突尼斯阿拉伯语拉丁转写语料库2017_2021

数据集概述

该数据集是2017-2021年构建的突尼斯阿拉伯语（ISO 693-3: aeb）拉丁转写（Arabizi）文本资源，通过网络爬取Facebook公开页面消息，经人工筛选保留纯突尼斯阿拉伯语拉丁转写内容，无标注或调整，用于解决突尼斯阿拉伯语拉丁转写NLP数据库缺失问题。

文件详解

• 文本文件（.txt格式，共13个）：
• 文件名称示例：CTAB-SAMPLE0003.txt、CTAB-SAMPLE0011.txt等
• 内容：每条消息占一行，保留原始爬取内容，无标注、拼写调整或语法标记
• 文档文件：
• 文件名称：CTAB.pdf
• 文件格式：PDF
• 内容：未明确说明具体内容，推测为语料库相关说明文档

适用场景

• 自然语言处理研究：用于突尼斯阿拉伯语拉丁转写文本的语言模型训练、分词等基础NLP任务
• 社会语言学分析：研究突尼斯民众使用拉丁字母转写阿拉伯语的书写行为和语言特征
• 方言数字化保护：为突尼斯阿拉伯语方言的数字化保存提供原始文本资源
• 跨语言转写研究：对比分析不同阿拉伯语方言拉丁转写的差异与共性