datasets/ewe/README.md

Dataset Ewe (Végbé)

Ce dossier contient les données pour l'entraînement et le finetune de modèles LLM/SLM sur la langue Ewe (Togo, Ghana, Bénin).

Structure des sous-dossiers

• raw/ : données brutes collectées (tous formats)
• clean/ : données nettoyées, formatées
• annotated/ : données enrichies (tags, traductions, métadonnées)
• final/ : corpus prêt à l'entraînement (JSONL, Parquet...)

Bonnes pratiques

• Diversité des sources (oral, écrit, médias, réseaux sociaux...)
• Respect de la vie privée, anonymisation
• Annotation thématique et contextuelle
• Traductions si possible (français, anglais)

Exemple de schéma JSONL

Voir le fichier final/ewe_corpus.schema.json pour la structure détaillée.