Les chercheurs présentent un ensemble de données d'annotations au niveau des sections pour des millions de papiers scientifiques issus du Semantic Scholar Open Research Corpus (S2ORC). En utilisant un algorithme de classification basé sur des règles, ils ont identifié et étiqueté les sections majeures de 15,6 millions de papiers après un filtrage de qualité.
- L'ensemble de données couvre principalement les disciplines STEM avec une forte représentation en médecine et biologie.
- La validation montre que l'accord du classifieur avec les annotateurs humains est au niveau de l'accord inter-annotateurs humains.
- Cette resource permet des études computationnelles à grande échelle sur le discours scientifique et les modèles d'écriture.