Datasets:

seantrott
/

sawc

Word stringclasses 102 values	Same_sense stringclasses 2 values	Sentence_1 stringlengths 14 41	Sentence_2 stringlengths 14 41	Sense_id_s1 int64 1 4	Sense_id_s2 int64 1 4	Gender_s1 stringclasses 3 values	Gender_s2 stringclasses 3 values	mean_relatedness float64 1 5	sd_relatedness float64 0 1.9	median_relatedness float64 1 5	count int64 10 17
aceite	Different Sense	Compró el aceite de oliva	Compró el aceite de motor	1	2	male	male	3.176471	1.667157	4	17
aceite	Same Sense	Compró el aceite de motor	Compró el aceite de carro	2	2	male	male	4.647059	0.606339	5	17
aceite	Same Sense	Compró el aceite de oliva	Compró el aceite de cocina	1	1	male	male	4.764706	0.437237	5	17
ala	Same Sense	Le gustó el ala sureste	Le gustó el ala remodelada	1	1	female	female	4.647059	0.701888	5	17
algodón	Different Sense	Evaluó el algodón sembrado	Evaluó el algodón endulzado	1	2	male	male	2.882353	1.763603	3	17
algodón	Same Sense	Evaluó el algodón cultivado	Evaluó el algodón sembrado	1	1	male	male	4.764706	0.562296	5	17
arte	Same Sense	Se trataba del arte renacentista	Se trataba del arte abstracto	2	2	male	male	4.470588	1.328422	5	17
banco	Different Sense	Era un banco financiero	Era un banco plástico	1	2	male	male	1.294118	0.587868	1	17
caja	Different Sense	Ella vio la caja registradora	Ella vio la caja percusiva	1	3	female	female	2	1.118034	2	17
caja	Different Sense	Ella vio la caja registradora	Ella vio la caja sellada	1	2	female	female	2.705882	1.358524	2	17
cámara	Different Sense	Se trataba de la cámara gubernamental	Se trataba de la cámara digital	1	2	female	female	1.235294	0.437237	1	17
cámara	Different Sense	Se trataba de la cámara gubernamental	Se trataba de la cámara principal	1	3	female	female	2.941176	1.477777	3	17
cámara	Different Sense	Se trataba de la cámara senatorial	Se trataba de la cámara digital	1	2	female	female	1.470588	1.124591	1	17
cámara	Different Sense	Se trataba de la cámara senatorial	Se trataba de la cámara principal	1	3	female	female	3.058824	1.560072	3	17
campo	Same Sense	Era un campo competitivo	Era un campo biológico	1	1	male	male	2.647059	1.578812	2	17
carrera	Different Sense	Fue una carrera académica	Fue una carrera benéfica	1	2	female	female	1.882353	1.536325	1	17
casco	Different Sense	Le gustó el casco de la ciclista	Le gustó el casco urbano	1	2	male	male	1.294118	0.587868	1	17
casco	Same Sense	Le gustó el casco urbano	Le gustó el casco de la ciudad	2	2	male	male	4.117647	1.536325	5	17
caudal	Different Sense	Era un caudal heredado	Era un caudal ecológico	1	2	male	male	2.588235	1.734172	2	17
cinta	Different Sense	Usó la cinta decorativa	Usó la cinta quirúrgica	2	4	female	female	2.882353	1.653872	3	17
cinta	Different Sense	Usó la cinta pegante	Usó la cinta rosada	1	2	female	female	3.058824	1.748949	4	17
cinta	Same Sense	Usó la cinta adhesiva	Usó la cinta pegante	1	1	female	female	4.882353	0.485071	5	17
clase	Same Sense	Se trataba de una clase de geología	Se trataba de una clase aburrida	2	2	female	female	4.705882	0.985184	5	17
clima	Different Sense	El clima estaba tenso	El clima estaba lluvioso	1	2	male	male	2.647059	1.729927	2	17
colonia	Different Sense	Era una colonia de hombre	Era una colonia rebelde	1	2	female	female	1.411765	0.618347	1	17
colonia	Different Sense	Era una colonia fragante	Era una colonia de hormigas	1	3	female	female	1.588235	1.175735	1	17
colonia	Same Sense	Era una colonia abandonada	Era una colonia rebelde	2	2	female	female	4.058824	1.144038	4	17
colonia	Same Sense	Era una colonia oprimida	Era una colonia rebelde	2	2	female	female	4.411765	1.121318	5	17
compañía	Same Sense	Le gustó la compañía teatral	Le gustó la compañía de actores	2	2	female	female	4.235294	1.347656	5	17
copa	Different Sense	Él vio la copa deportiva	Él vio la copa vacía	1	2	female	female	1.529412	0.624264	1	17
corazón	Different Sense	Tenía el corazón angustiado	Tenía el corazón operado	1	2	male	male	3.764706	1.393261	4	17
cordón	Different Sense	Se trataba de un cordón biológico	Se trataba de un cordón inalámbrico	2	3	male	male	2	1.322876	1	17
cordón	Different Sense	Se trataba de un cordón de lona	Se trataba de un cordón inalámbrico	1	3	male	male	2.764706	1.640481	2	17
corte	Different Sense	Le gustó la corte judicial	Le gustó el corte de pelo	2	3	female	male	1.176471	0.392953	1	17
corte	Different Sense	Le gustó la corte suprema	Le gustó el corte asimétrico	2	3	female	male	1.176471	0.392953	1	17
corteza	Different Sense	Estaba en la corteza geológica	Estaba en la corteza del árbol	1	2	female	female	2.352941	1.271868	2	17
corteza	Different Sense	Estaba en la corteza terrestre	Estaba en la corteza cerebral	1	3	female	female	2.294118	1.358524	2	17
corteza	Different Sense	Estaba en la corteza terrestre	Estaba en la corteza crocante	1	4	female	female	2.235294	1.25147	2	17
corteza	Same Sense	Estaba en la corteza cerebral	Estaba en la corteza prefrontal	3	3	female	female	4.823529	0.528594	5	17
cuadro	Different Sense	No le gustó el cuadro de síntomas	No le gustó el cuadro pintoresco	1	2	male	male	1.176471	0.528594	1	17
cubo	Different Sense	Le gustó el cubo tridimensional	Le gustó el cubo plástico	1	2	male	male	3.058824	1.675955	3	17
cuerdas	Different Sense	Tenía cuerdas de terreno	Tenía cuerdas vocales	2	3	female	female	1.411765	0.618347	1	17
cuerdas	Different Sense	Tenía cuerdas forestadas	Tenía cuerdas inflamadas	2	3	female	female	1.823529	0.951006	2	17
cuerdas	Different Sense	Tenía cuerdas sintéticas	Tenía cuerdas de terreno	1	2	female	female	2.352941	1.366619	2	17
cuerdas	Different Sense	Tenía cuerdas sintéticas	Tenía cuerdas forestadas	1	2	female	female	3.117647	1.268974	3	17
cuerdas	Same Sense	Tenía cuerdas de terreno	Tenía cuerdas forestadas	2	2	female	female	2.764706	1.347656	3	17
depresión	Different Sense	Se trataba de una depresión geológica	Se trataba de una depresión psicológica	1	2	female	female	1.470588	0.799816	1	17
fibra	Different Sense	Carecía fibra moral	Carecía fibra dietética	1	2	female	female	2.176471	1.236694	2	17
frente	Different Sense	Era un frente lluvioso	Era una frente arrugada	1	2	male	female	1.176471	0.528594	1	17
función	Different Sense	Era una función biológica	Era una función lineal	1	2	female	female	2	0.935414	2	17
hábito	Different Sense	Era un hábito irritante	Era un hábito de lona	1	2	male	male	1.235294	0.437237	1	17
lengua	Different Sense	Le gusta la lengua castellana	Le gusta la lengua marinada	1	2	female	female	1.235294	0.562296	1	17
lengua	Same Sense	Le gusta la lengua cocida	Le gusta la lengua marinada	2	2	female	female	4.352941	1.366619	5	17
mano	Different Sense	Tenía una mano dura	Tenía una mano lastimada	1	2	female	female	3.470588	1.585782	4	17
mano	Same Sense	Tenía una mano arrugada	Tenía una mano sudada	2	2	female	female	4.529412	1.328422	5	17
nota	Different Sense	Era una nota aguda	Era una nota académica	1	2	female	female	1.529412	1.06757	1	17
papa	Different Sense	Era una papa podrida	Era un papa jesuita	1	2	female	male	1.470588	1.328422	1	17
pastor	Different Sense	Era un pastor evangélico	Era un pastor de ovejas	1	2	male	male	2.294118	1.358524	3	17
periódico	Different Sense	Se trataba de un periódico global	Se trataba de un periódico plegado	1	2	male	male	3.647059	1.366619	4	17
periódico	Different Sense	Se trataba de un periódico local	Se trataba de un periódico estrujado	1	2	male	male	3.941176	1.144038	4	17
pico	Different Sense	Dibujó el pico montuno	Dibujó el pico amarillo	1	2	male	male	2.470588	1.230734	3	17
pico	Same Sense	Dibujó el pico del ave	Dibujó el pico amarillo	2	2	male	male	4.352941	0.996317	5	17
pieza	Different Sense	Le gustó la pieza flamenca	Le gustó la pieza añadida	1	2	femael	female	2.470588	1.504894	2	17
pieza	Same Sense	Le gustó la pieza abstracta	Le gustó la pieza contemporánea	3	3	female	female	4.647059	0.996317	5	17
pista	Different Sense	Era una pista de baile	Era una pista falsa	1	2	female	female	1.117647	0.332106	1	17
pista	Same Sense	Era una pista clave	Era una pista falsa	2	2	female	female	4.588235	0.939336	5	17
planta	Different Sense	Estaba en la planta baja	Estaba en la planta del pie	2	3	female	female	1.470588	0.874475	1	17
planta	Same Sense	Estaba en la planta del pie	Estaba en la planta izquierda	3	3	female	female	2.176471	1.509772	1	17
prima	Same Sense	Era una prima anual	Era una prima costosa	1	1	female	female	4.176471	1.380004	5	17
pupila	Same Sense	Tenía una pupila estudiosa	Tenía una pupila aplicada	2	2	female	female	4.470588	1.124591	5	17
químico	Different Sense	Era un químico negligente	Era un químico tóxico	1	2	male	male	2.294118	1.403776	2	17
red	Different Sense	Era una red cibernética	Era una red de cuerda	1	2	female	female	1.705882	0.985184	1	17
rosa	Same Sense	Era un rosa claro	Era un rosa tenue	2	2	male	male	4.647059	0.996317	5	17
semilla	Same Sense	Era una semilla germinada	Era una semilla sembrada	2	2	female	female	4.764706	0.664211	5	17
seno	Different Sense	Estaba en el seno familiar	Estaba en el seno izquiero	1	2	male	male	1.235294	0.562296	1	17
seno	Different Sense	Estaba en el seno social	Estaba en el seno operado	1	2	male	male	1.411765	0.712287	1	17
sierra	Different Sense	Era una sierra eléctrica	Era una sierra nevada	1	2	female	female	1.176471	0.528594	1	17
sostén	Different Sense	Era un sostén emocional	Era un sostén sedoso	1	2	male	male	1.588235	0.939336	1	17
sueño	Different Sense	Él abandonó su sueño	Él tenía sueño	1	2	male	male	2	1.172604	1	17
sueño	Same Sense	Él alcanzó su sueño	Él abandonó su sueño	1	1	male	male	4.764706	0.970143	5	17
título	Different Sense	Le gustó el título halagador	Le gustó el título legal	1	3	male	male	2.470588	1.462773	3	17
título	Same Sense	Le gustó el título legal	Le gustó el título propietario	3	3	male	male	4	1.118034	4	17
ala	Different Sense	Le gustó el ala sureste	Le gustó el ala de águila	1	2	female	female	1.181818	0.603023	1	11
algodón	Same Sense	Evaluó el algodón endulzado	Evaluó el algodón caramelizado	2	2	male	male	5	0	5	11
arte	Same Sense	Se trataba del arte de mentir	Se trataba del arte de guerra	1	1	male	male	4.272727	1.00905	5	11
banco	Same Sense	Era un banco plástico	Era un banco cómodo	2	2	male	male	4.454545	0.8202	5	11
baño	Different Sense	Disfrutó el baño caliente	Disfrutó el baño privado	1	2	male	male	3.636364	1.361817	4	11
baño	Different Sense	Disfrutó el baño caliente	Disfrutó el baño remodelado	1	2	male	male	2.090909	0.831209	2	11
baño	Same Sense	Disfrutó el baño caliente	Disfrutó el baño frío	1	1	male	male	4.454545	1.29334	5	11
cadena	Different Sense	Era una cadena de oro	Era una cadena de reo	1	2	female	female	3.181818	1.250454	3	11
calle	Different Sense	Condujo en la calle marginal	Condujo en la calle resbalosa	1	2	female	female	4.272727	1.103713	5	11
calle	Different Sense	Condujo en la calle principal	Condujo en la calle resbalosa	1	2	female	female	4.727273	0.64667	5	11
cámara	Different Sense	Se trataba de la cámara digital	Se trataba de la cámara remodelada	2	3	female	female	1.454545	0.8202	1	11
capital	Different Sense	Le gustó la capital holandesa	Le gustó el capital económico	1	2	female	male	1.090909	0.301511	1	11
carrera	Same Sense	Fue una carrera benéfica	Fue una carrera olímpica	2	2	female	female	4	1.48324	5	11
cima	Different Sense	Estaba en la cima de la montaña	Estaba en la cima de la fama	1	2	female	female	2.636364	1.501514	2	11
cinta	Different Sense	Usó la cinta adhesiva	Usó la cinta métrica	1	3	female	female	3.363636	1.433369	4	11
clase	Different Sense	Se trataba de una clase media	Se trataba de una clase aburrida	1	2	female	female	1.545455	0.522233	2	11
clase	Different Sense	Se trataba de una clase social	Se trataba de una clase de geología	1	2	female	female	1.727273	1.190874	1	11
colonia	Different Sense	Era una colonia sutil	Era una colonia rebelde	1	2	female	female	1.727273	1.103713	1	11

End of preview. Expand in Data Studio

SAW-C: Spanish Ambiguous Words—in Context

SAW-C contains relatedness judgments about Spanish ambiguous words in minimal pair contexts, e.g.,
"She liked the marinated lamb" vs. "She liked the friendly lamb".
The dataset was originally published in NAACL 2025.

102 words.
812 sentence pairs (average of 28 per word).
Annotated for Same vs. Different Sense.
Crowd-sourced relatedness judgments.

Dataset Format

Main file: saw-c.csv
Key columns:

Word: Target word
Sentence_1, Sentence_2: Sentence pair being contrasted
Gender_s1, Gender_s2: Grammatical gender of target word in each sentence
mean_relatedness: Mean relatedness score across human participants
sd_relatedness: Standard deviation of human ratings
count: Number of annotators

Citation

APA:

Rivière, P. D., Beatty-Martínez, A. L., & Trott, S. (2025). Evaluating Contextualized Representations of (Spanish) Ambiguous Words: A New Lexical Resource and Empirical Analysis. In Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers) (pp. 8322–8338). https://aclanthology.org/2025.naacl-long.422/

Citation (BibTex):

@inproceedings{riviere-etal-2025-evaluating,
    title = "Evaluating Contextualized Representations of ({S}panish) Ambiguous Words: A New Lexical Resource and Empirical Analysis",
    author = "Riviere, Pamela D  and
      Beatty-Mart{\'i}nez, Anne L.  and
      Trott, Sean",
    editor = "Chiruzzo, Luis  and
      Ritter, Alan  and
      Wang, Lu",
    booktitle = "Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Volume 1: Long Papers)",
    month = apr,
    year = "2025",
    address = "Albuquerque, New Mexico",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2025.naacl-long.422/",
    pages = "8322--8338",
    ISBN = "979-8-89176-189-6",
    abstract = "Lexical ambiguity{---}where a single wordform takes on distinct, context-dependent meanings{--}serves as a useful tool to compare across different language models' (LMs') ability to form distinct, contextualized representations of the same stimulus. Few studies have systematically compared LMs' contextualized word embeddings for languages beyond English. Here, we evaluate semantic representations of Spanish ambiguous nouns in context in a suite of Spanish-language monolingual and multilingual BERT-based models. We develop a novel dataset of minimal-pair sentences evoking the same or different sense for a target ambiguous noun. In a pre-registered study, we collect contextualized human relatedness judgments for each sentence pair. We find that various BERT-based LMs' contextualized semantic representations capture some variance in human judgments but fall short of the human benchmark. In exploratory work, we find that performance scales with model size. We also identify stereotyped trajectories of target noun disambiguation as a proportion of traversal through a given LM family`s architecture, which we partially replicate in English. We contribute (1) a dataset of controlled, Spanish sentence stimuli with human relatedness norms, and (2) to our evolving understanding of the impact that LM specification (architectures, training protocols) exerts on contextualized embeddings."
}

Downloads last month: 73

Size of downloaded dataset files:

96.7 kB

Size of the auto-converted Parquet files:

28.6 kB

Number of rows:

812