仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
赛题名称：MakeDataCount-FindingDataReferences
赛题类型：自然语言处理、信息检索
赛题任务：从科学论文的全文中提取所有被引用的研究数据，并根据上下文将其分类为初级引用（Primary）或次级引用（Secondary）。
https ://www. kaggle.com/competitions/make-data-count-finding-data-references/
MakeDataCount(MDC)是一个全球性的、由社区驱动的倡议，旨在建立开放标准化的指标，用于评估和奖励研究数据的重用和影响力。通过倡导和基础设施项目，MDC旨在将数据作为主要的研究成果加以认可，促进数据在不同数据社区中的共享和重用。通过突出和重视数据的贡献，可以推动更协作、透明和高效的科学实践，从而推动创新和进步。然而，目前科学数据的价值被严重低估，尽管它们是发现和创新的基础。
根据Peters等人（2016）的研究，大约86%的研究数据在当前的数据引用系统中仍然未被引用。此外，数据引用的识别难度较大，因为它们的引用方式多种多样。例如，作者可能在方法部分详细描述数据，或者在其他地方间接提及，或者在参考文献列表中提供正式引用。此外，作者在描述数据与论文之间的关系时，可能会使用不同的语言，例如提到数据是公开可用的（如“publiclyavailable”）或者数据是从其他地方获取的（如“obtainedfrom”）。
本次竞赛的目标是从科学文献的全文中识别出所有数据引用（对研究数据的引用），并标记引用的类型（初级或次级）：
初级引用：作为论文的一部分生成的原始或处理过的数据，专门为该研究而产生。
次级引用：从现有记录或已发表的数据中派生或重用的原始或处理过的数据。
竞赛的最终目标是开发一个高性能的模型，能够持续运行在科学文献上，自动化地添加高质量且具有上下文的数据与论文之间的连接，并将其纳入MDC数据引用语料库（MDCDataCitationCorpus）。这将有助于建立开放科学数据的价值和影响力，促进数据的重用。
开始日期：2025年6月11日
参赛截止日期：2025年9月2日（参赛者必须在此日期之前接受竞赛规则）
团队合并截止日期：2025年9月2日（参赛者可以在此日期之前加入或合并团队）
最终提交截止日期：2025年9月9日
竞赛采用的评估指标是F1分数（F1-Score），它通过精确率（precision）和召回率（recall）来衡量准确性。
其中，精确率是真正例（truepositives）与所有预测为正的样本（真正例+假正例）的比率，召回率是真正例与所有实际为正的样本（真正例+假负例）的比率。F1分数平衡了精确率和召回率，一个好的检索算法会同时最大化这两个指标。
参赛者需要从测试数据集中识别出数据引用，并形成唯一的元组（article_id,dataset_id,type）。如果一篇文章中包含多个相同dataset_id和类型的引用，则只需预测一次。没有数据引用的文章不应包含在提交文件中，否则会被视为假正例并受到惩罚。在挖掘研究论文全文时，DOI可能会以完整格式或不完整格式出现，所有DOI都需要转换为完整格式（https ://doi. org/[prefix]/[suffix]）。提交文件的格式如下：
在本次竞赛中，参赛者需要从科学论文中提取所有被引用的研究数据（通过其标识符）并根据上下文将其分类为初级引用或次级引用。数据集和论文都有唯一的持久标识符，主要有以下两种类型：
数字对象标识符（DOI）：用于所有论文和部分数据集。DOI的格式为[prefix]/[suffix]，例如：
https ://doi. org/10. 1371/journal. pone.0303785
https ://doi. org/10. 5061/dryad. r6nq870
存取编号（AccessionIDs）：用于部分数据集，其形式因数据存储库而异。例如：
“GSE12345”（GeneExpressionOmnibus数据集）
“PDB1Y2T”（ProteinDataBank数据集）
“E-MEXP-568”（ArrayExpress数据集）
数据文件如下：
训练集（train/{PDF,XML}）：包含训练用的文章，格式为PDF和XML。需要注意的是，并非所有PDF文章都有对应的XML文件（大约75%有）。
测试集（test/{PDF,XML}）：包含测试用的文章，格式为PDF和XML。重新运行的测试数据集大约有2,600篇文章。
训练标签文件（train_labels. csv）：包含训练文章的标签，其中：
Primary（初级）：作为论文的一部分生成的原始或处理过的数据，专门为该研究而产生。
Secondary（次级）：从现有记录或已发表的数据中派生或重用的原始或处理过的数据。
article_id：研究论文的DOI，位于论文全文中。
dataset_id：论文中引用的数据集标识符及其引用类型。
type：引用类型，分为：
样本提交文件（sample_submission. csv）：正确格式的样本提交文件。
科学论文的全文是从EuropePMC开放获取子集下载的PDF和XML格式。
#学习大模型&讨论Kaggle#
△长按添加竞赛小助手
每天大模型、算法竞赛、干货资讯
与36000+来自竞赛爱好者一起交流~
