farabi-lab/Idiomatic-Expressions

🇰🇿 Kazakh Idiomatic Expressions and Cultural Context

📖 Overview

This dataset is a specialized linguistic resource containing 413 samples focused on the interpretation of Kazakh idioms, phraseology, and cultural metaphors. It is designed to help models move beyond literal translation and understand the deep-seated figurative meanings (идиомалар мен тұрақты тіркестер) used in daily Kazakh communication and literature.

---

📊 Dataset Statistics

General Metrics

Metric	Count
Total Samples	413
Total Words (approx.)	34,444
Avg. Words per Sample	83

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	1.4	1.0	1	4	560
prompt	16.4	16.0	13	27	6,788
response	64.6	72.0	36	96	26,683
sample_id	1.0	1.0	1	1	413

---

📂 Dataset Structure

Data Fields

• sample_id (string): Unique identifier for the sample.
• prompt (string): A query from a user seeking the meaning or usage of a specific Kazakh phrase/idiom.
• response (string): A comprehensive explanation including meaning, examples of usage, and social context.
• domain (string): The category of knowledge, primarily "Cultural Studies."

📝 Data Instance Example

 {
    "sample_id": "1",
    "prompt": "\"Қырық пышақ\" деген тіркесті жақында бір кітаптан кездестірдім, бірақ нақты мағынасын түсінбедім. Бұл қандай жағдайларда қолданылады?",
    "response": "\"Қырық пышақ\" деген тіркес қазақ тілінде адамдар арасындағы өте қатты ұрсысу немесе жанжалдасу жағдайын білдіреді. Бұл жағдайлар көбінесе отбасы мүшелері арасында күнделікті өмірде болатын кикілжіңдерді сипаттау кезінде қолданылады. Мысалы, ағайындар арасында мұраға байланысты келіспеушілік туындаса, олар \"қырық пышақ болып қалды\" деп айтады. Сондай-ақ, бұл идиома әлеуметтік деңгейде де қолданылады, мысалы, көршілер арасындағы жанжалдарда немесе достар арасында туындаған қақтығыстарды сипаттау үшін. Бұл тіркес мәдени тұрғыдан адам қарым-қатынасындағы шиеленісті бейнелі түрде көрсетеді.",
    "domain": "Cultural Studies"
  }

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}
}