科技文献学术观点识别数据集

以2024年自然语言处理领域顶级国际会议——ACL年会（Annual Meeting of the Association for Computational Linguistics）论文集中的论文为语料，构建了一个面向科技文献的学术观点识别数据集。该会议论文涵盖机器翻译、信息抽取、文本生成、问答系统等多个核心研究方向，能够较全面地反映自然语言处理领域的研究进展与前沿趋势。从中随机抽取157篇论文全文，选取共计10,000个句子，旨在为学术语境下的主观性建模提供系统性的语料基础。为缓解标签不平衡问题，从摘要、引言、相关工作、讨论、结论等学术观点密集的章节提取样本。所有句子均由两名具相关领域专业知识的博士生进行标注，最终将每个句子标注为“观点”（opinion，标记为1）或“非观点”（non-opinion，标记为0）两类。标注一致性通过Cohen’s kappa系数评估为0.901，显示高水平的一致性，分歧通过裁定方式解决。最终生成的数据集包含5,249个非观点句子和4,751个观点句子。为了向学生模型提供解释性监督，使用GPT-4.1（OpenAI）、Gemini-2.0-Flash（Google）和Deepseek-V3（Deepseek）作为教师模型，为数据集中句子生成结构化的理据。教师模型在固定提示模板的引导下生成结构一致、语义清晰且逻辑严谨的理据，从而实现推理能力的蒸馏。