🇰🇿 Kazakh Family Ethics and Social Proverbs

📖 Overview

This dataset contains 508 samples dedicated to the exploration of Kazakh social ethics, family values, and traditional proverbs (мақал-мәтелдер). It is designed to evaluate a model's ability to explain complex cultural philosophies.

---

📊 Dataset Statistics

General Metrics

Metric	Count
Total Samples	508
Total Words (approx.)	51,013
Avg. Words per Sample	100

Word Count Distribution (Per Field)

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

Field	Mean	Median	Min	Max	Total Words
domain	1.5	2.0	1	4	777
prompt	17.8	17.0	10	31	9,053
response	80.1	80.0	56	110	40,675
sample_id	1.0	1.0	1	1	508

---

📂 Dataset Structure

Data Fields

• sample_id (string): Unique identifier for the data entry.
• prompt (string): A query regarding the meaning, context, or modern application of a Kazakh proverb or social concept.
• response (string): A reflective and explanatory answer that contextualizes the proverb within traditional and modern Kazakh society.
• domain (string): The thematic area, primarily focused on "Family" and social ethics.

📝 Data Instance Example

{
    "sample_id": "1",
    "prompt": "\"Ел боламын десең, бесігіңді түзе\" деген мақалды толық түсіндіріп бере аласыз ба? Бұл сөздің қазіргі қоғамдағы маңызы қандай?",
    "response": "\"Ел боламын десең, бесігіңді түзе\" деген мақал қазақ халқының тәрбиелік құндылықтарына негізделген. Бұл сөз баланы кішкентайынан тәрбиелеудің маңыздылығын көрсетеді. Мысалы, отбасы мүшелері балаларға жақсы тәрбие беріп, оларға ұлттық құндылықтарды сіңіру арқылы болашақта елдің үлгілі азаматы болуына ықпал етеді. Қазіргі қоғамда балалардың тәрбиесіне назар аудару, олардың білім алуына жағдай жасау - әлеуметтік әл-ауқаттың маңызды бөлігі. Ұрпақтың жақсы тәрбиесі елдің болашағын анықтайтындықтан, бұл мақал әрдайым өзекті болып қала береді.",
    "domain": "Family"
  }

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}
}