example1
stringclasses 35
values | example2
stringclasses 49
values | query
stringclasses 35
values | answer
stringclasses 49
values |
---|---|---|---|
الجزائر | الجزائر | المنامة | البحرين |
الجزائر | الجزائر | جيبوتي | جيبوتي |
الجزائر | الجزائر | القاهرة | مصر |
الجزائر | الجزائر | بغداد | العراق |
الجزائر | الجزائر | عمان | الأردن |
الجزائر | الجزائر | الكويت | الكويت |
الجزائر | الجزائر | بيروت | لبنان |
الجزائر | الجزائر | طرابلس | ليبيا |
الجزائر | الجزائر | نواكشوط | موريتانيا |
الجزائر | الجزائر | الرباط | المغرب |
الجزائر | الجزائر | مسقط | عمان |
الجزائر | الجزائر | القدس | فلسطين |
الجزائر | الجزائر | الدوحة | قطر |
الجزائر | الجزائر | الرياض | السعودية |
الجزائر | الجزائر | مقديشو | الصومال |
الجزائر | الجزائر | الخرطوم | السودان |
الجزائر | الجزائر | دمشق | سوريا |
الجزائر | الجزائر | تونس | تونس |
الجزائر | الجزائر | صنعاء | اليمن |
المنامة | البحرين | الجزائر | الجزائر |
المنامة | البحرين | جيبوتي | جيبوتي |
المنامة | البحرين | القاهرة | مصر |
المنامة | البحرين | بغداد | العراق |
المنامة | البحرين | عمان | الأردن |
المنامة | البحرين | الكويت | الكويت |
المنامة | البحرين | بيروت | لبنان |
المنامة | البحرين | طرابلس | ليبيا |
المنامة | البحرين | نواكشوط | موريتانيا |
المنامة | البحرين | الرباط | المغرب |
المنامة | البحرين | مسقط | عمان |
المنامة | البحرين | القدس | فلسطين |
المنامة | البحرين | الدوحة | قطر |
المنامة | البحرين | الرياض | السعودية |
المنامة | البحرين | مقديشو | الصومال |
المنامة | البحرين | الخرطوم | السودان |
المنامة | البحرين | دمشق | سوريا |
المنامة | البحرين | تونس | تونس |
المنامة | البحرين | صنعاء | اليمن |
جيبوتي | جيبوتي | الجزائر | الجزائر |
جيبوتي | جيبوتي | المنامة | البحرين |
جيبوتي | جيبوتي | القاهرة | مصر |
جيبوتي | جيبوتي | بغداد | العراق |
جيبوتي | جيبوتي | عمان | الأردن |
جيبوتي | جيبوتي | الكويت | الكويت |
جيبوتي | جيبوتي | بيروت | لبنان |
جيبوتي | جيبوتي | طرابلس | ليبيا |
جيبوتي | جيبوتي | نواكشوط | موريتانيا |
جيبوتي | جيبوتي | الرباط | المغرب |
جيبوتي | جيبوتي | مسقط | عمان |
جيبوتي | جيبوتي | القدس | فلسطين |
جيبوتي | جيبوتي | الدوحة | قطر |
جيبوتي | جيبوتي | الرياض | السعودية |
جيبوتي | جيبوتي | مقديشو | الصومال |
جيبوتي | جيبوتي | الخرطوم | السودان |
جيبوتي | جيبوتي | دمشق | سوريا |
جيبوتي | جيبوتي | تونس | تونس |
جيبوتي | جيبوتي | صنعاء | اليمن |
القاهرة | مصر | الجزائر | الجزائر |
القاهرة | مصر | المنامة | البحرين |
القاهرة | مصر | جيبوتي | جيبوتي |
القاهرة | مصر | بغداد | العراق |
القاهرة | مصر | عمان | الأردن |
القاهرة | مصر | الكويت | الكويت |
القاهرة | مصر | بيروت | لبنان |
القاهرة | مصر | طرابلس | ليبيا |
القاهرة | مصر | نواكشوط | موريتانيا |
القاهرة | مصر | الرباط | المغرب |
القاهرة | مصر | مسقط | عمان |
القاهرة | مصر | القدس | فلسطين |
القاهرة | مصر | الدوحة | قطر |
القاهرة | مصر | الرياض | السعودية |
القاهرة | مصر | مقديشو | الصومال |
القاهرة | مصر | الخرطوم | السودان |
القاهرة | مصر | دمشق | سوريا |
القاهرة | مصر | تونس | تونس |
القاهرة | مصر | صنعاء | اليمن |
بغداد | العراق | الجزائر | الجزائر |
بغداد | العراق | المنامة | البحرين |
بغداد | العراق | جيبوتي | جيبوتي |
بغداد | العراق | القاهرة | مصر |
بغداد | العراق | عمان | الأردن |
بغداد | العراق | الكويت | الكويت |
بغداد | العراق | بيروت | لبنان |
بغداد | العراق | طرابلس | ليبيا |
بغداد | العراق | نواكشوط | موريتانيا |
بغداد | العراق | الرباط | المغرب |
بغداد | العراق | مسقط | عمان |
بغداد | العراق | القدس | فلسطين |
بغداد | العراق | الدوحة | قطر |
بغداد | العراق | الرياض | السعودية |
بغداد | العراق | مقديشو | الصومال |
بغداد | العراق | الخرطوم | السودان |
بغداد | العراق | دمشق | سوريا |
بغداد | العراق | تونس | تونس |
بغداد | العراق | صنعاء | اليمن |
عمان | الأردن | الجزائر | الجزائر |
عمان | الأردن | المنامة | البحرين |
عمان | الأردن | جيبوتي | جيبوتي |
عمان | الأردن | القاهرة | مصر |
عمان | الأردن | بغداد | العراق |
Dataset Card for "Arab States Analogy Dataset (ASAD)"
This dataset is created using 20 Arab States1 with their corresponding capital cities, nationalities, currencies, and on which continents they are located, consisting of four sets: country-capital set, country-currency set, country-nationality set, and country-continent set. Each set has 380 word analogies, and the total number of word analogies in the ASAD dataset is 1520. This dataset is used to evaluate Arabic Word Embedding Models (WEMs).
For more details about the dataset, please read and cite our paper:
@inproceedings{alshahrani-etal-2023-performance,
title = "{Performance Implications of Using Unrepresentative Corpora in {A}rabic Natural Language Processing}",
author = "Alshahrani, Saied and Alshahrani, Norah and Dey, Soumyabrata and Matthews, Jeanna",
booktitle = "Proceedings of the The First Arabic Natural Language Processing Conference (ArabicNLP 2023)",
month = December,
year = "2023",
address = "Singapore (Hybrid)",
publisher = "Association for Computational Linguistics",
url = "https://aclanthology.org/2023.arabicnlp-1.19",
doi = "10.18653/v1/2023.arabicnlp-1.19",
pages = "218--231",
abstract = "Wikipedia articles are a widely used source of training data for Natural Language Processing (NLP) research, particularly as corpora for low-resource languages like Arabic. However, it is essential to understand the extent to which these corpora reflect the representative contributions of native speakers, especially when many entries in a given language are directly translated from other languages or automatically generated through automated mechanisms. In this paper, we study the performance implications of using inorganic corpora that are not representative of native speakers and are generated through automated techniques such as bot generation or automated template-based translation. The case of the Arabic Wikipedia editions gives a unique case study of this since the Moroccan Arabic Wikipedia edition (ARY) is small but representative, the Egyptian Arabic Wikipedia edition (ARZ) is large but unrepresentative, and the Modern Standard Arabic Wikipedia edition (AR) is both large and more representative. We intrinsically evaluate the performance of two main NLP upstream tasks, namely word representation and language modeling, using word analogy evaluations and fill-mask evaluations using our two newly created datasets: Arab States Analogy Dataset (ASAD) and Masked Arab States Dataset (MASD). We demonstrate that for good NLP performance, we need both large and organic corpora; neither alone is sufficient. We show that producing large corpora through automated means can be a counter-productive, producing models that both perform worse and lack cultural richness and meaningful representation of the Arabic language and its native speakers.",
}
1. We only drop two Arab states: the United Arab Emirates (الإمارات العربية المتحدة) and Comoros (جزر القمر), because they or their capital cities are written as open compound words (two words), which cannot be directly handled by the word embedding models, like Abu Dhabi (أبو ظبي).
- Downloads last month
- 49