Dataset Viewer
Auto-converted to Parquet Duplicate
id
stringlengths
5
8
vw_text
stringlengths
308
27.3k
raw_text
stringlengths
75
271
1.txt
1.txt |@author fuchs preobrazhensky tabachnikov |@word автограф математический:14 автор:3 кейс математика:14 рассказывать образование красота:4 книга:19 ограничиваться стандартный:2 школьный дорога интересный:3 красивый:4 проблема задача:5 состоять:2 тридцать лекция:4 рассматриваться вопрос обязательно встречаться экза...
@title Автограф # «Математический дивертисмент» | @snippet Авторы кейс-стади по математике рассказывают об образовании, красоте и, конечно, о своей книге
2.txt
2.txt |@word книга:2 лекция:3 рассматриваться:6 писать:4 журнал:2 конец:2 работа появиться лагерь термин советский:22 жить работать школа очередь:2 страна:3 большой часть активный находиться участник настоящий:5 творчество издание случай:2 инициатива издательство американский общество:6 воспитываться третье половина пр...
@title Главы: Маскулинности в российском контексте | @snippet Отрывок из книги «12 лекций по гендерной социологии» социологов Елены Здравомысловой и Анны Темкиной о трансформации различных моделей маскулинности в российском контексте
3.txt
3.txt |@word развитие появляться пиджина:4 беликов:2 переход термин язык:2 происходить |@author belikov |@2gramm новый_гвинея означать_понятие каков_происхождение существовать_пример |@post_tag язык лингвистика креольский_язык пиджин |@title пиджины и креольские языки |@snippet лингвист владимир беликов о языке-лексифи...
@title Пиджины и креольские языки | @snippet Лингвист Владимир Беликов о языке-лексификаторе, креолизации и языках Новой Гвинеи
4.txt
4.txt |@word стандартный задача:3 состоять:4 рассматриваться встречаться культура:2 появляться многие использовать:3 работа:3 сша пора:2 последний:3 появиться удивительно проводиться страна большой часть название:2 известно активный:2 находиться:2 обеспечивать питание:5 решение случай начало:2 связь принцип особенно ог...
@title FAQ: Физиология микроводорослей | @snippet 6 фактов об исследовании соединений, синтезируемых микроводорослями, и их возможном биотехнологическом использовании
5.txt
5.txt |@2gramm повседневный_практика государственный_идеология традиционный_общество внешний_политика:2 давать_ответ общественный_развитие человеческий_жизнь общественный_жизнь тесно_связать наиболее_востребовать российский_империя советский_период знаменитый_формула новый_идеология большинство_страна гражданский_общес...
@title Русская государственная идеология | @snippet Историк Андрей Зорин о символической карте реальности, общественном консенсусе и задачах имперского строительства
6.txt
6.txt |@word видовой категория место выбирать публиковать разный postnauka рубрика заключаться шимпанзе лекция:2 поведение:4 использование взять существовать появляться посоветовать прочитать возникнуть момент:2 должный черта последний:2 начинаться искусство основа опубликовать современный древний:3 происхождение разли...
@title Древнейший Homo sapiens: в погоне за первым человеком | @snippet Антрополог Станислав Дробышевский о происхождении современного вида человека, поведении Homo sapiens и различии человека и шимпанзе
7.txt
7.txt |@2gramm цвета_кожа:2 довольно_поздно дать_бог разный_группа сильно_меняться разный_вариант довольно_большой довольно_трудно крупный_размер центральный_америка некоторый_группа размер_тело:3 грудной_клетка довольно_длинный западный_побережье:2 форма_нос большой_вероятность некоторый_считать оставить_след плохо_из...
@title Американоиды | @snippet Антрополог Станислав Дробышевский о характерных признаках, расселении и причинах малоизученности американских индейцев
8.txt
8.txt |@word место рассказывать учёный будущее профессия дисциплина сегодняшний говорить перспектива:3 |@post_tag образование квантовые_технологии квантовая_оптика квантовая_физика технологии наука |@author ivar lvovski |@2gramm квантовый_технология новый_программа:2 квантовый_криптография следовать_ждать научный_сообщ...
@title Перспективы: Квантовые технологии | @snippet Физик Александр Львовский в новой программе «Перспективы» рассказывает о Российском Квантовом Центре, «Star Trek» и квантовой криптографии
9.txt
9.txt |@word идея работать развиваться:2 технология сергей магический пуля специалист область |@post_tag медицина биология нанобиотехнологии технологии |@2gramm означать_понятие |@author deyev |@title тераностика |@snippet биолог сергей деев об идее магической пули, гибридных структурах и наночастицах золота
@title Тераностика | @snippet Биолог Сергей Деев об идее магической пули, гибридных структурах и наночастицах золота
10.txt
10.txt |@word автограф отношение:3 автор:3 образование мало:2 интересный:2 проблема:2 задача:2 глаз часто:2 сакральный:2 бывать культура:16 взять теорема:3 подобный чаща писать:2 журнал:2 многие стать:2 работа:5 отражать студент показатель момент идея:7 сюжет внутри книга:4 характеризоваться лагерь повышенный термин:5 ...
@title Главы # Гуманитарная классика: между наукой и литературой | @snippet Глава из книги Сергея Зенкина "Работы о теории" в новом проекте журнала ПостНаука
11.txt
11.txt |@word про стандартный необходимый состоять уходить встречаться социология:2 создаваться конец работа жена иной земля противостоящий уверенность говорить:2 жить:4 сила находиться поработать качество интересно период дисциплина длительность:2 семья:2 муж заставлять число хотеть факт место рассматривать возникать ...
@title Время праздников | @snippet Социолог Виктор Вахштайн о смене временной перспективы, ритмичности социальной жизни и празднике как эксклаве жизни
12.txt
12.txt |@word образование:2 про мало ограничиваться проблема часто:3 вопрос фонд:12 появляться размер:2 значение академический:2 стоить:2 многие использовать работа:2 сша:2 студент выделяться последний пропорция research:5 советский отдельный создать работать:6 запад:2 организация:3 международный:2 германия принять про...
@title Точка зрения # Система грантов | @snippet Мнения экспертов ПостНауки, насколько ученый зависит от грантов
13.txt
13.txt |@word побежать необходимый должный препятствие:3 распространяться достаточно большой камень особенность случай вихревой кольцо:2 популяционный слух начало цунами рябь механический пруд круговой затухать энергия:6 удар расстояние увеличиваться периметр:2 падать единица переключение поддержание браться понятный р...
@title Автоволны | @snippet Биофизик Константин Агладзе о вихревых кольцах, популяционных волнах и слухах как автоволнах
14.txt
14.txt |@word рассказывать необходимый помощь ситуация рынок химический открыть конец исследование молекулярный опубликовать материал:2 новый большой позволять:2 синтезировать фактически былой задать получать:2 дисциплина область выйти собрать условие полезный:2 некий клик:6 химия:6 барри лекарство:2 ph chemistry собир...
@title Клик-химия | @snippet Химик Валерий Фокин о синтезе новых соединений, исследованиях Барри Шарплесса и азид-алкиновом циклоприсоединении
15.txt
15.txt |@word мало интересный задача частота создаваться стать использовать:3 работа:2 момент последний появиться советский традиция работать:4 вещий:2 очередь новый:2 название активный находиться:2 конференция проект:7 сегодняшний перевод область постнаука широкий связь:2 реализация особенно:2 стараться градус число с...
@title «Есть фантастическая идея построить датчики для выполнения мысленных команд» | @snippet Физик Алексей Акимов о квантовых симуляторах, лазерном охлаждении и левитирующих поездах
16.txt
16.txt |@author avetisov |@2gramm молекулярный_машина:9 доставка_лекарство атомный_масштаб:4 возможность_создание молекулярный_структура достаточно_большой огромный_часть некоторый_смысл физический_закон достаточно_сложный достаточно_точно удаться_разработать создание_искусственный технологический_революция определённы...
@title Молекулярные машины | @snippet Физик Владик Аветисов о сборке структур атомного размера, перспективах доставки лекарств и природных молекулярных машинах в клетках
17.txt
17.txt |@word изменение:4 приспособление интерес материал:6 образовать:3 создать:4 раствор:3 состоять частота подобный чувствовать:7 распознавать:2 звук:7 сан человеческий:6 закономерность прикосновение текстура:3 поговорить понять повлиять многие деталь использовать работа прозрачный:4 плёнка:13 конструкционный пластм...
@title Электронная кожа: «Наша e-skin способна распознавать структуру и “ощущать” звуки» | @snippet Профессор Хон Сан Ли об искусственной коже, которая может «чувствовать», как человеческая
18.txt
18.txt |@word математик интернет данный обладать сеть:3 появление провайдер достоинство проблема принцип открытый закрытый:2 недостаток разница |@post_tag общество компьютерные_сети интернет технологии |@author smelyanskij |@2gramm принцип_построение компьютерный_сеть |@title программно-конфигурируемые сети |@snippet м...
@title Программно-конфигурируемые сети | @snippet Математик Руслан Смелянский о закрытых сетях, проблемах интернет-провайдеров и кибероружии
19.txt
19.txt |@word ситуация элемент определённый состоять поведение ценность социология считать стандарт:2 присущий формироваться гофман идея мода:2 вещий обозначение двойной модный:3 |@post_tag социология общество мода |@author gofman |@2gramm способ_поведение конкретный_момент |@title социология моды |@snippet социолог ал...
@title Социология моды | @snippet Социолог Александр Гофман о стандартах поведения, атрибутивных ценностях и ситуации двойного обозначения
20.txt
20.txt |@word физический безопасность близость тревога актуальный установка реорганизация калифорния вектор учреждение этнически гомогенный разнородный абстрактный оказывать дорога проблема вопрос:2 реконструкция:4 культура:17 автор массивный создаваться стать:5 работа:3 отражать:2 наглядно решить пора объединение:2 кн...
@title Главы: Культура как способ структурирования пространства | @snippet Отрывок из книги «Культуры городов» социолога Шарон Зукин о визуальной репрезентации городов и формировании общественного пространства для взаимодействия между различными социальными группами
21.txt
21.txt |@word математический математика природный природа:2 помощь предсказание:2 катализ:2 превращение безусловно:2 компонент нереально смоделировать затрата максимальный зафиксировать переменный:2 регрессия экстраполировать статистика дизайн дошлый недавно обрабатывать работа удел:2 эволюция:2 основать комбинация пер...
@title Химия в мезопространстве | @snippet Химик Валерий Фокин о роли эксперимента в науке, предсказании результата химической реакции и биологическом катализе
22.txt
22.txt |@word приобретать флуктуация состоять большой:3 центр аккреция:6 аккреции:4 возвратный геология финансы термин прибавление увеличение астрофизик:2 метеорит лететь километр юпитер притягивать:2 комета создать захватить газопылевой облако:2 сжиматься гравитация середина образовываться:2 звезда:2 вращаться:2 космо...
@title Аккреция | @snippet Астрофизик Сергей Попов о сверхмассивных черных дырах, образовании планет и аккреции вещества в ранней Вселенной
23.txt
23.txt |@word автор:5 математика:2 наглядно книга:6 вопрос взять переводиться установка дизайн использовать:3 работа:10 пора последний:5 появиться математик оставить школа:2 курс большой буквально:5 часть название известно этнометодология:11 умереть этнометодологический:8 параллель этнография изнутри разобраться непоср...
@title 5 книг об этнометодологии | @snippet Что читать о социологической школе Гарольда Гарфинкеля, рекомендует профессор факультета социологии НИУ ВШЭ Светлана Баньковская
24.txt
24.txt |@word распределить вписать соответственно ингредиент:2 занять повезти про представлять оказывать высокий наоборот получаться маленькая поведение:3 обязательно скажем:3 должный приводить частичный массивный размер удивительный объесть каков:2 центр становиться исследование использовать выделять эволюция интересн...
@title Внутреннее строение экзопланет | @snippet Астрофизик Сергей Попов о веществах планетарных недр, типах экзопланет и зависимости плотности от размера
25.txt
25.txt |@word автор образование мало интересный проблема:2 задача:2 часто:4 бывать:3 культура:2 появляться:2 чаща:2 значение:2 писать:2 конец многие:3 стать использовать:3 отражать:2 выделяться записать последний означать заниматься:6 традиция:5 регион работать очередь прошлое новый:2 большой:3 известно находиться:4 пу...
@title Античная эпиграфика | @snippet Историк Аскольд Иванчик о корпусе античных авторов, источниках изучения разговорного языка и низовой литературе Древней Греции
26.txt
26.txt |@post_tag культура фольклор народная_культура россия календарь |@word дата:2 календарь:3 хозяин плохой:2 исследователь называть считаться соответствие сохраниться различие традиция |@2gramm русский_народный:2 |@author dobrovolskaya |@title русский народный календарь |@snippet фольклорист варвара добровольская о...
@title Русский народный календарь | @snippet Фольклорист Варвара Добровольская о хозяевах времени, плохих датах и различии календарей
27.txt
27.txt |@word приспособление:2 разный цвета экваториальный:3 задача волос глаз:2 встречаться европеоид:2 работорговля признак спинка:2 тысяча:3 вогнутый повышенный:2 распространить слой удивительно:2 отдельный жить:2 продолжаться континент:4 палеоантропология австралоид делиться южноафриканский яркий ультрафиолет:2 пов...
@title Негроиды | @snippet Антрополог Станислав Дробышевский о приспособлении к жизни в экваториальных областях и расселении представителей негроидной расы
28.txt
28.txt |@word каковой абстрактный:2 красивый проблема:6 задача:4 состоять:2 глаз часто:2 критика полка писать:3 конец многие использовать:2 момент:2 пришлый сказываться последний появиться жить работать:2 облако середина образовываться новый:2 аналог заполнить ради известно высота называться описывать:3 собрать:2 интер...
@title FAQ: История открытия антиматерии | @snippet 5 фактов об античастицах, проблеме отрицательных энергий и практическом применении антиматерии
29.txt
29.txt |@word север мало интересный вопрос:2 обязательно взять компонент:2 подобный размер недавно использовать работа сша пора выделение последний появиться:2 research жить работать участвовать германия новый страна:5 часть название:2 известно:2 активный:2 находиться:3 путём фактически непосредственно зона принадлежат...
@title FAQ: Микроорганизмы в болотах | @snippet 5 фактов о биосферных функциях болот, численности населяющих их микроорганизмов и трудностях их исследования
30.txt
30.txt |@word книга проблема точно взгляд естествознание:3 историография:2 зарождение:2 уайт:2 эндрю томас аргументация христианство усилие преодолеть богословие стен осудить работа ловушка ренессанс сменить кодекс хирург анатом анри медицина медицинский дискуссия школа новый религия:6 называться:2 активно настоящий ка...
@title Кризис истории естествознания в XX веке | @snippet Историк Дмитрий Балалыкин о понятии протонауки, концепции конфликта науки и религии и новой историографии
End of preview. Expand in Data Studio

PostNauka

Origin and credits

This Russian science communication corpus contains texts from PostNauka, whose authors and editors created the original articles. The historical corpus description says “publications up to February 2017”; individual publication dates have not been verified.

Related research includes N. A. Chirkova and K. V. Vorontsov, Additive Regularization for Hierarchical Multimodal Topic Modeling, Journal of Machine Learning and Data Analysis, 2(2), 187–200 (2016), DOI: 10.21469/22233792.2.2.05, primary PDF. That paper describes an earlier PostNauka corpus of 1,728 documents, rather than the larger populations below.

Related work also includes Irina V. Efimova's 2017 Master's thesis at Moscow Institute of Physics and Technology, Иерархическая мультимодальная тематическая модель коллекции научно-популярных текстов (thesis).

Configurations and text fields

Both configurations retain the three columns id, raw_text, and vw_text and the historical row order. bag-of-words remains the default.

Configuration Rows raw_text vw_text
bag-of-words 3,404 Title/snippet display text Multimodal BOW features and counts
natural-order-of-words 3,446 Full text from the original cleaned document with the same NOOW ID Prepared tokens in natural order

Each NOOW raw_text is the corresponding original cleaned file decoded once as UTF-8. Headings, snippets, separators, line breaks and other whitespace are retained. There is no further normalization or inferred character-offset alignment between raw_text and prepared vw_text.

Reconstructed document correspondence

data/document-correspondence.json contains 3,403 one-to-one BOW-to-NOOW pairs reconstructed with the existing PostNauka adapter. For each BOW document, every NOOW document sharing at least one @word token is a candidate. The matcher compares token-set Jaccard scores, accepts a unique maximum without a threshold, and checks the resulting assignments for collisions. There are zero collisions. This is a reproducible token-based reconstruction, not exact human ground truth.

BOW document 8.txt remains unresolved: NOOW documents 7810.txt and 9419.txt tie at score 0.2. The JSON also lists all 43 unmapped NOOW IDs. The two configurations therefore have different populations, and a BOW ID must not be used directly as a NOOW ID.

The files data/noow/topics.json and data/noow/topic_documents.json describe the historical reference topic model with 19 topics plus one background topic and use NOOW IDs; any transfer to BOW must pass through the reconstructed mapping and retain the unresolved case.

For local, offline use, run this example from the downloaded dataset repository (requires datasets):

import json
from pathlib import Path
from datasets import load_dataset

root = Path(".")
bow = load_dataset(str(root.resolve()), "bag-of-words", split="train")
noow = load_dataset(str(root.resolve()), "natural-order-of-words", split="train")
correspondence = json.loads((root / "data/document-correspondence.json").read_text(encoding="utf-8"))
mapping = correspondence["bow_to_noow"]
noow_by_id = {row["id"]: row for row in noow}
for bow_row in bow:
    noow_id = mapping.get(bow_row["id"])
    if noow_id is None:
        continue  # Unresolved BOW document; no match is guessed.
    full_text = noow_by_id[noow_id]["raw_text"]
    # Use full_text alongside bow_row's unchanged multimodal features.

Preparation and integrity

This package combines the historical BOW and NOOW representations with the cleaned source documents. NOOW raw_text is decoded directly from those documents; vw_text contains the prepared features. The token-based correspondence above links the two populations where a unique match is available.

Run sha256sum -c SHA256SUMS from this directory to check the files listed in SHA256SUMS.

Rights

The TopicNet license concerns the TopicNet distribution and does not establish permission to redistribute the underlying PostNauka articles. The PostNauka about page states that all rights are reserved. Permission to redistribute the full articles remains unresolved.

Historical BOW statistics

The following tables describe the 3,404-document BOW representation and are retained from the original dataset card without recalculation. They do not describe the 3,446-document NOOW population.

Some measurable characteristics of the BOW dataset:

  • D — number of documents
  • <modality name> W — modality dictionary size (number of unique tokens)
  • <modality name> len D — average document length in modality tokens (number of tokens)
  • <modality name> len D uniq — average document length in unique modality tokens (number of unique tokens)
D @title W @title len D @title len D uniq @2gramm W @2gramm len D @2gramm len D uniq @3gramm W @3gramm len D @3gramm len D uniq @snippet W @snippet len D @snippet len D uniq @word W @word len D @word len D uniq @post_tag W @post_tag len D @post_tag len D uniq @author W @author len D @author len D uniq
value 3404 13546 3.97944 3.98002 163289 47.9697 37.0029 5848 1.71798 1.30288 46033 13.5232 13.5256 1.43373e+06 421.189 254.58 18031 5.297 5.297 3685 1.08255 1.08255

The @snippet modality is a piece of raw text designed to display top documents.

Information about document lengths in modality tokens:

len_total@title len_total@2gramm len_total@3gramm len_total@snippet len_total@word len_total@post_tag len_total@author len_uniq@title len_uniq@2gramm len_uniq@3gramm len_uniq@snippet len_uniq@word len_uniq@post_tag len_uniq@author
mean 3.98002 47.9697 1.71798 13.5244 421.189 5.297 1.08255 3.98002 37.0029 1.30288 13.5256 254.58 5.297 1.08255
std 2.21452 49.9748 3.07432 3.0559 482.422 2.01979 0.413483 2.21452 35.4885 1.81957 3.05377 249.288 2.01979 0.413483
min 1 0 0 5 3 1 0 1 0 0 5 3 1 0
25% 2 15 0 12 106 4 1 2 13 0 12 80 4 1
50% 3.5 33 1 13 294 5 1 3.5 27 1 13 197 5 1
75% 5 67 2 15 563 6 1 5 52 2 15 343 6 1
max 22 778 69 28 4892 18 4 22 444 27 28 2277 18 4

There exists a reference "gold-standard" topic model for 19 + 1 (background) topics. Information about the topics is available for the natural word order version of the dataset.

Citations

@article{chirkova2016hierarchical,
  author = {Chirkova, N. A. and Vorontsov, K. V.},
  title = {Additive Regularization for Hierarchical Multimodal Topic Modeling},
  journal = {Journal of Machine Learning and Data Analysis},
  year = {2016},
  volume = {2},
  number = {2},
  pages = {187--200},
  doi = {10.21469/22233792.2.2.05},
  url = {https://publications.hse.ru/pubs/share/direct/210878218.pdf}
}

@mastersthesis{efimova2017hierarchical,
  author = {Efimova, Irina V.},
  title = {Иерархическая мультимодальная тематическая модель коллекции научно-популярных текстов},
  school = {Moscow Institute of Physics and Technology},
  year = {2017},
  language = {Russian},
  url = {http://www.machinelearning.ru/wiki/images/2/24/Efimova_Diploma.pdf}
}
Downloads last month
56