{
  "fetched_at": "2026-10-19T16:14:14Z",
  "source_url": "https://www.kaggle.com/competitions/eci2019nlp/data",
  "pages": [
    {
      "name": "rules",
      "content": " - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "data-description",
      "content": "<h2>Descripción de los archivos</h2>\n<ul>\n<li><strong>snli_1.0_{train,dev,test}_filtered.jsonl</strong> - contienen todos los campos sobre los cuales hacer train/dev/test respectivamente. Son archivos .jsonl, es decir, cada línea es un json. </li>\n<li><strong>snli_1.0_{train,dev}_gold_labels.csv</strong> - archivos que contienen las clases a predecir (neutral, entailment o contradiction) para cada ejemplo del jsonl, identificado por su campo \"pairID\" </li>\n<li><strong>read_data.py</strong> - script para facilitar la lectura de los datos </li>\n<li><strong>generate_answer.py</strong> - script para facilitar la generación de la respuesta </li>\n<li><strong>sample.csv</strong> - una submission de ejemplo en el formato correcto </li>\n</ul>\n",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Description",
      "content": "<p>Uno de los datasets más famosos de Natural Language Inference es <a href=\"https://nlp.stanford.edu/projects/snli/\">SNLI</a>. En esta tarea se debe responder, dadas dos frases A y B, si B es implicación de A (\"entailment\"), B es contradictorio con A (\"contradiction\") o si lo que enuncia B es neutral respecto de A (\"neutral\"). Se dice que A es la premisa y B es la hipótesis.\n</p>\n<p>\nEn  <a href=\"https://www.aclweb.org/anthology/N18-2017\">Gururangan et al., 2018</a> mostraron que este dataset tiene algunos sesgos, provocados por ejemplo por las heurísticas que tienen los humanos para generar estos pares de frases (A, B). Para ello, desarrollaron un modelo que aún sin observar la premisa A pudiera clasificar el par (A, B) en alguna de las tres clases del dataset.\n</p>\n<p>\nEn este trabajo práctico intentaremos predecir a qué clase pertenece cada una de las hipótesis sin observar la premisa. La idea es replicar los resultados publicados en <a href=\"https://www.aclweb.org/anthology/N18-2017\">Gururangan et al., 2018</a> y mejorarlos si es posible utilizando clasificadores más complejos.\n</p>\n\n<h2>Condiciones de entrega</h2>\n<p>\nAdemás de realizar al menos un envío replicando los resultados del paper antes mencionados, se deberá entregar el código del trabajo práctico junto a un breve informe que explique la idea del modelo implementado y una indicación de cómo ejecutar el programa si fuera necesaria. Ambos elementos se deben enviar al mail germank+eci2019 (así, con el más eci2019, todo junto) arroba gmail punto com.\n\nEl trabajo podrá hacerse en grupos de hasta 3 personas. Los integrantes deben estar registrados enviando el siguiente formulario: <a href=\"https://forms.gle/gdqZ4WWcU6xucgqu8\">https://forms.gle/gdqZ4WWcU6xucgqu8</a>\n</p>",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "La métrica a utilizar será categorical accuracy: la proporción total de los datos que fueron categorizados correctamente.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}