🇹🇷 3 Milyon Zengin Sorular Cevaplar
Turkish Morphology-Based Instruction & QA Dataset
İçerik Sahipleri: Hakan Ttkr & Lafzım Bysismo
Toplam Kayıt: ~2.982.000+
Format: JSONL
Dil: Türkçe
Versiyon Kaynağı: zurriyet_v6.0_dna
🎯 Dataset Amacı
Bu veri seti, Türkçe morfoloji temelli zengin varyasyonlu soru–cevap çiftlerinden oluşur.
Temel hedef:
Türkçe LLM modellerini instruction-tuning için eğitmek
Aynı bilgiyi farklı soru formlarıyla doğru üretmeyi öğretmek
Morfolojik tutarlılığı artırmak
Hallüsinasyon kaynaklı çekim ve yapı hatalarını azaltmak
Türkçe eklemeli bir dildir. Bu nedenle yüzey formdan ziyade yapısal doğruluk kritik önemdedir. Bu veri seti, soru çeşitliliği üzerinden yapısal bilinç kazandırmayı amaçlar.
📊 Veri Yapısı
Her satır tek bir JSON objesidir (JSONL format).
Örnek:
{
"soru": "dulda kelimesi kaç hecedir?",
"cevap": "2 hecedir.",
"kelime": "dulda",
"kok": "dulda",
"primary_pos": "Noun",
"heceler": ["dul", "da"],
"hece_sayisi": 2,
"veri_kaynagi"…
🇹🇷 Zurriyet Turkish Morphological DNA Dataset v6.0
Sahipler: Hakan Ttkr & Lafzım Bysismo
Versiyon: zurriyet_v6.0_dna
Dil: Türkçe
Toplam Kayıt: ~2.982.000+ satır
Kapsam: 98.108 TDK kelimesinin morfolojik, fonolojik ve çekimsel açılımı
📌 Dataset Amacı
Bu veri seti, Türkçe'nin eklemeli (agglutinative) yapısını morfem seviyesinde modelleyebilmek, yapay zekâ sistemlerinin Türkçe dil bilinci kazanmasını sağlamak ve Türkçe LLM / NLP çalışmalarına yüksek çözünürlüklü bir morfolojik altyapı sunmak amacıyla hazırlanmıştır.
Türkçe; kök + ek zincirleriyle anlam üreten, ses uyumları ve biçimbilimsel kurallarla şekillenen bir dildir. Bu veri seti, kelimeleri yalnızca yüzey formunda değil, morfem akışı (morpheme flow) ve morfem DNA yapısı ile temsil eder.
Amaç:
Türkçe LLM’lerde morfolojik farkındalık oluşturmak
Hallüsinasyonu azaltmak
Çekim ve türetim hatalarını minimize etmek
Türkçe için yapısal veri temelli bir öğrenme zemini oluşturmak
📊 İçerik Yapısı
Dataset iki ana bileşenden oluş…
