenas dos pares aceitos.
6.Split aleatório 90/10 em treino/teste para uso em fine-tuning.

Uso

python

from datasets import load_dataset

ds = load_dataset("UFGCEMIGONA/perguntas_sft_nrs")
print(ds)
print(ds["train"][0])