loquace-102k-pashto

مینه ناک خبرې کوونکې - 102k پښتو ډیټاسیټ（Loquace-102k-Pashto）是一个精心策划的情感丰富对话数据集，包含超过102,000个从意大利语翻译为普什图语的独特对话。该数据集专为大型语言模型（LLMs）的监督微调（SFT）而设计，特别关注情感智能、浪漫对话和普什图语诗歌表达。作为Loquace-102k意大利语数据集的翻译衍生版本，它继承了原始数据集的非商业许可协议（CC BY-NC 2.0）。数据集适用于文本生成、问答等任务，旨在促进普什图语在情感交流领域的研究与应用。Loquace-102k-Pashto is a meticulously curated emotion-rich dialogue dataset containing over 102,000 unique conversations translated from Italian to Pashto. It is designed for supervised fine-tuning (SFT) of large language models (LLMs), with a special focus on emotional intelligence, romantic dialogues, and Pashto poetic expressions. As a translated derivative of the Loquace-102k Italian dataset, it inherits the original datasets non-commercial license (CC BY-NC 2.0). The dataset is suitable for tasks such as text generation and question-answering, aiming to promote research and applications of Pashto in the field of emotional communication.

原始信息汇总

数据集概述：Loquace-102k-Pashto（مینه ناک خبرې کوونکې - 102k پښتو ډیټاسیټ）

该数据集是一个意大利语到普什图语的翻译衍生数据集，专注于情感智能与浪漫对话，适用于大语言模型的监督微调（SFT）。

基本信息

• 数据集名称：Loquace-102k-Pashto（普什图语名：مینه ناک خبرې کوونکې - 102k پښتو ډیټاسیټ）
• 仓库所有者：Nassim（nassimjp）
• 原始数据集：Loquace-102k（由 cosimoiaia 创建）
• 数据集大小：超过 102,000 条对话
• 源语言：意大利语（Italiano）
• 目标语言：地道的普什图语（پښتو）
• 许可证：CC BY-NC 2.0（非商业用途）

数据集内容

• 精心策划的、富含情感的对话集合，包含 102,000 条意大利浪漫与情感对话，已翻译为普什图语。
• 主要用途：大语言模型的情感智能、浪漫对话与诗意表达的训练。
• 标签包括：情感智能、浪漫、指令微调、SFT、翻译、LLM。

使用限制（CC BY-NC 2.0）

• ✅ 可自由使用：复制、重新分发、改编。
• ✅ 需注明出处：必须给予原始创建者（cosimoiaia）适当的署名。
• ❌ 禁止商业用途。

引用方式

• 本数据集引用：

  @misc{minah-naak-khabare-kunaka-102k-pashto, author = {Nassim (nassimjp)}, title = {مینه ناک خبرې کوونکې - 102k Pashto Emotional Conversations Dataset}, year = {2026}, publisher = {Hugging Face}, howpublished = {url{https://huggingface.co/datasets/nassimjp/minah-naak-khabare-kunaka-102k-pashto}} }

• 原始数据集引用：

  @misc{loquace-102k, author = {cosimoiaia}, title = {Loquace-102k}, year = {2024}, publisher = {Hugging Face}, howpublished = {url{https://huggingface.co/datasets/cosimoiaia/Loquace-102k}} }

致谢

• 原始数据集创建者：cosimoiaia
• 翻译服务：Google Translate API
• 数据集托管：Hugging Face

搜集汇总

数据集介绍

构建方式

该数据集源于对Loquace-102k意大利语情感对话数据集的深度加工与语种迁移。原始数据集收录了逾十万条涵盖爱情、情感与诗意表达的意大利语对话，为拓展其在普什图语场景下的研究价值，构建者借助Google Translate API对每一条样本进行了精准的跨语言翻译，最终形成了普什图语版本的102,000条对话记录。整个构建过程严格遵循非商业用途的CC BY-NC 2.0许可协议，在保留原始数据结构与情感属性的基础上，实现了语种的本地化转换，旨在为普什图语大模型的指令微调提供情感智能维度的训练材料。

特点

该数据集最为突出的特质在于其情感丰沛与语种稀缺性的结合。作为目前最大的普什图语情感对话语料库，它聚焦于爱情、浪漫与富有诗意的交流场景，这与面向通用对话或事实问答的语料形成显著差异。每条对话均承载了细腻的情感层次与语境信息，使得模型在微调过程中能够学习到丰富的情感表达模式与语义关联。同时，数据集采用了意大利语至普什图语的定向翻译路径，确保了源语言中蕴含的南欧浪漫文化气质在普什图语语境下得到自然延续，兼具文化移植与情感保真的双重价值。

使用方法

该数据集主要适用于对大语言模型进行监督式微调，尤其专注于提升模型在情感理解、浪漫对话生成及诗歌式表达等特定任务上的表现。研究者可将数据加载至Hugging Face的transformers框架中，按标准的指令微调流程进行处理：数据通常以输入-输出对的形式组织，对话中的提问或情境作为指令，目标回复则作为期望输出。因数据集基于CC BY-NC 2.0协议发布，使用者需注意其仅限于非商业研究场景，并在发表相关工作成果时正确引用原始数据集提供方cosimoiaia及翻译构建者nassimjp。

背景与挑战

背景概述

低资源语言在自然语言处理领域长期面临数据匮乏的困境，尤其在高情感密度的对话任务中，可用资源更是凤毛麟角。Loquace-102k-Pashto数据集由研究者Nassim于2026年创建，在意大利语情感对话数据集Loquace-102k基础上，通过专业翻译手段构建而成，是目前最大的普什图语情感对话数据集。该数据集包含逾10.2万条经过精心筛选的浪漫与情感对话，旨在为大型语言模型的监督微调提供情感理解与诗意表达方面的训练资源，填补了普什图语在情感智能和对话生成任务中的空白，对推动低资源语言的情感计算研究具有里程碑意义。

当前挑战

该数据集所面临的核心挑战首先在于领域问题：普什图语作为低资源语言，现有模型难以捕捉其丰富的情感表达和隐喻性浪漫对话，而情感智能任务对语义细腻度和文化背景高度敏感，数据量的增加并不足以完全弥补模型对这类语言特征的深层理解不足。构建过程中，译者需要应对意大利语到普什图语翻译的情感保真度难题——直译易丢失原对话中的浪漫韵味，意译又可能偏离原意；同时，对话主题涉及私密情感，需要平衡数据敏感性与多样性，避免引入文化偏见或误导性内容。此外，保持10万级规模下翻译的一致性与情感强度，亦是非商业研究资源的一大工程挑战。

常用场景

经典使用场景

Loquace-102k-Pashto数据集的核心经典用途在于对大型语言模型进行监督式微调，使其能够理解和生成普什图语中蕴含细腻情感与浪漫色彩的对话。该数据集精心收集并翻译了十万余条意大利语情感对话，为训练模型在低资源语言——普什图语上的情感智能、诗意表达及亲密交流能力提供了高质量的平行语料。研究者常将其作为情感对话生成任务的标准微调资源，以提升模型在少数族裔语言场景下的情感共鸣与自然交互水平。

解决学术问题

该数据集有效回应了低资源语言在自然语言处理中情感计算研究匮乏的困境。传统情感对话数据集多集中于英语等高资源语言，导致面向普什图语的情感理解与生成模型发展滞后。Loquace-102k-Pashto的构建，为跨语言情感迁移、低资源语言指令微调以及多语言对话系统评估提供了关键研究基础。其发布推动了情感人工智能在文化多样性背景下的理论探索，并凸显了语言资源建设中非商业性与文化敏感性的重要意义。

衍生相关工作

围绕Loquace-102k-Pashto衍生的相关工作主要体现在跨语言情感迁移学习、低资源语言对话系统构建以及非商业授权下的数据集翻译方法论。该数据集源自意大利语Loquace-102k的翻译版本，启发了后续研究者在阿拉伯语、波斯语等其他低资源语言上构建类似的情感对话微调资源。此外，其采用CC BY-NC 2.0许可，也促使学术界对非商业化数据生态中的模型训练策略进行深入讨论，并催生了若干关于翻译质量评估与数据安全性的后续研究。