数据集概述
本数据集通过众包方式对Open IE 4和MinIE两款开放信息抽取工具的结果进行标注，评估其在科学与医学文本上的有效性。数据基于维基百科随机句子和OA-STM语料库随机句子构建，包含原始数据、处理代码、实验文件及分析代码等。
文件详解
该数据集包含2个目录和11个文件，具体说明如下：
- 代码目录（code for applying open information extraction tools/）：
- ProcessOpenIE.scala：Scala格式的开放信息抽取工具处理代码
- build.properties：属性配置文件
- build.sbt：SBT构建配置文件
- 数据目录（data/）：
- randomSentOACopora.py：Python格式的OA语料库随机句子生成代码
- oa_200randsents.txt：TXT格式的OA语料库200条随机句子原始文本
- quickwikiminieextract.py：Python格式的维基百科MinIE抽取代码
- 核心结果文件：
- triple-annotate-results-proc-20180214.csv：CSV格式的三元组标注结果处理文件，包含Worker1至Worker9的标注数据、同意度等字段
- aggregated_results_anon.csv：CSV格式的匿名聚合结果文件，包含AssignmentId、Choice、Condition、WorkTimeInSeconds等字段
- hittest-20171108-publicexperiment.zip：ZIP格式的公开实验压缩包
- AnalysisAnnotationResults.ipynb：Jupyter Notebook格式的标注结果分析代码
- labelling-instructions-final.pdf：PDF格式的最终标注说明文档
适用场景
- 自然语言处理研究：评估开放信息抽取工具在专业领域文本上的性能
- 科学文本挖掘：探索医学、科学文本的信息抽取方法优化方向
- 众包标注研究：分析众包标注在技术评估中的应用效果
- 开放信息抽取工具开发：为工具改进提供真实场景的标注数据支持
