candido-ai/enem-ocr
ENEM-OCR 3.506 questões do ENEM (1998–2024, 27 edições) com gabarito e figuras, extraídas dos PDFs públicos do INEP por um pipeline OCR de 4 estágios (OCR + detecção de layout -> estruturação por LLM em lote -> mesclagem + descrições visuais de figuras (VLM) + CoTs -> auditoria). Construído para a dissertação de mestrado sobre Continued Pre-Training em pequena escala para o ENEM em PT-BR. Colunas id, year, exam, question_number, area (CH/CN/LC/MT), subject_hint… See the full description on the dataset page: https://huggingface.co/datasets/candido-ai/enem-ocr.
ENEM-OCR
3.506 questões do ENEM (1998–2024, 27 edições) com gabarito e figuras, extraídas dos PDFs públicos do INEP por um pipeline OCR de 4 estágios (OCR + detecção de layout -> estruturação por LLM em lote -> mesclagem + descrições visuais de figuras (VLM) + CoTs -> auditoria). Construído para a dissertação de mestrado sobre Continued Pre-Training em pequena escala para o ENEM em PT-BR.
Colunas
id,year,exam,question_number,area(CH/CN/LC/MT),subject_hintcontext,question_stem,option_a..option_e,num_alternatives,correct_answer(A-E)- `images` — figuras da questão (tipo
Image, embutidas); `image_descriptions` — descrição textual (VLM) alinhada por índice has_images,cot_explanation,sourcesplit,test_clean,clean— flags de partição/decontaminação
Partições
test_clean=True-> ENEM-Bench (n=953, 2019-2024), avaliação primária.- Formato moderno de 4 áreas a partir de 2009 (pré-2009: ~60 q/ano).
- ~1.112 questões com figura embutida.
Fonte e licença
Derivado das provas públicas do ENEM/INEP, para pesquisa/reprodutibilidade; verifique os termos do INEP para redistribuição. Precedentes em HF: eduagarcia/enem_challenge, maritaca-ai/enem.
Repositório privado / work-in-progress durante a dissertação.