farabi-lab/Text_classification_by_subject_area

🇰🇿 Kazakh Topic and Domain Identification Dataset

Dataset Summary

Kazakh Topic and Domain Identification Dataset is a Kazakh-language instruction-following dataset designed for topic recognition, domain classification, and text understanding tasks.

Each sample contains a short Kazakh prompt, a long Kazakh text passage, a target response, a domain label, and a unique sample identifier. The dataset is intended to help Large Language Models (LLMs) and NLP systems identify the main topic or domain of a given text based on semantic understanding.

---

📊 Dataset Statistics

General Metrics

Metric	Count
Total Samples	2,000
Total Words (approx.)	477,817
Avg. Words per Sample	238

Word Count Distribution Per Field

The following table details the distribution of word counts across different fields in the dataset.

Field	Mean	Median	Min	Max	Total Words
DOMAIN	1.3	1.0	1	4	2,551
PROMPT	6.9	5.0	3	19	13,744
RESPONSE	1.4	1.0	1	5	2,898
TEXT	228.3	224.0	153	405	456,624
sample_id	1.0	1.0	1	1	2,000

---

Dataset Structure

Each dataset instance consists of an instruction, a text passage, a target response, and a domain label.

Data Fields

• PROMPT: The instruction given to the model. For example, the prompt may ask the model to identify the main topic of the text.

• TEXT: The main Kazakh-language passage. This field contains the content that the model must read and analyze.

• RESPONSE: The expected answer. In most cases, this is a short topic or category label that summarizes the main subject of the text.

• DOMAIN: The broader domain of the text, such as tourism, education, technology, healthcare, or other thematic areas.

• sample_id: A unique numerical identifier for each sample.

---

Data Instance

Below is one representative example from the dataset.

    {
        "PROMPT": "Мәтіннің негізгі тақырыбын анықтаңыз.",
        "TEXT": " Туристік технологиялар қазіргі заманғы туризм индустриясының негізгі қозғаушы күшіне айналды. Олар саяхат тәжірибесін айтарлықтай өзгертіп, туристік қызметтерді жоспарлаудан бастап, оларды пайдалануға дейінгі барлық кезеңдерде тиімділікті арттырды. Бұл инновациялар туристерге де, туристік компанияларға да жаңа мүмкіндіктер ашып, әлемді тану процесін ыңғайлы әрі қолжетімді етті. Технологиялардың арқасында туристік қызметтер цифрлық кеңістікке толығымен көшіп, саяхатшылардың қажеттіліктерін жедел әрі дәл қанағаттандыруға мүмкіндік берді.\n\nОнлайн брондау платформалары (мысалы, Booking.com, Airbnb, Aviasales) туристік технологиялардың ең кең тараған қолданыстарының бірі болып табылады. Олар пайдаланушыларға ұшақ билеттерін, қонақүйлерді, автокөліктерді және экскурсияларды бірнеше рет басу арқылы брондауға мүмкіндік береді, бұл уақыт пен күшті үнемдейді. Мобильді қосымшалар (мысалы, Google Maps, Tripadvisor, тіл аудармашылар) саяхатшыларға бағыт-бағдар беру, жергілікті ақпараттарды алу және тіпті тілдік кедергілерді жеңуге көмектеседі. Жасанды интеллект (ЖИ) пен үлкен деректер (Big Data) туристік компанияларға клиенттердің қалауларын талдауға, жекелендірілген ұсыныстар жасауға және сұранысты болжауға мүмкіндік береді. Мысалы, ЖИ алгоритмдері туристің бұрынғы саяхаттары мен іздеу тарихына негізделіп, оған ең қолайлы демалыс орындарын немесе қызметтерді ұсына алады, бұл сату тиімділігін арттырады.\n\nВиртуалды шындық (VR) және толықтырылған шындық (AR) технологиялары туристік тәжірибені жаңа деңгейге көтерді. VR арқылы адамдар саяхатқа шықпас бұрын әлемнің кез келген нүктесіне виртуалды тур жасай алады, бұл оларға саяхатты таңдауда нақты шешім қабылдауға көмектеседі. Ал AR қосымшалары нақты нысандар туралы қосымша ақпаратты смартфон экранына шығарып, туристік орындарды зерттеуді қызықтырақ етеді және білім береді. Сондай-ақ, смарт-қонақүйлердегі автоматтандырылған жүйелер (ақылды құлыптар, температураны реттеу, қызмет көрсетуді басқару) қонақтарға жайлылық пен қауіпсіздікті қамтамасыз етеді. Түйінсіз төлем жүйелері де (NFC, мобилді әмияндар) саяхатшылардың төлем жасау процесін жеңілдетеді және қауіпсіздігін арттырады.\n\nҚорытындылай келе, туристік технологиялар саланың дамуын жеделдетіп, саяхаттарды бұрынғыдан да қолжетімді, жекелендірілген және тартымды етті. Олар туризм индустриясының бәсекеге қабілеттілігін арттырып, жаңа нарықтарды ашуға мүмкіндік берді. Болашақта бұл технологиялар одан әрі дамып, туризм индустриясындағы инновациялық шешімдердің негізі болып қала береді, сондай-ақ экологиялық тұрақты туризмді дамытуға үлес қосады.",
        "RESPONSE": "Туризм",
        "DOMAIN": "Tourism",
        "sample_id": 1
    }

Funding

This dataset was developed as part of the project funded by the Ministry of Science and Higher Education of the Republic of Kazakhstan under Grant No. BR24993001, “Creation of a Large Language Model (LLM) to Support the Kazakh Language and Advance Technological Development.”

Citation

If you use this dataset in your research, please cite the following article:

APA

Kadyrbek, N., Tuimebayev, Z., Mansurova, M., & Viegas, V. (2025). The development of small-scale language models for low-resource languages, with a focus on Kazakh and direct preference optimization. Big Data and Cognitive Computing, 9(5), 137. https://doi.org/10.3390/bdcc9050137

BibTeX

@article{kadyrbek2025development,
  title     = {The Development of Small-Scale Language Models for Low-Resource Languages, with a Focus on Kazakh and Direct Preference Optimization},
  author    = {Kadyrbek, Nurgali and Tuimebayev, Zhanseit and Mansurova, Madina and Viegas, Vitor},
  journal   = {Big Data and Cognitive Computing},
  volume    = {9},
  number    = {5},
  pages     = {137},
  year      = {2025},
  publisher = {MDPI},
  doi       = {10.3390/bdcc9050137},
  url       = {https://www.mdpi.com/2504-2289/9/5/137}
}