MuhammadHelmy/nafsy

该数据集是一个阿拉伯语的心理健康文章集合，最初从Nafsy.net网站抓取。数据集包含1884个样本，每个样本有四个特征：content（文章内容）、text_size（文章长度）、topic（文章主题的前10个关键词）、prob（主题预测的准确度）。数据集经过预处理，包括数据清洗、主题建模和去重，目的是为了开发一个阿拉伯语的心理健康支持聊天机器人。

原始信息汇总

数据集卡片 for nafsy

数据集概述

这个阿拉伯语数据集是一组心理健康文章。原始数据集是从 Nafsy.net 抓取的。

数据集详情

语言(NLP): 阿拉伯语

用途

直接用途

• 无监督微调
• RAG（Retrieval-Augmented Generation）

数据集结构

数据集字段：

• content: 文章
• text_size: 文章长度
• topic: 描述文章主题的前10个单词
• prob: 主题预测准确性

数据集创建

创建动机

创建一个用于心理健康支持的阿拉伯语聊天机器人。

源数据

数据收集和处理

• 该数据集最初从 Nafsy.net 抓取，然后上传到 Kaggle。
• 由本仓库所有者进行的额外预处理：
  • 清理数据：删除网址、多余空格和非单词，分离标点符号，并删除重复项
  • 应用主题建模以使用 bert-base-arabic 模型为每篇文章生成主要主题
  • 使用 sentence-transformers（paraphrase-multilingual-MiniLM-L12-v2）去重数据

源数据生产者

husamal

引用 [可选]

BibTeX:

@misc{Husamal_2021, title={Arabic-physcology-dataset}, url={https://www.kaggle.com/datasets/husamal/arabicphyscologydataset?select=nafsy.csv}, journal={Kaggle}, author={Husamal}, year={2021}, month={May}}