Taklaxbr/Bilge-Turkish-CoT-50K

Not: Bu veri seti orijinal olarak bugrabilge tarafından geliştirilmiş olup, VeriPazarı tarafından Türk AI ekosistemi için arşivlenmiştir.

🔗 Orijinal Kaynak: bugrabilge/Bilge-Turkish-CoT-50K 🔗 Derleyen Platform: VeriPazarı

Bilge: Turkish Chain-of-Thought Dataset (50K)

50.000 örneklik Türkçe Chain-of-Thought (CoT) reasoning (akıl yürütme) fine-tuning veri seti.

Bilge, Türkçe büyük dil modellerinin adım adım düşünme (reasoning) kapasitesini geliştirmek amacıyla hazırlanmış bir Chain-of-Thought veri setidir. Veri setindeki her örnek, modelin önce <think> blokları içinde görünür bir muhakeme süreci yürütmesini, ardından kullanıcıya yapılandırılmış ve detaylı bir cevap vermesini öğretmek üzere tasarlanmıştır.

Bu veri seti, bugrabilge/Omni-31B-Turkish-Reasoning-Model modelinin eğitiminde kullanılan 249K filtrelenmiş veri kümesinin 50K örneklik bir alt kümesidir. İçerik akademik ve açıklayıcı stilde uzun form Türkçe cevaplar içerir; bilim, tarih, edebiyat, felsefe, tıp ve diğer pek çok alanı kapsar.

Veri seti hem fine-tuning (ince ayar) hem de Türkçe reasoning üzerine yapılacak akademik araştırmalar için açık kaynak olarak paylaşılmaktadır. Türkçe yapay zeka ekosisteminde reasoning odaklı model geliştirenlere, eğitim materyali arayanlara ve veri kalitesi üzerine çalışan araştırmacılara katkı sağlaması hedeflenmiştir.

Türk yapay zeka topluluğuna faydalı olması dileğiyle.

Hızlı Başlangıç

from datasets import load_dataset

ds = load_dataset("bugrabilge/Bilge-Turkish-CoT-50K", split="train")
print(f"Toplam örnek: {len(ds)}")
print(f"İlk örnek: {ds[0]}")

Kullanım Amacı (Intended Use)

Bu veri seti şu amaçlar için tasarlanmıştır:

• Türkçe reasoning fine-tuning: LLM'leri Türkçe Chain-of-Thought davranışıyla eğitmek.
• Yapılandırılmış reasoning eğitimi: <think> blokları içinde adım adım düşünme kalıbını kazandırmak.
• Türkçe açıklayıcı asistan geliştirme: Akademik ve eğitim odaklı asistanlar için.
• Türkçe LLM benchmark/eval seti: Türkçe muhakeme yetkinliğini ölçen testler için kaynak.

Veri Yapısı

Her örnek, üç rollü bir konuşma (conversation) formatında düzenlenmiştir:

{
  "messages": [
    {"role": "system", "content": "Adım adım düşünen bir Türkçe asistansın."},
    {"role": "user", "content": "Kullanıcı sorusu..."},
    {"role": "assistant", "content": "<think>\nReasoning adımları...\n</think>\n\nFinal cevap..."}
  ]
}

Mesaj Yapısı

Her örnek üç mesajlık bir conversation içerir:

Rol	Açıklama	Tipik İçerik
system	Asistan davranışını belirleyen sistem promptu	"Adım adım düşünen bir Türkçe asistansın."
user	Kullanıcının sorusu veya görevi	Bilim, tarih, edebiyat, vs. konularda sorular
assistant	Modelin think bloğu + final cevabı	<think>...</think> + markdown formatlı uzun form cevap

Assistant Cevap Yapısı

Assistant cevabı iki ana bölümden oluşur:

Bölüm	İşlev
<think>...</think>	Modelin görünür muhakeme süreci; soruyu analiz, plan, varsayım netleştirme
Markdown cevap	Final yapılandırılmış cevap; başlıklar, tablolar, listeler, paragraflar

Özellikler

• Format: Messages JSONL (HuggingFace conversational standardı)
• Roller: system, user, assistant
• Thinking bloğu: Assistant cevabı <think>...</think> ile başlar, ardından markdown formatlı final cevap gelir.
• Dil: Türkçe (akademik/açıklayıcı stil)

İstatistikler

Metrik	Değer
Örnek sayısı	50.000
Format	JSONL (Messages)
Dil	Türkçe
Ortalama assistant cevap uzunluğu	~5.000-7.000 token
Token aralığı	min ~170, medyan ~3.800, max ~7.600
Dosya boyutu	~796 MB

İçerik Karakteristiği

Veri seti çeşitli domain ve hedef kitlelere yönelik Türkçe açıklayıcı içerik barındırır:

• Domain çeşitliliği: Bilim, tarih, edebiyat, felsefe, tıp, hukuk, ekonomi, teknoloji.
• Hedef kitle çeşitliliği: Lise öğrencisi, üniversite öğrencisi, uzman, sokaktaki vatandaş.
• Açıklama yöntemleri: Paradoks analizi, Sokratik diyalog, analoji, vaka analizi, karşılaştırma.
• İçerik tipi: Çok adımlı muhakeme, problem çözme, açıklayıcı analiz, kavram açıklaması.

Veri Üretim Süreci (Generation Pipeline)

~30GB Ham Türkçe CoT Verisi
        ↓
Kural-Bazlı Filtreleme (11 aşamalı pipeline)
        ↓
Dil & Yazım Denetimi (fastText + LibreOffice TR)
        ↓
Deduplication (LSH + Instruction Quality)
        ↓
Format Doğrulama & Final QA
        ↓
249.292 Filtrelenmiş Örnek
        ↓
50K Alt Küme (Bilge-Turkish-CoT-50K)

Bu veri seti, ~30 GB ham Türkçe CoT verisinden çok aşamalı bir kural-bazlı filtreleme pipeline'ı ile elde edilmiştir. Pipeline'ın temel aşamaları:

1. Dil tespiti — fastText ile Türkçe doğrulama
2. Uzunluk kontrolü — minimum/maksimum token sınırları
3. Tekrar tespiti — örnek içi tekrar paragraf yakalama
4. Yazım kontrolü — LibreOffice Türkçe sözlüğü ile imla denetimi
5. CoT oran kontrolü — thinking ve cevap oranı denetimi
6. Çelişki tespiti — thinking-output tutarlılığı
7. Token sayısı limiti — eğitim context'ine uygun filtreleme
8. LSH deduplication — birbirine yakın (near-duplicate) kopyaların elenmesi
9. Instruction quality dedup — soru benzerliği filtreleme
10. Format doğrulama — JSON yapısı ve role kontrolü
11. Final kalite kontrolleri — manuel inceleme (review) ile örnek (sample) doğrulama

Ham veriden filtreleme sonrası elde edilen yüksek kalite 249.292 örnekten oluşan tam veri setinin 50K'lık alt kümesi bu depoda paylaşılmaktadır.

Kullanım

Datasets kütüphanesi ile yükleme

from datasets import load_dataset

dataset = load_dataset("bugrabilge/Bilge-Turkish-CoT-50K")
print(dataset)
# DatasetDict({
#     train: Dataset({
#         features: ['messages'],
#         num_rows: 50000
#     })
# })

# İlk örneği görüntüle
sample = dataset["train"][0]
print(f"Roller: {[m['role'] for m in sample['messages']]}")
print(f"User sorusu: {sample['messages'][1]['content'][:200]}")

Manuel yükleme

import json

samples = []
with open("bilge_cot_50k.jsonl", "r", encoding="utf-8") as f:
    for line in f:
        samples.append(json.loads(line))

print(f"Toplam örnek: {len(samples)}")
print(f"İlk örnek anahtarları: {samples[0].keys()}")

Bilinen Sınırlamalar

1. Faktüel doğruluk: İçerik faktüel hatalar barındırabilir; kritik kullanımlarda doğrulama gerekir.
2. Uzun-form önyargısı (bias): Veri seti akademik/açıklayıcı stilde uzun cevaplar içermektedir. Kısa cevap gerektiren görevler için tek başına yeterli olmayabilir.
3. Domain dağılımı: İçerik akademik ve genel kültür ağırlıklıdır; kod yazma, fonksiyon çağrısı, tool kullanımı gibi özel alanlar (domain) için ek veri gerekebilir.
4. Akademik dil önyargısı (bias): Veri seti formal/akademik Türkçe ağırlıklıdır. Günlük konuşma, argo, bölgesel ağız veya yaratıcı yazım için yetersiz olabilir.

İlgili Kaynaklar

• Modelin yayını: bugrabilge/Omni-31B-Turkish-Reasoning-Model
• Temel (Base) model: google/gemma-4-31B

Lisans

Bu veri seti Gemma Kullanım Koşulları (Terms of Use) altında dağıtılır. Detaylar için: https://ai.google.dev/gemma/terms

İletişim

• Hugging Face: @bugrabilge
• LinkedIn: bugrabilgecelik
• GitHub: bugrabilge
• E-posta: bugrabilgee@gmail.com

Atıf (Citation)

Bu veri setini kullanırsanız aşağıdaki şekilde atıfta bulunabilirsiniz:

@dataset{BilgeTurkishCoT50K2026,
  author = {Buğra Bilge Çelik},
  title = {Bilge-Turkish-CoT-50K: A Turkish Chain-of-Thought Dataset for Reasoning Fine-tuning},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/datasets/bugrabilge/Bilge-Turkish-CoT-50K}
}

Yasal Uyarı (Disclaimer): Bu veri seti araştırma, eğitim ve genel bilgilendirme amaçlıdır. Veriden eğitilen modellerin çıktıları profesyonel danışmanlık yerine geçmez ve herhangi bir karar mekanizması olarak kullanılmamalıdır.

---

Bu dosya veripazari.com.tr topluluğu tarafından Hugging Face altyapısında barındırılmaktadır. Orijinal emeğe saygı kuralımız gereği lisans ve model isimleri korunmuştur.