数据集概述
该数据集是奥兰阿拉伯方言的形态标注数据集，含三万三千个单词，覆盖书面（约百分之十二）与口语（约百分之八十八）两类来源，书面涉及校园生活等主题，口语含故事等场景。每个单词经人工标注，含词性、词根等信息，标注遵循阿拉伯贝拉语料库指南并适配方言语境。
文件详解
该数据集由多个文件和目录组成，具体说明如下：
- 根目录文件：
- ReadMe.txt：说明文档，格式为TXT
- Morphology Annotation Guidelines.pdf：形态标注指南，格式为PDF
- Frequency distribution data/目录：
- MADORanFreqDist.csv：频率分布数据，格式为CSV，含Token（词汇）、Frequency（频率）字段
- MADOran Morphologically Annotated Dataset/目录：
- MADOran.tsv：形态标注数据集，格式为TSV，含ID、Sentno（句子编号）、Wordno（单词编号）、Word（单词）、Root（词根）、Pattern（词型）、en_gloss（英文释义）、fr_gloss（法文释义）等字段
- MADOran.csv：形态标注数据集，格式为CSV
- MADOran.json：形态标注数据集，格式为JSON
- MADOran.db：形态标注数据集，格式为DB
- Raw Data - Sentences/目录：
- MADOran_Sentences.tsv：原始句子数据，格式为TSV
- MADOran_Sentences.txt：原始句子数据，格式为TXT
适用场景
- 阿拉伯方言语言学研究：分析奥兰阿拉伯方言的形态结构与特征
- 自然语言处理模型训练：用于方言文本的词性标注、词根提取等任务
- 方言资源开发：支撑奥兰阿拉伯方言词典、语料库等资源构建
- 语言对比研究：对比奥兰方言与现代标准阿拉伯语的形态差异
