farabi-lab/Conversion-of-Fomality-and-Style

🇰🇿 Kazakh Formal Style Transfer and Register Adaptation

📖 Overview

This dataset contains 1,500 samples focused on the task of Style Transfer, specifically converting casual or descriptive Kazakh text into a professional, "Business/Official" register (Іскерлік стиль).

---

📊 Dataset Statistics

General Metrics

Metric	Count
Total Samples	1,500
Total Words (approx.)	134,949
Avg. Words per Sample	90

Word Count Distribution (Per Field)

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

Field	Mean	Median	Min	Max	Total Words
sample_id	1.0	1.0	1	1	1,500
prompt	4.5	4.0	3	7	6,817
text	39.1	39.0	17	62	58,642
response	45.1	44.0	21	104	67,600
domain	1.3	1.0	1	4	1,890

---

📂 Dataset Structure

Data Fields

• sample_id (int64): Unique numerical identifier.
• prompt (string): The style transfer instruction (e.g., "Write this text in a business style").
• text (string): The source text in a neutral or informal register.
• response (string): The target text rewritten in a formal/official Kazakh style.
• domain (string): The industry domain (e.g., Agriculture, Law, Economics).

📝 Data Instance Example

 {
    "sample_id": 1,
    "prompt": "Бұл мәтінді іскерлік стильде жазыңыз:",
    "text": "Тұрақты егіншілік – жерді күтіп, табиғатқа зиян келтірмей, ұзақ уақыт бойы өнім алу. Бұл әдіс топырақтың құнарлылығын сақтап, суды үнемдеуге және зиянкестермен табиғи жолмен күресуге көмектеседі. Оның қоршаған ортаға әсері өте жақсы: топырақ эрозиясы азаяды, су тазалығы сақталады және ауаға зиянды заттар аз бөлінеді. Сонымен қатар, тұрақты егіншілік биоалуантүрлілікті қолдайды, яғни жан-жануарлар мен өсімдіктердің санын көбейтеді.",
    "response": "Тұрақты егіншілік – ауыл шаруашылығын жүргізудің жер ресурстарын ұтымды пайдалануға және қоршаған ортаға теріс әсерді азайтуға бағытталған тәсілі. Аталған тәсіл топырақтың құнарлылығын қамтамасыз етуге, су ресурстарын үнемдеуге және зиянкестерге қарсы күресте табиғи әдістерді қолдануға мүмкіндік береді. Тұрақты егіншіліктің экологиялық артықшылықтарына топырақ эрозиясының төмендеуі, су объектілерінің сапасын сақтау және атмосфераға парниктік газдардың шығарындыларын азайту жатады. Сонымен қатар, бұл тәсіл биоалуантүрлілікті сақтауға және дамытуға ықпал етеді.",
    "domain": "Agriculture"
  }

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}
}