farabi-lab/Orthography-and-Spelling

🇰🇿 Kazakh Orthographic and Quantifier Refinement

📖 Overview

This dataset contains 1,504 samples focusing on common orthographic and grammatical nuances in the Kazakh language.

---

📊 Dataset Statistics

General Metrics

Metric	Count
Total Samples	1,504
Total Words (approx.)	68,469
Avg. Words per Sample	45

Word Count Distribution (Per Field)

The following table details the distribution of word counts across different fields:

Field	Mean	Median	Min	Max	Total Words
correction	22.8	22.0	8	89	34,308
domain	1.2	1.0	1	4	1,764
prompt	8.6	8.0	3	18	12,912
response	6.0	6.0	2	17	8,982
text	6.0	6.0	2	17	8,999

---

📂 Dataset Structure

Data Fields

• sample_id (int64): Unique numerical identifier.
• prompt (string): The user request (e.g., "Check for orthographic and grammatical errors").
• text (string): The input sentence containing a subtle error.
• response (string): The linguistically accurate version of the sentence.
• correction (string): A rule-based explanation (e.g., explaining why plural suffixes are omitted after quantifiers like "көп").
• domain (string): The contextual domain, including Business and General communication.

📝 Data Instance Example

 {
    "sample_id": 1,
    "prompt": "Мәтіндегі орфографиялық және грамматикалық қателерді тексеріп беріңіз.",
    "text": "Бүгін дүкеннен көп алмалар сатып алдым.",
    "response": "Бүгін дүкеннен көп алма сатып алдым.",
    "correction": "Қазақ тілінде \"көп\", \"бірнеше\" сияқты мөлшерлік сөздер зат есімнің алдына келгенде, зат есімге көптік жалғауы жалғанбайды. Себебі мөлшерлік сөздің өзі көптікті білдіреді.",
    "domain": "Business"
  }