farabi-lab/Common-Sense-Reasoning

🇰🇿 Kazakh General Inquiry and FAQ Dataset

📖 Overview

This dataset contains 1,000 high-quality question-and-answer pairs in the Kazakh language. It is designed to train models on providing helpful, natural, and informative responses to common inquiries.

---

📊 Dataset Statistics

General Metrics

Metric	Count
Total Samples	1,000
Total Words (approx.)	74,013
Avg. Words per Sample	74

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	1.2	1.0	1	4	1,244
PROMPT	15.0	15.0	6	33	14,997
RESPONSE	57.8	57.0	36	84	57,772

---

📂 Dataset Structure

Data Fields

• PROMPT (string): A natural language question or inquiry (e.g., "Do I need a travel agency for domestic tourism?").
• RESPONSE (string): A helpful, grammatically correct, and multi-sentence answer in Kazakh.
• DOMAIN (string): The general category of the inquiry (e.g., Travel, Law, Social Services).

📝 Data Instance Example

{
        "PROMPT":"Қазақстанда ішкі туризмге шығу үшін турфирма қызметін міндетті түрде пайдалану керек пе?",
        "RESPONSE":"Жоқ, Қазақстанда ішкі туризмге шығу үшін турфирма қызметін міндетті түрде пайдалану қажет емес. Кез келген адам өз саяхатын турфирмасыз, дербес жоспарлап, ұйымдастыра алады. Интернет арқылы билеттерді, қонақүйлерді брондау, маршруттарды құру өте оңай. Турфирмалар көбінесе уақыты жоқ немесе саяхатты жан-жақты жоспарлауды қаламайтын адамдар үшін ыңғайлы. Олар топтық турлар, экскурсиялар және күрделі логистиканы ұсынуы мүмкін, бірақ бұл міндетті емес.",
        "DOMAIN":"Travel"
    }

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}
}