Datasets:

Tree-AI-lab
/

fr_bci_4d_instruct

language:
  - fr
  - bci
license: apache-2.0
task_categories:
  - text-generation
pretty_name: fr_bci_4d_instruct
size_categories:
  - 10K<n<100K
tags:
  - instruction-tuning
  - baoule
  - bci
  - french
  - alpaca
  - cross-lingual
  - baba-sovereign-ai
configs:
  - config_name: default
    data_files:
      - split: train
        path: data/train.jsonl

🇨🇮 fr_bci_4d_instruct

fr_bci_4d_instruct est le jeu de données d'entraînement par instructions (Instruction Tuning / SFT) bilingue Français–Baoulé (bci) du laboratoire Tree-AI-lab, conçu spécifiquement pour l'entraînement du modèle souverain BABA.

Ce dataset est une évolution structurée de Tree-AI-lab/fr_bci_4d, adoptant une séparation stricte entre la tâche fondamentale (instruction) et la consigne linguistique d'orientation de réponse (langue_de_reponse_attendue).

📊 Composition & Structure des 4 Directions (55 020 exemples)

Direction	Exemples	Langue Requête	Langue Réponse	Rôle de la consigne linguistique
ci_bci	16 506 (30 %)	Baoulé	Baoulé	Monolingue Baoulé : Aucune consigne inter-langue ("").
r_fr	15 406 (28 %)	Français	Français	Monolingue Français : Aucune consigne inter-langue ("").
r_bci	11 554 (21 %)	Français	Baoulé	Cross-lingual (FR ➔ BCI) : Consigne en français (111 préfixes, 102 suffixes) incitant à répondre en Baoulé.
ci_fr	11 554 (21 %)	Baoulé	Français	Cross-lingual (BCI ➔ FR) : Consigne en baoulé (105 préfixes, 102 suffixes) incitant à répondre en Français.
Total	55 020	-	-	100 % de couverture équilibrée.

🛠 Schéma des données (Option 1 : Séparation Stricte)

Chaque enregistrement contient les champs suivants :

json { "id": "french_alpaca_1dbab5f99118e2db__fr_bci", "direction": "fr_bci", "source_language": "fr", "target_language": "bci", "instruction": "Propose un itinéraire de vacances pour une semaine à Paris...", "langue_de_reponse_attendue": "Réponds en baoulé :", "position_consigne": "prefixe", "input": "Une famille de deux adultes et deux enfants (14 et 10 ans)", "output": "Cɛn klikli: Be ko nian Tour Eiffel lɔ, be wun Montmartre klɔ’n i wun lɔ...", "source_dataset": "jpacifico/French-Alpaca-dataset-Instruct-55K", "source_row_index": 15365 }

Description des colonnes :

instruction : L'instruction originale 100% intacte, sans altération ni préfixage artificiel.
langue_de_reponse_attendue : La consigne formulée par l'utilisateur pour orienter la langue de sortie (ex: "Réponds en baoulé :" pour r_bci, ou "An tɛ su blɔfuɛ nun:" pour ci_fr). Vide "" pour les exemples monolingues.
position_consigne : Indique si la consigne est un "prefixe", un "suffixe", ou "" (monolingue).
input : Contexte ou données additionnelles (format Alpaca standard).
output : La réponse générée dans la langue cible ( arget_language).

💡 Utilisation recommandée pour l'entraînement (Prompt Template)

Lors du fine-tuning (SFT) ou de l'évaluation, vous pouvez reconstituer le prompt complet selon vos besoins :

`python def formater_prompt(exemple): instruction = exemple["instruction"] consigne = exemple["langue_de_reponse_attendue"] position = exemple["position_consigne"]

if position == "prefixe":
    prompt_final = f"{consigne} {instruction}"
elif position == "suffixe":
    prompt_final = f"{instruction} {consigne}"
else:
    prompt_final = instruction

if exemple.get("input"):
    prompt_final += f"\n\nContexte : {exemple['input']}"
return prompt_final

🏛 Licence & Crédits

Licence : Apache 2.0
Organisation : Tree-AI-lab
Modèle de référence : BABA Sovereign African AI