Datasets:
NYTK
/

Modalities:
Text
Formats:
json
Languages:
Hungarian
Libraries:
Datasets
pandas
License:
id
stringlengths
1
4
sentence
stringlengths
3
144
label
int64
0
1
0
Az Angliáról való könyv tetszik.
0
1
Annak a panasza, hogy nem szól a telefon, gyakori.
0
2
Csak Péter fölött járt el az idő, mégis csak azt látjuk naponta futni.
0
3
Karácsony vagy újév táján találkozunk.
1
4
János most ért a fához.
1
5
Katit érdeklik a pókok.
1
6
Két méterrel bennebb hozták.
0
7
Találkoztam egy Marira büszke tanárral.
0
8
Olyan múlt héten érkezett.
0
9
Pál könyvei és lemezei eltűntek.
1
10
A nyomozó néha kapta el a gyilkost.
0
11
Olívia elvileg három iratot megvizsgált.
1
12
E nélkül az eredmény nélkül nem tudunk továbblépni.
1
13
A kéthetes karibi útra meghívtak egy új kollégát, de nála sajnos nincs sikere az ilyen ötleteknek.
1
14
János felvágta a kenyeret a konyhában.
1
15
János szerencsére gyakran meglátogat bennünket.
1
16
Marinak tűnik.
1
17
A virágos pontosan azon a sarkon van.
1
18
A hőmérsékletet, a nyomást, az energiafelhasználást vagy a teljesítményt mérték meg, nem tudom pontosan, hogy melyiket, lehet, hogy többet is.
1
19
Azé a fiúé a kalap.
1
20
Feleségül megy Péterhez a Sárára Katinál sokkal féltékenyebb lány.
1
21
Ezek között azt értem, hogy viselkedj tisztességesen.
0
22
A Raid-et hatékonynak tartják a szúnyogok ellen, de őbelőle sajnos most hiány van.
0
23
Kati visszariadt a felelősségtől.
1
24
A kerttől induló út a legszebb.
1
25
Ott van az ajándékot átadandó Anna.
0
26
A kutya a szomszédnál maradt.
1
27
Nem tudunk Péter befutásáról a célba.
0
28
Sokan tudták, hogy Aranka férjhez ment.
1
29
Ettől a háztól kell indulni.
1
30
Péter újraírt egy levelet meg.
0
31
Ili kedvesből változott.
0
32
Elolvasom Anna négy érdekes cikkét.
1
33
A fénymásoló biztos, hogy el fog tűnni.
1
34
Péter a tévéhíradót nézte, viszont János azonban az Esti Magazint hallgatta.
0
35
A fiúk fociznak egymással.
1
36
Csak az új diáknak tetszik a mondattan, de a pénteki előadásra mégis hiába vártuk azt.
0
37
Majdnem az volt a helyzet, hogy a felügyelő döntésre jutott.
0
38
Csak a Raidet tartják hatékonynak a szúnyogok ellen, végül mégis éppen abban csalódtunk.
1
39
A tészta megdagadt anyától.
0
40
Ott van egy tapasztalt ember.
1
41
Mari egy csipesszel utálja a bélyegeket.
0
42
Péternek Szegeden lakik a menyasszonya.
1
43
János és Kati egymással sétál a kertben.
0
44
Rögtön a ház mögött van a kutyaól.
1
45
Egyébként is, hogy Bozsikot ez ütötte el a jobb eredménytől.
0
46
Innen egy nap alatt érsz el Londonba.
1
47
A szomszédokkal való per elhúzódott.
1
48
Az kell, hogy senki se menjen el.
1
49
Lili áttette a létrát a kerítésen.
1
50
Minden te barátod jön.
0
51
Évával nem bánnak jól.
1
52
Ez a csomag feladott.
0
53
A nyomozó elvileg a lakásán dolgozott.
1
54
János énkéntem viselkedik.
0
55
A vonalon felüli írás a helyes.
0
56
A felügyelő Londonban jutott döntésre.
1
57
Panni foglalkozott vele, amit Emese olvasott.
0
58
Péter az a könyve tetszik.
0
59
Agyon felvételiztem magam.
0
60
Sára hajlandó.
1
61
Tudom, hogy Feri beteg.
1
62
Péter nagyon odavan egy szőke lányért, de a barátja nem rajong őérte.
0
63
Péter lázasnak tűnik.
1
64
Péter belefáradt a tanulásba.
1
65
Zoli végre emberül viselkedett.
0
66
Énnekem minden cica tetszik.
1
67
Emese örülne, ha mindenki barátságos volna.
1
68
János orvossal van a csapatban egészségügyi dolgozó.
0
69
A rázkódástól a pohár leesett az asztalról.
1
70
Attól én is tartok, hogy megsértettelek.
1
71
De Péter otthon van, János szorgalmasan dolgozik a munkahelyén.
0
72
A szél letépte a vitorlát.
1
73
A levél nem volt megírva.
1
74
A gyerekek jól vannak.
1
75
Péternek nagyon tetszik az új szintaxis-könyv, de ez senkit sem lepett meg.
1
76
Minden tanácsot Minna adott, hogy utazzunk el.
0
77
Hogy Aranka férjhez ment, sokan tudták.
0
78
Az az elképzelésről, hogy felállítják a szobrokat, még nem hallottunk.
0
79
A Raid-et hatékonynak tartják a szúnyogok ellen, de őt sajnos most nem lehet kapni.
0
80
A felügyelő döntésre jutott, és azt majdnem tette.
0
81
Az e játékokon veszekednek.
0
82
A te cikkeid mind érdekesek.
1
83
János felugrott a székre.
1
84
Imre szerencsére átment a vizsgán.
1
85
A só ki is vonja a vizet a húsból.
1
86
Kinek tűnt el tegnap a kalapja?
1
87
Kati érdeklődik a pókoktól.
0
88
Péter között és teközötted állok.
0
89
Mari a fotelben ül.
1
90
A város elpusztítható.
1
91
Tegnap meglátogattak a tanárok fiaim.
0
92
Az iskola külön asztalt foglalt a tanárok számára.
1
93
Mari fiút komál.
0
94
Megittam két üveg sört.
1
95
Két filmet mindenki látott.
1
96
Rossz az önindító, azt csak a szerelő hiszi.
0
97
A postával szembe kell bemenni.
0
98
Körülbelül 10 óra tájban érkeztünk.
1
99
Ki.
1
YAML Metadata Warning: The task_categories "conditional-text-generation" is not in the official list: text-classification, token-classification, table-question-answering, question-answering, zero-shot-classification, translation, summarization, feature-extraction, text-generation, text2text-generation, fill-mask, sentence-similarity, text-to-speech, text-to-audio, automatic-speech-recognition, audio-to-audio, audio-classification, audio-text-to-text, voice-activity-detection, depth-estimation, image-classification, object-detection, image-segmentation, text-to-image, image-to-text, image-to-image, image-to-video, unconditional-image-generation, video-classification, reinforcement-learning, robotics, tabular-classification, tabular-regression, tabular-to-text, table-to-text, multiple-choice, text-retrieval, time-series-forecasting, text-to-video, image-text-to-text, visual-question-answering, document-question-answering, zero-shot-image-classification, graph-ml, mask-generation, zero-shot-object-detection, text-to-3d, image-to-3d, image-feature-extraction, video-text-to-text, keypoint-detection, any-to-any, other
YAML Metadata Warning: The task_ids "machine-translation" is not in the official list: acceptability-classification, entity-linking-classification, fact-checking, intent-classification, language-identification, multi-class-classification, multi-label-classification, multi-input-text-classification, natural-language-inference, semantic-similarity-classification, sentiment-classification, topic-classification, semantic-similarity-scoring, sentiment-scoring, sentiment-analysis, hate-speech-detection, text-scoring, named-entity-recognition, part-of-speech, parsing, lemmatization, word-sense-disambiguation, coreference-resolution, extractive-qa, open-domain-qa, closed-domain-qa, news-articles-summarization, news-articles-headline-generation, dialogue-modeling, dialogue-generation, conversational, language-modeling, text-simplification, explanation-generation, abstractive-qa, open-domain-abstractive-qa, closed-domain-qa, open-book-qa, closed-book-qa, slot-filling, masked-language-modeling, keyword-spotting, speaker-identification, audio-intent-classification, audio-emotion-recognition, audio-language-identification, multi-label-image-classification, multi-class-image-classification, face-detection, vehicle-detection, instance-segmentation, semantic-segmentation, panoptic-segmentation, image-captioning, image-inpainting, image-colorization, super-resolution, grasping, task-planning, tabular-multi-class-classification, tabular-multi-label-classification, tabular-single-column-regression, rdf-to-text, multiple-choice-qa, multiple-choice-coreference-resolution, document-retrieval, utterance-retrieval, entity-linking-retrieval, fact-checking-retrieval, univariate-time-series-forecasting, multivariate-time-series-forecasting, visual-question-answering, document-question-answering, pose-estimation

Dataset Card for HuCOLA

Dataset Summary

This is the dataset card for the Hungarian Corpus of Linguistic Acceptability (HuCOLA), which is also part of the Hungarian Language Understanding Evaluation Benchmark Kit HuLU.

Supported Tasks and Leaderboards

Languages

The BCP-47 code for Hungarian, the only represented language in this dataset, is hu-HU.

Dataset Structure

Data Instances

For each instance, there is aN id, a sentence and a label.

An example:

{"Sent_id": "dev_0",
 "Sent": "A földek eláradtak.",
 "Label": "0"}

Data Fields

  • Sent_id: unique id of the instances, an integer between 1 and 1000;
  • Sent: a Hungarian sentence;
  • label: '0' for wrong, '1' for good sentences.

Data Splits

HuCOLA has 3 splits: train, validation and test.

Dataset split Number of sentences in the split Proportion of the split
train 7276 80%
validation 900 10%
test 900 10%

The test data is distributed without the labels. To evaluate your model, please contact us, or check HuLU's website for an automatic evaluation (this feature is under construction at the moment). The evaluation metric is Matthew's correlation coefficient.

Dataset Creation

Source Data

Initial Data Collection and Normalization

The data was collected by two human annotators from 3 main linguistic books on Hungarian language:

  • Kiefer Ferenc (ed.) (1992), Strukturális magyar nyelvtan 1. Mondattan. Budapest, Akadémiai Kiadó.
  • Alberti, Gábor and Laczkó, Tibor (eds) (2018), Syntax of Hungarian Nouns and Noun Phrases. I., II. Comprehensive grammar resources. Amsterdam University Press, Amsterdam.
  • Katalin É. Kiss and Veronika Hegedűs (eds) (2021), Postpositions and Postpositional Phrases. Amsterdam: Amsterdam University Press.

The process of collecting sentences partly followed the one described in Warstadt et. al (2018). The guideline of our process is available in the repository of HuCOLA.

Annotations

Annotation process

Each instance was annotated by 4 human annotators for its acceptability (see the annotation guidelines in the repository of HuCOLA).

Who are the annotators?

The annotators were native Hungarian speakers (of various ages, from 20 to 67) without any linguistic backround.

Additional Information

Licensing Information

HuCOLA is released under the CC-BY-SA 4.0 licence.

Citation Information

If you use this resource or any part of its documentation, please refer to:

Ligeti-Nagy, N., Ferenczi, G., Héja, E., Jelencsik-Mátyus, K., Laki, L. J., Vadász, N., Yang, Z. Gy. and Váradi, T. (2022) HuLU: magyar nyelvű benchmark adatbázis kiépítése a neurális nyelvmodellek kiértékelése céljából [HuLU: Hungarian benchmark dataset to evaluate neural language models]. XVIII. Magyar Számítógépes Nyelvészeti Konferencia. (in press)

@inproceedings{ligetinagy2022hulu,
  title={HuLU: magyar nyelvű benchmark adatbázis kiépítése a neurális nyelvmodellek kiértékelése céljából},
  author={Ligeti-Nagy, N. and Ferenczi, G. and Héja, E. and Jelencsik-Mátyus, K. and Laki, L. J. and Vadász, N. and Yang, Z. Gy. and Váradi, T.},
  booktitle={XVIII. Magyar Számítógépes Nyelvészeti Konferencia},
  year={2022}
}

Contributions

Thanks to lnnoemi for adding this dataset.

Downloads last month
219

Models trained or fine-tuned on NYTK/HuCOLA