russian_super_glue / README.md
polinaeterna's picture
polinaeterna HF staff
Update README.md (#4)
997acf6
|
raw
history blame
35.8 kB
metadata
annotations_creators:
  - crowdsourced
  - expert-generated
language_creators:
  - crowdsourced
  - expert-generated
language:
  - ru
license:
  - mit
multilinguality:
  - monolingual
size_categories:
  - 100K<n<1M
  - 1M<n<10M
  - 10M<n<100M
  - 100M<n<1B
source_datasets:
  - original
task_categories:
  - text-classification
  - question-answering
  - zero-shot-classification
  - text-generation
task_ids:
  - natural-language-inference
  - multi-class-classification
pretty_name: Russian SuperGLUE
language_bcp47:
  - ru-RU
dataset_info:
  - config_name: lidirus
    features:
      - name: sentence1
        dtype: string
      - name: sentence2
        dtype: string
      - name: knowledge
        dtype: string
      - name: lexical-semantics
        dtype: string
      - name: logic
        dtype: string
      - name: predicate-argument-structure
        dtype: string
      - name: idx
        dtype: int32
      - name: label
        dtype:
          class_label:
            names:
              '0': entailment
              '1': not_entailment
    splits:
      - name: test
        num_bytes: 470306
        num_examples: 1104
    download_size: 47118
    dataset_size: 470306
  - config_name: rcb
    features:
      - name: premise
        dtype: string
      - name: hypothesis
        dtype: string
      - name: verb
        dtype: string
      - name: negation
        dtype: string
      - name: idx
        dtype: int32
      - name: label
        dtype:
          class_label:
            names:
              '0': entailment
              '1': contradiction
              '2': neutral
    splits:
      - name: train
        num_bytes: 199712
        num_examples: 438
      - name: validation
        num_bytes: 97993
        num_examples: 220
      - name: test
        num_bytes: 207031
        num_examples: 438
    download_size: 136700
    dataset_size: 504736
  - config_name: parus
    features:
      - name: premise
        dtype: string
      - name: choice1
        dtype: string
      - name: choice2
        dtype: string
      - name: question
        dtype: string
      - name: idx
        dtype: int32
      - name: label
        dtype:
          class_label:
            names:
              '0': choice1
              '1': choice2
    splits:
      - name: train
        num_bytes: 74467
        num_examples: 400
      - name: validation
        num_bytes: 19397
        num_examples: 100
      - name: test
        num_bytes: 93192
        num_examples: 500
    download_size: 57585
    dataset_size: 187056
  - config_name: muserc
    features:
      - name: paragraph
        dtype: string
      - name: question
        dtype: string
      - name: answer
        dtype: string
      - name: idx
        struct:
          - name: paragraph
            dtype: int32
          - name: question
            dtype: int32
          - name: answer
            dtype: int32
      - name: label
        dtype:
          class_label:
            names:
              '0': 'False'
              '1': 'True'
    splits:
      - name: train
        num_bytes: 31651155
        num_examples: 11950
      - name: validation
        num_bytes: 5964157
        num_examples: 2235
      - name: test
        num_bytes: 19850930
        num_examples: 7614
    download_size: 1196720
    dataset_size: 57466242
  - config_name: terra
    features:
      - name: premise
        dtype: string
      - name: hypothesis
        dtype: string
      - name: idx
        dtype: int32
      - name: label
        dtype:
          class_label:
            names:
              '0': entailment
              '1': not_entailment
    splits:
      - name: train
        num_bytes: 1409243
        num_examples: 2616
      - name: validation
        num_bytes: 161485
        num_examples: 307
      - name: test
        num_bytes: 1713499
        num_examples: 3198
    download_size: 907346
    dataset_size: 3284227
  - config_name: russe
    features:
      - name: word
        dtype: string
      - name: sentence1
        dtype: string
      - name: sentence2
        dtype: string
      - name: start1
        dtype: int32
      - name: start2
        dtype: int32
      - name: end1
        dtype: int32
      - name: end2
        dtype: int32
      - name: gold_sense1
        dtype: int32
      - name: gold_sense2
        dtype: int32
      - name: idx
        dtype: int32
      - name: label
        dtype:
          class_label:
            names:
              '0': 'False'
              '1': 'True'
    splits:
      - name: train
        num_bytes: 6913280
        num_examples: 19845
      - name: validation
        num_bytes: 2957491
        num_examples: 8505
      - name: test
        num_bytes: 10046000
        num_examples: 18892
    download_size: 3806009
    dataset_size: 19916771
  - config_name: rwsd
    features:
      - name: text
        dtype: string
      - name: span1_index
        dtype: int32
      - name: span2_index
        dtype: int32
      - name: span1_text
        dtype: string
      - name: span2_text
        dtype: string
      - name: idx
        dtype: int32
      - name: label
        dtype:
          class_label:
            names:
              '0': 'False'
              '1': 'True'
    splits:
      - name: train
        num_bytes: 132274
        num_examples: 606
      - name: validation
        num_bytes: 87959
        num_examples: 204
      - name: test
        num_bytes: 59051
        num_examples: 154
    download_size: 40508
    dataset_size: 279284
  - config_name: danetqa
    features:
      - name: question
        dtype: string
      - name: passage
        dtype: string
      - name: idx
        dtype: int32
      - name: label
        dtype:
          class_label:
            names:
              '0': 'False'
              '1': 'True'
    splits:
      - name: train
        num_bytes: 2474006
        num_examples: 1749
      - name: validation
        num_bytes: 1076455
        num_examples: 821
      - name: test
        num_bytes: 1023062
        num_examples: 805
    download_size: 1293761
    dataset_size: 4573523
  - config_name: rucos
    features:
      - name: passage
        dtype: string
      - name: query
        dtype: string
      - name: entities
        sequence: string
      - name: answers
        sequence: string
      - name: idx
        struct:
          - name: passage
            dtype: int32
          - name: query
            dtype: int32
    splits:
      - name: train
        num_bytes: 160095378
        num_examples: 72193
      - name: validation
        num_bytes: 16980563
        num_examples: 7577
      - name: test
        num_bytes: 15535209
        num_examples: 7257
    download_size: 56208297
    dataset_size: 192611150
tags:
  - glue
  - qa
  - superGLUE
  - NLI
  - reasoning

Dataset Card for [Russian SuperGLUE]

Table of Contents

Dataset Description

Dataset Summary

Modern universal language models and transformers such as BERT, ELMo, XLNet, RoBERTa and others need to be properly compared and evaluated. In the last year, new models and methods for pretraining and transfer learning have driven striking performance improvements across a range of language understanding tasks.

We offer testing methodology based on tasks, typically proposed for “strong AI” — logic, commonsense, reasoning. Adhering to the GLUE and SuperGLUE methodology, we present a set of test tasks for general language understanding and leaderboard models.

For the first time a complete test for Russian language was developed, which is similar to its English analog. Many datasets were composed for the first time, and a leaderboard of models for the Russian language with comparable results is also presented.

Supported Tasks and Leaderboards

Supported tasks, barring a few additions, are equivalent to the original SuperGLUE tasks.

Task Name Equiv. to
Linguistic Diagnostic for Russian Broadcoverage Diagnostics (AX-b)
Russian Commitment Bank (RCB) CommitmentBank (CB)
Choice of Plausible Alternatives for Russian language (PARus) Choice of Plausible Alternatives (COPA)
Russian Multi-Sentence Reading Comprehension (MuSeRC) Multi-Sentence Reading Comprehension (MultiRC)
Textual Entailment Recognition for Russian (TERRa) Recognizing Textual Entailment (RTE)
Russian Words in Context (based on RUSSE) Words in Context (WiC)
The Winograd Schema Challenge (Russian) The Winograd Schema Challenge (WSC)
Yes/no Question Answering Dataset for the Russian (DaNetQA) BoolQ
Russian Reading Comprehension with Commonsense Reasoning (RuCoS) Reading Comprehension with Commonsense Reasoning (ReCoRD)

Languages

All tasks are in Russian.

Dataset Structure

Data Instances

Note that there are no labels in the test splits. This is signified by the -1 value.

LiDiRus

  • Size of downloaded dataset files: 0.05 MB
  • Size of the generated dataset: 0.49 MB
  • Total amount of disk used: 0.54 MB

An example of 'test' looks as follows

{
    "sentence1": "Новая игровая консоль доступна по цене.",
    "sentence2": "Новая игровая консоль недоступна по цене.",
    "knowledge": "",
    "lexical-semantics": "Morphological negation",
    "logic": "Negation",
    "predicate-argument-structure": "",
    "idx": 10,
    "label": 1
}

RCB

  • Size of downloaded dataset files: 0.14 MB
  • Size of the generated dataset: 0.53 MB
  • Total amount of disk used: 0.67 MB

An example of 'train'/'dev' looks as follows

{
    "premise": "— Пойдём пообедаем. Я с утра ничего не ел. Отель, как видишь, весьма посредственный, но мне сказали,
     что в здешнем ресторане отлично готовят.",
    "hypothesis": "В здешнем ресторане отлично готовят.",
    "verb": "сказать",
    "negation": "no_negation",
    "idx": 10,
    "label": 2
}

An example of 'test' looks as follows

{
    "premise": "Я уверен, что вместе мы победим. Да, парламентское большинство думает иначе.",
    "hypothesis": "Вместе мы проиграем.",
    "verb": "думать",
    "negation": "no_negation",
    "idx": 10,
    "label": -1
}

PARus

  • Size of downloaded dataset files: 0.06 MB
  • Size of the generated dataset: 0.20 MB
  • Total amount of disk used: 0.245 MB

An example of 'train'/'dev' looks as follows

{
    "premise": "Женщина чинила кран.",
    "choice1": "Кран подтекал.",
    "choice2": "Кран был выключен.",
    "question": "cause",
    "idx": 10,
    "label": 0
}

An example of 'test' looks as follows

{
    "premise": "Ребятам было страшно.",
    "choice1": "Их вожатый рассказал им историю про призрака.",
    "choice2": "Они жарили маршмеллоу на костре.",
    "question": "cause",
    "idx": 10,
    "label": -1
}

MuSeRC

  • Size of downloaded dataset files: 1.26 MB
  • Size of the generated dataset: 59.77 MB
  • Total amount of disk used: 61.87 MB

An example of 'train'/'dev' looks as follows

{
    "paragraph": "(1) Но люди не могут существовать без природы, поэтому в парке стояли железобетонные скамейки —
     деревянные моментально ломали. (2) В парке бегали ребятишки, водилась шпана, которая развлекалась игрой в карты,
     пьянкой, драками, «иногда насмерть». (3) «Имали они тут и девок...» (4) Верховодил шпаной Артемка-мыло, с
     вспененной белой головой. (5) Людочка сколько ни пыталась усмирить лохмотья на буйной голове Артемки, ничего у
     неё не получалось. (6) Его «кудри, издали напоминавшие мыльную пену, изблизя оказались что липкие рожки из
     вокзальной столовой — сварили их, бросили комком в пустую тарелку, так они, слипшиеся, неподъёмно и лежали.
     (7) Да и не ради причёски приходил парень к Людочке. (8) Как только её руки становились занятыми ножницами
     и расчёской, Артемка начинал хватать её за разные места. (9) Людочка сначала увёртывалась от хватких рук Артемки,
     а когда не помогло, стукнула его машинкой по голове и пробила до крови, пришлось лить йод на голову «ухажористого
     человека». (10) Артемка заулюлюкал и со свистом стал ловить воздух. (11) С тех пор «домогания свои хулиганские
     прекратил», более того, шпане повелел Людочку не трогать.",
    "question": "Как развлекались в парке ребята?",
    "answer": "Развлекались игрой в карты, пьянкой, драками, снимали они тут и девок.",
    "idx":
    {
        "paragraph": 0,
        "question": 2,
        "answer": 10
    },
    "label": 1
}

An example of 'test' looks as follows


{
    "paragraph": "\"(1) Издательство Viking Press совместно с компанией TradeMobile выпустят мобильное приложение,
     посвященное Анне Франк, передает The Daily Telegraph. (2) Программа будет включать в себя фрагменты из дневника
     Анны, озвученные британской актрисой Хеленой Бонэм Картер. (3) Помимо этого, в приложение войдут фотографии
     и видеозаписи, документы из архива Фонда Анны Франк, план здания в Амстердаме, где Анна с семьей скрывались от
     нацистов, и факсимильные копии страниц дневника. (4) Приложение, которое получит название Anne Frank App, выйдет
     18 октября. (5) Интерфейс программы будет англоязычным. (6) На каких платформах будет доступно Anne Frank App,
     не уточняется. Анна Франк родилась в Германии в 1929 году. (7) Когда в стране начались гонения на евреев, Анна с
     семьей перебрались в Нидерланды. (8) С 1942 года члены семьи Франк и еще несколько человек скрывались от нацистов
     в потайных комнатах дома в Амстердаме, который занимала компания отца Анны. (9) В 1944 году группу по доносу
     обнаружили гестаповцы. (10) Обитатели \"Убежища\" (так Анна называла дом в дневнике) были отправлены в концлагеря;
     выжить удалось только отцу девочки Отто Франку. (11) Находясь в \"Убежище\", Анна вела дневник, в котором описывала
     свою жизнь и жизнь своих близких. (12) После ареста книгу с записями сохранила подруга семьи Франк и впоследствии
     передала ее отцу Анны. (13) Дневник был впервые опубликован в 1947 году. (14) Сейчас он переведен более
     чем на 60 языков.\"",
    "question": "Какая информация войдет в новой мобильное приложение?",
    "answer": "Видеозаписи Анны Франк.",
    "idx":
    {
        "paragraph": 0,
        "question": 2,
        "answer": 10
    },
    "label": -1
}

TERRa

  • Size of downloaded dataset files: 0.93 MB
  • Size of the generated dataset: 3.44 MB
  • Total amount of disk used: 4.39 MB

An example of 'train'/'dev' looks as follows

{
    "premise": "Музей, расположенный в Королевских воротах, меняет экспозицию. На смену выставке, рассказывающей об
     истории ворот и их реставрации, придет «Аптека трех королей». Как рассказали в музее, посетители попадут в 
     традиционный интерьер аптеки.",
    "hypothesis": "Музей закроется навсегда.",
    "idx": 10,
    "label": 1
}

An example of 'test' looks as follows

{
    "premise": "Маршрутка полыхала несколько минут. Свидетели утверждают, что приезду пожарных салон «Газели» выгорел полностью. К счастью, пассажиров внутри не было, а водитель успел выскочить из кабины.",
    "hypothesis": "Маршрутка выгорела.",
    "idx": 10,
    "label": -1
}

RUSSE

  • Size of downloaded dataset files: 3.88 MB
  • Size of the generated dataset: 20.97 MB
  • Total amount of disk used: 25.17 MB

An example of 'train'/'dev' looks as follows

{
    "word": "дух",
    "sentence1": "Завертелась в доме веселая коловерть: праздничный стол, праздничный дух, шумные разговоры",
    "sentence2": "Вижу: духи собралися / Средь белеющих равнин. // Бесконечны, безобразны, / В мутной месяца игре / Закружились бесы разны, / Будто листья в ноябре",
    "start1": 68,
    "start2": 6,
    "end1": 72,
    "end2": 11,
    "gold_sense1": 3,
    "gold_sense2": 4,
    "idx": 10,
    "label": 0
}

An example of 'test' looks as follows

{
    "word": "доска",
    "sentence1": "На 40-й день после трагедии в переходе была установлена мемориальная доска, надпись на которой гласит: «В память о погибших и пострадавших от террористического акта 8 августа 2000 года».",
    "sentence2": "Фото с 36-летним миллиардером привлекло сеть его необычной фигурой при стойке на доске и кремом на лице.",
    "start1": 69,
    "start2": 81,
    "end1": 73,
    "end2": 85,
    "gold_sense1": -1,
    "gold_sense2": -1,
    "idx": 10,
    "label": -1
}

RWSD

  • Size of downloaded dataset files: 0.04 MB
  • Size of the generated dataset: 0.29 MB
  • Total amount of disk used: 0.320 MB

An example of 'train'/'dev' looks as follows

{
    "text": "Женя поблагодарила Сашу за помощь, которую она оказала.",
    "span1_index": 0,
    "span2_index": 6,
    "span1_text": "Женя",
    "span2_text": "она оказала",
    "idx": 10,
    "label": 0
}

An example of 'test' looks as follows

{
    "text": "Мод и Дора видели, как через прерию несутся поезда, из двигателей тянулись клубы черного дыма. Ревущие 
    звуки их моторов и дикие, яростные свистки можно было услышать издалека. Лошади убежали, когда они увидели 
    приближающийся поезд.",
    "span1_index": 22,
    "span2_index": 30,
    "span1_text": "свистки",
    "span2_text": "они увидели",
    "idx": 10,
    "label": -1
}

DaNetQA

  • Size of downloaded dataset files: 1.36 MB
  • Size of the generated dataset: 4.82 MB
  • Total amount of disk used: 5.9 MB

An example of 'train'/'dev' looks as follows

{
    "question": "Вреден ли алкоголь на первых неделях беременности?",
    "passage": "А Бакингем-Хоуз и её коллеги суммировали последствия, найденные в обзорных статьях ранее. Частые случаи
     задержки роста плода, результатом чего является укороченный средний срок беременности и сниженный вес при рождении.
     По сравнению с нормальными детьми, дети 3-4-недельного возраста демонстрируют «менее оптимальную»  двигательную 
     активность, рефлексы, и ориентацию в пространстве, а дети 4-6 лет показывают низкий уровень работы 
     нейроповеденческих функций, внимания, эмоциональной экспрессии, и развития речи и языка. Величина этих влияний 
     часто небольшая, частично в связи с независимыми переменными: включая употребление во время беременности 
     алкоголя/табака, а также факторы среды . У детей школьного возраста проблемы с устойчивым вниманием и контролем 
     своего поведения, а также незначительные с ростом, познавательными и языковыми способностями.",
    "idx": 10,
    "label": 1
}

An example of 'test' looks as follows

{
    "question": "Вредна ли жесткая вода?",
    "passage": "Различают временную  жёсткость, обусловленную гидрокарбонатами кальция и магния Са2; Mg2, и постоянную
     жёсткость, вызванную присутствием других солей, не выделяющихся при кипячении воды: в основном, сульфатов и 
     хлоридов Са и Mg. Жёсткая вода при умывании сушит кожу, в ней плохо образуется пена при использовании мыла.
     Использование жёсткой воды вызывает появление осадка  на стенках котлов, в трубах и т. п. В то же время, 
     использование слишком мягкой воды может приводить к коррозии труб, так как, в этом случае отсутствует 
     кислотно-щелочная буферность, которую обеспечивает гидрокарбонатная  жёсткость. Потребление жёсткой или мягкой 
     воды обычно не является опасным для здоровья, однако есть данные о том, что высокая жёсткость способствует 
     образованию мочевых камней, а низкая — незначительно увеличивает риск сердечно-сосудистых заболеваний. Вкус 
     природной питьевой воды, например, воды родников, обусловлен именно присутствием солей жёсткости.",
    "idx": 100,
    "label": -1
}

RuCoS

  • Size of downloaded dataset files: 56.62 MB
  • Size of the generated dataset: 202.38 MB
  • Total amount of disk used: 261.10 MB

An example of 'train'/'dev' looks as follows

{
    "passage": "В Абхазии 24 августа на досрочных выборах выбирают нового президента. Кто бы ни стал победителем,
     возможности его будут ограничены, говорят эксперты, опрошенные DW. В Абхазии 24 августа проходят досрочные выборы
     президента не признанной международным сообществом республики. Толчком к их проведению стали массовые протесты в 
     конце мая 2014 года, в результате которых со своего поста был вынужден уйти действующий президент Абхазии Александр
     Анкваб. Эксперты называют среди наиболее перспективных кандидатов находящегося в оппозиции политика Рауля Хаджимбу,
     экс-главу службы безопасности Аслана Бжанию и генерала Мираба Кишмарию, исполняющего обязанности министра обороны.
     У кого больше шансов\n\"Ставки делаются на победу Хаджимбы.\n@highlight\nВ Швеции задержаны двое граждан РФ в связи
     с нападением на чеченского блогера\n@highlight\nТуризм в эпоху коронавируса: куда поехать? И ехать ли 
     вообще?\n@highlight\nКомментарий: Россия накануне эпидемии - виноватые назначены заранее",
    "query": "Несмотря на то, что Кремль вложил много денег как в @placeholder, так и в Южную Осетию, об экономическом
     восстановлении данных регионов говорить не приходится, считает Хальбах: \"Многие по-прежнему живут в 
     полуразрушенных домах и временных жилищах\".",
    "entities":
    [
        "DW.",
        "Абхазии ",
        "Александр Анкваб.",
        "Аслана Бжанию ",
        "Мираба Кишмарию,",
        "РФ ",
        "Рауля Хаджимбу,",
        "Россия ",
        "Хаджимбы.",
        "Швеции "
    ],
    "answers":
    [
        "Абхазии"
    ],
    "idx":
    {
        "passage": 500,
        "query": 500
    }
}

An example of 'test' looks as follows

{
    "passage": "Почему и как изменится курс белорусского рубля? Какие инструменты следует предпочесть населению, чтобы 
    сохранить сбережения, DW рассказали финансовые аналитики Беларуси. На последних валютных торгах БВФБ 2015 года в 
    среду, 30 декабря, курс белорусского рубля к доллару - 18569, к евро - 20300, к российскому рублю - 255. В 2016 
    году белорусскому рублю пророчат падение как минимум на 12 процентов к корзине валют, к которой привязан его курс. 
    А чтобы избежать потерь, белорусам советуют диверсифицировать инвестиционные портфели. Чем обусловлены прогнозные 
    изменения котировок белорусского рубля, и какие финансовые инструменты стоит предпочесть, чтобы минимизировать риск
    потерь?\n@highlight\nВ Германии за сутки выявлено более 100 новых заражений коронавирусом\n@highlight\nРыночные цены
    на нефть рухнули из-за провала переговоров ОПЕК+\n@highlight\nВ Италии за сутки произошел резкий скачок смертей от
    COVID-19",
    "query": "Последнее, убежден аналитик, инструмент для узкого круга профессиональных инвесторов, культуры следить за
     финансовым состоянием предприятий - такой, чтобы играть на рынке корпоративных облигаций, - в @placeholder пока нет.",
    "entities":
    [
        "DW ",
        "Беларуси.",
        "Германии ",
        "Италии ",
        "ОПЕК+"
    ],
    "answers": [],
    "idx":
    {
        "passage": 500,
        "query": 500
    }
}

Data Fields

LiDiRus

  • idx: an int32 feature
  • label: a classification label, with possible values entailment (0), not_entailment (1)
  • sentence1: a string feature
  • sentence2: a string feature
  • knowledge: a string feature with possible values '', 'World knowledge', 'Common sense'
  • lexical-semantics: a string feature
  • logic: a string feature
  • predicate-argument-structure: a string feature

RCB

  • idx: an int32 feature
  • label: a classification label, with possible values entailment (0), contradiction (1), neutral (2)
  • premise: a string feature
  • hypothesis: a string feature
  • verb: a string feature
  • negation: a string feature with possible values 'no_negation', 'negation', '', 'double_negation'

PARus

  • idx: an int32 feature
  • label: a classification label, with possible values choice1 (0), choice2 (1)
  • premise: a string feature
  • choice1: a string feature
  • choice2: a string feature
  • question: a string feature with possible values 'cause', 'effect'

MuSeRC

  • idx: an int32 feature
  • label : a classification label, with possible values false (0) , true (1) (does the provided answer contain a factual response to the question)
  • paragraph: a string feature
  • question: a string feature
  • answer: a string feature

TERRa

  • idx: an int32 feature
  • label: a classification label, with possible values entailment (0), not_entailment (1)
  • premise: a string feature
  • hypothesis: a string feature

RUSSE

  • idx: an int32 feature
  • label : a classification label, with possible values false (0), true (1) (whether the given word used in the same sense in both sentences)
  • word: a string feature
  • sentence1: a string feature
  • sentence2: a string feature
  • gold_sense1: an int32 feature
  • gold_sense2: an int32 feature
  • start1: an int32 feature
  • start2: an int32 feature
  • end1: an int32 feature
  • end2: an int32 feature

RWSD

  • idx: an int32 feature
  • label : a classification label, with possible values false (0), true (1) (whether the given spans are coreferential)
  • text: a string feature
  • span1_index: an int32 feature
  • span2_index: an int32 feature
  • span1_text: a string feature
  • span2_text: a string feature

DaNetQA

  • idx: an int32 feature
  • label : a classification label, with possible values false (0), true (1) (yes/no answer to the question found in the passage)
  • question: a string feature
  • passage: a string feature

RuCoS

  • idx: an int32 feature
  • passage: a string feature
  • query: a string feature
  • entities: a list of strings feature
  • answers: a list of strings feature

[More Information Needed]

Data Splits

LiDiRus

test
LiDiRus 1104

RCB

train validation test
RCB 438 220 438

PARus

train validation test
PARus 400 100 500

MuSeRC

train validation test
MuSeRC 500 100 322

TERRa

train validation test
TERRa 2616 307 3198

RUSSE

train validation test
RUSSE 19845 8508 18892

RWSD

train validation test
RWSD 606 204 154

DaNetQA

train validation test
DaNetQA 1749 821 805

RuCoS

train validation test
RuCoS 72193 7577 7257

Dataset Creation

Curation Rationale

[More Information Needed]

Source Data

Initial Data Collection and Normalization

[More Information Needed]

Who are the source language producers?

[More Information Needed]

Annotations

Annotation process

[More Information Needed]

Who are the annotators?

[More Information Needed]

Personal and Sensitive Information

[More Information Needed]

Considerations for Using the Data

Social Impact of Dataset

[More Information Needed]

Discussion of Biases

[More Information Needed]

Other Known Limitations

[More Information Needed]

Additional Information

Dataset Curators

[More Information Needed]

Licensing Information

All our datasets are published by MIT License.

Citation Information

@article{shavrina2020russiansuperglue,
                  title={RussianSuperGLUE: A Russian Language Understanding Evaluation Benchmark},
                  author={Shavrina, Tatiana and Fenogenova, Alena and Emelyanov, Anton and Shevelev, Denis and Artemova, Ekaterina and Malykh, Valentin and Mikhailov, Vladislav and Tikhonova, Maria and Chertok, Andrey and Evlampiev, Andrey},
                  journal={arXiv preprint arXiv:2010.15925},
                  year={2020}
                  }

@misc{fenogenova2022russian,
      title={Russian SuperGLUE 1.1: Revising the Lessons not Learned by Russian NLP models}, 
      author={Alena Fenogenova and Maria Tikhonova and Vladislav Mikhailov and Tatiana Shavrina and Anton Emelyanov and Denis Shevelev and Alexandr Kukushkin and Valentin Malykh and Ekaterina Artemova},
      year={2022},
      eprint={2202.07791},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Contributions

Thanks to @slowwavesleep for adding this dataset.