The Database of Faces

Our Database of Faces, (formerly 'The ORL Database of Faces'), contains a set of face images taken between April 1992 and April 1994 at the lab. The database was used in the context of a face recognition project carried out in collaboration with the Speech, Vision and Robotics Group of the Cambridge University Engineering Department.

There are ten different images of each of 40 distinct subjects. For some subjects, the images were taken at different times, varying the lighting, facial expressions (open / closed eyes, smiling / not smiling) and facial details (glasses / no glasses). All the images were taken against a dark homogeneous background with the subjects in an upright, frontal position (with tolerance for some side movement). A preview image of the Database of Faces is available.

The files are in PGM format, and can conveniently be viewed on UNIX (TM) systems using the 'xv' program. The size of each image is 92x112 pixels, with 256 grey levels per pixel. The images are organised in 40 directories (one for each subject), which have names of the form sX, where X indicates the subject number (between 1 and 40). In each of these directories, there are ten different images of that subject, which have names of the form Y.pgm, where Y is the image number for that subject (between 1 and 10).

The database can be retrieved from http://www.cl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.tar.Z as a 4.5Mbyte compressed tar file or from http://www.cl.cam.ac.uk/Research/DTG/attarchive:pub/data/att_faces.zip as a ZIP file of similar size.

A convenient reference to the work using the database is the paper Parameterisation of a stochastic model for human face identification. Researchers in this field may also be interested in the author's PhD thesis, Face Recognition Using Hidden Markov Models, available from http://www.cl.cam.ac.uk/Research/DTG/attarchive/pub/data/fsamaria_thesis.ps.Z (~1.7 MB).

When using these images, please give credit to AT&T Laboratories Cambridge.

UNIX is a trademark of UNIX System Laboratories, Inc.

Contact information Copyright © 2002 AT&T Laboratories Cambridge

Credit: https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html

The QoG Institute is an independent research institute within the Department of Political Science at the University of Gothenburg. Overall 30 researchers conduct and promote research on the causes, consequences and nature of Good Governance and the Quality of Government - that is, trustworthy, reliable, impartial, uncorrupted and competent government institutions. The main objective of our research is to address the theoretical and empirical problem of how political institutions of high quality can be created and maintained. A second objective is to study the effects of Quality of Government on a number of policy areas, such as health, the environment, social policy, and poverty. QoG Basic Dataset, which consists of approximately the 300 most used variables from QoG Standard Dataset, is a selection of variables that cover the most important concepts related to Quality of Government. In the QoG Basic CS dataset, data from and around 2018 is included. Data from 2018 is prioritized, however, if no data is available for a country for 2018, data for 2019 is included. If no data exists for 2019, data for 2017 is included, and so on up to a maximum of +/- 3 years. In the QoG Basic TS dataset, data from 1946 to 2021 is included and the unit of analysis is country-year (e.g., Sweden-1946, Sweden-1947, etc.). Purpose: The primary aim of QoG is to conduct and promote research on corruption. One aim of the QoG Institute is to make publicly available cross-national comparative data on QoG and its correlates. QoG-institutet är ett oberoende forskningsinstitut som tillhör Statsvetenskapliga institutionen vid Göteborgs universitet. Sammanlagt är det ungefär 30 forskare som bedriver internationell forskning om orsaker till och konsekvenserna av korruption och samhällsstyrningens kvalitet. Forskningen fokuserar på det teoretiska och empiriska problemet hur politiska institutioner av hög kvalitet kan skapas och upprätthållas, samt studerar effekterna av samhällsstyrningens kvalitet på ett antal olika politikområden, som exempelvis hälsa, miljö, socialpolitik och fattigdom. QoG Basic Dataset, som består av ungefär av de 300 mest använda variablerna från QoG Standard Dataset, är ett urval antal variabler som täcker de viktigaste begreppen relaterade till Quality of Government. I QoG Basic CS datasetet ingår data från omkring 2018. Data från 2018 är prioriterat, men där inga uppgifter finns tillgängliga för 2018 för ett specifikt land så ingår data för 2019. Om inga uppgifter finns tillgängliga för 2019 så ingår data för 2017 och så vidare upp till max +/- 3 år. I QoG Basic TS datasetet ingår data från 1946 till 2021 och analysenheten är land-år (t.ex. Sverige-1946, Sverige-1947, etc.). Syfte: QoG:s huvudsakliga syfte är att bedriva och främja forskning om korruption. Ytterligare ett syfte med institutet är att offentliggöra nationellt gränsöverskridande och jämförbara data. Time-series dataset: 194 countries which are members of the United Nations well as previous members of the UN provided that their de facto sovereignty has not changed substantially since they were members. Plus an addition of 17 historical countries. A total of 211 nations. Cross-sectional dataset: 194 countries which are members of the United Nations as well as previous members of the UN provided that their de facto sovereignty has not changed substantially since they were members. Tidsseriedataset: 194 länder som är medlemmar i FN, eller som tidigare varit medlemmar och vars suveränitet inte förändrats sedan medlemskapet. Samt 17 nationer som upphört att existera. Totalt 211 nationer. Tvärsnittsdataset: 194 länder som är medlemmar i FN 2002, eller som tidigare varit medlemmar och vars suveränitet inte förändrats sedan medlemskapet.

Nature's Calendar (www.naturenskalender.se, in Swedish only) is run by the Swedish National Phenology Network, a consortium of Swedish universities, governmental agencies and NGO:s. The Swedish University of Agricultural Sciences hosts the network. The main task for the Nature's calendar is to collect observations of different spring and autumn signs appearing during the vegetation season. Data about the nature's calendar is collected in two ways, the long-term environmental monitoring through "Calendars", where phenological observations are reported all through the year, and through "Checks", where phenology observations are reported during short-time campaigns, giving a snapshot of the phenological status at a certain time of the year. Calendars The long-term environmental monitoring is performed by citizen scientists and professional observers at research stations and like. Three calendars have been launched in the Nature's Calendar; the Plant's Calendar (from 2008), the Bird's Calendar (from 2016) and the Beekeeper's Calendar (between 2015 and 2018). Checks Starting in 2015, a campaign called "Vårkollen" (i.e. "Spring Check") has been run during two (April 30 - May 1) or three (April 29 - May 1) days every year. The campaign, where the phenology of only 6 species (also available in the historical phenology dataset) gives a snapshot of how spring has proceeded all over the country at this time. Aims Phenological changes in nature gives the most obvious signs of the biological effect of climate change. Spring signs, autumn signs, the start, end and length of the growing season, and many other signs in nature are basic properties of ecosystems. Also, the interaction between different organisms, e.g. flowering plants and pollinators, are affected if the nature's calendar changes. Observations reported to the Nature's Calendar can be compared to similar observations collected for more than 100 years ago (see Swedish Historical Phenology Dataset, published in another place at this platform), to detect evidence of phenological shifts over time that can be connected to climate change. The aim of the Nature's Calendar is to collect phenological data from the first spring sign to the last autumn sign, to be able to offer nation-wide data to everyone interested, to facilitate research, environmental assessments, the evaluation of environmental goals, etc, to be better prepared to meet the effects of climate change. For example, the data collected in Nature's Calendar is continuously used to evaluate the Swedish environmental objective Reduced Climate through the indicator called ”Growing Season” (www.slu.se/vaxternasvaxtsasong). Three datasets are made available in this publication: the Plant's Calendar, the Beekeeper's Calendar and the Spring Check datasets. They all originate from the same database in the Nature's Calendar, while the Bird's Calendar observations are published through the Swedish Species Observation System Portal (www.artportalen.se). In the Spring Check, Citizen Scientist's have reported observations of how far the development of - flowering of Liverleaf, Colt's-foot, Wood Anemone, Goat Willow and Bird Cherry - budburst of birch have progressed until Valpurgis Day (some years between April 29 and May 1, some years between April 30 and May 1). The aim with the data collection is to obtain nationwide data that can provide information to understand, track changes and predict effects of climate change on natural plants in Sweden by studying the progress of some species all over the country at one and the same date every year, and compare the current progress with what have been seen in historical records of the same plants. The dataset includes one file with observation data (spring_check_2015-2021.csv), one PDF file (metadata_spring_check_2015-2021.pdf) with metadata that describes how the included parameters should be interpreted and lists of included species and phases, and one PDF file (Varkollen_folder_2022.pdf) which is the instruction given to the observers (in Swedish, only). The observation data file includes totally 54 305 observations. Coordinates of the observation locations have been made diffuse, to make it impossible to trace back the observations to the observer (coordinates are rounded to 3 decimals). Naturens kalender (www.naturenskalender.se) drivs av Svenska fenologinätverket, som är ett nätverk med flera universitet, myndigheter och föreningar. SLU, Sveriges lantbruksuniversitet, är nätverkets huvudman. Huvuduppgiften för Naturens kalender är att samla in observationer av vårtecken, hösttecken och annat i naturens kalender. Data om naturens kalender samlas in på två olika sätt. Dels bedrivs en långsiktig miljöövervakning i form av ”kalendrar” där rapporter om fenologiska observationer samlas in över hela året, dels genomför vi korta ”kollar” där vi tar en ögonblicksbild av naturens kalender i landet vid en viss tidpunkt på året. Kalendrar Den långsiktiga miljöövervakningen genomförs av frivilliga och professionella medborgarforskare, s.k. fenologiväktare, i Växtkalendern (från 2008) och Fågelkalendern (från 2016). Under åren 2015-2018 fanns också Bikalendern, som förutom att samla in observationer av växters fenologi, också registrerade aktiviteter som biodlare utförde på bigården som beskriver binas aktiviteter och skötsel. Kollar Med början 2015 genomförs Vårkollen under Valborgshelgen, en 2-dagars (30/4-1/5) eller 3-dagars (29/4-1/5) kampanj där vi med hjälp av medborgarforskares observationer från hela landet får en "ögonblicksbild" av hur långt våren kommit vid den tidpunkten. I Vårkollen samlas enbart fenologiska observationer på 6 arter, vilka även förekommer i det historiska datasetet, in. Motiv och syfte Fenologiska förändringar i naturen är den tydligaste biologiska effekten av en klimatförändring. Vårtecken, hösttecken, växtsäsongens start, slut, längd och andra händelser i naturens kalender är kopplade till grundläggande egenskaper hos ekosystemen. Samspelet mellan olika arter, t.ex. växterna och deras pollinatörer, påverkas också, om naturens kalender ändras. En förändring av naturens kalender får också effekt för landets alla pollenallergiker eftersom både tidpunkten och längden på pollenperioden ändras. Observationer som samlas in i Naturens kalender kan jämföras med motsvarande observationer som gjordes för över 100 år sedan (se Svenskt historiskt fenologidataset, som publicerats på annan plats på SND), för att upptäcka fenologiska förändringar över tid som kan bero på klimatförändringar. Målet med Naturens kalender är att samla in data om allt från första vårtecken till sista hösttecken, så att vi kan erbjuda landsomfattande data till alla intresserade, för att underlätta forskning, miljömålsarbete och information och göra oss bättre rustade att möta klimatförändringens effekter. Data från Naturens kalender används exempelvis till uppföljningen av de svenska miljömålen genom miljömålsindikatorn ”Växternas växtsäsong” (www.slu.se/vaxternasvaxtsasong). Här tillgängliggörs tre dataset: Växtkalendern, Bikalendern och Vårkollen, som alla kommer från samma databas i Naturens kalender. Fågelkalenderns data publiceras i Artportalen (www.artportalen.se). I Vårkollen har medborgarforskare rapporterat in observationer av hur långt utvecklingen av - blomning hos tussilago, blåsippa, vitsippa, sälg och hägg - lövsprickning hos björk har kommit vid tidpunkten för Valborg (vissa år 29/4-1/5, andra år enbart 30/4-1/5). Målet är att bidra med landsomfattande data för att bättre kunna följa, förstå och förutse klimatförändringens effekter på vilda växter i Sverige genom att studera statusen över hela landet för de ingående arterna och faserna vid en och samma tidpunkt och jämföra dessa med historiska observationsdata för samma arter. Datasetet innehåller en fil med observationsdata (spring_check_2015-2021.csv), en PDF-fil (metadata_spring_check_2015-2021.pdf) med metadata som beskriver ingående variabler och listor på ingående arter och faser, samt en PDF-fil (varkollen_folder_2022.pdf), som är den instruktion som de som rapporterar kan läsa. Observationsdatafilen innehåller totalt 54 306 observationer. Koordinaterna för observationsplatserna har gjorts diffusa för att ta bort möjligheten att spåra observatören (avrundning till 3 decimaler).

This dataset supports a meta-analytic structural equation modelling (MASEM) study investigating the factors influencing students’ behavioural intention to use educational AI (EAI) technologies. The research integrates constructs from the Technology Acceptance Model (TAM), Theory of Planned Behaviour (TPB), and Artificial Intelligence Literacy (AIL), aiming to resolve inconsistencies in previous studies and improve theoretical understanding of EAI technology adoption.

Research Hypotheses The study hypothesized that: Students’ behavioural intention (INT) to use EAI technologies is influenced by perceived usefulness (PU), perceived ease of use (PEU), attitude (ATT), subjective norm (SN), and perceived behavioural control (PBC), as described in TAM and TPB. AI literacy (AIL) directly and indirectly predicts PU, PEU, ATT, and INT. These relationships are moderated by contextual factors such as academic level (K–12 vs. higher education) and regional economic development (developed vs. developing countries).

What the Data Shows The meta-analytic dataset comprises 166 empirical studies involving over 69,000 participants. It includes pairwise Pearson correlations among seven constructs (PU, PEU, ATT, SN, PBC, INT, AIL) and is used to compute a pooled correlation matrix. This matrix was then used to test three models via MASEM: A baseline TAM-TPB model, An internal-extended model with additional TPB internal paths, An AIL-integrated extended model. The AIL-integrated model achieved the best fit (CFI = 0.997, RMSEA = 0.053) and explained 62.3% of the variance in behavioural intention.

Notable Findings AI literacy (AIL) is the strongest predictor of intention to use EAI technologies (Total Effect = 0.408). PU, ATT, and SN also significantly influence intention. The effect of PEU on intention is fully mediated by PU and ATT. Moderation analysis showed that the relationships differ between developed and developing countries and between K–12 and higher education populations.

How the Data Can Be Interpreted and Used The dataset includes bivariate correlations between variables, publication metadata, sample sizes, coding information, and reliability values (e.g., CR scores). Suitable for replication of MASEM procedures, moderation analysis, and meta-regression. Researchers may use it to test additional theoretical models or assess the influence of new moderators (e.g., AI tool type). Educators and policymakers can leverage insights from the meta-analytic results to inform AI literacy training and technology adoption strategies.

The data material was collected in a controlled experiment that investigated the ability of laypeople to visually assess blood loss and to examine factors that may impact accuracy and the classification of injury severity. A total of 125 laypeople watched 78 short videos each of individuals experiencing a hemorrhage. Victim gender, volume of blood lost, and camera perspective were systematically manipulated in the videos. The data set consists of four variables: volume estimate, volume error, response time, and classification. Each variable has a separate sheet in the excel document. The data is from 125 individuals, each listed on a separate row with a unique ID for each individual. Each sheet includes the participant ID (anonymous number), age in years, participant sex (0 = male, 1 = female), perspective of the video clip (0 = top view, 1 = front view), and then one column for each victim gender and loss volume combination (24 total). The column label consists of M or F for male and female victim, followed by underscore and the loss volume (e.g., M_50 for male victim with 50 ml of blood loss, or F_1100 for a female victim with 1100 ml of blood loss). Volume estimates are the participants' estimate of blood loss in ml. Volume error is the estimate minus the true value, in ml. Response time is the time it took for participants to classify the bleeding as life-threatening or not, in seconds. Classification is a value from 0 to 1 for the proportion of times the participant classified that particular gender-volume combination as depicting a life-threatening blood loss . Detta dataset samlades in för en studie som undersökte lekmäns förmåga att göra bedömningar av storlek och allvarlighet av blodförlust. Data samlades in från 125 personer som bedömde blodförlusten på patienter i 78 filmer. Patientens kön, blodförlustvolymen, och kameraperspektivet manipulerade systematiskt. Detta dataset har fyra variabler: volume estimate, volume error, response time, och classification. Varje variabel återfinns på varsin flik i excel-arket. Det är 125 individer listade, en för varje rad och med ett unikt, anonymt ID. Tre individer saknar data för de variabler som ingår i detta dataset. Varje flik har också en kolumn för deltagarens kön (0 = man, 1 = kvinna), ålder i år, och perspektivet på de videofilmer deltagaren såg på (0 = vy uppifrån, 1 = vy framifrån). För varje variabel finns därefter 24 kolumner med data för alla kombinationer av den skadade patientens kön (man eller kvinna) och de 12 blodförlustvolymer som användes (från 0 till 1900 ml). Varje kolumn har ett namn som beskriver kombinationen enligt följande struktur: M eller F för patientens kön (male och female, respektive), understreck, därefter en siffra som visar blodförlust i ml. T.ex. är M_50 en manlig patient med 50 ml blodförlust och F_1100 en kvinnlig patient med 1100 ml blodförlust. Variabeln volume estimate är deltagarens uppskattning av blodförlust i ml. Variabeln volume error är uppskattningen minus den sanna volymen, i ml. Variablen response time är tiden det tog för deltagaren att klassa blödningen som antingen livshotande eller icke-livshotande, i sekunder. Variabeln classification är ett värde från 0 till 1 som visar hur frekvent deltagaren klassade just den kön-volym kombinationen som en livshotande blödning (av tre gånger). Participants took part in a controlled experiment in which they viewed a series of 78 five-second film clips featuring a person with a simulated bleeding. They were asked to, as quickly as possible, classify the video as showing a life-threatening or not life-threatening bleeding using a keyboard response. After each video, the participant was asked to estimate how large the bleeding was, classify the severity of the injury, and, if they classified the video as showing a life-threatening bleeding, to estimate how minutes it would take for the victim to die from their bleeding. The participants also completed a basic demographics questionnaire at the end of the experiment. The entire experiment took between 40 to 60 minutes to complete. The participants were students at a large south-eastern university in the USA. Participants with prior medical training or stop the bleed education were excluded. Thus, all participants were medical laypeople without prior experience. The variables varied in the videos were victim sex (male or female), blood volume (ml of blood on the floor), and rate of blood flow (in ml per minute). Further, two video sets were created, one with a top-view (camera placed above the victim) or front view (camera placed facing the victim from the front). In each video, the victim was dressed in blue, hydrophobic scrubs and were seated against a white wall. The simulated wound was not visible. The actors were positioned such that the blood flowed down their thigh and pooled between their legs. The same male and female patient actor were used for all videos. The flow rates used were 80, 200, and 400 ml/minute. The blood volumes used were 0, 50, 100, 150, 200, 300, 400, 500, 700, 900, 1100, and 1900 ml. The combination of three flow rates, 13 blood volumes, and two genders meant that there was 78 videos in total. For the current dataset, the data has been collapsed across flow rate, and the volume 0 has been excluded, meaning that there are 24 combinations (2 genders x 12 volumes). The dataset includes the response time for the initial classification, the classification response, the volume estimate, and the volume error (calculated as the difference between the true amount and the estimated amount of blood loss). Deltagarna deltog i ett kontrollerat experiment där de tittade på en serie med 78 stycken filmklipp, 5 sekunder långa, som visade en person med en simulerad blödning. De ombads att så snabbt som möjligt klassificera videon som en livshotande eller inte livshotande blödning genom att trycka på en tangent på tangentbordet. Efter varje filmklipp ombads deltagaren att uppskatta hur stor blödningen var, klassificera allvarligheten av skadan samt, om de klassificerade videon som en livshotande blödning, att uppskatta hur många minuter det skulle ta för offret att dö från blödningen. Deltagarna fyllde också i ett demografiskt frågeformulär i slutet av experimentet. Hela experimentet tog mellan 40 och 60 minuter att genomföra. Deltagarna var studenter vid ett stort universitet i sydöstra USA. Deltagare med tidigare medicinsk utbildning eller stop the bleed-utbildning uteslöts. Således var alla deltagare medicinska noviser utan tidigare erfarenhet. Variablerna som varierades i filmerna var patientens kön (man eller kvinna), blodvolym (ml blod på golvet) och flödeshastigheten på blödningen (i ml per minut). Vidare skapades två videouppsättningar, en med en vy uppifrån (kamera placerad ovanför patienten) eller framifrån (kamera placerad mot patienten framifrån). I varje video var patienten klädd i blå, hydrofoba scrubs och satt mot en vit vägg. Det simulerade såret var inte synligt. Skådespelarna var placerade så att blodet flödade nedåt låret och bildade en pöl mellan benen. Samma manliga och kvinnliga skådespelare användes för alla videor. De använda flödeshastigheterna var 80, 200 och 400 ml / minut. De använda blodvolymerna var 0, 50, 100, 150, 200, 300, 400, 500, 700, 900, 1100 och 1900 ml. Kombinationen av tre flöden, 13 blodvolymer och två kön innebar att det var 78 videoklipp totalt. För detta dataset har data kollapsats över flödeshastigheten och volymen 0 har uteslutits, vilket innebär att det finns 24 kombinationer (2 kön x 12 volymer). Data inkluderar responstiden för den initiala klassificeringen, klassificeringssvaret, volymuppskattningen och volymfelet (beräknat som skillnaden mellan den verkliga mängden och den uppskattade mängden blodförlust).

The data material was collected in a controlled experiment that investigated the ability of laypeople to visually assess blood loss and to examine factors that may impact accuracy and the classification of injury severity. A total of 125 laypeople watched 78 short videos each of individuals experiencing a hemorrhage. Victim gender, volume of blood lost, and camera perspective were systematically manipulated in the videos. Detta dataset samlades in för en studie som undersökte lekmäns förmåga att göra bedömningar av storlek och allvarlighet av blodförlust. Data samlades in från 125 personer som bedömde blodförlusten på patienter i 78 filmer. Patientens kön, blodförlustvolymen, och kameraperspektivet manipulerade systematiskt. Participants took part in a controlled experiment in which they viewed a series of 78 five-second film clips featuring a person with a simulated bleeding. They were asked to, as quickly as possible, classify the video as showing a life-threatening or not life-threatening bleeding using a keyboard response. After each video, the participant was asked to estimate how large the bleeding was, classify the severity of the injury, and, if they classified the video as showing a life-threatening bleeding, to estimate how minutes it would take for the victim to die from their bleeding. The participants also completed a basic demographics questionnaire at the end of the experiment. The entire experiment took between 40 to 60 minutes to complete. The participants were students at a large south-eastern university in the USA. Participants with prior medical training or stop the bleed education were excluded. Thus, all participants were medical laypeople without prior experience. The variables varied in the videos were victim sex (male or female), blood volume (ml of blood on the floor), and rate of blood flow (in ml per minute). Further, two video sets were created, one with a top-view (camera placed above the victim) or front view (camera placed facing the victim from the front). In each video, the victim was dressed in blue, hydrophobic scrubs and were seated against a white wall. The simulated wound was not visible. The actors were positioned such that the blood flowed down their thigh and pooled between their legs. The same male and female patient actor were used for all videos. The flow rates used were 80, 200, and 400 ml/minute. The blood volumes used were 0, 50, 100, 150, 200, 300, 400, 500, 700, 900, 1100, and 1900 ml. The combination of three flow rates, 13 blood volumes, and two genders meant that there was 78 videos in total. For the current dataset, the data has been collapsed across flow rate, and the volume 0 has been excluded, meaning that there are 24 combinations (2 genders x 12 volumes). The dataset includes the response time for the initial classification, the classification response, the volume estimate, and the volume error (calculated as the difference between the true amount and the estimated amount of blood loss). Deltagarna deltog i ett kontrollerat experiment där de tittade på en serie med 78 stycken filmklipp, 5 sekunder långa, som visade en person med en simulerad blödning. De ombads att så snabbt som möjligt klassificera videon som en livshotande eller inte livshotande blödning genom att trycka på en tangent på tangentbordet. Efter varje filmklipp ombads deltagaren att uppskatta hur stor blödningen var, klassificera allvarligheten av skadan samt, om de klassificerade videon som en livshotande blödning, att uppskatta hur många minuter det skulle ta för offret att dö från blödningen. Deltagarna fyllde också i ett demografiskt frågeformulär i slutet av experimentet. Hela experimentet tog mellan 40 och 60 minuter att genomföra. Deltagarna var studenter vid ett stort universitet i sydöstra USA. Deltagare med tidigare medicinsk utbildning eller stop the bleed-utbildning uteslöts. Således var alla deltagare medicinska noviser utan tidigare erfarenhet. Variablerna som varierades i filmerna var patientens kön (man eller kvinna), blodvolym (ml blod på golvet) och flödeshastigheten på blödningen (i ml per minut). Vidare skapades två videouppsättningar, en med en vy uppifrån (kamera placerad ovanför patienten) eller framifrån (kamera placerad mot patienten framifrån). I varje video var patienten klädd i blå, hydrofoba scrubs och satt mot en vit vägg. Det simulerade såret var inte synligt. Skådespelarna var placerade så att blodet flödade nedåt låret och bildade en pöl mellan benen. Samma manliga och kvinnliga skådespelare användes för alla videor. De använda flödeshastigheterna var 80, 200 och 400 ml / minut. De använda blodvolymerna var 0, 50, 100, 150, 200, 300, 400, 500, 700, 900, 1100 och 1900 ml. Kombinationen av tre flöden, 13 blodvolymer och två kön innebar att det var 78 videoklipp totalt. För detta dataset har data kollapsats över flödeshastigheten och volymen 0 har uteslutits, vilket innebär att det finns 24 kombinationer (2 kön x 12 volymer). Data inkluderar responstiden för den initiala klassificeringen, klassificeringssvaret, volymuppskattningen och volymfelet (beräknat som skillnaden mellan den verkliga mängden och den uppskattade mängden blodförlust).

The QoG Institute is an independent research institute within the Department of Political Science at the University of Gothenburg. The main objective of our research is to address the theoretical and empirical problem of how political institutions of high quality can be created and maintained. To achieve said goal, the QoG Institute makes comparative data on QoG and its correlates publicly available. To accomplish this, we have compiled several datasets that draw on a number of freely available data sources, including aggregated individual-level data. The QoG OECD Datasets focus exclusively on OECD member countries. They have a high data coverage in terms of geography and time. In the QoG OECD TS dataset, data from 1946 to 2021 is included and the unit of analysis is country-year (e.g., Sweden-1946, Sweden-1947, etc.). In the QoG OECD Cross-Section dataset, data from and around 2018 is included. Data from 2018 is prioritized, however, if no data are available for a country for 2018, data for 2019 is included. If no data for 2019 exists, data for 2017 is included, and so on up to a maximum of +/- 3 years. In the QoG OECD Time-Series dataset, data from 1946 to 2021 are included and the unit of analysis is country-year (e.g. Sweden-1946, Sweden-1947 and so on). QoG-institutet är ett oberoende forskningsinstitut vid Statsvetenskapliga institutionen vid Göteborgs universitet. Det huvudsakliga syftet med vår forskning är att besvara den teoretiska och empiriska frågan hur politiska institutioner av hög kvalitet kan skapas och upprätthållas. För att uppnå detta syfte tillgängliggör vi jämförande data om QoG och dess korrelationer till allmänheten. För att åstadkomma detta har vi sammanställt flera datamängder som bygger på ett antal fritt tillgängliga datakällor, inklusive aggregerad data på individnivå. QoG OECD Dataset fokuserar uteslutande på OECD:s medlemsländer. De har en hög datatäckning vad gäller geografi och tid med variabler relaterade till Quality of Government. I QoG OECD Cross-Section dataset ingår data från omkring 2018. Data från 2018 är prioriterat, men där inga uppgifter finns tillgängliga från 2018 för ett specifikt så ingår data för 2019. Om inga uppgifter finns tillgängliga för 2019 så ingår data för 2017 och så vidare upp till max +/- 3 år. I QoG OECD Time-Series dataset ingår data från 1946 till 2021 och analysenheten är land-år (t.ex. Sverige-1946, Sverige-1947 och så vidare).

Introduction:

This is the Khmer ALT of the Asian Language Treebank (ALT) Corpus. English texts sampled from English Wikinews were available under a Creative Commons Attribution 2.5 License.

Please refer to http://www2.nict.go.jp/astrec-att/member/mutiyama/ALT/index.html for an introduction of the ALT project.

Khmer ALT has been developed by NICT and NIPTICT. The license of Khmer ALT is Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) Licensehttps://creativecommons.org/licenses/by-nc-sa/4.0/*

Contents

- data_km.km-[tok|tag].nova : tokenized/POS-tagged Khmer sentences by the nova annotation system

# based on the following two guildelines

# http://www2.nict.go.jp/astrec-att/member/mutiyama/ALT/Khmer-annotation-guideline.pdf

# http://www2.nict.go.jp/astrec-att/member/mutiyama/ALT/Khmer-annotation-guideline-supplementary.pdf*

Disclaimer

[1] The content of the selected English Wikinews articles have been translated for this corpus. English texts sampled from English Wikinews were available under a Creative Commons Attribution 2.5 License. Users of the corpus are requested to take careful consideration when encountering any instances of defamation, discriminatory terms, or personal information that might be found within the corpus. Users of the corpus are advised to read Terms of Use in https://en.wikinews.org/wiki/Main_Page carefully to ensure proper usage.

[2] NICT bears no responsibility for the contents of the corpus and the lexicon and assumes no liability for any direct or indirect damage or loss whatsoever that may be incurred as a result of using the corpus or the lexicon.

[3] If any copyright infringement or other problems are found in the corpus or the lexicon, please contact us at alt-info[at]khn[dot]nict[dot]go[dot]jp. We will review the issue and undertake appropriate measures when needed.

The aim of the project was to describe drug-induced liver injury (DILI) secondary to anti-tuberculous treatment (ATT). We identified consecutive patients who developed DILI whilst on treatment for active TB; patients with active TB without DILI were selected as controls. There were 105 (6.9%) cases of ATT-associated DILI amongst 1529 patients diagnosed with active TB between April 2010 and May 2014. Risk factors for DILI were: low patient weight, HIV-1 co-infection, higher baseline ALP, and alcohol intake. Only 25.7% of patients had British or American Thoracic Society defined criteria for liver test (LT) monitoring. Half (53%) of the cases occurred within two weeks of starting ATT and 87.6% occurred within 8 weeks. Five (4.8%) of seven deaths were attributable to DILI. Complete download (zip, 28.7 KiB)

Interest in keeping dairy calves with adult cows for a period of time after calving is increasing among consumers and dairy farmers. At present, however, it is largely unexplored how dairy farmers implement cow-calf housing on their farms. This survey therefore investigated how dairy farms with cow-calf contact managed their animals during the time that cows and calves are in contact. In addition, it evaluated which aspects of management were perceived as most challenging, and how farmers dealt with these challenges. Interviews were conducted on 104 dairy farms from six European countries. The farms kept cows and calves together for at least 7 days, and sold milk to dairies. The respondent could be either the owner or the farm manager. Cow-calf farming was practised on farms with a wide range of management systems, from small farms that kept their animals outdoors throughout the year and milked cows by hand or in mobile clamp milking machines to robotic farms. Calves could be kept with the dam or foster cow for part or all of the milking period. Daily contact time varied between farms, from 15 min twice a day at milking to contact throughout the day. Many farmers had observed stress-related behaviours when cows and calves were finally separated, yet the most common separation method was to move the calves away from the cows without first reducing contact time. Constraints with existing buildings were most often cited by farmers as a difficulty in starting cow-calf farming. Structured questionnaire-based interviews regarding the management and feeding of cows and calves were conducted on 104 European dairy farms where calves were kept with adult lactating cows for at least 7 days after calving. The study collected mainly quantitative data, which allowed the inclusion of a larger number of farms. As it is not possible to identify farms with cow-calf contact in central databases, the included farms represent a non-probability sample. However, this study is currently the largest survey conducted regarding the use of cow-calf contact on commercial dairy farms. The study was designed to collect baseline data in this new area of research, and the results are therefore presented descriptively. We used Netigate to gather the interview responses and analysed the data using the softwares R, Stata and Microsoft Excel. Paths need to be customized in order for it to function (is there reference to "MyRepository" on line 6). The data file contains 114 rows and 189 columns. Intresset för att hålla mjölkraskalvar tillsammans med vuxna kor under en tid efter kalvningen ökar bland konsumenter och mjölkproducenter. I dagsläget är det dock i stora delar outforskat hur mjölkbönder implementerar kokalvhållning på sina gårdar. Denna enkätstudie undersökte därför hur mjölkgårdar med kokalvhållning sköter sina djur under tiden som korna och kalvarna har kontakt. I tillägg utvärderades vilka delar av skötseln som upplevdes som mest utmanande, och hur bönderna hanterade dessa utmaningar. Intervjuer genomfördes på 104 mjölkgårdar från sex europeiska länder. Gårdarna höll kor och kalvar tillsammans minst 7 dagar, och levererade eller processade mjölk för livsmedelsproduktion. Personen som intervjuades kunde antigen vara ägaren eller arbetsledaren på gården. Kokalvhållning praktiserades på gårdar med vitt skilda skötselsystem, från små gårdar som höll sina djur utomhus under hela året och mjölkade korna för hand eller i mobila spannmjölkningsmaskiner till robotgårdar. Kalvarna kunde hållas antingen med moderdjuret eller fosterkor under delar eller hela mjölkperioden. Den dagliga kontakttiden varierade mellan gårdarna, från 15 min två gånger per dag vid mjölkningen till kontakt under hela dygnet. Många bönder hade observerat stressrelaterade beteenden när kor och kalvar slutligen separerades, men trots detta var den vanligaste separationsmetoden att kalvarna flyttades från korna utan att kontakttiden först minskats. Begränsningar med befintliga byggnader nämndes oftast av bönderna som en svårighet för att börja med kokalvhållning. Strukturerade enkätbaserade intervjuer angående skötsel och utfodring av kor och kalvar genomfördes på 104 europeiska mjölkgårdar där kalvarna hölls med vuxna lakterande kor under minst 7 dagar efter kalvningen. Studien samlade främst in kvantitativ data, vilket möjliggjorde inkludering av ett större antal gårdar. Då det inte är möjligt att identifiera gårdar med kokalv-kontakt i centrala databaser, representerar de inkluderade gårdarna ett icke-sannolikhetsurval. Denna studie är dock i dagsläget den största enkätstudie som utförts gällande hur kokalvhållning används på kommersiella mjölkgårdar. Studien var utformad för att samla in basdata i detta nya forskningsområde, och resultaten är därför presenterades deskriptivt. Vi använde Netigate för att samla in intervjusvaren och analyserade sedan resultaten med hjälp av mjukvarorna R, Stata och Microsoft Excel. Sökvägar behöver anpassas för att det skall fungera (finns hänvisning till "MyRepository" på rad 6) Datafilen innehåller 114 rader och 189 kolumner. Non-probability sampling It is difficult to identify dairy farms with cow-calf farming from central registers. Therefore, to recruit farms, outreach activities were carried out through existing cooperation networks, personal contacts and advertising. Icke-sannolikhetsurval Det är svårt att från centrala register identifiera mjölkgårdar med ko-kalv-hållning. För att rekrytera gårdar utfördes därför uppsökande verksamhet via existerande samarbetsnätverk, personliga kontakter och annonsering.

The QoG Institute is an independent research institute within the Department of Political Science at the University of Gothenburg. The main objective of our research is to address the theoretical and empirical problem of how political institutions of high quality can be created and maintained. To achieve said goal, the QoG Institute makes comparative data on QoG and its correlates publicly available. To accomplish this, we have compiled several datasets that draw on a number of freely available data sources, including aggregated individual-level data. The QoG OECD Datasets focus exclusively on OECD member countries. They have a high data coverage in terms of geography and time. In the QoG OECD TS dataset, data from 1946 to 2021 is included and the unit of analysis is country-year (e.g., Sweden-1946, Sweden-1947, etc.). In the QoG OECD Cross-Section dataset, data from and around 2018 is included. Data from 2018 is prioritized, however, if no data are available for a country for 2018, data for 2019 is included. If no data for 2019 exists, data for 2017 is included, and so on up to a maximum of +/- 3 years. In the QoG OECD Time-Series dataset, data from 1946 to 2021 are included and the unit of analysis is country-year (e.g. Sweden-1946, Sweden-1947 and so on). The QoG OECD Datasets focus exclusively on OECD member countries. They have a high data coverage in terms of geography and time. In the QoG OECD Cross-Section dataset, data from and around 2018 is included. Data from 2018 is prioritized, however, if no data are available for a country for 2018, data for 2019 is included. If no data for 2019 exists, data for 2017 is included, and so on up to a maximum of +/- 3 years. QoG-institutet är ett oberoende forskningsinstitut vid Statsvetenskapliga institutionen vid Göteborgs universitet. Det huvudsakliga syftet med vår forskning är att besvara den teoretiska och empiriska frågan hur politiska institutioner av hög kvalitet kan skapas och upprätthållas. För att uppnå detta syfte tillgängliggör vi jämförande data om QoG och dess korrelationer till allmänheten. För att åstadkomma detta har vi sammanställt flera datamängder som bygger på ett antal fritt tillgängliga datakällor, inklusive aggregerad data på individnivå. QoG OECD Dataset fokuserar uteslutande på OECD:s medlemsländer. De har en hög datatäckning vad gäller geografi och tid med variabler relaterade till Quality of Government. I QoG OECD Cross-Section dataset ingår data från omkring 2018. Data från 2018 är prioriterat, men där inga uppgifter finns tillgängliga från 2018 för ett specifikt så ingår data för 2019. Om inga uppgifter finns tillgängliga för 2019 så ingår data för 2017 och så vidare upp till max +/- 3 år. I QoG OECD Time-Series dataset ingår data från 1946 till 2021 och analysenheten är land-år (t.ex. Sverige-1946, Sverige-1947 och så vidare).

The data set ‘Sur sulphate soil’ shows where acidic sulphate soils may be found along the coasts of Västernorrland, Västerbotten and Norrbotten. The SGU report 2019:13 describes the soils in more detail, as well as how they are investigated and classified (Becher et al. 2019). The data set can be used to identify areas where it is: viktigt att undvika markanvändning som kan leda till negativ påverkan från sur sulfatjord eller lämpligt att vidta åtgärder för att minska miljöbelastning från jordarna ‘Acid sulphate soil’ consists of a surface-covering modelling and collected point observations of acid sulphate soil. The modeled map shows the predicted distribution of acid sulphate soil. The point observations come from mapping and sampling of acid sulphate soil carried out in various projects at SGU. The classes of the surface-covering model are: ”Ej sur sulfatjord” ”Aktiv sur sulfatjord på potentiell sur sulfatjord” ”Potentiell sur sulfatjord” In addition, for each class, there is a separate grid showing how safe the classification is in each cell (from 0 to 100% probability).

The QoG Institute is an independent research institute within the Department of Political Science at the University of Gothenburg. The main objective of our research is to address the theoretical and empirical problem of how political institutions of high quality can be created and maintained. To achieve said goal, the QoG Institute makes comparative data on QoG and its correlates publicly available. To accomplish this, we have compiled several datasets that draw on a number of freely available data sources, including aggregated individual-level data. The QoG OECD Datasets focus exclusively on OECD member countries. They have a high data coverage in terms of geography and time. In the QoG OECD TS dataset, data from 1946 to 2021 is included and the unit of analysis is country-year (e.g., Sweden-1946, Sweden-1947, etc.). In the QoG OECD Cross-Section dataset, data from and around 2018 is included. Data from 2018 is prioritized, however, if no data are available for a country for 2018, data for 2019 is included. If no data for 2019 exists, data for 2017 is included, and so on up to a maximum of +/- 3 years. In the QoG OECD Time-Series dataset, data from 1946 to 2021 are included and the unit of analysis is country-year (e.g. Sweden-1946, Sweden-1947 and so on). The QoG OECD Datasets focus exclusively on OECD member countries. They have a high data coverage in terms of geography and time. In the QoG OECD Cross-Section dataset, data from and around 2018 is included. Data from 2018 is prioritized, however, if no data are available for a country for 2018, data for 2019 is included. If no data for 2019 exists, data for 2017 is included, and so on up to a maximum of +/- 3 years. In the QoG OECD Time-Series dataset, data from 1946 to 2021 are included and the unit of analysis is country-year (e.g. Sweden-1946, Sweden-1947 and so on). QoG-institutet är ett oberoende forskningsinstitut vid Statsvetenskapliga institutionen vid Göteborgs universitet. Det huvudsakliga syftet med vår forskning är att besvara den teoretiska och empiriska frågan hur politiska institutioner av hög kvalitet kan skapas och upprätthållas. För att uppnå detta syfte tillgängliggör vi jämförande data om QoG och dess korrelationer till allmänheten. För att åstadkomma detta har vi sammanställt flera datamängder som bygger på ett antal fritt tillgängliga datakällor, inklusive aggregerad data på individnivå. QoG OECD Dataset fokuserar uteslutande på OECD:s medlemsländer. De har en hög datatäckning vad gäller geografi och tid med variabler relaterade till Quality of Government. I QoG OECD Cross-Section dataset ingår data från omkring 2018. Data från 2018 är prioriterat, men där inga uppgifter finns tillgängliga från 2018 för ett specifikt så ingår data för 2019. Om inga uppgifter finns tillgängliga för 2019 så ingår data för 2017 och så vidare upp till max +/- 3 år. I QoG OECD Time-Series dataset ingår data från 1946 till 2021 och analysenheten är land-år (t.ex. Sverige-1946, Sverige-1947 och så vidare).

The QoG Institute is an independent research institute within the Department of Political Science at the University of Gothenburg. Overall 30 researchers conduct and promote research on the causes, consequences and nature of Good Governance and the Quality of Government - that is, trustworthy, reliable, impartial, uncorrupted and competent government institutions. The main objective of our research is to address the theoretical and empirical problem of how political institutions of high quality can be created and maintained. A second objective is to study the effects of Quality of Government on a number of policy areas, such as health, the environment, social policy, and poverty. QoG Standard Dataset is our largest data set consisting of more than 2,000 variables from sources related to the Quality of Government. In the QoG Standard CS dataset, data from and around 2018 is included. Data from 2018 is prioritized, however, if no data is available for a country for 2018, data for 2019 is included. If no data exists for 2019, data for 2017 is included, and so on up to a maximum of +/- 3 years. In the QoG Standard TS dataset, data from 1946 to 2021 is included and the unit of analysis is country-year (e.g., Sweden-1946, Sweden-1947, etc.). In the QoG Standard TS dataset, data from 1946 to 2021 is included and the unit of analysis is country-year (e.g., Sweden-1946, Sweden-1947, etc.). Historical countries are in most cases denoted with a do-date (e.g. Ethiopia (-1992) and a from-date (Ethiopia (1993-)). QoG-institutet är ett oberoende forskningsinstitut som tillhör Statsvetenskapliga institutionen vid Göteborgs universitet. Sammanlagt är det ungefär 30 forskare som bedriver internationell forskning om orsaker till och konsekvenserna av korruption och samhällsstyrningens kvalitet. Forskningen fokuserar på det teoretiska och empiriska problemet hur politiska institutioner av hög kvalitet kan skapas och upprätthållas, samt studerar effekterna av samhällsstyrningens kvalitet på ett antal olika politikområden, som exempelvis hälsa, miljö, socialpolitik och fattigdom. QoG Standard Dataset är vår största datauppsättning som består av mer än 2 000 variabler från källor relaterade till konceptet Quality of Government. I QoG Standard CS dataset ingår data från omkring 2018. Data från 2018 är prioriterat, men där inga uppgifter finns tillgängliga för 2018 för ett specifikt land så ingår data för 2019. Om inga uppgifter finns tillgängliga för 2019 så ingår data för 2017 och så vidare upp till max +/- 3 år. I QoG Standard TS dataset ingår data från 1946 till 2021 och analysenheten är land-år (t.ex. Sverige-1946, Sverige-1947, etc.). I QoG Standard TS datasetet ingår data från 1946 till 2021 och analysenheten är land-år (t.ex. Sverige-1946, Sverige-1947, etc.). För historiska länder redovisas i de flesta fall även år för när landet upphörde att existera (exempelvis Etiopien (-1992)). Likaså redovisas årtal för om ett land återkommer i en annan form (exempelvis Etiopien (1993-)). Time-series dataset: 194 countries which are members of the United Nations well as previous members of the UN provided that their de facto sovereignty has not changed substantially since they were members. Plus an addition of 17 historical countries. A total of 211 nations. Cross-sectional dataset: 194 countries which are members of the United Nations well as previous members of the UN provided that their de facto sovereignty has not changed substantially since they were members. Tidsseriedataset: 194 länder som är medlemmar i FN eller som tidigare varit medlemmar och vars suveränitet inte förändrats sedan medlemskapet. Samt 17 nationer som upphört att existera. Totalt 211 nationer. Tvärsnittsdataset: 194 länder som är medlemmar i FN eller som tidigare varit medlemmar och vars suveränitet inte förändrats sedan medlemskapet.

The dataset contains reports of phenological observations, made at more than 700 locations throughout Sweden between 1865 and 1951. The observations were mainly conducted by local weather observers, assigned by the Swedish Weather Service (formerly named SMCA, now SMHI), so weather data can also be found for many of these locations, to support to the phenological observations. For weather data, contact SMHI (see www.smhi.se). The dataset consists of 345 806 posts of phenology observations, in total. The main part of the phenological data consists of observations of budburst, flowering, ripening of fruits and autumn coloured leaves on plants and trees, but also spring and autumn migration of migratory birds, agricultural activities like when spring tillage begins and sowing and harvest begins, and also activities of a few insects. The dataset was digitized and supplied by the Swedish National Phenology Network (SWE-NPN), a network lead by the Swedish University of Agricultural Sciences (SLU), and includes partners from several Swedish universities, governmental agencies and non-governmental organizations. Uppsala University and SMHI has contributed to this dataset, by digitizing the original forms, which they possess. For more information about the Phenology network, see www.swe-npn.se. The phenological observations were made according to the protocol that was set by the SMCA (see uploaded files of the forms used by the observers, in Swedish). The observations was assessed regularly, on average once a week, or when needed, and the date when a new phenological phase occurred was noted in a form. Digital copies of the original forms are available on request. The dataset contains a file with observations, observation_standalone.csv, which can be used alone, without supporting files. This file contains all necessary information for using the data, e.g. coordinates (lat/long) for the location where the observation were made, species name (scientific), phenological phase and the date. The dataset also contains a file with observations, observation.csv, where the location, officiant, species and phenological phase are coded. To use this file, you need the supporting files included in the dataset, for locations, officiant names, species names and phenological phase descriptions. Datasetet innehåller rapporter om fenologiska observationer gjorda på över 700 platser i Sverige mellan åren 1865 och 1951. Observationerna gjordes framför allt av SMCA:s (Sveriges Meteorologiska Centralanstalt, föregångaren till SMHI) lokala väderobservatörer och väderdata finns att tillgå för många ställen, som stöd till dessa observationer (kontakta SMHI för data-förfrågan, se www.smhi.se). Datasetet omfattar totalt 345 806 poster med observationer. Fenologiska data består framför allt av observationer om lövsprickning, blomningstidpunkt, bärmognad och höstfärgning av löven hos växter och träd, men också ankomst- och flyttningsdatum för flyttfåglar, jordbruksaktiviteter som när vårbruket börjar och när sådd och skörd börjar, samt några insekters aktiviteter. Datasetet är digitaliserat och tillhandahålls av Svenska fenologinätverket (SWE-NPN), ett nätverk med SLU som huvudman och flera universitet, myndigheter och intresseorganisationer som partners. Uppsala universitet och SMHI har varit samarbetspartners vid digitaliseringen, då de innehar originalblanketterna och har skannat in dessa till digitala kopior. För mer information om nätverket, se www.swe-npn.se. De fenologiska observationerna gjordes enligt den instruktion som SMCA hade satt upp (se uppladdade originalblanketter i dokumentationen). Observationerna gjordes regelbundet, med ca 1 veckas mellanrum eller vid behov, och datum när en viss fas inträffat noterades på blankett. Digitala kopior av originalblanketterna kan erhållas på förfrågan. Datasetet innehåller en observationsfil, observation_standalone.csv, som kan användas helt separat, utan hjälpfiler. Denna innehåller all nödvändig information för att använda data, t.ex. koordinater (latitud/longitud) till lokalen där observationen är gjord, artnamn (latinskt), fenologisk fas samt tidpunkt. Det finns också en observationsfil, observation.csv, där plats, förrättare, art och fenologisk fas är kodade. Denna behöver övriga hjälpfiler som finns i datasetet, för att kunna kopplas till observationsplatser, förrättarens namn artnamn och fasbeskrivning.

The QoG Institute is an independent research institute within the Department of Political Science at the University of Gothenburg. Overall 30 researchers conduct and promote research on the causes, consequences and nature of Good Governance and the Quality of Government - that is, trustworthy, reliable, impartial, uncorrupted and competent government institutions. The main objective of our research is to address the theoretical and empirical problem of how political institutions of high quality can be created and maintained. A second objective is to study the effects of Quality of Government on a number of policy areas, such as health, the environment, social policy, and poverty. QoG Basic Dataset, which consists of approximately the 300 most used variables from QoG Standard Dataset, is a selection of variables that cover the most important concepts related to Quality of Government. In the QoG Basic CS dataset, data from and around 2018 is included. Data from 2018 is prioritized, however, if no data is available for a country for 2018, data for 2019 is included. If no data exists for 2019, data for 2017 is included, and so on up to a maximum of +/- 3 years. In the QoG Basic TS dataset, data from 1946 to 2021 is included and the unit of analysis is country-year (e.g., Sweden-1946, Sweden-1947, etc.). Purpose: The primary aim of QoG is to conduct and promote research on corruption. One aim of the QoG Institute is to make publicly available cross-national comparative data on QoG and its correlates. In the QoG Basic TS dataset, data from 1946 to 2021 is included and the unit of analysis is country-year (e.g., Sweden-1946, Sweden-1947, etc.). Historical countries are in most cases denoted with a do-date (e.g. Ethiopia (-1992) and a from-date (Ethiopia (1993-)). QoG-institutet är ett oberoende forskningsinstitut som tillhör Statsvetenskapliga institutionen vid Göteborgs universitet. Sammanlagt är det ungefär 30 forskare som bedriver internationell forskning om orsaker till och konsekvenserna av korruption och samhällsstyrningens kvalitet. Forskningen fokuserar på det teoretiska och empiriska problemet hur politiska institutioner av hög kvalitet kan skapas och upprätthållas, samt studerar effekterna av samhällsstyrningens kvalitet på ett antal olika politikområden, som exempelvis hälsa, miljö, socialpolitik och fattigdom. QoG Basic Dataset, som består av ungefär av de 300 mest använda variablerna från QoG Standard Dataset, är ett urval antal variabler som täcker de viktigaste begreppen relaterade till Quality of Government. I QoG Basic CS datasetet ingår data från omkring 2018. Data från 2018 är prioriterat, men där inga uppgifter finns tillgängliga för 2018 för ett specifikt land så ingår data för 2019. Om inga uppgifter finns tillgängliga för 2019 så ingår data för 2017 och så vidare upp till max +/- 3 år. I QoG Basic TS datasetet ingår data från 1946 till 2021 och analysenheten är land-år (t.ex. Sverige-1946, Sverige-1947, etc.). Syfte: QoG:s huvudsakliga syfte är att bedriva och främja forskning om korruption. Ytterligare ett syfte med institutet är att offentliggöra nationellt gränsöverskridande och jämförbara data. I QoG Basic TS datasetet ingår data från 1946 till 2021 och analysenheten är land-år (t.ex. Sverige-1946, Sverige-1947, etc.). För historiska länder redovisas i de flesta fall även år för när landet upphörde att existera (exempelvis Etiopien (-1992)). Likaså redovisas årtal för om ett land återkommer i en annan form (exempelvis Etiopien (1993-)). Time-series dataset: 194 countries which are members of the United Nations well as previous members of the UN provided that their de facto sovereignty has not changed substantially since they were members. Plus an addition of 17 historical countries. A total of 211 nations. Cross-sectional dataset: 194 countries which are members of the United Nations as well as previous members of the UN provided that their de facto sovereignty has not changed substantially since they were members. Tidsseriedataset: 194 länder som är medlemmar i FN, eller som tidigare varit medlemmar och vars suveränitet inte förändrats sedan medlemskapet. Samt 17 nationer som upphört att existera. Totalt 211 nationer. Tvärsnittsdataset: 194 länder som är medlemmar i FN 2002, eller som tidigare varit medlemmar och vars suveränitet inte förändrats sedan medlemskapet.

The QoG Institute is an independent research institute within the Department of Political Science at the University of Gothenburg. Overall 30 researchers conduct and promote research on the causes, consequences and nature of Good Governance and the Quality of Government - that is, trustworthy, reliable, impartial, uncorrupted and competent government institutions. The main objective of our research is to address the theoretical and empirical problem of how political institutions of high quality can be created and maintained. A second objective is to study the effects of Quality of Government on a number of policy areas, such as health, the environment, social policy, and poverty. The QoG Expert Survey is a unique dataset based on the QoG institution’s own web survey. In the third wave of the study (2020), 996 country experts from 117 countries have participated in the study. The data set contains information about the structure and behaviour of public administrations in a wide range of countries. There are two datasets available for the QoG Expert Survey, one individual dataset and one aggregated dataset. In the individual set each expert answers are presented individually and in the aggregated dataset we have pooled the answers by country. Previous versions of QoG Expert Survey Dataset can be found in the Data Archive of the QoG Institute. A country-level dataset based on QoG Expert Survey Data, where IRT models are used to calculate country scores for each country with at least three respondents have been included. QoG-institutet är ett oberoende forskningsinstitut som tillhör Statsvetenskapliga institutionen vid Göteborgs universitet. Sammanlagt är det ungefär 30 forskare som bedriver internationell forskning om orsaker till och konsekvenserna av korruption och samhällsstyrningens kvalitet. Forskningen fokuserar på det teoretiska och empiriska problemet hur politiska institutioner av hög kvalitet kan skapas och upprätthållas, samt studerar effekterna av samhällsstyrningens kvalitet på ett antal olika politikområden, som exempelvis hälsa, miljö, socialpolitik och fattigdom. QoG Expert Survey är en unikt framtagen datamängd baserad på QoG-institutets egna webbundersökning. I den tredje vågen av studien (2020) har 996 landsexperter från 117 länder deltagit i studien. Datamängden innehåller information om den offentliga förvaltningens struktur och beteende i en mängd olika länder. Den insamlade datan presenteras på två olika sätt, ett individuellt dataset och ett aggregerat dataset. I det individuella datasetet presenteras varje svar från de olika experterna individuellt. I det aggregerade datasetet har alla svar från forskare ifrån samma land slagits ihop och ger ett medelvärde per land. Tidigare versioner av QoG Expert Survey Dataset är tillgänglig i QoG Institutets dataarkiv. En datauppsättning på landsnivå baserad på QoG Expert Survey Data, där IRT-modeller används för att beräkna landspoäng för varje land med minst tre respondenter har inkluderats. Generally the selection have been made by searching for respondents through international networks and national, regional and international organizations, on university web sites, searches on the internet and personal research contacts. Snowball sampling has also been used. The last wave of the expert survey (the QoG Expert Survey II) was carried out in 2020.Generally the selection have been made by searching for respondents through international networks and national, regional and international organizations, on university web sites, searches on the internet and personal research contacts. Snowball sampling has also been used. The last wave of the expert survey (the QoG Expert Survey II) was carried out in 2020. I stort har urvalet tagits fram genom att söka efter respondenter via internationella forskningsnätverk och i nationella, regionala och internationella organisationer, på universitets hemsidor, sökningar på internet och egna forskarkontakter. Snöbollsurval har även används till viss del. Den sista omgång av studien (the QoG Expert Survey II) har skickats ut 2020.I stort har urvalet tagits fram genom att söka efter respondenter via internationella forskningsnätverk och i nationella, regionala och internationella organisationer, på universitets hemsidor, sökningar på internet och egna forskarkontakter. Snöbollsurval har även används till viss del. Den sista omgång av studien (the QoG Expert Survey II) har skickats ut 2020.

This dataset comprise behavioural data recorded from 61 children diagnosed with Autism Spectrum Disorders (ASD). The data was collected during a large-scale evaluation of Robot Enhanced Therapy (RET). The dataset covers over 3000 therapy sessions and more than 300 hours of therapy. Half of the children interacted with the social robot NAO supervised by a therapist. The other half, constituting a control group, interacted directly with a therapist. Both groups followed the Applied Behavior Analysis (ABA) protocol. Each session was recorded with three RGB cameras and two RGBD (Kinect) cameras, providing detailed information of children's behaviour during therapy. This public release of the dataset noes not include video recordings or other personal information. Instead, it comprises body motion, head position and orientation, and eye gaze variables, all specified as 3D data in a joint frame of reference. In addition, metadata including participant age, gender, and autism diagnosis (ADOS) variables are included. All data in this dataset is stored in JavaScript Object Notation (JSON) and can be downloaded here as DREAMdataset.zip. A much smaller archive comprising example data recorded from a single session is provided in DREAMdata-example.zip. The JSON format is specified in detail by the JSON Schema (dream.1.1.json) provided with this dataset. JSON data can be read using standard libraries in most programming languages. Basic instructions on how to load and plot the data using Python and Jupyter are available in DREAMdata-documentation.zip attached with this dataset. Please refer to https://github.com/dream2020/data for more details. The DREAM Dataset can be visualized using the DREAM Data Visualizer, an open source software available at https://github.com/dream2020/DREAM-data-visualizer. The DREAM RET System that was used for collecting this dataset is available at https://github.com/dream2020/DREAM. Denna databas omfattar beteendedata från 61 barn diagnostiserade med Autismspektrumtillstånd (AST). Insamlat data kommer från en storskalig studie på autismterapi med stöd av robotar. Databasen omfattar över 3000 sessioner från mer än 300 timmar terapi. Hälften av barnen interagerade med den sociala roboten NAO, övervakad av en terapeut. Den andra hälften, vilka utgjorde kontrollgrupp, interagerade direkt med en terapeut. Båda grupperna följde samma standardprotokoll för kognitiv beteendeterapi, Applied Behavior Analysis (ABA). Varje session spelades in med tre RGB-kameror och två RGBD kameror (Kinect) vilka analyserats med bildbehandlingstekniker för att identifiera barnets beteende under terapin. Den här publika versionen av databasen innehåller inget inspelat videomaterial eller andra personuppgifter, utan omfattar i stället anonymiserat data som beskriver barnets rörelser, huvudets position och orientering, samt ögonrörelser, alla angivna i ett gemensamt koordinatsystem. Vidare inkluderas metadata i form av barnets ålder, kön, och autismdiagnos (ADOS). All data i den här databasen är lagrad som JavaScript Object Notation (JSON) kan här laddas ned i form av DREAMdataset.zip. Ett mycket mindre arkiv med exempeldata från en enstaka session kan laddas ned separat i form av DREAMdata-example.zip. JSON-formatet finns specificerat i form av ett JSON-schema som också bifogas med denna databas. JSON kan läsas med hjälp av standardbibliotek i de flesta programspråk. Instruktioner för att läsa och visualisera datat med hjälp av Python och Jupyter bifogas i DREAMdata-documentation.zip. Vänligen besök https://github.com/dream2020/data för detaljer. Databasen kan också visualiseras med hjälp av DREAM Data Visualizer, en enkel mjukvara som finns tillgänglig i form av öppen källkod via https://github.com/dream2020/DREAM-data-visualizer. Det fullständiga systemet som användes för inspelning av denna databas finns också tillgänglig via https://github.com/dream2020/DREAM.

The QoG Institute is an independent research institute within the Department of Political Science at the University of Gothenburg. Overall 30 researchers conduct and promote research on the causes, consequences and nature of Good Governance and the Quality of Government - that is, trustworthy, reliable, impartial, uncorrupted and competent government institutions. The main objective of our research is to address the theoretical and empirical problem of how political institutions of high quality can be created and maintained. A second objective is to study the effects of Quality of Government on a number of policy areas, such as health, the environment, social policy, and poverty. The QoG Expert Survey is a unique dataset based on the QoG institution’s own web survey.1294 country experts from 159 countries have participated in the study. The data set contains information about the structure and behaviour of public administrations in a wide range of countries. There are two datasets available for the QoG Expert Survey, one individual dataset and one aggregated dataset. In the individual set each expert answers are presented individually and in the aggregated dataset we have pooled the answers by country. The QoG Expert Survey Dataset (2008-2012) can be found in the Data Archive of the QoG Institute. Purpose: The aim of QoG Expert Survey dataset is to measure the structure and behaviour of public administration across countries. QoG-institutet är ett oberoende forskningsinstitut som tillhör Statsvetenskapliga institutionen vid Göteborgs universitet. Sammanlagt är det ungefär 30 forskare som bedriver internationell forskning om orsaker till och konsekvenserna av korruption och samhällsstyrningens kvalitet. Forskningen fokuserar på det teoretiska och empiriska problemet hur politiska institutioner av hög kvalitet kan skapas och upprätthållas, samt studerar effekterna av samhällsstyrningens kvalitet på ett antal olika politikområden, som exempelvis hälsa, miljö, socialpolitik och fattigdom. QoG Expert Survey är en unikt framtagen datamängd baserad på QoG-institutets egna webbundersökning. 1 294 experter från 159 länder har deltagit i undersökningen. Datamängden innehåller information om den offentliga förvaltningens struktur och beteende i en mängd olika länder. Den insamlade datan presenteras på två olika sätt, ett individuellt dataset och ett aggregerat dataset. I det individuella datasetet presenteras varje svar från de olika experterna individuellt. I det aggregerade datasetet har alla svar från forskare ifrån samma land slagits ihop och ger ett medelvärde per land. QoG Expert Survey 2008-2012 är tillgänglig i QoG Institutets dataarkiv. Syfte: Syftet med datamängden för QoG Expert Survey är att mäta struktur och beteende hos den offentliga förvaltningen i fler olika länder. There have been three waves for the QoG Expert Survey I (excluding pilot survey). Generally the selection have been made by searching for respondents through international networks and national, regional and international organizations, on university web sites, searches on the internet and personal research contacts. Snowball sampling has also been used. A new wave of the expert survey (the QoG Expert Survey II) was carried out in 2014. Enkäten i QoG Expert Survey I har skickats ut i tre omgångar (förutom förstudie). I stort har urvalet tagits fram genom att söka efter respondenter via internationella forskningsnätverk och i nationella, regionala och internationella organisationer, på universitets hemsidor, sökningar på internet och egna forskarkontakter. Snöbollsurval har även används till viss del. En ny omgång av studien (the QoG Expert Survey II) har skickats ut 2014.