Development and Evaluation of a Small Kazakh Language Corpus to Improve the Efficiency of Multilingual NLP Systems in Low-Resource Environments

2025

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.1109/sist61657.2025.11139363
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

This study tackles NLP challenges in low-resource settings by developing the Small Kazakh Language Corpus—a high-quality, annotated collection of Kazakh texts sourced from news, scientific publications, and Wikipedia. The corpus was used to fine-tune two models for masked language modeling: the multilingual XLM-RoBERTa-base and the Kazakh-specific nur-dev/roberta-kaz-large. Fine-tuning notably improved XLM-RoBERTa-base's accuracy from 48.84% to 68.85% and F1-score from 41.96% to 68.62%, while nur-dev/roberta-kaz-large showed more modest gains. These findings demonstrate the critical role of language-specific resources in enhancing multilingual NLP systems and provide a solid foundation for further research in applications such as machine translation, sentiment analysis, and question answering.