Pesquisadores apresentam um conjunto de dados de anotações em nível de seção para milhões de artigos científicos do Corpus de Pesquisa Aberta do Semantic Scholar (S2ORC). Usando um algoritmo de classificação baseado em regras, eles identificaram e rotularam as seções principais em 15,6 milhões de artigos após a filtragem de qualidade.
- O conjunto de dados cobre principalmente disciplinas STEM com forte representação em medicina e biologia.
- A validação mostra que o acordo do classificador com anotadores humanos está no mesmo nível do acordo entre anotadores humanos.
- O recurso permite estudos computacionais em larga escala do discurso científico e padrões de escrita.