Maghreb-Arabisch — Annotationsdatensatz
Label-Schichten für nordafrikanisches Arabisch: Stimmung, Dialektklasse, Absicht, Thema und Sprachmischung. Jedes Label setzen mehrere geschulte Bearbeiter unabhängig voneinander; es gilt erst ab 66 % Übereinstimmung als entschieden.
- Label-Typen
- Stimmung, Dialektklasse, Absicht, Thema, Sprachmischung
- Konsensregel
- Mehrere unabhängige Bearbeiter, entschieden ab 66 % Übereinstimmung
- Sprachen
- ar-TN, ar-DZ, ar-MA, Kabylisch und Zentralatlas-Tamazight
- Themenstruktur
- 194 Unterthemen in 17 Bereichen, von Essen bis Jugendsprache
- Lieferung
- JSON, JSONL oder CSV, eine Zeile je Satz und Label-Typ
- Ihr eigener Text
- Annotation als Dienstleistung auf Ihrem Korpus — Preis je Aufgabe
So sieht ein gelieferter Datensatz aus
Das sind die tatsächlichen Spalten unserer Export-Ansicht, kein vorgeschlagenes Schema. Sie wissen vor der ersten Mail, ob die Felder in Ihre Trainingsstrecke passen.
- sentence_id
- text_ar
- annotation_type
- consensus_label
- consensus_score
- times_annotated
- domain_code
- country_code
- language_code
- region_origin
{
"sentence_id": "ann_41d9b2",
"text_ar": "ما نجمش نصبر أكثر من هكة",
"annotation_type": "sentiment",
"consensus_label": "negative",
"consensus_score": 1,
"times_annotated": 3,
"domain_code": "emotions_express.frustration",
"country_code": "TN",
"language_code": "ar-TN",
"region_origin": "Tunis"
}Struktur ist echt, Werte sind illustrativ. Vollständiges Musterpaket mit Audio und Manifest auf Anfrage, kostenlos.
Woher die Daten kommen
Unsere Bearbeiter arbeiten auf einem Vorrat von 2.028.674 Derja- und Darija-Sätzen aus offen lizenzierten öffentlichen Korpora. Der Quelltext bleibt unter seiner ursprünglichen Lizenz — lizenziert wird die Label-Schicht, die unser Team darauf erzeugt. Ebenso annotieren wir Text, den Sie selbst mitbringen.
Wie sich das zu frei verfügbaren Korpora verhältJeder Contributor willigt je Aufnahme ein, mit Zeitstempel protokolliert. Der Einwilligungsnachweis geht mit der Lieferung mit und hält einer Prüfung stand.
Kein Scraping, keine Crowdsourcing-Reste. Die Contributor verdienen das 1,6- bis 2,6-Fache des gesetzlichen Stunden-Mindestlohns ihres Landes für geprüfte Arbeit.
Jeder Datensatz trägt die Region, in der er entstanden ist, abgeglichen mit dem hinterlegten Standort — die Dialektzone ist eine Tatsache, keine Annahme.
Jeder Export ist mit Wasserzeichen versehen und im Download nachverfolgt. Ein abgeflossenes Korpus lässt sich der Lizenz zuordnen, unter der es das Haus verlassen hat.
Erste ausgezeichnete Pakete ab Q3 2026 — der Vorrat ist aufbereitet und bereit zur Auszeichnung.
Nennen Sie Sprache, Themenbereiche, Regionen und Umfang. Sie erhalten ein Musterpaket und ein Angebot — die Erhebung wird auf Ihre Vorgabe geplant.