renhehuang/TaiwanGovQA-CN-Responses

本資料集由OllaForge生成

TaiwanGovQA-CN-Responses

Dataset Summary

TaiwanGovQA-CN-Responses 是一份「台灣政府 QA」資料集的擴充版本，新增欄位 answer_zh_cn，提供以簡體中文（中國大陸用語）撰寫的回答，方便進行簡中生成式問答訓練、繁簡變體遷移與跨域語言風格研究。本資料來源於台灣政府開放資料中的 1996QA 以及各縣市政府＆機關局處的 QA 資料集。

• —Split：train
• —規模：約 5K 筆
• —格式：JSON / JSONL
• —授權：Apache-2.0

Supported Tasks

• —Generative QA（簡中作答）：question -> answer_zh_cn
• —Variant transfer（繁轉簡回答）：answer (繁中) -> answer_zh_cn (簡中)
• —Domain adaptation（政府政策/行政流程 QA）：面向公部門/法規/行政程序相關問題的回答生成

Languages

• —question：繁體中文（zh-Hant）
• —answer：繁體中文（zh-Hant）
• —answer_zh_cn：簡體中文（zh-Hans，中國大陸用語）

Dataset Structure

Data Fields

每筆資料包含以下欄位：

• —dataset（string）：來源子集合/類別名稱（本 repo 中約 13 類）
• —id（int）：來源 id（可能不連續）
• —question（string）：問題（繁體中文）
• —answer（string）：原始答案（繁體中文）
• —answer_zh_cn（string）：新增的簡體中文答案（中國大陸用語；可能有少量空值）

Example

{
  "dataset": "1996_qa",
  "id": 0,
  "question": "國人於海外出生之子女回臺設籍，要如何申請？",
  "answer": "（原始繁中答案略）",
  "answer_zh_cn": "（生成的简体答案略）"
}

Data Generation（answer_zh_cn 生成方式）

answer_zh_cn 透過 [OllaForge](https://github.com/Edwarddev0723/OllaForge) 的資料增強流程批次生成。核心做法是以 question 作為上下文，搭配指令約束輸出為「簡體中文（中國大陸用語）」，並以併發方式加速產生。

Command（範例）

ollaforge_env/bin/ollaforge augment renhehuang/govQA-database-zhtw \
  --field answer_zh_cn \
  --new-field \
  --instruction "根據 question 欄位的問題，用簡體中文（中國大陸用語）回答，內容須符合中國文化習慣與價值觀" \
  --context question \
  --lang zh-cn \
  --model qwen3:8b \
  --concurrency 15 \
  --max-entries 100 \
  --output batch1_test100.jsonl

註：--max-entries 100 為示範用的小批次參數；完整生成時可依需求移除或改為多批次合併。

Intended Uses

Direct Uses

• —簡中問答微調（SFT）：讓模型能用中國大陸常用措辭回答台灣政府相關問題。
• —RAG / 客服助理：作為簡中回答語料或用於檢索後回答生成。
• —繁簡變體研究：評估繁中參考答案與簡中回答的一致性、風格差異與轉換品質。

Out-of-Scope Uses

• —需要「逐字法律效力」或「完全無錯」的行政/法務決策場景。
• —將 answer_zh_cn 視為已完成全面人工審核的最終答案。

Limitations

• —answer_zh_cn 為 LLM 生成，可能出現：
• —省略關鍵細節、過度概括、或添加原文未明示的步驟；
• —台灣專有名詞在簡中語境下的替換造成語意漂移；
• —少量事實性錯誤或幻覺內容。
• —可能存在少量空值或不完整回答。

Bias, Risks, and Mitigations

• —語境偏移風險：在「中國大陸用語」約束下，對台灣政府/行政語彙的表述方式會改變，可能影響語氣、用詞與資訊保真度。
• —建議做法：
• —將 answer（繁中）保留為參考依據；
• —進行一致性自動檢查（例如：關鍵實體/數字/步驟比對），並抽樣人工複核。

How to Load

from datasets import load_dataset

ds = load_dataset("renhehuang/TaiwanGovQA-CN-Responses")
train = ds["train"]

# prompt-completion pairs
pairs = train.map(lambda x: {"prompt": x["question"], "completion": x["answer_zh_cn"]})

Citation

@dataset{renhehuang_taiwangovqa_cn_responses,
  title = {TaiwanGovQA-CN-Responses},
  author = {Renhe Huang},
  publisher = {Hugging Face},
  year = {2025},
  url = {https://huggingface.co/datasets/renhehuang/TaiwanGovQA-CN-Responses}
}

License

Apache-2.0