《Scientific Data》：SoFAIR Dataset - A multidisciplinary dataset of research papers annotated with software mentions
编辑推荐：
本研究针对学术论文中软件引用标准不一、难以追溯与利用的问题，由SoFAIR项目与CLARIN-PL团队合作，通过文本筛选、Softcite工具自动预标注与人工标注金标准流程，构建了一个跨学科软件提及标注数据集。该数据集涵盖18个学科的近500篇文献，包含超过9,000个软件提及和2,000个提及间关联，并以TEI XML格式、CC-BY许可开放。此成果为评估语言模型、开发软件抽取工具、支持研究可重复性与认可开发者贡献提供了宝贵资源。
在数字化研究日益普及的今天，科学软件已成为推动各学科发展的关键基础设施。从生物信息学的序列比对工具到计算物理学的仿真模拟平台，软件代码与研究成果的关联愈发紧密。然而，一个长期存在的“暗物质”问题阻碍了科学生态系统的透明与高效：学术文献普遍缺乏对所用软件的标准化、结构化描述。软件引用格式千差万别，名称缩写的滥用使其难以辨识，版本信息的缺失让结果复现困难重重。这不仅损害了研究的可重复性，也让软件开发者的智力贡献在学术评价体系中被严重低估。为照亮这片“暗物质”，推动开放科学与研究诚信，由SoFAIR项目与CLARIN-PL团队合作的研究应运而生，旨在构建一个大规模、高质量、跨领域的学术软件提及标注资源库，相关成果发表于《Scientific Data》。
本研究主要采用了几个关键技术方法。首先，从18个不同科学学科的出版文献中进行有针对性的文本选择，以保障数据来源的多样性。随后，利用专为识别学术文本中软件提及而设计的“Softcite”软件提及工具，对所有文档进行全自动的预标注处理，生成了初始的软件提及候选集。最为关键的一步是，研究者建立了严格的标注指南，并由人工标注专家对预标注结果进行精细化的审查、修正与丰富，最终形成高质量的金标准（gold standard）标注数据，其中不仅识别了软件实体，还标注了提及间的关系。
数据集的构建与内容
研究人员通过系统的工作流程，最终构建了名为SoFAIR的数据集。该数据集的核心内容来自于近500篇研究论文全文，这些论文横跨包括生命科学、社会科学、物理学、计算机科学等在内的18个不同科学学科，确保了其广泛的代表性和多领域适用性。通过自动化与人工结合的标注流程，该数据集最终包含了超过9,000个独立的软件提及。这些提及并非简单罗列，而是被系统地划分为“软件名称”、“版本”、“发布者”、“URL”等共计10个不同的语义类别，实现了对软件信息的多维度、结构化描述。此外，数据集中还包含了超过2,000组“关系”（relations），用以刻画不同软件提及之间的关联，例如一个版本信息归属于某个特定的软件名称。这一丰富、多层次的标注结构，使得该数据集远超简单的术语列表，成为一个深度语义化的知识资源。
数据集的格式、可用性与统计特征
为促进数据集的广泛使用与互操作性，研究者选择将其发布为TEI XML格式。TEI（文本编码倡议）是一种在数字人文领域广泛使用的标准文本编码框架，其结构化特性完美适配了本数据集复杂的标注体系。数据集遵循知识共享署名（CC-BY）许可协议开放获取，最大程度地降低了重用障碍。论文中提供了详尽的统计数据，例如展示了不同软件类别在数据集中出现的频次分布，揭示了哪些类型的软件信息（如名称、版本）在学术文献中被更频繁地提及或缺失。这些统计不仅直观地反映了当前学术写作中软件引用的现状与痛点，也为后续研究，如开发更精准的软件提及自动识别模型，提供了关键的评估基准和训练数据。
结论与讨论
本研究成功构建并发布了SoFAIR数据集，这是目前一个大规模、多学科、深度标注的学术文献软件提及资源。它系统化地捕捉并结构化地描述了研究论文中软件实体的多种属性及其相互关系。这项工作的重要意义体现在三个层面：在方法论层面，它通过公开高质量的标注数据与详尽的统计，为后续开发与评估更先进的自然语言处理（NLP）模型，特别是用于软件提及识别（Software Mention Recognition, SMR）和命名实体识别（Named Entity Recognition, NER）的模型，提供了至关重要的基准（benchmark）资源。在科研实践层面，该数据集直接服务于“研究可重复性”（research reproducibility）和“数据重用”（data reuse）两大核心目标。通过提升软件引用的可发现性与规范性，它能显著降低其他学者复现或拓展已有研究的工作门槛。在科研文化层面，它有助于推动对软件作为重要科研产出的认可，使软件开发者的贡献在学术评价中得到更公正的衡量，从而激励高质量科研软件的持续产出与共享。总之，SoFAIR数据集犹如一把钥匙，为解锁学术文献中蕴藏的软件知识、构建更透明、可重复、协作高效的现代科学生态系统奠定了坚实的数据基础。
