HouseOfTheDragonQA: Open-Domain Long-form Context-Aware QA Pairs for TV Series
Notice bibliographique
Résumé
This paper proposes a novel approach to develop an open-domain and long-form Over-The-Top (OTT) Question-Answering (QA) dataset, HouseOfTheDragonQA, specifically oriented to the “House of the Dragon” TV series. Most of the existing QA datasets have focused on short, fact-based answers sourced almost solely from Wikipedia articles-bereft of the depth and contextual richness required for sophisticated narrative understanding. Our dataset is curated using legally admissible and high-quality open-domain sources to combine full episode summaries from HBO and fandom wiki websites, user reviews from IMDb and Rotten Tomatoes, and structured data from repositories such as WikiData. The dataset provides a multidimensional context, capturing complex character dynamics and plot developments from these varied sources. On equal terms, rigorous data preprocessing and filtering methods ensure that only meaningful and non-spam, unbiased reviews will be present in this enhanced dataset. The long-form answers generated from this enriched context provide comprehensive insights, making this dataset particularly valuable for improving conversational AI, narrative analysis, sentiment analysis, summarization techniques, and relation extraction. Comparative analysis with state-of-the-art QA datasets like SQuAD 2.0, TriviaQA, and Natural Questions (NQ) demonstrates the unique advantages of our dataset in terms of contextual complexity and answer length. The inclusion of detailed reviews offers added layers of audience sentiment and narrative interpretation, setting a new benchmark for quality in domain-specific QA tasks. Our effort enables advanced comprehension of entertainment-industry content and paves the way for more knowing and creative AI-driven interactions within digital media settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,010 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».