Los investigadores presentan un conjunto de datos de anotaciones a nivel de sección para millones de artículos científicos del Corpus de Investigación Abierta de Semantic Scholar (S2ORC). Utilizando un algoritmo de clasificación basado en reglas, identificaron y etiquetaron las secciones principales en 15.6 millones de artículos después del filtrado de calidad.
- El conjunto de datos cubre principalmente disciplinas STEM con una fuerte representación en medicina y biología.
- La validación muestra que la concordancia del clasificador con los anotadores humanos está a la par con la concordancia entre anotadores humanos.
- El recurso permite estudios computacionales a gran escala del discurso científico y los patrones de escritura.