Dataset Viewer
Auto-converted to Parquet Duplicate
text
stringlengths
10
5.37k
ދަރުމަވަންތަ ހޮސްޕިޓަލާ ދިމާ މޫދުން އަނިޔާވެފައި އޮއްވައި ފެނުނު މީހާ މަރުވެއްޖެ
ދަރުމަވަންތަ ހޮސްޕިޓަލާ ދިމާ ބޭރު ތޮށި މޫދުން އަނިޔާވެފައި އޮއްވައި މިއަދު ފެނުނު މީހާ މަރުވެއްޖެއެވެ.
އައިޖީއެމްއެޗްގެ ޑޮކްޓަރުންނާ ހަވާލާދީ ފުލުހުން ބުނީ މޫދުން ފެނުނު މީހާގެ ބޮލަށް އަނިޔާވެފައިވާ ކަމަށާއި މި މީހާގެ ބޮލުގައި އުޅަނދަކުން ޖެހިފައިވާ ކަމަށެވެ.
އަދި ފަރުވާ ދެމުން ދަނިކޮށް އޭނާ މަރުވެފައިވާ ކަމަށް ފުލުހުން ދެންމެ ބުންޏެވެ.
އޭނާ އަށް އަނިޔާވީ ތޮށިގަނޑާ ދިމާލުން ދުއްވާފައި ދިޔަ "އުޅަނދެއް" ގައި ޖެހިގެން ކަމަށް ބެލެވޭ ކަމަށް ފުލުހުން ބުނެފައިވެ އެވެ.
އުމުރުން 55 އަހަރުގެ މީހާ މޫދަށް އެރި އުޅުނު ސަރަހައްދުގައި ލޭންޑިން ކްރާފްޓެއް އޮތެވެ.
މައުލޫމާތު ލިބިފައިވާ ގޮތުގައި އެމީހާއަށް އަނިޔާވީ އެ ލޭންޑިން ކްރާފްޓް އޭނާގެ ގައިމަތިން ދިޔުމުންނެވެ.
އަނިޔާވެފައި އޮއްވާ ފެނުނު މީހާ މޫދުން ނަގާ މަންޒަރުގެ ވީޑިއޯ މިހާރު ވަނީ ސޯޝަލްމީޑިއާގައި އާންމުކޮށްފަ އެވެ.
ވީޑިއޯ އިން ފެންނަ ގޮތުގައި އެމީހާ މޫދުން ނަގައިގެންދާއިރު އެއްވެސް ހަރަކާތެއް ނެތެވެ.
އެ ސަރަހައްދަކީ އާއްމުކޮށް މީހުން މޫދަށް އެރި އުޅޭ ސަރަހައްދެއް ނޫނެވެ.
މި މައްސަލަ ފުލުހުން ދަނީ ތަހުގީގުކުރަމުންނެވެ.
ކެފޭއެއްގެ ތެރޭގައި ހިންގި މާރާމާރީއެއްގައި އަނިޔާވި މީހަކަށް ފަރުވާދެނީ
މާލެގައި މިރޭ ހިންގި މާރާމާރިއެއްގައި އަނިޔާވި މީހަކަށް އައިޖީއެމްއެޗްގައި ފަރުވާ ދޭން ފަށައިފިއެވެ.
ފުލުހުން ވިދާޅުވީ މާފަންނު ޝަހީދު އަލީ ގޯޅީގައި ހުރި ކެފޭ އެއްގައި މާރަމަރިއެއް ހިންގަފައިވާ މައްސަލައެއް މިރޭ ރިޕޯޓްކޮށްފައިވާކަމަށެވެ.
އަދި މި މާރާމާރީގައި 44 އަހަރުގެ ދިވެހި ފިރިހެނަކަށް އަނިޔާވެފައިވާކަމަށާއި އެމީހާއަށް ފަރުވާ ދިނުމަށްޓަކައި އައިޖީއެމްއެޗްއަށް ގެންގޮސްފައިވާކަމަށެވެ.
ފުލުހުން ވިދާޅުވީ މި މައްސަލައާ ގުޅިގެން އެއވެސް މީހަކު އަދި ހައްޔަރުކޮށްފައިނުވާކަމަށާއި އެ މައްސަލަ ތަޙްޤީގު ކުރަމުންދާކަމަށެވެ.
ލޭންޑިން ކްރާފްޓުން ޖެހުނު މީހާ މަރުވެއްޖެ
ފުލުހުން ބުނީ އަނިޔާވި މީހާއަށް ފަރުވާ ދެނިކޮށް މަރުވެފައިވާ ކަމަށެވެ.
އެއީ 55 އަހަރުގެ މީހެއް ކަމަށް ވެސް ބުންޏެވެ.
ދަރުމަވަންތަ ހޮސްޕިޓަލުގެ ބޭރު ތޮށި މޫދުގައި އޮއްވާ ލޭންޑިން ކަރާފްޓެއް ގައިމަތީން ދިއުމުން އަނިޔާވި މީހާ ފަރުވާ ދެނިކޮށް މަރުވެއްޖެ އެވެ.
ފުލުހުން ބުނީ އަނިޔާވި މީހާއަށް ފަރުވާ ދެނިކޮށް މަރުވެފައިވާ ކަމަށެވެ.
އެއީ 55 އަހަރުގެ މީހެއް ކަމަށް ވެސް ބުންޏެވެ.
މި މަސައްކަތުގައި އަހަރެމެން ހަމަ ހަމަ ވާނެ އިންސާފުވެރި ވާނެ އިތުބާރު ދަމަހައްޓާނެ
ގާނޫނު އަސާސީއަށް ގެނައި އިސްލާހުތައް ބާތިލްކުރާ މައްސަލަ ކޯޓުން ބަލައިގެންފި
ރާއްޖޭގެ ގާނޫނު އަސާސީ އަށް ގެނައި އިސްލާހު ބާތިލްކުރުމަށް އެދި ސުޕްރީމް ކޯޓަށް ހުށަހެޅި މައްސަލަ އެ ކޯޓުން ބަލައިގެންފި އެވެ.
މި މައްސަލައް ސުޕްރިމް ކޯޓަށް ހުށަހެޅީ 19 ވަނަ ރައްޔިތުންގެ މަޖިލީހުގެ ކެންދޫ ދާއިރާގެ މެންބަރު އަލީ ހުސައިންއެވެ.
މެމްބަރު އަލީ ހުސައިން މި މައްސަލަ ހުށަހެޅުއްވީ މި މަހުގެ 24 ވަނަ ދުވަހު އެވެ.
މައްސަލަ ހުށަހެޅުއްވުމަށްފަހު އެކްސްގައި ކުރެއްވި ޕޯސްޓެއްގައި އަލީ ހުސައިން ވަނީ ދިވެހިރާއްޖޭގެ ޖުމްހޫރިއްޔާގެ ގާނޫނުއަސާސީއަށް 6 ވަނަ އިސްލާހު ގެނެސްފައިވަނީ ގާނޫނުއަސާސީގެ 4 8 26 75 އަދި 90 ވަނަ މާއްދާއާހިލާފަށް އަދި ގާނޫނުއަސާސީގެ އަސާސީ އޮނިގަނޑާވެސް ހިލާފަށް ކަމަށް ވާތީ އެ އިސްލާހު ބާތިލުކުރުމަށް އެދި ސުޕްރީމް ކޯ...
މެމްބަރު އަލީ ހުސައިން ހުށަހެޅުއްވި އެ މައްސަލަ އަށް އިދިކޮޅު އެމްޑީޕީ އަދި ޑިމޮކްރެޓުން ވަނީ ތަދައްހުލްވެފަ އެވެ.
ރައްޔިތުންގެ މަޖިލީހަށް އިންތިޚާބުވި މެންބަރަކު ސިޔާސީ ޕާޓީ ބަދަލުކޮށްފިނަމަ ނުވަތަ އެ މެންބަރަކު ޕާޓީން ވަކިކޮށްފިނަމަ މެންބަރުކަން ގެއްލޭގޮތަށް ޤާނޫނުއަސާސީއަށް ހުށައެޅި އިޞްލާހު ރައްޔިތުންގެ މަޖިލީހުގެ ޖަލްސާއަށް ސަރުކާރުގެ ފަރާތުން ހުށަހެޅުއްވީ ހުޅުދޫ ދާއިރާގެ މެމްބަރު މުޙައްމަދު ޝާހިދު އެވެ.
ގާނޫނު އަސާސީ އަށް ގެނައި އިސްލާހުގެ ދަށުން ގޮނޑި ގެއްލުމުގެ އިތުރުން ވެސް ކަންތައްތަކެއް ވަނީ ބަދަލުކޮށްފަ އެވެ.
އެގޮތުން ރައްޔިތުންގެ ރުހުން ހޯދަން ޖެހޭ ކަމަށް އޮންނަ މާއްދާ އިސްލާހުކުރާ ނަމަ އެކަމަށް ވެސް ރައްޔިތުންގެ ރުހުން ހޯދަންޖެހޭ ގޮތަށް ގާނޫނުއަސާސީ އިސްލާހުކޮށްފައިވެ އެވެ.
މި އިސްލާހުގެ މަސައްކަތް ރައްޔިތުންގެ މަޖިލީހުން އެއް ދުވަހުގެ ތެރޭގައި ނިންމާލާ ހަމަ އެ ރޭ ރައީސުލްޖުމްހޫރިއްޔާ ވަނީ އެ އިސްލާހު ތަސްދީގުކުރައްވާފައެވެ.
މި އިސްލާހަށް އިދިކޮޅު އެމްޑީޕީން ފާޑުކިޔަމުން އަންނައިރު އެމްޑީޕީގެ މެޖޯރިޓީ އޮތް 19 ވަނަ މަޖިލީހަށްވެސް އިންތިޚާބުވި މެމްބަރަކު ސިޔާސީ ޕާޓީ ބަދަލުކޮށްފިނަމަ ނުވަތަ އެ މެމްބަރަކު ޕާޓީން ވަކިކޮށްފިނަމަ ގޮނޑި ގެއްލޭނެ ފަދަ ބިލެއް ވައްދައި އެ ބިިލް ފާސްކޮށްފައިވެއެެވެ.
އިލެކްޝަން ކޮމިޝަނުގެ މެމްބަރުކަމަށް ކުރިމަތިލުމަށް ހުޅުވާލައިފި
ހުސްވެފައިވާ އިލެކްޝަން ކޮމިޝަނުގެ މެމްބަރުކަމަށް ކުރިމަތިލުމުގެ ފުރުސަތު ރައީސުލްޖުމްހޫރިއްޔާގެ އޮފީހުން މިއަދު ހުޅުވާލައިފިއެވެ.
އިލެކްޝަން ކޮމިޝަނުގެ މެމްބަރުކަމަށް ކުރިމަތިލުމަށް ހުޅުވާލާފައިވަނީ ކޮމިޝަނުގެ މެމްބަރުންގެ ގޮތުގައި ތިއްބެވި ދެ މެމްބަރަކު ވަކިކުރުމަށް ރައްޔިތުންގެ މަޖިލީހުން ފާސްކުރުމުންނެވެ.
އެ ދެ މެމްބަރުންނަކީ ކޮމިޝަނުގެ ނައިބު ރައީސް ޢަލީ ނަޝާތާއި ކޮމިޝަންގެ މެންބަރު މުޙައްމަދު އާސިފެވެ.
އެ މެމްބަރުން މަގާމުން ވަކިކުރުމަށް މަޖިލީހުން ނިންމީ މަގާމުގެ ޒިއްމާތައް އަދާނުކުރާތީއެވެ.
އިލެކްޝަނުގެ މެމްބަރުކަމަށް ކުރިމަތިލުމަށް އެދޭ ފަރާތްތަކަށް އެފުރުސަތު ހުޅުވާލާފައިވަނީ އަންނަ ޑިސެމްބަރުމަހުގެ ފަސްވަނަ ދުވަހުގެ ނިޔަލަށެވެ.
އިލެކްޝަނަށް ދެ މެމްބަރުން ހޯދުމަށް އިއުލާނުކޮށްފައިވާއިރު ކޮމިޝަނުގައި މިހާރު ތިއްބެވީ ދެ މެމްބަރުންނެވެ.
ކޮމިޝަނުގެ ރައީސްއަކަށް ހުންނެވި ފުއާދު ތައުފީގުވެސް ދައުރުހަމަވުމުން މިހާރު އީސީގެ ރައީސްކަމުގެ މަގާމުވެސް ވަނީ ހުސްވެފައެވެ.
އީސީއަށް ދެން މެމްބަރަކު އައްޔަނުކުރެވޭނީ ރައީސް ނަމެއް ފޮނުވުމުން މަޖިލީހުން އެ ނަން ފާސްކޮށްގެންނެވެ.
ކެފޭއެއްތެރޭ މާރާމާރީ ހިންގާ މީހަކު ޒަހަމު ކޮށްލައިފި
މާރާމާރީގައި އަނިޔާވި މީހާ ހޮސްޕިޓަލަށް ގެންދާ މަންޒަރު ފެންނަ ވީޑިއޯއެއް އާންމު ވެފައި ވެ އެވެ.
ވީޑިއޯ ގައި ފެންނަ ގޮތުން އެ މީހާގެ މޫނު މައްޗަށް ވަނީ އަނިޔާވެފަ އެވެ.
ކެފޭއެއްތެރޭ މާރާމާރީ ހިންގާ މީހަކު ޒަހަމު ކޮށްލައިފި އެވެ.
ފުލުހުން ބުނީ މާފަންނު ޝަހީދު އަލީ ގޯޅީފައި ހުރި ކެފޭއެއްގެ ތެރޭގައި މާރާމާރީ އެއް ހިންގާފައިވާ ކަމުގެ ރިޕޯޓް ލިބިފައިވާ ކަމަށެވެ.
އެ މާރާމާރީ ގައި އަނިޔާވި މީހާ އަށް ފަރުވާ ދިނުމަށް އައިޖީއެމްއެޗަށް ވަނީ ގެންގޮސްފަ އެވެ.
މިހާތަނަށް މީހަކު ހައްޔަރު ނުކުރާ ކަމަށް ވެސް ބުންޏެވެ.
އަދި ބުނީ މާރާމާރީގެ މައްސަލަ ތަހުގީގު ކުރަމުންދާ ކަމަށެވެ.
މާރާމާރީގައި އަނިޔާވި މީހާ ހޮސްޕިޓަލަށް ގެންދާ މަންޒަރު ފެންނަ ވީޑިއޯއެއް އާންމު ވެފައި ވެ އެވެ.
ވީޑިއޯ ގައި ފެންނަ ގޮތުން އެ މީހާގެ މޫނު މައްޗަށް ވަނީ އަނިޔާވެފަ އެވެ.
ނޭފަތް ކައިރީ ގިނަ އަދަދަކަށް ލޭ ހުއްޓާ ފެނެ އެވެ.
މާރާމާރީ ހިނގަން މެދުވެރިވީ ސަބަބެއް ސާފެއް ނުވެ އެވެ.
މި މަސައްކަތުގައި އަހަރެމެން ހަމަ ހަމަ ވާނެ އިންސާފުވެރި ވާނެ އިތުބާރު ދަމަހައްޓާނެ
ޚާރިޖީ ވަޒީރުގެ އަރިހަށް ޗައިނާ ސަފީރާއި އިންޑިއާ ސަފީރު ވަދާޢީ ޒިޔާރަތްކުރައްވައިފި
ޗައިނާ ސަރުކާރުން ދިވެހިރާއްޖެއަށް ކަނޑައަޅުއްވާފައި ހުންނަވާ ސަފީރު ވޮންގ ލިޝިން އާއި އިންޑިއާއިން ދިވެހިރާއްޖެއަށް ކަނޑައަޅާފައި ހުންނަވާ ސަފީރު މަނޫ މަހާވަރު ޚާރިޖީ ވަޒީރު ޑރ.
ޢަބްދު ޚަލީލުގެ އަރިހަށް ވަދާޢީ ޒިޔާރަތެއް ކުރައްވައިފިއެވެ.
ޚާރިޖީ ވަޒީރު ޑރ.
ޢަބްދު ޚަލީލުގެ އަރިހަށް އިންޑިއާއާއި ޗައިނާގެ ސަފީރު ވަދާޢީ ޒިޔާރަތްކުރެއްވީ އެ ދެބޭފުޅުންގެ ސަފީރުކަމުގެ ދައުރު ހަމަވާން ގާތްވެފައިވާތީއެވެ.
ވަކިވަކީން ބޭއްވެވި މި ބައްދަލުވުންތައް ކުރިއަށްދިޔައީ ޚާރިޖީ ވުޒާރާގައެވެ.
ޗައިނާ ސަރުކާރުން ދިވެހިރާއްޖެއަށް ކަނޑައަޅުއްވާފައި ހުންނަވާ ސަފީރު ވޮންގ ލިޝިންގެ ޚާރިޖީ ވަޒީރު ޑރ.
ޢަބްދު ޚަލީލުގެ އަރިހަށް ކުރެއްވި ވަދާޢީ ޒިޔާރަތުގައި ވޭތުވެދިޔަ އެއް އަހަރުގެ ތެރޭގައި ކުރިޔަށް ދިޔަ މުހިއްމު މަސައްކަތްތަކާއި ޙާޞިލުކުރެވިފައިވާ ކަންތައްތަކުގެ މައްޗަށް އަލިއަޅުއްވާލައްޗައި ވާހަކަ ދެއްކެވިކަމަށެވެ.
އަދި މިހާރު ކުރިޔަށް ގެންދާ މުހިއްމު މަޝްރޫޢުތަކުގެ ފަހުގެ އަދާހަމައާއި ކުރިޔަށް ރޭވިފައި ހުރި މަސައްކަތްތަކާގުޅޭގޮތުންވެސް މަޝްވަރާ ކުރެއްވިއެވެ.
މި ބައްދަލުވުމުގައި ޚާރިޖީ ވަޒީރު ވަނީ ޗައިނާ ސަފީރު ކޮށްދެއްވާފައިވާ މުހިއްމު މަސައްކަތްތައް ފާހަގަކުރައްވައި ދިވެހިރާއްޖެއާއި ޗައިނާއާ ދެމެދު އޮތް ގުޅުން ކުރިއެރުވުމަށްޓަކައި އެކަމަނާ ދެއްވި އެހީތެރިކަމާއި އެއްބާރުލުމަށް ޝުކުރު އަދާކުރައްވާފައެވެ.
މި ބައްދަލުވުމުގައި ޗައިނާ ސަފީރު ވަނީ އެކަމަނާގެ ދައުރުގައި ދިވެހި ސަރުކާރުން ބެހެއްޓެވި ގާތްކަން ފާހަގަކުރައްވާފައެވެ.
އަދި އެކަމަނާގެ މަސްއޫލިއްޔަތުތައް އަދާކުރުމުގައި ދެއްވި އެއްބާރުލެއްވުމަށް ދިވެހި ސަރުކާރަށާއި ދިވެހި ރައްޔިތުންނަށް ޝުކުރު އަދާކުރެއްވިއެވެ.
އަދި ކުރިޔަށް އޮތް ތަނުގައިވެސް ދެ ޤައުމުގެ ގުޅުން އިތުރަށް ބަދަހިވެގެންދާނެކަމަށް އުއްމީދުކުރައްވާކަމަށްވެސް ޗައިނާ ސަފީރު ވިދާޅުވިއެވެ.
އިންޑިއާ އިން ދިވެހިރާއްޖެއަށް ކަނޑައަޅާފައި ހުންނަވާ ސަފީރު މަނޫ މަހާވަރު ޚާރިޖީ ވަޒީރު ޑރ.
ޚަލީލް އަރިހަށް ކުރެއްވި ވަދާޢީ ޒިޔާރަތުގައި ފާއިތުވެދިޔަ އަހަރުގެ ފާހަގަކޮށްލެވޭ ކާމިޔާބީތަކަށް އަލިއަޅުވާލެއްވިއެވެ.
އަދި ރައީސުލްޖުމްހޫރިއްޔާ އިންޑިއާއަށް ކުރެއްވި ކާމިޔާބު ދަތުރުފުޅުގައި އެއްބަސްވެވުނު ކަންކަމާމެދު މަޝްވަރާކުރެއްވިއެވެ.
މި ބައްދަލުވުމުގައި ޚާރިޖީ ވަޒީރު ވަނީ ރާއްޖޭގެ އުމްރާނީ ތަރައްގީގެ ބިޔަ މަޝްރޫއުތައް އަދި މުހިންމު ރަށްރަށުގެ ފަރުދީ ތަރައްޤީއަށް އިންޑިއާ ސަރުކާރުން ދެއްވާ އެހީތެރިކަން ފާހަގަކުރައްވާފައެވެ.
އަދި ރޫޕޭ ކާޑު އޮޕަރޭޝަނަލައިޒް ކުރުމާއި ޔޫޕީއައި ތައާރަފް ކުރުމާއި ލޯކަލް ކަރަންސީ ޓްރޭޑް އެގްރީމަންޓްތަކަކީ އިގްތިސާދަށް އެޅުނު ހަރުދަނާ ފިޔަވަޅެއްކަން ވަޒީރު ފާހަގަކުރެއްވިއެވެ.
މި ބައްދަލުވުމުގައި ދެޤައުމުގެ ގުޅުން ބަދަހިކުރުމަށް ދެޤައުމުގެ ދޭދޭ ފަރުދުން މެދުގައި އާއި ވިޔަފާރީގެ ގުޅުން ބަދަހިކުރުމާއި ދެގައުމުގެ މެދު މުއާމަލާތްތަކަށް މަގުފަހިކޮށްދިނުމުގައި ސަފީރު އަދާކުރެއްވި މުހިންމު ދައުރަށް ވަޒީރު ތައުރީފު ކުރެއްވިއެވެ.
އިންޑިއާ ސަފީރު މަނޫ މަހާވަރު ވަނީ ދިވެހި ސަރުކާރާއި ރައްޔިތުން ދެއްވި ފުރިހަމަ އެއްބާރުލުމާއި ބެހެއްޓެވި ގާތްކަމަށް ޝުކުރު އަދާކުރައްވާފައެވެ.
އަދި އިންޑިއާ އާއި ދިވެހިރާއްޖޭގެ ގުޅުން ކުރިއަށް އޮތްތަނުގައި ބަދަހިވެގެންދާނެކަމަށް އުންމީދުކުރައްވާކަމަށްވެސް ސަފީރު ވިދާޅުވިއެވެ.
ގެދޮރުވެރިކަމުގެ ރަން ޒަމާނަކަށް ފެށިގެން މިދަނީ މުޅިން އައު ބާބެއް!
ވެރިކަންކުރާ މާލެ ސިޓީ އަކީ ރާއްޖޭގެ އެންމެ އާބާދީ ބޮޑު ސިޓީއެވެ.
ދެލައްކައަށް ވުރެ ގިނަ މީހުންގެ އާބާދީއެއް އޮންނަ މާލެއަކީ ދުނިޔޭގެ ނިސްބަތުންވެސް އެންމެ އާބާދީ ބޮޑު އެއް ސިޓީއެވެ.
ޤައުމުގެ އާބާދީގެ ތިންބައިކުޅަ އެއްބައި ދިރިއުޅެމުންދާ މާލެ ސިޓީގައި 1987 ވަނަ އަހަރު އާބާދީއަކީ 20 000 މީހުންނެވެ.
2006 ވަނަ އަހަރު އާބާދީ ވަނީ 100 000 މީހުންނަށް އިތުރުވެފައެވެ.
ރާއްޖޭގެ އެކި ކަންކޮޅުތަކުގައި ދިރިއުޅޭ ގިނަ ދިވެހިންނާއި ބިދޭސީ މަސައްކަތްތެރިން މާލޭއަށް ހިޖުރަކުރަންޖެހެނީ ގިނަ ރަށްރަށުގައި ސިއްހީ ޚިދުމަތް ތައުލީމު އަދި ވަޒީފާގެ ފުރުސަތުތައް ފަހިވެފައި ނެތުމުންނެވެ.
އެކި ކަންކޮޅުތަކުން މާލެއަށް ހިޖުރަކުރަން ޖެހުމުގެ ނަތީޖާއަކަށްވެފައިވަނީ މާލެއަކީ އިންތިހާއަށް ތޮއްޖެހިފައިވާ ބައިބޯ ތަނަކަށްވުމެވެ.
ރަށްފުށުގެ ހިތްގައިމު ތަނަވަސް ބޮޑެތި ގޯތިތައް ދޫކޮށް އެ ރައްޔިތުން މާލޭގައި ދިރިއުޅެމުންދަނީ ވަރަށް ކުދި ޖާގައިގައި ނުހަނު ހިތްދަތިކަމުގައެވެ.
އުފަން މާލޭ ރައްޔިތުންގެ ތެރެއިން ވެސް ގިނައީ އަމިއްލަ ވަޒަނުގައި އަމިއްލަ ބޯހިޔާވަހިކަމެއް ނެތި ކުލި ދައްކައިގެން ދިރިއުޅޭ އާއިލާތަކެވެ.
ކުދިކުދި ތަންތަންކޮޅުގައި އެތައް އާއިލާއެއް އުޅެންޖެހުމުގެ ސަބަބުން ދިމާވާ އިޖްތިމާޢީ އެތައް މައްސަލަތަކަކާވެސް އެ އާއިލާތަކުން ދަނީ ކޮންމެ ދުވަހަކުމެ ކުރިމަތިލަމުންނެވެ.
މިއީ އެތައް ޒަމާނެއްވީ އިޖްތިމާޢީ ބޮޑު މައްސަލައެކެވެ.
ތޮއްޖެހުމަކީ މާލޭގެ ގިނަ އިޖުތިމާއީ މައްސަލަތަކުގެ އެންމެ ބޮޑު އަސްލަށްވާއިރު މިމައްސަލަ ހައްލު ކުރުމަށް ކޮންމެ ސަރުކާރަކުން ވެސް މަސައްކަތްތަކެއް ކުރެވެއެވެ.
ވެރިކަމަށް އަންނައިރު މެނިފެސްޓޯގައި އެންމެ ބޮޑު އެއް ސިޔާސަތަކަށް ވަނީ މިމައްސަލައަށް ހައްލު ހޯދުމެވެ.
ބޯހިޔާވަހިކަމުގެ މައްސަލަ ހައްލުކުރުމަށް ރާއްޖޭގައި މިހާތަނަށް ހިއްކާ އެންމެ ބޮޑު ބިން ހިއްކަން ނިންމާފައިވަނީ މިހާރުގެ ރައީސުލްޖުމްހޫރިއްޔާ ޑޮކްޓަރު މުހައްމަދު މުއިއްޒުއެވެ.
ރައީސް މުއިއްޒުގެ ރިޔާސީ މެނިފެސްޓޯއާއި އެއްގޮތަށް ފުށިދިއްގަރުފަޅުގައި ގޯއްޗާއި ފްލެޓު ހިމެނޭ ގޮތަށް 65 000 ހައުސިން ޔުނިޓު ރަސްމާލެ ސިޓީގެ ނަމުން ގާއިމު ކުރެވޭނެއެވެ.
އަދި ސިޓީ ގާއިމްކޮށް ނިމޭއިރު ގާތްގަނޑަކަށް ދެ ލައްކަ މީހުންގެ އާބާދީއަކަށް އެ ސިޓީގައި ދިރިއުޅެވޭނެ އެވެ.
1153 ހެކްޓަރު ހިއްކުމަށް އަޒުމް ކަނޑައަޅައި މަސައްކަތް ފަށާފައިވާއިރު "ރަސްމާލެ - ޒީރޯ ކާބަން ސިޓީ" ގާއިމުކުރަނީ ރާއްޖޭގެ ކޮންމެ ރައްޔިތަކަށް ވެސް އެ ސިޓީއަށް ހިޖުރަކުރެވޭ ގޮތަށެވެ.
ބޯހިޔާވަހިކަމުގެ މައްސަލަ ހައްލުކުރުމަށް އެންމެ ބާރުދޭ އަދި ރައްޔިތުންގެ އެންމެ ބޮޑު އެއް އުންމީދާ ގުޅިފައިވާ އެއްކަމަކީ އަންނަ އަހަރަށް ލަފާކޮށް ރައްޔިތުންގެ މަޖިލީހަށް ހުށަހެޅި 56.
6 ބިލިޔަން ރުފިޔާގެ ބަޖެޓެވެ.
ފިނޭސް މިނިސްޓަރު މޫސާ ޒަމީރު ބަޖެޓު މަޖިލީހަށް ހުށައެޅުއްވީ މިދިޔަ މަހުގެ 31 ވަނަ ދުވަހުއެވެ.
ރައްޔިތުންގެ މަޖިލީހުން ބުދަދުވަހު ބަޖެޓް ފާސްކޮށްފައިވާއިރު ބަޖެޓް ފާސްކޮށްފައިވަނީ ކޮމިޓީ ރިޕޯޓް މަޖިލީހަށް ހުށަހަޅައި ބަހުސް ކުރުމަށްފަހުއެވެ.
މިނިސްޓަރ ވިދާޅުވީ 2025 ވަނަ އަހަރުގެ ބަޖެޓު އެކުލަވާލުމުގައި އެންމެ ބޮޑު އިސްކަމެއް ދީފައިވަނީ ރައީސުލްޖުމްހޫރިއްޔާގެ ތަސައްވުރާ އެއްގޮތަށް ދިވެހި ރައްޔިތުންނަކީ ގެދޮރުވެރި ބަޔަކަށް ހެދުމަށް ކަމަށެވެ.
އެކަމަށްޓަކައި 5 އިންސައްތަ އިންޓްރެސްޓުގައި ގެދޮރުވެރިކަމުގެ ލޯންދޫކުރުމަށް އެއް ބިލިއަން ރުފިޔާ ބަޖެޓުގައި ހިމަނާފައިވާއިރު މި ފައިސާ ބޭނުންކޮށްގެން ރާއްޖޭގެ ބޭންކުތައް މެދުވެރިކޮށް މަދުވެގެން ދެބިލިއަން ރުފިޔާގެ ހައުސިންގ ލޯން ދެވޭނެމަގުވެސް ފަހިވެގެންދާނެކަން މިނިސްޓަރ ފާހަގަކުރެއްވިއެވެ.
End of preview. Expand in Data Studio

Dhivehi KenLM Language Model

This repository contains a 5-gram KenLM language model built from the HuggingFace dataset:

alakxender/dhivehi-news-corpus

The corpus was cleaned and normalized to Thaana Unicode and used to improve Dhivehi ASR decoding (Wav2Vec2/XLS-R CTC).

Files

  • dhivehi.bin — KenLM binary language model (use this for decoding)
  • dhivehi_corpus_raw.txt.gz — cleaned Dhivehi news text corpus

Purpose

This LM is designed to be used with CTC-based ASR systems (Wav2Vec2 / XLS-R) via pyctcdecode to:

  • correct spelling
  • insert spaces
  • prefer real Dhivehi words
  • dramatically improve dictation accuracy
Downloads last month
21