bysismo/3Milyon_Zengin_Sorular_Cevaplar

---
license: apache-2.0
language:
- tr
tags:
- agent
- legal
- chemistry
- biology
- synthetic
pretty_name: bysismo_turk
size_categories:
- 100K<n<1M
---

🇹🇷 3 Milyon Zengin Sorular Cevaplar / Morphology bombası
Turkish Morphology-Based Instruction & QA Dataset

İçerik Sahipleri: Hakan Ttkr & Bysismo
Toplam Kayıt: ~2.982.000+
Format: JSONL
Dil: Türkçe
Versiyon Kaynağı: zurriyet_v6.0_dna

Dikkat!!!!!:

Bu veri seti konsantre'dir 100.000 kelimeden oluşan 3.000.000 kadar kelimenin üzerinde türemiştir.
bu veri setini modele direk vermeniz halinde modeliniz çok katı bir türkçe hocasına dönüşür.
tavsiyem ilk veri setim olan zurriyet_dna_v6 veri seti ile önce modeli eğitin ikinci eğitimde bu veri setini kullanın.
3. eğitimde en az 35.000.000 luk bir veri setini kullanın.

🎯 Dataset Amacı

Bu veri seti, Türkçe morfoloji temelli zengin varyasyonlu soru–cevap çiftlerinden oluşur.

Temel hedef:

Türkçe LLM modellerini instruction-tuning için eğitmek

Aynı bilgiyi farklı soru formlarıyla doğru üretmeyi öğretmek

Morfolojik tutarlılığı artırmak

Hallüsinasyon kaynaklı çekim ve yapı hatalarını azaltmak

Türkçe eklemeli bir dildir. Bu nedenle yüzey formdan ziyade yapısal doğruluk kritik önemdedir. Bu veri seti, soru çeşitliliği üzerinden yapısal bilinç kazandırmayı amaçlar.

📊 Veri Yapısı

Her satır tek bir JSON objesidir (JSONL format).

Örnek:

{
"soru": "dulda kelimesi kaç hecedir?",
"cevap": "2 hecedir.",
"kelime": "dulda",
"kok": "dulda",
"primary_pos": "Noun",
"heceler": ["dul", "da"],
"hece_sayisi": 2,
"veri_kaynagi": "zurriyet_v6.0_dna"
}
🧠 Veri Üretim Yaklaşımı

98.108 TDK temelli kelime üzerinden 3.000.000 kadar üretim

Morfolojik DNA altyapısı kullanılarak soru varyasyonu

Aynı bilginin çoklu dilsel formda ifade edilmesi

Programatik validasyon

Yapısal tutarlılık kontrolü

Bu yöntem sayesinde model:

Soru formuna bağımlı kalmadan doğru yanıt üretmeyi öğrenir

Morfolojik özellikleri implicit olarak içselleştirir

Yapısal tekrarlar üzerinden güvenilirlik kazanır

📦 Format Detayları

Dosya türü: .jsonl

Encoding: UTF-8

Her satır bağımsız JSON objesidir

Satırlar arasında virgül yoktur

Büyük veri için streaming uyumludur

🚀 Kullanım Alanları

Instruction fine-tuning

Supervised fine-tuning (SFT)

RLHF öncesi temel eğitim

Türkçe QA sistemleri

Morfoloji-aware LLM geliştirme

Akademik NLP araştırmaları

🔬 Teknik Özellikler

Yüksek varyasyonlu soru yapıları

Morfolojik farkındalık temelli içerik

Hece bilgisi entegrasyonu

POS tabanlı etiketleme

Metadata destekli kayıtlar

🌍 Vizyon:

Dil yalnızca kelime üretmek değildir;
yapısal doğruluk üretmektir.

Bu veri seti, Türkçe’nin morfolojik doğasını koruyarak
yapay zekâ sistemlerine yapısal bilinç kazandırmayı hedefler.

Amaç, Türkçe’yi yalnızca veri olarak değil,
kurallı ve yaşayan bir sistem olarak temsil edebilen modeller geliştirmektir.

---
language:
- tr
license: cc-by-4.0
task_categories:
- question-answering
- text-generation
- text-classification
pretty_name: 3 Milyon Zengin Sorular Cevaplar - Turkish Morphology QA Dataset
size_categories:
- 1M<n<10M
---