研究人员展示了来自Semantic Scholar开放研究语料库（S2ORC）的数百万篇科学论文的段落级注释数据集。通过使用基于规则的分类算法，他们在经过质量过滤后识别并标注了1560万篇论文的主要部分。

  • 该数据集主要涵盖STEM学科，在医学和生物学领域有强代表性。
  • 验证表明，分类器与人类标注者的一致性达到人类标注者之间一致性相当的水平。
  • 该资源使得对科学话语和写作模式的超大规模计算研究成为可能。