数据集概述
该数据集基于OpenITI语料库2023.1.8版本及对应文本复用数据，聚焦公元1000 AH及之前语料库中字数超百万的“百万词作者”，包含其作品元数据、字数统计等信息，用于分析少数作者对语料库的贡献占比。
文件详解
- 元数据文件：OpenITI_metadata_2023-1-8_pri_millionaires.tsv（TSV格式），包含字段如版本URI、日期、阿拉伯语作者名、拉丁语作者名、书籍标题、字数、本地路径等核心元数据
- 统计文件：stats-v8_uni-dir.csv.gz（CSV压缩格式），可能为语料库文本复用相关统计数据
- 作者作品统计文件：millionaire_works_toks_cnt.tsv（TSV格式），包含字段如作者URI、作品总数、总词数、百万词作品数、百万词作品总词数等
- 说明文档：OpenITI-Millionaires_ReleaseNotes_v2023.1.8.pdf（PDF格式），为数据集发布说明
数据来源
KITAB项目团队
适用场景
- 伊斯兰学术史研究：分析千纪伊斯兰学者的著作产出规模与知识贡献格局
- 语料库语言学研究：探究大规模古典阿拉伯语文本的作者分布特征
- 数字人文研究：支持古代学术生产模式的定量分析
- 文本复用分析：结合配套文本复用数据，研究百万词作者作品间的引用与影响关系
