STEM_TextBook_Arabic

The full corpus is curated across multiple STEM/Non-STEM disciplines and structured for use in LLM training, evaluation, and instruction tuning (SFT/RLHF). This sample represents the structure and quality of the larger dataset.

Dataset composition (full corpus):

Text corpus: 1.6B+ words of curated STEM and Non-STEM educational content across 22000+ texbooks in 7 languages(English, Hindi, Arabic, Bahasa, Tamil, Telegu, Kannada)
Question–Answer pairs: 6.5M+ high-quality Q&A pairs of STEM and Non-STEM in (English, Arabic, Hindi and Indic languages)
Video data: 100K+ hours of STEM Videos and 30K+ hours of UGC.
Audio data: 821K+ hours of Podcasts and Call Center data(Dual Channel)
Medical datasets: 30M+ files including clinical and diagnostic data like CT Scan, MRI, X-ray, Pathology, EHRs, USG Reports and Echo Reports.
This repository includes:

A small preview subset of the STEM Arabic TextBook data
Flat, viewer-friendly schema for inspection
Parquet files suitable for benchmarking and evaluation
Purpose of this dataset:

Dataset preview and validation
Model evaluation and experimentation
Schema and format inspection before full-scale access
warning: Note: This repository contains sample data only. Access to the complete dataset is available separately under appropriate licensing or partnership terms. Note: This is not the full dataset.

For full details, Please contact [Em: [e-mail]]

本完整语料库覆盖理工科与非理工科（STEM/Non-STEM）多领域，专为大语言模型（LLM）的训练、评估与指令微调（监督微调（SFT）/基于人类反馈的强化学习（RLHF））打造。本示例样本用于展示该大型数据集的结构与质量水平。
数据集组成（完整语料库）：
文本语料：收录7种语言（英语、印地语、阿拉伯语、马来语、泰米尔语、泰卢固语、卡纳达语）的22000余册教材中的16亿+词精选教育内容，涵盖理工与非理工领域。
问答对（Q&A pairs）：650万余条高质量理工与非理工领域问答对，覆盖语言包括英语、阿拉伯语、印地语及印度各本土语言。
视频数据：10万余小时的理工科教学视频，以及3万余小时的用户生成内容（UGC）。
音频数据：82.1万余小时的播客与双通道客服通话数据。
医疗数据集：包含3000万余份文件，涵盖临床与诊断类数据，如CT扫描（CT Scan）、核磁共振成像（MRI）、X光影像、病理报告、电子健康档案（EHRs）、超声检查（USG）报告与心脏超声报告。

本仓库包含以下内容：
- 阿拉伯语理工科教材的小型预览子集
- 扁平化、便于浏览检视的数据集架构
- 适用于基准测试与模型评估的Parquet格式文件

本数据集的用途：
- 数据集预览与验证
- 模型评估与实验研究
- 全量数据集开放访问前的架构与格式检视

注意：本仓库仅包含样本数据。完整数据集的获取需通过合适的授权许可或合作条款另行申请。请注意：本仓库并非完整数据集。

如需获取完整详情，请联系[邮箱：[e-mail]]