farabi-lab/Cultural-Quizzes

🇰🇿 Kazakh Cultural Inquiry and Question Generation

📖 Overview

This dataset contains 500 samples focused on the ability to generate structured, relevant, and inquisitive content based on Kazakh cultural topics. The primary task demonstrated in this dataset is Question Generation (QG), where the model takes a broad topic or user interest and produces a series of detailed, numbered questions to guide further research or discussion.

---

📊 Dataset Statistics

General Metrics

Metric	Count
Total Samples	500
Total Words (approx.)	55,986
Avg. Words per Sample	111

Word Count Distribution (Per Field)

The following table details the distribution of word counts across different fields:

Field	Mean	Median	Min	Max	Total Words
domain	1.4	1.0	1	4	696
prompt	27.7	29.0	10	48	13,873
response	81.8	79.0	22	199	40,917
sample_id	1.0	1.0	1	1	500

---

📂 Dataset Structure

Data Fields

• sample_id (string): Unique identifier for the data entry.
• prompt (string): A request for information or a task to generate questions about a specific Kazakh cultural subject.
• response (string): A structured, numbered list of insightful questions or detailed thematic information in Kazakh.
• domain (string): The category of knowledge, primarily "Cultural Studies."

📝 Data Instance Example

{
    "sample_id": "1",
    "prompt": "\"Қазақтың дәстүрлі үй-жайлары туралы нақтырақ білгім келеді. Осыған байланысты 8 сұрақ құрастырып бересіз бе?\"",
    "response": "1. Киіз үйдің негізгі құрылымын құрайтын элементтер қандай?\n2. Қазақ дәстүрлі үйінің ішкі жағын безендіруде қандай заттар қолданылады?\n3. Төрткіл дегеніміз не және ол киіз үйдің қай бөлігінде орналасады?\n4. Кереге дегеніміз не және ол қандай қызмет атқарады?\n5. Шаңырақ қандай мағынаны білдіреді және оның мызғымас элементі не?\n6. Уықтардың саны киіз үйдің көлеміне қалай әсер етеді?\n7. Қазақтың дәстүрлі үй-жайларында қандай түсті ою-өрнектер жиі қолданылады?\n8. Киіз үйдің есігінің ерекшелігі неде және ол қандай бағытқа қаратып орнатылады?",
    "domain": "Cultural Studies"
  }

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}
}