moganai/lavoir-dialogues-tr

English · Türkçe

Lavoir Dialogues (Turkish)

Turkish customer-service conversations for learning when to ask a clarifying question and which one.

57,463 synthetic Turkish conversations from 16 customer-service workflows: 12 adapted from the English set and 4 new Turkey-specific ones (e-Devlet, SGK social security, municipal applications, electricity distribution). Each example is a routing decision (which unit should handle this?) together with everything needed to learn and evaluate a question-asking policy:

• the exact posterior over units given what the customer has said so far (the soft training target),
• the true expected value of information (VOI) of every question that could still be asked,
• a probe for every question: the question text and a realistic customer answer, so any policy can be replayed without a live user.

The routing rules are written by hand, so every label and every VOI is exact rather than annotated. An LLM only turns hidden facts into natural Turkish messages and answers, and a second LLM from another family checks that no hidden fact leaked into the text. This is the question-asking training and test data of Lavoir-TR.

Workflows and splits

workflow	split	units	decisive / all slots	train	test_seen	test_zeroshot
banka_destek (banking support)	seen	5	4 / 5	3,701	610	–
belediye_basvuru (municipal applications, Alo 153) *	seen	5	2 / 3	3,781	569	–
bt_destek (IT help desk)	seen	5	4 / 5	3,990	673	–
e_devlet_destek (e-Devlet e-government portal) *	seen	5	4 / 5	4,108	679	–
e_ticaret_iade (e-commerce returns)	seen	5	4 / 5	4,052	659	–
ik_talepleri (HR requests)	seen	6	3 / 4	4,128	666	–
kvkk_talepleri (KVKK personal-data requests)	seen	5	4 / 5	3,907	651	–
operator_destek (telecom support)	seen	6	4 / 5	3,909	649	–
seyahat_degisiklik (travel changes)	seen	5	4 / 5	4,081	669	–
sgk_islemleri (SGK social security, Alo 170) *	seen	5	4 / 5	4,152	674	–
sigorta_hasar (insurance claims)	seen	5	4 / 5	3,975	641	–
enerji_dagitim (electricity distribution) *	unseen	5	4 / 5	–	–	1,268
kargo_teslimat (parcel delivery)	unseen	5	4 / 5	–	–	1,337
klinik_yonlendirme (clinic routing)	unseen	6	4 / 5	–	–	1,255
yazilim_destek (software support)	unseen	5	4 / 5	–	–	1,344
ogrenci_isleri (student affairs)	unseen	6	4 / 5	–	–	1,335
total				43,784	7,140	6,539

* new Turkey-specific workflows; the others keep the rules and priors of their English counterparts with Turkish texts and localized values (Turkish lira thresholds, "Türkiye / abroad").

• train and test_seen use the same 11 workflows with different conversations; test_zeroshot has 5 workflows that are not in train at all.
• Every workflow is a separate config (ASCII name) because each one has its own units and slots: load_dataset("moganai/lavoir-dialogues-tr", "sgk_islemleri"). File names keep the Turkish spelling.
• With datasets, dict fields share one schema per workflow, so slots that were already asked show up as None in slots, oracle_voi and probes (the raw JSONL simply leaves them out). Drop None values before use.

What an example looks like

{
  "id": "train/sgk_işlemleri/00004/p0/b",
  "workflow": "sgk_işlemleri", "split": "train", "kind": "b",
  "state": [
    {"role": "user", "text": "Merhaba, sistemle ilgili yaşadığım bir sorun nedeniyle sizinle iletişime geçtim. ..."},
    {"role": "system", "text": "Kendi adınıza mı arıyorsunuz, yoksa bir işveren adına mı?"},
    {"role": "user", "text": "Kendi adına."}
  ],
  "question": {"type": "choice", "instructions": "Bu arayanın talebiyle hangi SGK birimi ilgilenmeli?",
               "criteria": {"emeklilik": "emeklilik birimi: emeklilik başvurusu, emeklilik hesaplama ve aylık bağlama", "...": "..."}},
  "target": {"emeklilik": 0.3185, "genel_sağlık": 0.245, "prim_borç": 0.1365, "rapor_ödeme": 0.30, "işveren_hizmetleri": 0.0},
  "gold": "genel_sağlık",
  "profile": {"konu": "sağlık_hizmeti", "sigortalılık_türü": "4a_ssk", "başvuran": "kendi_adına", "prim_borcu": "hayır", "arayan_adı": "Ahmet"},
  "slots": {"konu": "talebin konusu", "sigortalılık_türü": "kişinin sigortalılık türü", "prim_borcu": "kişinin ödenmemiş prim borcu olup olmadığı", "arayan_adı": "arayan kişinin adı"},
  "asked": ["başvuran"], "answer_kind": "clean",
  "evidence": {"başvuran": ["kendi_adına"]},
  "oracle_voi": {"konu": 0.382, "sigortalılık_türü": 0.028, "prim_borcu": 0.114, "arayan_adı": 0.0},
  "probes": {"konu": {"q": "Hangi konuda yardım almak istiyorsunuz?", "a": "Sağlık hizmeti konusunda yardım almayı istiyorum.",
                      "kind": "clean", "reveal": {"konu": ["sağlık_hizmeti"]}}, "...": "..."},
  "style": "Türkçe karakter kullanmadan yazılmış (ı yerine i, ş yerine s, ğ yerine g gibi)"
}

The caller is calling for themselves, so four units are still possible; asking the topic is worth +0.38 in the probability of the correct unit, asking the caller's name nothing.

field	meaning
state	the conversation so far: user turns are the customer, system turns are the questions asked
question	the routing decision in Laya's typed format (criteria: unit → description)
target	exact posterior over units given evidence: the soft training target
gold	the unit the hidden profile actually belongs to
profile	the hidden ground truth: one value per slot
slots	questions that can still be asked (name → description); already-asked slots are removed
asked, answer_kind	slots asked so far and the kind of the last answer: clean, partial ("A olabilir ya da B"), unknown ("bilmiyorum") or extra (also reveals an unasked slot)
evidence	what the conversation has revealed: slot → set of values still possible
oracle_voi	exact expected increase in p(gold) if that slot's question is asked now
probes	per slot: question q, the customer's answer a sampled from the answer model, its kind, and what it reveals
kind	a = first message only, b = after one question, c = after two
style	writing style asked of the generator (10 styles, including casual lowercase, typos and text written without Turkish characters)

The schemas/ folder has the 16 workflow definitions (units, slots and values, priors, ordered routing rules, question texts); target and oracle_voi can be recomputed from them exactly.

How it was made

Same pipeline as the English set:

1. Schemas with 5–6 units, 2–4 decisive slots and one non-decisive slot (the customer's name), checked by the same automatic gates (every unit reachable, unit masses in [0.03, 0.5], enough mass that needs two or more slots, a dry run neither too easy nor too hard).
2. Cases: a partial profile with 2–4 complete profiles; first-message (a), after one question (b, p = 0.7) and after two (c, p = 0.4) examples. 750 cases per training workflow, 125 per workflow for test_seen, 250 per workflow for test_zeroshot.
3. Answers: clean (67.5%), partial (12.5%), "I don't know" (10%), over-informative (10%).
4. Text: Qwen3.6-35B-A3B writes Turkish messages (10 styles, at most 120 words) and answers from question → answer facts; Gemma-4-26B-A4B guesses every decisive slot from the text. Texts are regenerated up to 3 times on leakage or missing facts; cases that fail three times are dropped.
5. Quality: first-attempt message rejection 4–25% on the training workflows and 10–29% on the unseen ones; dropped cases 0–8%; answer rejection at most 4.2%; partial answers guessed correctly 43–55% of the time on the training workflows (50% expected). Three workflows (e-commerce returns, KVKK, municipal applications) were regenerated after fixing Turkish-specific ambiguities, for example "mağaza", which on Turkish marketplaces usually means a third-party seller.

Uses

• Train a Turkish model that returns a decision and the value of each candidate question, e.g. with the Lavoir code (the files are in the format the training code reads).
• Evaluate question-asking policies against an exact oracle by replaying each a example with its probes.
• Calibration studies: target is the true posterior, not a one-hot label.

Limitations

• Synthetic: rules, priors and answer kinds were chosen by us, and LLM-written customers are more cooperative than real ones. Some generated Turkish is slightly unnatural, and the requested style is not always followed.
• Dropping cases that failed the checks is a mild selection effect (up to 8% in municipal applications and electricity distribution).
• Names are fictitious and sampled from a fixed list; no real customer data was used.

License

CC BY 4.0. The texts were generated with Qwen3.6-35B-A3B and checked with Gemma-4-26B-A4B, both Apache-2.0.

Citation

@misc{yilmaz2026lavoir,
  title        = {Lavoir: A Single-Pass Decision Model That Knows Which Question to Ask},
  author       = {Furkan Yilmaz and Habibe Aleyna Tasdemir and Muhammed Faruk Gozay},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/moganai/lavoir-tr}}
}

---

Lavoir Dialogues (Türkçe)

Netleştirme sorusunun ne zaman ve hangisinin sorulacağını öğrenmek için Türkçe müşteri hizmetleri konuşmaları.

16 müşteri hizmetleri iş akışından 57.463 sentetik Türkçe konuşma. 12'si İngilizce setten uyarlandı, 4'ü Türkiye'ye özgü ve yeni: e-Devlet, SGK, belediye başvuruları, elektrik dağıtımı. Her örnek bir yönlendirme kararıdır (bu talebe hangi birim bakmalı?) ve soru sorma politikasını öğrenmek ve değerlendirmek için gereken her şeyi taşır:

• müşterinin o ana kadar söyledikleri verildiğinde birimler üzerindeki kesin posterior (yumuşak eğitim hedefi),
• hâlâ sorulabilecek her sorunun gerçek beklenen bilgi değeri (VOI),
• her soru için bir probe: soru metni ve gerçekçi bir müşteri cevabı; böylece her politika gerçek bir kullanıcı olmadan yeniden oynatılabilir.

Yönlendirme kuralları elle yazıldığı için her etiket ve her VOI etiketlenmiş değil, kesindir. LLM yalnızca gizli olguları doğal Türkçe mesaj ve cevaplara çevirir; başka bir aileden ikinci bir LLM gizli hiçbir olgunun metne sızmadığını denetler. Bu set Lavoir-TR'nin soru sorma eğitim ve test verisidir.

İş akışları ve bölmeler

iş akışı	bölüm	birim	karar veren / tüm slot	train	test_seen	test_zeroshot
banka_destek (banka)	görülmüş	5	4 / 5	3.701	610	–
belediye_basvuru (belediye başvuruları, Alo 153) *	görülmüş	5	2 / 3	3.781	569	–
bt_destek (BT destek)	görülmüş	5	4 / 5	3.990	673	–
e_devlet_destek (e-Devlet) *	görülmüş	5	4 / 5	4.108	679	–
e_ticaret_iade (e-ticaret iadeleri)	görülmüş	5	4 / 5	4.052	659	–
ik_talepleri (İK talepleri)	görülmüş	6	3 / 4	4.128	666	–
kvkk_talepleri (KVKK talepleri)	görülmüş	5	4 / 5	3.907	651	–
operator_destek (operatör)	görülmüş	6	4 / 5	3.909	649	–
seyahat_degisiklik (seyahat değişiklikleri)	görülmüş	5	4 / 5	4.081	669	–
sgk_islemleri (SGK, Alo 170) *	görülmüş	5	4 / 5	4.152	674	–
sigorta_hasar (sigorta hasarı)	görülmüş	5	4 / 5	3.975	641	–
enerji_dagitim (elektrik dağıtımı) *	görülmemiş	5	4 / 5	–	–	1.268
kargo_teslimat (kargo teslimatı)	görülmemiş	5	4 / 5	–	–	1.337
klinik_yonlendirme (klinik yönlendirme)	görülmemiş	6	4 / 5	–	–	1.255
yazilim_destek (yazılım desteği)	görülmemiş	5	4 / 5	–	–	1.344
ogrenci_isleri (öğrenci işleri)	görülmemiş	6	4 / 5	–	–	1.335
toplam				43.784	7.140	6.539

* Türkiye'ye özgü yeni iş akışları; diğerleri İngilizcelerinin kurallarını ve önsellerini korur, metinler Türkçe ve değerler yerelleştirilmiş (TL eşikleri, "Türkiye / yurt dışı").

• train ve test_seen aynı 11 iş akışını farklı konuşmalarla kullanır; test_zeroshot'taki 5 iş akışı eğitimde hiç yoktur.
• Her iş akışının kendi birimleri ve slotları olduğu için her biri ayrı bir config'tir (ASCII ad): load_dataset("moganai/lavoir-dialogues-tr", "sgk_islemleri"). Dosya adları Türkçe yazımı korur.
• datasets ile yüklendiğinde sözlük alanları iş akışı başına tek bir şemayı paylaşır; bu yüzden sorulmuş slotlar slots, oracle_voi ve probes içinde None olarak görünür (ham JSONL'de hiç yer almazlar). Kullanmadan önce None değerleri atın.

Alanlar

alan	anlamı
state	o ana kadarki konuşma: user müşteri, system sorulan sorular
question	Laya'nın türlü biçiminde yönlendirme kararı (criteria: birim → açıklama)
target	evidence verildiğinde birimler üzerindeki kesin posterior: yumuşak eğitim hedefi
gold	gizli profilin gerçekten ait olduğu birim
profile	gizli gerçek: her slot için bir değer
slots	hâlâ sorulabilecek sorular (ad → açıklama); sorulan slotlar çıkarılır
asked, answer_kind	sorulan slotlar ve son cevabın türü: clean, partial ("A olabilir ya da B"), unknown ("bilmiyorum") ya da extra (sorulmamış bir slotu da açığa çıkarır)
evidence	konuşmanın açığa çıkardıkları: slot → hâlâ mümkün değerler
oracle_voi	o slotun sorusu şimdi sorulursa p(gold)'daki kesin beklenen artış
probes	slot başına soru q, cevap modelinden örneklenen müşteri cevabı a, türü kind ve açığa çıkardığı reveal
kind	a = yalnız ilk mesaj, b = bir sorudan sonra, c = iki sorudan sonra
style	üreticiden istenen yazım üslubu (10 üslup; gündelik küçük harf, yazım hatalı ve Türkçe karakter kullanmadan yazılmış dahil)

schemas/ klasöründe 16 iş akışının tanımı var (birimler, slotlar ve değerleri, önseller, sıralı yönlendirme kuralları, soru metinleri); target ve oracle_voi bunlardan kesin olarak yeniden hesaplanabilir.

Nasıl üretildi

İngilizce setle aynı hat:

1. Şemalar: 5–6 birim, 2–4 karar veren slot ve bir karar vermeyen slot (müşterinin adı); aynı otomatik kapılardan geçti (her birime ulaşılabiliyor, birim kütleleri [0.03, 0.5] aralığında, iki ya da daha çok slot gerektiren yeterli kütle var, kuru çalıştırma ne çok kolay ne çok zor).
2. Vakalar: bir kısmi profil ve onunla tutarlı 2–4 tam profil; ilk mesaj (a), bir sorudan sonra (b, p = 0,7) ve iki sorudan sonra (c, p = 0,4) örnekler. Eğitim iş akışı başına 750 vaka, test_seen için 125, test_zeroshot için 250.
3. Cevaplar: temiz (%67,5), kısmi (%12,5), "bilmiyorum" (%10), fazla bilgi veren (%10).
4. Metin: Qwen3.6-35B-A3B Türkçe mesajları (10 üslup, en çok 120 kelime) ve cevapları soru → cevap olgularından yazar; Gemma-4-26B-A4B metinden her karar veren slotu tahmin eder. Sızıntı ya da eksik olguda metin en çok 3 kez yeniden üretilir; üçünde de geçemeyen vaka atılır.
5. Kalite: mesajların ilk denemede reddedilme oranı eğitim iş akışlarında %4–25, görülmemişlerde %10–29; atılan vaka %0–8; cevap reddi en çok %4,2; kısmi cevaplar eğitim iş akışlarında %43–55 oranında doğru tahmin edildi (beklenen %50). Üç iş akışı (e-ticaret iadeleri, KVKK, belediye başvuruları) Türkçeye özgü belirsizlikler giderildikten sonra yeniden üretildi; örneğin pazaryerlerinde çoğunlukla üçüncü taraf satıcı anlamına gelen "mağaza" kelimesi.

Kullanım

• Karar ve her aday sorunun değerini döndüren Türkçe bir model eğitmek, örneğin Lavoir kodu ile (dosyalar eğitim kodunun okuduğu biçimde).
• Soru sorma politikalarını kesin bir oracle'a karşı değerlendirmek: her a örneğini probe'larıyla yeniden oynatmak.
• Kalibrasyon çalışmaları: target tek-sıcak etiket değil, gerçek posteriordur.

Sınırlılıklar

• Sentetik: kurallar, önseller ve cevap türleri bizim seçimimiz; LLM'in yazdığı müşteriler gerçeklerinden daha işbirlikçi. Üretilen Türkçenin bir kısmı biraz yapay, istenen üslup her zaman tutulmuyor.
• Denetimi geçemeyen vakaların atılması hafif bir seçilim etkisi yaratıyor (belediye başvuruları ve elektrik dağıtımında %8'e kadar).
• İsimler uydurma ve sabit bir listeden seçildi; gerçek müşteri verisi kullanılmadı.

Lisans

CC BY 4.0. Metinler Qwen3.6-35B-A3B ile üretildi, Gemma-4-26B-A4B ile denetlendi; ikisi de Apache-2.0.

---

Support MoganAI
If our open models and datasets are useful to you, you can support our work.
Açık modellerimiz ve veri setlerimiz işinize yarıyorsa çalışmalarımıza destek olabilirsiniz.