Datasets:

IIC
/

AQuAS

	---
	language:
	- es
	tags:
	- spanish
	multilinguality:
	- monolingual
	task_categories:
	- question-answering
	task_ids:
	- abstractive-qa
	- extractive-qa
	license:
	- cc-by-nc-sa-4.0
	pretty_name: AQuAS
	---

	# Abstractive Question-Answering in Spanish (AQuAS) Dataset

	## Table of Contents
	- [Dataset Card Creation Guide](#dataset-card-creation-guide)
	- [Table of Contents](#table-of-contents)
	- [Dataset Description](#dataset-description)
	- [Dataset Summary](#dataset-summary)
	- [Dataset Structure](#dataset-structure)
	- [Data Instances](#data-instances)
	- [Data Fields](#data-fields)
	- [Data Splits](#data-splits)
	- [Dataset Creation](#dataset-creation)
	- [Curation Rationale](#curation-rationale)
	- [Source Data](#source-data)
	- [Initial Data Collection and Normalization](#initial-data-collection-and-normalization)
	- [Who are the source language producers?](#who-are-the-source-language-producers)
	- [Annotations](#annotations)
	- [Annotation process](#annotation-process)
	- [Who are the annotators?](#who-are-the-annotators)
	- [Personal and Sensitive Information](#personal-and-sensitive-information)
	- [Considerations for Using the Data](#considerations-for-using-the-data)
	- [Social Impact of Dataset](#social-impact-of-dataset)
	- [Discussion of Biases](#discussion-of-biases)
	- [Other Known Limitations](#other-known-limitations)
	- [Additional Information](#additional-information)
	- [Dataset Curators](#dataset-curators)
	- [Licensing Information](#licensing-information)
	- [Citation Information](#citation-information)
	- [Contributions](#contributions)

	## Dataset Description

	- Leaderboard: [Leaderboard Somos600M]()
	-
	- Point of Contact: [Contacto]()

	### Dataset Summary

	AQuAS es un dataset de alta calidad con ejemplos en varios dominios:


	\| dominio \| count \|
	\|:-----------\|-----------:\|
	\| financiero \| 12 \|
	\| seguros \| 20 \|
	\| clínico \| 58 \|
	\| música \| 6 \|
	\| legal \| 11 \|



	### Supported Tasks and Leaderboards

	Está diseñado para evaluar modelos de lenguaje en la tarea de Question-Answering Abstractivo. También puede utlizarse para entrenar de forma supervisada estos modelos.

	### Languages

	Castellano (BCP-47 es).

	## Dataset Structure

	### Data Instances

	Las instancias de este dataset tienen la siguiente estructura:

	\| context \| question \| answer \| topic \|
	\|-------------------------------------------------------------------------------------------\|----------------------------------------------\|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|-----------\|
	\| Estos préstamos, como se ha dicho, tienen para la entidad que los concede una garantía... \| ¿Para qué sirven los préstamos hipotecarios? \| Fundamentalmente sirven para adquirir inmuebles, ya sean viviendas o no, así como para su rehabilitación. En otros casos pueden servir para aumentar el dinero del que disponemos para adquirir bienes de consumo o para reestructurar varias deudas vigentes en un solo préstamo. \| financial \|


	### Data Fields

	- context: contexto donde podría encontrarse la respuesta.

	- question: pregunta planteada. Existen preguntas que no pueden responderse en base al contexto.

	- answer: respuesta redactada a partir del contexto.

	- topic: el dominio sobre el que trata el ejemplo.

	Cabe mencionar que los contextos son cadenas de caracteres extensas.

	### Data Splits

	El dataset no está dividido en train, validation y test porque está diseñado para evaluar.

	\| \| train \|
	\|-------------------------\|------:\|
	\| Input Sentences \| 107 \|

	## Dataset Creation

	### Curation Rationale

	Los modelos de lenguaje han demostrado grandes capacidades para resolver tareas por medio del entrenamiento de instrucciones. Dichas instrucciones son de diferente naturaleza, tales como: resumir, clasificar, traducir, etc. El Question-Answering Abstractivo en una tarea fundamental a la hora de diseñar modelos con capacidades para responder a preguntas complejas sobre los contextos dados en las que no se limitan a extraer la información literal del mismo, ya que la respuesta necesita de cierta comprensión del contenido.

	### Source Data

	Los datos se crearon a partir de texto simple extraído de la web, con información de los distintos dominios.

	#### Initial Data Collection and Normalization

	Para la recolección de los datos se hizo una selección de los textos a partir los dominios elegidos, a los que posteriormente se les extrayeron unos contextos con los que formular las preguntas y respuestas. Se dio mucha importancia al hecho de que los contextos debían ser extensos.

	#### Who are the source language producers?

	Todo el corpus ha sido generado y revisado por humanos.

	### Annotations

	La guía de anotación consistió en generar pares de pregunta-respuesta dado un contexto.

	#### Annotation process

	La metodología de corpus ha consistido en el acuerdo y diseño de las preguntas a realizar sobre los datos y la resolución de dudas.

	#### Who are the annotators?

	Corpus realizados de forma manual por dos lingüistas computacionales. Las respuestas han sido escritas por cada anotador.

	### Personal and Sensitive Information

	El dataset está libre de información personal y sensible.

	## Considerations for Using the Data

	### Social Impact of Dataset

	Crear corpus de calidad en castellano es de vital importancia si queremos que la inteligencia artificial de dicho idioma esté a la altura del inglés. La donación de corpus de alta calidad con tareas y dominios variados es lo más relevante a la hora de lograr este objetivo.

	### Discussion of Biases

	No se ha hecho un análisis de sesgo, por lo que pueden existir algunos sesgos a causa del origen del que provienen los contextos seleccionados.

	### Other Known Limitations

	Existen sesgos a nivel de dominio, ya que solo se han reflejado cinco a la hora de generar el dataset.

	## Additional Information

	### Dataset Curators

	[Instituto de Ingeniería del Conocimiento](https://www.iic.uam.es/iic/) (IIC).

	### Licensing Information

	Este dataset está bajo la licencia de uso no comercial [CC BY-NC-SA 4.0](https://creativecommons.org/licenses/by-nc-sa/4.0/).

	### Citation Information

	```
	@misc {Instituto de Ingeniería del Conocimiento (IIC),
	author = { {Instituto de Ingeniería del Conocimiento} },
	title = { Abstractive Question-Answering in Spanish (AQuAS) Dataset },
	year = 2024,
	url = { https://huggingface.co/datasets/IIC/AQuAS },
	doi = { 10.57967/hf/2043 },
	publisher = { Hugging Face }
	}
	```

	### Contributions

	Gracias a [@mariagrandury](https://huggingface.co/mariagrandury) por darnos la oportunidad de participar en la creación de un corpus de instrucciones en castellano y lenguas cooficiales para potenciar los modelos de inteligencia artificial en estos idiomas tan ricos, variados y de tanta relevancia.