数据集概述
本数据集是论文《How do Hugging Face Models Document Datasets, Bias, and Licenses? An Empirical Study》的复现包，包含研究相关的数据集与脚本，支持复现论文中关于Hugging Face模型文档规范的实证分析结果。
文件详解
该数据集按根目录及研究问题（RQ1-RQ3）分类组织，具体说明如下：
- 根目录文件：
- statistics.r：R脚本，用于计算使用量与下载量的相关性，以及RQ1/RQ2的评分者间一致性
- modelsInfo.zip：压缩文件，包含所有下载的JSON格式模型卡片
- script：目录，包含数据收集与处理脚本（详见目录内README）
- Dataset目录文件：
- Dataset_HF-models-list.csv：Hugging Face模型分析列表
- Dataset_github-prj-list.txt：使用transformers库的GitHub项目列表
- Dataset_github-Prj_model-Used.csv：项目与模型的使用配对数据
- Dataset_prj-num-models-reused.csv：各GitHub项目使用的模型数量
- Dataset_model-download_num-prj_correlation.csv：模型名称、任务、复用项目数及下载量数据
- RQ1目录文件：
- RQ1_dataset-list.txt：Hugging Face数据集列表
- RQ1_datasetSample.csv：数据集手动分析的模型样本集
- RQ1_analyzeDatasetTags.py：分析模型标签中数据集声明的Python脚本（需解压modelsInfo.zip）
- RQ1_countDataset.py：处理模型标签分析结果的Python脚本，输出数据集声明类型
- RQ1_datasetTags.csv：模型标签分析结果文件
- RQ1_dataset_usage_count.csv：数据集声明类型统计结果文件
- RQ2目录文件：
- tableBias.pdf：模型任务偏差类型统计表
- RQ2_bias_classification_sheet.csv：偏差手动标注结果
- RQ2_isBiased.csv：偏差文档声明的评分者间一致性计算文件
- RQ2_biasAgrLabels.csv：偏差类别评分者间一致性计算文件
- RQ2_final_bias_categories_with_levels.csv：模型偏差类别层级数据
- RQ3目录文件：
- RQ3_LicenseValidation.csv：许可证样本手动验证数据
- RQ3_{NETWORK-RESTRICTIVE|RESTRICTIVE|WEAK-RESTRICTIVE|PERMISSIVE}-license-list.txt：不同许可性的许可证列表
- RQ3_prjs_license.csv：项目许可证标签与名称数据
- RQ3_models_license.csv：模型许可证存在性及类型数据
- RQ3_model-prj-license_contingency_table.csv：模型与项目许可证使用列联表
- RQ3_models_prjs_licenses_with_type.csv：项目-模型配对的许可证及许可性层级数据
适用场景
- 自然语言处理研究：复现Hugging Face模型文档规范的实证分析结果
- 开放数据集治理：研究模型数据集、偏差及许可证的文档实践
- 学术论文复现：支持相关论文研究结果的验证与扩展分析
- 机器学习伦理研究：分析模型偏差文档的现状与规范需求
