---
dataset_info:
  features:
  - name: text
    dtype: string
  splits:
  - name: train
    num_bytes: 1007749.44
    num_examples: 720
  - name: test
    num_bytes: 279930.4
    num_examples: 200
  - name: eval
    num_bytes: 111972.16
    num_examples: 80
  download_size: 625570
  dataset_size: 1399651.9999999998
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
  - split: test
    path: data/test-*
  - split: eval
    path: data/eval-*
---
# Legislação UFAM

Este é um dataset que contém as legislações acadêmicas da Universidade Federal do Amazonas presente [nesta página](https://proeg.ufam.edu.br/normas-academicas/57-proeg/146-legislacao-e-normas.html).

Ele é composto de 3 partes:

- `pdf`: esta pasta contém todos os arquivos em pdf da página referenciada baixados com o uso em conjunto das bibliotecas `requests` e `BeautifulSoup`;
- `text`: esta pasta contém o texto presente nos arquivos da pasta pdf, detectado usando a [libtesseract](https://github.com/tesseract-ocr/tesseract);
- `data`: esta pasta contém um `Dataset` de perguntas com contexto e resposta, no formato requerido pelo modelo
[Llama-2-7b-chat-hf](https://huggingface.co/meta-llama/Llama-2-7b-chat-hf):

```
<s>
[INST] Dado o seguinte contexto: {contexto}
Responda a seguinte pergunta: {pergunta} [/INST]
{resposta}
</s>
```

O `Dataset` presente em `data` foi gerado com o uso do modelo `gpt-4o-mini` da OpenAI, da seguinte forma:
1. Selecionamos aleatoriamente 3 trechos de legislação dos textos presentes na pasta `text`;
2. Submetemos esses 3 trechos em conjunto com o seguinte prompt para o modelo:
```
prompt = """\
Você é alguém associado à UFAM (estudante, professor ou funcionário). \
Você deve, dado um conjunto de até 3 artigos da legislação da UFAM separados \
por quebra de linha, gerar até 3 perguntas e as respostas dessas perguntas, \
e responder com um array JSON contendo objetos com as chaves 'question' e 'answer'. \
Se não for possível extrair nenhuma informação significativa das 3 linhas dadas como \
input, retorne um array vazio. Se fizer sentido, tente fazer perguntas que se utilizam \
de mais de uma linha da entrada. Responda com o JSON cru, sem nenhuma formatação adicional. \
Não cite nominalmente os artigos se não souber a lei da qual eles fazem parte, tanto na pergunta quanto na resposta. \
Não faça menção direta ou indireta ao contexto nas perguntas (não fale sobre a "legislação mencionada" ou algo do tipo).
Se alguma palavra não fizer sentido no texto, corrija-a."""
```
3. Repetimos o processo até termos 1000 exemplos de triplas (pergunta, contexto, resposta).
4. Essas triplas foram convertidas para o formato descrito acima.