metadata

YAML tags: null
annotations_creators:
  - automatically-generated
language_creators:
  - found
language:
  - ca
license:
  - cc-by-sa-3.0
multilinguality:
  - monolingual
pretty_name: cawikitc
size_categories:
  - unknown
source_datasets: []
task_categories:
  - text-classification
task_ids:
  - multi-class-classification

Dataset Card for CaWikiTC

Dataset Description

Point of Contact: langtech@bsc.es

Dataset Summary

CaWikiTC (Catalan Wikipedia Text Classification) is a text classification dataset authomatically created by scraping Catalan Wikipedia article summaries and their associated thematic category. It contains 21002 texts (19952 and 1050 in the train and dev partitions, respectively) classified under 67 exclusive categories.

For the dataset creation, we selected all the Catalan Wikipedia article summaries from a previously fixed variety of subcategories, most of which are professional disciplines and social sciences-related fields. The texts that were originally associated with more than one category were discarded to avoid class overlappings.

This dataset was created as part of the experiments from Entailment-based Task Transfer for Catalan Text Classification in Small Data Regimes. Its original purpose was to serve as a task transfer source to train an entailment model, which was then used to perform a different text classification task.

This work is licensed under a Attribution-ShareAlike 4.0 International.

Supported Tasks and Leaderboards

Text classification, Language Model

Languages

The dataset is in Catalan (ca-ES).

Dataset Structure

Data Instances

Two json files (train and development splits).

Data Fields

Each example contains the following 3 fields:

text: Catalan Wikipedia article summary (string)
label: topic

Example:

[
  {
    'text': "Novum Organum és el títol de l'obra més important de Francis Bacon, publicada el 1620. Rep el seu nom perquè pretén ser una superació del tractat sobre lògica d'Aristòtil, anomenat Organon. Es basa a trobar la causa de tot fenomen per inducció, observant quan passa i quan no i extrapolant aleshores les condicions que fan que es doni. Aquest raonament va influir decisivament en la formació del mètode científic, especialment en la fase d'elaboració d'hipòtesis. També indica que el prejudici és l'enemic de la ciència, perquè impideix generar noves idees. Els prejudicis més comuns s'expliquen amb la metàfora de l'ídol o allò que és falsament adorat. Existeixen ídols de la tribu (comuns a tots els éssers humans per la seva naturalesa), de la caverna (procedents de l'educació), del fòrum (causats per un ús incorrecte del llenguatge) i del teatre (basats en idees anteriors errònies, notablement en filosofia).", 
    'label': 'Filosofia',
  },
  ...
]

Labels

'Administració', 'Aeronàutica', 'Agricultura', 'Antropologia', 'Arqueologia', 'Arquitectura', 'Art', 'Astronomia', 'Astronàutica', 'Biblioteconomia', 'Biotecnologia', 'Catàstrofes', 'Circ', 'Ciència militar', 'Ciència-ficció', 'Ciències ambientals', 'Ciències de la salut', 'Ciències polítiques', 'Conflictes', 'Cronometria', 'Cultura popular', 'Dansa', 'Dret', 'Ecologia', 'Enginyeria', 'Epidèmies', 'Esoterisme', 'Estris', 'Festivals', 'Filologia', 'Filosofia', 'Fiscalitat', 'Física', 'Geografia', 'Geologia', 'Gestió', 'Heràldica', 'Història', 'Humor', 'Indumentària', 'Informàtica', 'Jaciments paleontològics', 'Jocs', 'Lingüística', 'Llengües', 'Llocs ficticis', 'Matemàtiques', 'Metodologia', 'Mitologia', 'Multimèdia', 'Museologia', 'Nàutica', 'Objectes astronòmics', 'Pedagogia', 'Periodisme', 'Protestes', 'Pseudociència', 'Psicologia', 'Química', 'Robòtica', 'Ràdio', 'Seguretat laboral', 'Sociologia', 'Telecomunicacions', 'Televisió', 'Teologia', 'Ètica'

Data Splits

Train and development splits were created in a stratified fashion, following a 95% and 5% proportion, respectively. The sizes of each split are the following:

train.json: 19952 examples
dev.json: 1050 examples

Annotations

Annotation process

The crawled data contained the categories' annotations, which were then used to create this dataset with the mentioned criteria.

Personal and Sensitive Information

No personal or sensitive information included.

Considerations for Using the Data

Social Impact of Dataset

We hope this dataset contributes to the development of language modeCAls in Catalan, a low-resource language.

Discussion of Biases

[N/A]

Other Known Limitations