نور-قطعه: یک دادگان معیار برای ارزیابی رو شهای جداساز واژگان عربی در دامنه ی متون فقهی

زبان عربی ریخت‌‌شناسی بسیار غنی و پیچیده‌ای دارد که برای تحلیل زبان عربی و به ویژه در متون عربی سنتی مانند متون تاریخی و مذهبی بسیار مفید است و در فهم معنای متون کمک می‌کند. در مجموعه داده‌های ریخت‌شناسی تنوع برچسب و تعداد نمونه‌های دادگان به ارزیابی روش‌های ریخت‌شناسی کمک بیشتری می‌کند، در این پژوهش مجموعه داده ریخت‌شناسی که ارائه می‌کنیم شامل حدود 223690 کلمه از کتاب شرائع الاسلام در 52 باب فقهی است و توسط متخصصین برچسب‌گذاری شده است این مجموعه دادگان با داشتن از نظر حجم و تنوع کلمات نسبت به سایر دادگان های موجود برتر می باشد و تا جایی که می دانیم هیچ دادگانی از متون فقهی عربی در این زمینه وجود ندارد. برای ارزیابی دادگان، سامانه فراسه را بر روی متون اعمال کردیم و کیفیت جداسازی واژه ها را از طریق چهار معیار بر روی سامانه فراسه گزارش کردیم.

noor-ghateh: a benchmark dataset for evaluating arabic word segmenters in hadith domain

the arabic language has a very rich and complex morphology, which is very useful for the analysis of the arabic language, especially in traditional arabic texts such as historical and religious texts, and helps in understanding the meaning of the texts. in the morphological data set, the variety of labels and the number of data samples helps to evaluate the morphological methods, in this research, the morphological dataset that we present includes about 22, 3690 words from the book of sharia alislam, which have been labeled by experts, and this dataset is the largest in terms of volume and the variety of labels is superior to other data provided for arabic morphological analysis. to evaluate the data, we applied the farasa system to the texts and we report the annotation quality through four evaluation on the farasa system.