연구진은 GitHub 저장소를 북미산업분류표(NAICS)에 따라 분류하는 NAICS-GH 데이터셋을 공개했어요. 이 데이터셋은 미국, EU, 호주 지역 6,588개 저장소를 포함하며, 2자리 NAICS 코드로 분류돼 있어요.
데이터셋은 BAAI/bge-large-en 임베딩, FAISS 검색, GPT-4.1 룰 기반 채점 파이프라인을 통해 생성되었으며, 96.98%의 정확도를 보장해요.
RoBERTa-large 모델은 이 데이터셋에서 86.45%의 F1 점수와 86.35%의 정확도를 기록했으며, 데이터셋, 메타데이터, 파이프라인 코드 등이 오픈소스로 공개됐어요.