Dataset Viewer
Auto-converted to Parquet Duplicate
title
stringlengths
1
72
text
stringlengths
100
43.1k
categories
listlengths
0
12
alphabet
stringclasses
3 values
categories_count
int32
0
12
text_length
int32
100
43.1k
url
stringlengths
31
102
alphabet_confidence
float32
0.3
1
cyr_ratio
float32
0.07
1
lat_ratio
float32
0
0.93
word_count
int32
9
5.68k
sentence_count
int32
1
355
readability_score
float32
0
100
avg_sentence_length
float32
3
1.13k
Сæйраг фарс
{| id="mp-upper" style="margin:0; background:none;" | class="MainPageBG" style="width:70%; background:transparent; vertical-align:top; color:#000;" | {| id="mp-left" cellpadding="0" cellspacing="0" style="width:100%; vertical-align:top; background:transparent;" | link= 38px Ног хабæрттæ |- | height="5px" | |- | li...
[]
latin
0
1,048
https://os.wikipedia.org/wiki/Сæйраг_фарс
0.85
0.15
0.85
133
1
0
133
Æрыдон (сахар)
|Паддзахад = Уæрæсе |Герб = |Тырыса = |Гербы уæрх = |Тырысайы уæрх = |lat_deg = 43|lat_min = 10|lat_sec = |lon_deg = 44|lon_min = 17|lon_sec = |CoordAddon = |CoordScale = |Паддзахады картæйы ас = 300 |Регионы картæйы ас = 300 |Районы картæйы ас = 300 |Регионы тип = Уæрæсейы федеративон арæзтФедераций...
[ "Æрыдон" ]
cyrillic
1
1,757
https://os.wikipedia.org/wiki/Æрыдон_(сахар)
0.949429
0.949429
0.050571
208
9
73.777779
23.111111
Дзæуджыхъæу
|Ныв = View of Vladikavkaz.jpg |Ном = Дзæуджыхъæуы уынд |Паддзахад = Уæрæсе |Герб = |Тырыса = |Гербы уæрх = |Тырысайы уæрх = |lat_deg = 43 |lat_min = 01 |lat_sec = 00 |lon_deg = 44 |lon_min = 39 |lon_sec = 00 |CoordAddon = |CoordScale = |Паддзахады картæйы ас = 300 |Регионы картæйы ас = 300 |Районы кар...
[ "Дзæуджыхъæу" ]
cyrillic
1
6,496
https://os.wikipedia.org/wiki/Дзæуджыхъæу
0.97287
0.97287
0.02713
843
57
90.421051
14.789474
Литературæ
мини|ЭСБЕ|Брокгаузы дзырдуат (1910) Литерату́рæ ( — «фыст») у кæцыдæриддæр текстты æмдзыгуыр. * Ирон фысджыты номхыгъд. * Рифмæ * Комеди *
[ "Литературæ" ]
cyrillic
1
140
https://os.wikipedia.org/wiki/Литературæ
1
1
0
17
3
100
5.666667
Нар
Федерацийы субъект |Регион = Цæгат Ирыстон |Регион таблицæйы = Цæгат Ирыстон |Районы тип = Цæгат Ирыстоны административон дихМуниципалон район |Район = Алагиры район |Район таблицæйы = Алагиры район |Æмбалады тип = |Æмбалад = |мидæг дихкæнынад = |Сæргълæууæджы тип = |Сæргълæууæг = |Бындурæвæрд = |Фыццаг...
[ "Алагиры районы цæрæнрæттæ", "Нар" ]
cyrillic
2
1,577
https://os.wikipedia.org/wiki/Нар
0.894257
0.894257
0.105743
201
16
94.875
12.5625
Алтайы Республикæ
|Хуыз2 = |Ирон ном = Алтайы Республикæ |Оригиналон ном = |Ныв = |Нывы ном = |Герб = |Тырыса = |Паддзахад = Уæрæсе |Гимн = |Статус = Уæрæсейы Федерацийы субъект |Кæй сконды у = |Датæ = |Йæ дæлхæйттæ = |Сæйраг сахары тип = Сæйраг сахар |Сæйраг сахар = Горно-Алтайск |Стырдæр сахар = |СтырдæрСахартæ = |Сæргълæууæг ...
[ "Алтайы Республикæ" ]
cyrillic
1
1,210
https://os.wikipedia.org/wiki/Алтайы_Республикæ
0.936352
0.936352
0.063647
145
6
71.666664
24.166666
Уырыссаг æвзаг
ruskj jzk |бæстæтæ = Уæрæсе, Украинæ, Белорусси, Хъазахстан, Молдовæ, Сомих, Израиль, Латви, Литва, Эстони, Хъиргъиз, Таджикистан, Туркменистан, Узбекистан, Азербайджан, Гуырдзыстон, Польшæ, Мангол, Шпицберген (Норвеги), Финлянди, Чехи, Болгари, Скæсæн Европæ, Герман, АИШ-ы стырдæр сахартæ, Канадæ, Турк, Австрали |офиц...
[ "Уырыссаг æвзаг", "АИШ-ы æвзæгтæ", "Украинæйы æвзæгтæ", "Германы æвзæгтæ", "Белоруссийы æвзæгтæ", "Уæрæсейы æвзæгтæ", "Хъиргъизы æвзæгтæ", "Хъазахстаны æвзæгтæ" ]
cyrillic
8
2,269
https://os.wikipedia.org/wiki/Уырыссаг_æвзаг
0.938764
0.938764
0.061236
297
15
80.400002
19.799999
Цæгæраты Максим
Цæгæраты Николайы фырт Максим (1916—1990) у ирон фыссæг. Йæ уацмысты ’хсæн уацау «Нæ фехъуыстон, ма зæгъ» æмæ æндæртæ. Цæгæраты Максим у зынгæ фыссæг æмæ æхсæнадон кусæг. Максим райгуырдис 1916-æм азы 27 августы Алагиры. 1941 азы каст фæцис пединститут. Уыди хæсты, сси афицер, бирæ тугкалæн тохты равдыста лæгдзинад, ...
[ "Алагиры чи райгуырдис, уыдон", "Ирон фысджытæ", "Цæгæратæ" ]
cyrillic
3
1,447
https://os.wikipedia.org/wiki/Цæгæраты_Максим
1
1
0
214
15
91.466667
14.266666
2005-æм аз
* 9 майы — 60 азы размæ Фыдыбæстæйы Стыр хæст фæци. * Годжыциан-Челдыты Надяйы æмдзæвгæты фыццаг чиныг «Ирон цырагъ» рацыди чиныгуадзæн «Ир»-ы. * 23 январы — Украинæйы президент Виктор Ющенко бæстæйы сæргъы æрлæууыд. * 7 февралы — хицæн серверы скуыста Ирон Википедийы прототип. * 16 февралы — Киотойы протокол йæ тыхы ...
[ "2005" ]
cyrillic
1
1,253
https://os.wikipedia.org/wiki/2005-æм_аз
0.994715
0.994715
0.005285
169
18
100
9.388889
Адæймаг
thumb|XX æнусы адæймагады къухы бафтыд космосмæ стæхын æмæ адæймаг Мæйы уæлцъарыл рахизын кæнын Адæймаг у дыкъахыг æхсырæйхæсгæ цæрæгой. Адæймагæн ис вазыгджын магъз, уый фæрцы ис æм мигæнæнтæй архайын æмæ æвзагæй пайда кæныны фадат. 2008-æм азы æппæт адæймагады нымæц уыди 6,7 миллиард адæймаджы. * Аивад * Æмбаргæ ад...
[ "Адæймаг" ]
cyrillic
1
358
https://os.wikipedia.org/wiki/Адæймаг
0.935943
0.935943
0.064057
52
4
94
13
Гаглойты Федыр
Гаглойты Захары фырт Федыр (райгуырдис 1913-æм азы — амардис 1983-æм азы) у ирон фыссæг. Гафез, зæгъгæ, ахæм номæй дæр зындгонд. Йæ уацмысты ’хсæн «Уæ бонтæ хорз, адæм!» (колхозон царды тыххæй) æмæ æндæртæ. Йæ фæсномыг арæзт у йæ мыггаг, йæ ном æмæ йæ фыды номæй: Га — Гаглойты, Фе — Федыр, З — Захар = Гафез. Гафез р...
[ "Гаглойтæ", "Ирæттæ Фыдыбæстæйы Стыр хæсты", "Ирон фысджытæ" ]
cyrillic
3
1,237
https://os.wikipedia.org/wiki/Гаглойты_Федыр
1
1
0
175
18
100
9.722222
Ирон фысджыты номхыгъд
Иронау чи фыста, уыцы фысджыты номхыгъд. *Брытъиаты Елбыздыхъо *Гаглойты Рутен *Гæдиаты Секъа *Гæдиаты Цомахъ *Гуырдзыбеты Блашка *Коцойты Арсен *Къубалты Алыксандр *Мамсыраты Темырболат *Хетæгкаты Къоста *Баситы Мысост *Гаглойты Федыр *Дзугаты Георги, поэт *Цæгæраты Максим *Æгъуызарты Æхсарбег *Астемыраты Изет *Бас...
[ "Номхыгъдтæ", "Ирон фысджытæ" ]
cyrillic
2
698
https://os.wikipedia.org/wiki/Ирон_фысджыты_номхыгъд
1
1
0
83
2
37
41.5
Мæздæг
|Паддзахад = Уæрæсе |Герб = Coat_of_Arms_of_Mozdok_(North_Ossetia).png |Тырыса = Flag_of_Mozdok_(North_Ossetia).png |Гербы уæрх = |Тырысайы уæрх = |lat_deg = 43|lat_min = 43|lat_sec = 44 |lon_deg = 44|lon_min = 40|lon_sec = 04 |CoordAddon = type:city_region:RU |CoordScale = |Паддзахады картæйы ас = 300 |Ре...
[ "Мæздæг" ]
cyrillic
1
1,804
https://os.wikipedia.org/wiki/Мæздæг
0.885096
0.885096
0.114904
215
9
72.222221
23.888889
Пуризм
Пуризм (сыгъдæгизм) у, æвзаджы æрбайсгæ дзырдтæ къаддæр куыд уой, ацы уавæрмæ тырнæг змæлд. Сæ пуризмæй зындгонд сты араббаг, исландиаг æмæ тамилаг æвзæгтæ. Æндæр æвзæгты пуризм дæргъвæтин политикæ нæ, фæлæ революцион процесс уыди — зынгæдæр дæнцæг у туркаг æвзаг. Бирæ æвзæгтæн сæ рæзынады иу къæпхæн уыди пуризмы фазæ...
[ "Æвзаджы политикæ", "Æвзагзонынад" ]
cyrillic
2
1,003
https://os.wikipedia.org/wiki/Пуризм
1
1
0
134
9
90.222221
14.888889
Хъæдгæрон
Федерацийы субъект |Регион = Цæгат Ирыстон |Регион таблицæйы = Цæгат Ирыстон |Районы тип = Цæгат Ирыстоны административон дихМуниципалон район |Район = Æрыдоны район |Район таблицæйы = Æрыдоны район |Æмбалады тип = |Æмбалад = |Сæргълæууæджы тип = |Сæргълæууæг = |Бындурæвæрд = 1824 |Раздæры нæмттæ = Ног К...
[ "Æрыдоны районы цæрæнрæттæ" ]
cyrillic
1
2,103
https://os.wikipedia.org/wiki/Хъæдгæрон
0.996264
0.996264
0.003736
268
15
84.26667
17.866667
Кировы район
|Хуыз2 = |Ирон ном = Кировы район |Оригиналон ном = |Герб = The coat of arms of the Kirov district of North Ossetia-Alania.png |Тырыса = |Паддзахад = Уæрæсе |Гимн = |Статус = Муниципалон район |Кæй сконды у = |Датæ = |Йæ дæлхæйттæ = |Сæйраг сахар = Елхот |СтырдæрСахартæ = |Сæргълæууæг = |Сæргълæууæджы титул = |...
[ "Кировы район" ]
cyrillic
1
1,042
https://os.wikipedia.org/wiki/Кировы_район
0.850144
0.850144
0.149856
136
5
65.599998
27.200001
Æгъуызарты Æхсарбег
Æгъуызарты Тæтæрхъаны фырт Æхсарбег (райгуырдис 1922-æм азы Зджыды — амардис 1994-æм азы 11 ноябры) у ирон фыссæг. Райгуырдис зæхкусæг бинонты ’хсæн, 1924-æм азæй цардис Ставд Дурты, 1935-æм азæй та Алагиры. Æхсарбег къорд азы фæкуыста Цæгат Ирыстоны телеуынынады сæргълæууæгæй. Йæ уацмысты ’хсæн зынгæ бынат ахсынц ро...
[ "Æгъуызартæ", "Алагиры районы чи райгуырдис, уыдон", "Ирон фысджытæ" ]
cyrillic
3
450
https://os.wikipedia.org/wiki/Æгъуызарты_Æхсарбег
1
1
0
64
5
94.400002
12.8
Брытъиаты Елбыздыхъо
Брытъиаты Цопаны фырт Елбыздыхъо (райгуырдис 1881-æм азы Дæллагхъæуы, амардис 1923-æм азы) уыдис ирон фыссæг æмæ драматург, ирон театры бындурæвæрæг, Брытъиаты Зариффæйы фыд. «Ир сæ историон рæзты XIX æнусы кæрон схызтысты бæрзонд къæпхæнмæ, стыхджын сты сæ хъуыды æмæ сæ царды домæнтæ, æмæ сын фæзынд разагъды лæгтæ — ...
[ "Ирон фысджытæ", "Куырттаты комы Дæллагхъæуы чи райгуырдис, уыдон", "Брытъиатæ", "Ирон драматургтæ", "Цæгат Ирыстоны фысджытæ" ]
cyrillic
5
8,903
https://os.wikipedia.org/wiki/Брытъиаты_Елбыздыхъо
0.989759
0.989759
0.010241
1,257
108
96.722221
11.638889
Алагир
|Ныв = |Ном = |Паддзахад = Уæрæсе |Герб = |Тырыса = |Гербы уæрх = |Тырысайы уæрх = |lat_deg = 43|lat_min = 02|lat_sec = |lon_deg = 44|lon_min = 13|lon_sec = |CoordAddon = |CoordScale = |Паддзахады картæйы ас = 300 |Регионы картæйы ас = 300 |Районы картæйы ас = 300 |Регионы тип = Уæрæсейы федерати...
[ "Алагир" ]
cyrillic
1
6,173
https://os.wikipedia.org/wiki/Алагир
0.9717
0.9717
0.0283
847
70
95.800003
12.1
Елхот
Федерацийы субъект |Регион = Цæгат Ирыстон |Регион таблицæйы = Цæгат Ирыстон |Районы тип = Цæгат Ирыстоны административон дихМуниципалон район |Район = Кировы район |Район таблицæйы = Кировы район |Æмбалады тип = |Æмбалад = |Мидæг дихкæнынад = |Сæргълæууæджы тип = |Сæргълæууæг = |Бындурæвæрд = 1838 |Фыцц...
[ "Кировы районы цæрæнрæттæ" ]
cyrillic
1
1,033
https://os.wikipedia.org/wiki/Елхот
0.991561
0.991561
0.008439
114
5
74.400002
22.799999
Джусойты Нафи
| род деятельности = | годы активности = | направление = | жанр = | язык произведений = | награды = | викисклад = | викитека = }} Джусойты Григорийы фырт Нафи́ (райгуырдис 1925-æм азы 27 февралы Ногхъæуы (Арашендайы) — амардис 2017-æм азы 26 июны Дзæуджыхъæуы) уыди ирон фыссæг, филологион зонæдты доктор....
[ "Дзауы районы Ногхъæуы чи райгуырдис, уыдон", "2017-æм азы чи амардис, уыдон", "Ирæттæ Фыдыбæстæйы Стыр хæсты", "Ирон фысджытæ", "Дзæуджыхъæуы чи амардис, уыдон", "Советон Цæдисы фысджытæ", "1925-æм азы чи райгуырдис, уыдон", "Хуссар Ирыстоны фысджытæ", "Джусойтæ" ]
cyrillic
9
5,160
https://os.wikipedia.org/wiki/Джусойты_Нафи
0.975
0.975
0.025
691
39
84.564102
17.717949
Киров, Сергей Мироны фырт
Киров Мироны фырт Сергей (), зындгонд революционер, советон хицауады архайæг. Йæ æцæг мыггаг уыдис Костриков, Киров та — йæ журналистон фæсномыг. Райгуырдис 1886-æм азы 27-æм мартъийы, амардис 1934-æм азы 1-æм декабры. 1894-æм азы Сергей Костриков сидзæрæй баззадис — йæ фыд бинонты ныууагъта, йæ мад та амардис. Йæ хот...
[ "Уæрæсейы революционертæ", "Дзæуджыхъæуы зындгонд адæм", "Политикон фæсномыгтæ", "Бетъырбухы чи амардис, уыдон", "СЦКП-йы уæнгтæ", "Уржумы чи райгуырдис, уыдон", "Википеди:Хуыздæр статьятæ" ]
cyrillic
7
4,027
https://os.wikipedia.org/wiki/Киров,_Сергей_Мироны_фырт
0.963569
0.963569
0.036431
560
43
93.953491
13.023255
Хъазан
|Ныв = Kazan Kremlin exterior view 08-2016 img3.jpg |Ном = Хъазаны Кремль |Паддзахад = Уæрæсе |Герб = |Тырыса = |Гербы уæрх = |Тырысайы уæрх = |lat_deg = 55 |lat_min = 47 |lat_sec = 00 |lon_deg = 49 |lon_min = 07 |lon_sec = 00 |CoordAddon = |CoordScale = |Паддзахады картæйы ас = 300 |Регионы картæйы а...
[ "Хъазан" ]
cyrillic
1
1,302
https://os.wikipedia.org/wiki/Хъазан
0.875761
0.875761
0.124239
150
4
45
37.5
Харири, Рафик
|порядок_2 = |изображение = Rafic Hariri in 2001.jpg |описание изображения = |должность_2 = Ливаны 41-æм премьер-министр |флаг_2 = Flag of Lebanon.svg |президент_2 = Элиас ГравиЭмиль Лахуд |периодначало_2 = 1992-æм азы 31 октябры |периодконец_2 = 1998-æм азы 2 декабры |предшественник_2 = Рашид Сольх |преемник_2 = Се...
[ "Ливаны премьер-министртæ" ]
cyrillic
1
1,503
https://os.wikipedia.org/wiki/Харири,_Рафик
0.919414
0.919414
0.080586
211
11
81.63636
19.181818
Шуя
|Ныв = |Ном = |Паддзахад = Уæрæсе |Герб = Coat of arms of Shuya (Ivanovo oblast).svg |Тырыса = Flag of Shuya (Ivanovo oblast).svg |Гербы уæрх = |Тырысайы уæрх = |lat_deg = 56|lat_min = 51|lat_sec = 00 |lon_deg = 41|lon_min = 22|lon_sec = 00 |CoordAddon = |CoordScale = |Паддзахады картæйы ас = 300 |Рег...
[ "Ивановойы облæсты сахартæ" ]
cyrillic
1
2,282
https://os.wikipedia.org/wiki/Шуя
0.919976
0.919976
0.080024
290
14
78.571426
20.714285
Касимов
|Ныв = |Ном = |Паддзахад = Уæрæсе |Герб = |Тырыса = |Гербы уæрх = |Тырысайы уæрх = |lat_dir = N |lat_deg = 54 |lat_min = 57 |lat_sec = |lon_dir = E |lon_deg = 41 |lon_min = 23 |lon_sec = |CoordAddon = |CoordScale = |Паддзахады картæйы ас = 300 |Регионы картæйы ас = 300 |Районы картæйы ас = 300 |...
[ "Рязаны облæсты сахартæ" ]
cyrillic
1
2,094
https://os.wikipedia.org/wiki/Касимов
0.899301
0.899301
0.100699
269
16
86.375
16.8125
1 мартъийы
1 мартъийы, иронау тæргæйтты мæйы 1-æм бон — азы 60-æм бон ( 61-æм бон). * 1803 — Огайо АИШ-ы 17-æм штат сси. * 1867 — Небраскæ АИШ-ы 37-æм штат сси. * 1869 — Дмитрий Менделеев раргом кодта элементты периодикон системæ. Уыцы системæ «Менделеевы таблицæ» дæр хонынц. * 2004 — Михаил Фрадков Уæрæсейы премьер-министр сси....
[ "Бонтæ" ]
cyrillic
1
555
https://os.wikipedia.org/wiki/1_мартъийы
1
1
0
82
10
100
8.2
Америкæйы Иугонд Штаттæ
328915700 |Бахыгъды аз = 2019 |Цæрджытæ сфыстмæ гæсгæ = 308745538 |Сфысты аз = 2010 |Æнгомад = 34,55 |ÆМП = 16,724 трлн |ÆМП хынцыны аз = 2013 |Бынат ÆМП-мæ гæсгæ = 1 |ÆМП иу адæймагмæ = 49 922 |Валютæ = АИШ-ы доллар |Домен = .us, .com, .edu, .mil, .um, .gov æмæ иннæтæ |Телефонон код = 1 |Сахатон таг = −5…...
[ "Америкæйы Иугонд Штаттæ" ]
cyrillic
1
1,970
https://os.wikipedia.org/wiki/Америкæйы_Иугонд_Штаттæ
0.986329
0.986329
0.013671
304
25
95.68
12.16
Ирон алфавит
thumb|354px|Газет «Рæстдзинад»-ы фыццаг номыр, [[1923-æм азы 14 мартъийы. Шёгрены кириллон алфавит]] Ирон алфавит кæнæ ирон абетæ у ирон æвзаджы алфавит. Нырыккон фыссынад райрæзти, Андреас Шёгрен цы алфавит 1844-æм азы сарæзта, уымæй. frame|right|Латинаг фыссынад, 1923-1938. 1935-æм азы уагъд чиныгæй сыф 1923-38 азты...
[ "Ирон æвзаг", "Алфавиттæ" ]
cyrillic
2
744
https://os.wikipedia.org/wiki/Ирон_алфавит
0.921389
0.921389
0.078611
115
10
97
11.5
Гуырдзиаг алфавит
Гуырдзиаг алфавит у, картвелаг къордмæ хауæг æвзæгтæ кæмæй пайда кæнынц, уыцы алфавитон фыссынад. Гуырдзиаг дамгъæтæ кæсынц галиуæрдæгæй рахизæрдæм. Нырыккон гуырдзиаг алфавиты ис 33 дамгъæйы; стыр дамгъæтæ дзы нæй. Иуæй-иу ахуыргæндтæм гæсгæ гуырдзиаг фыссынад равзæрди скæсæны-арамейаг фыссынады хуызтæй ииуæй. V — I...
[ "Гуырдзиаг алфавит" ]
cyrillic
1
950
https://os.wikipedia.org/wiki/Гуырдзиаг_алфавит
0.780619
0.780619
0.219381
124
13
100
9.538462
Бетъырбух
|Ныв = St. Petersburg Montage 2016.png |Нывы ас = |Ном = |Паддзахад = Уæрæсе |Герб = |Тырыса = |Гербы уæрх = |Тырысайы уæрх = |lat_deg = |lat_min = |lat_sec = |lon_deg = |lon_min = |lon_sec = |CoordAddon = |CoordScale = |Паддзахады картæйы ас = 300 |Регионы картæйы ас = 300 |Районы картæйы ас = ...
[ "Бетъырбух", "Уæрæсейы порттæ", "Балты денджызы порттæ" ]
cyrillic
3
2,555
https://os.wikipedia.org/wiki/Бетъырбух
0.931298
0.931298
0.068702
330
23
91.304344
14.347826
Мæскуы
|Ныв = |Ном = |Паддзахад = Уæрæсе |Герб = |Тырыса = |Гербы уæрх = |Тырысайы уæрх = |lat_deg =55 |lat_min =45 |lat_sec =0 |lon_deg =37 |lon_min =37 |lon_sec =0 |CoordAddon = |CoordScale = |Паддзахады картæйы ас = 300 |Регионы картæйы ас = 300 |Районы картæйы ас = |Регионы тип = Уæрæсейы федератив...
[ "Уæрæсейы Зæрин цæг", "Мæскуы" ]
cyrillic
2
1,721
https://os.wikipedia.org/wiki/Мæскуы
0.934802
0.934802
0.065198
213
11
81.272728
19.363636
Лапландийы хæст
thumb|right|300px|Лапланди Европæйы картæйыл Лапландийы хæст (фин. Lapin sota), зæгъгæ, афтæ хуыйны Финлянди æмæ Германы ’хсæн 1944-æм азы сентябрæй 1945-æм азы апрелы онг цы тох цыдис, уый. Ахæм ном ын радтой уый тыххæй æмæ хæст цыдис Финляндийы тæккæ цæгаты чи ис, уыцы провинци Лапландийы. Раджы, 1943-æм азы, Герман...
[ "Дыккаг дунеон хæст", "Финляндийы истори", "Германы истори" ]
cyrillic
3
2,127
https://os.wikipedia.org/wiki/Лапландийы_хæст
0.965003
0.965003
0.034997
297
20
90.300003
14.85
Финлянди
|Бахыгъды аз = 2022 |Цæрджытæ сфыстмæ гæсгæ = |Сфысты аз = |Æнгомад = 18,3 |Валютæ = евро |Домен = .fi, .ax (Аланды сакъадæхтæ) |Телефонон код = 358 |Сахатон таг = |Фиппаинæгтæ = }} Финля́нди ( , ) у паддзахад Европæйы цæгаты, Европæйы Цæдис æмæ Шенгены бадзырды паддзахæдтæй иу. Скæсæны Финлянди æмарæн у Уæр...
[ "Финлянди" ]
cyrillic
1
5,019
https://os.wikipedia.org/wiki/Финлянди
0.901185
0.901185
0.098815
696
47
90.38298
14.808511
Герман
Герман (), официалон æгъдауæй Германы Федеративон Республикæ (), у Астæуккаг Европæйы федералон парламентон республикæ. Бæстæйы ис 16 зæххы, æмæ йæ сæйраг æмæ стырдæр сахар у Берлин. Герман ахсы 357 021 квадратон километр æмæ у Европæйы стырдæр бæстæтæй иу. 82 милуан цæрæгимæ у Европæйы Цæдисы цæрæгджындæр бæстæ. Герма...
[ "Герман" ]
cyrillic
1
2,670
https://os.wikipedia.org/wiki/Герман
0.767059
0.767059
0.232941
374
35
98.628571
10.685715
Дани
Да́ни ( ), официалон ном у Данийы къаролад ( ) у Европæйы паддзахад, НАТО æмæ Европæйаг Цæдисы уæнг. Паддзахад йæ фæзуатмæ гæсгæ (43 094 км²) дунейы ахсы 130-æм бынат. Цæрынц дзы 5 397 640 адæймаджы (2004). Данийы тæккæ стырдæр сахар у Копенгаген, уый дæр паддзахады сæйраг сахар у. Данимæ хауы дунейы стырдæр сакъада...
[ "Дани" ]
cyrillic
1
398
https://os.wikipedia.org/wiki/Дани
0.953901
0.953901
0.046099
62
7
100
8.857142
Польшæ
|Фиппаинæгтæ = }} По́льшæ (), официалон ном у Республикæ Польшӕ ( ), у астæуккаг Европæйы парламентон республикæ. Æмарæн у Уæрæсейы Калининграды облæстимæ цæгаты, Украинæ, Беларусь æмæ Литваимæ скæсæны, Чехи æмæ Словакиимæ хуссары æмæ Германимæ ныгуылæны. Уый йеддæмæ ма йын цæгаты ис Балты денджызмæ ахизæн. Польшæйы сæ...
[ "Польшæ" ]
cyrillic
1
2,422
https://os.wikipedia.org/wiki/Польшæ
0.668484
0.668484
0.331516
367
42
100
8.738095
Чехи
}} Че́хи () у Европæйы паддзахад, Европæйы Цæдис æмæ НАТО-йы уæнг. Чехийы сæйраг сахар у Прагæ. left|thumb|300px|Чехийы административон дих thumb|left|300px|Чехи *
[ "Чехи" ]
cyrillic
1
166
https://os.wikipedia.org/wiki/Чехи
0.818182
0.818182
0.181818
26
3
100
8.666667
Мыст
Мыст, () у чыcыл æхсырæйхæссæг цæрæгой, æхсынджытæй. Мыстытæ хæцгæ низтæ хæссынц, уыдонæй æрцæуы хъæууон хæдзарадæн дæр зиан. Категори:Цæрæгойтæ алфавитмæ гæсгæ
[ "Цæрæгойтæ алфавитмæ гæсгæ" ]
cyrillic
1
162
https://os.wikipedia.org/wiki/Мыст
0.992481
0.992481
0.007519
20
3
100
6.666667
Лимон
| wikispecies = Citrus limon | commons = Category:Lemon | itis = 28885 | ncbi = 2708 }} Лимон () у туаг дыргъ, цитрус. Хæстæг хуызтæ: цитрон, лайм. Citrus limon1001.jpg|Лимоны дидинæг Citrus x limon - Köhler–s Medizinal-Pflanzen-041.jpg|Лимон Lemon Orchard in the Galilee by David Shankbone.jpg|Дыргъдон Израилы Lemon -...
[ "Хъацæнтæ (хæринаг)", "Дыргътæ" ]
mixed
2
402
https://os.wikipedia.org/wiki/Лимон
0.429553
0.429553
0.570447
57
7
100
8.142858
Къофи
thumb|290px|Сурвых къофийы нæмгуытæ Къофи, вариант: хъауа ( ) у тæвд нозт, чиндæуы къофийы бæласы сурвых нæмгуытæй. Кофеин дзы кæй ис, уый тыххæй адæймаджы организмыл дары цыренгæнæг хъомыс. Къофийы нæмгуытæй фыццаг пайда кодтой Эфиопийы. Уырдыгæй, эфиопаг тыхæйисджытимæ, къофи араббаг дунемæ бафтыдис, стæй — XVII æну...
[ "Нозтытæ" ]
cyrillic
1
6,111
https://os.wikipedia.org/wiki/Къофи
0.987329
0.987329
0.012671
865
60
91.166664
14.416667
Аргъуан
thumb|260px|Саратовы облæст, [[Ртищевойы аргъуан]] Аргъуан у чырыстон дины кувæн агъуыст. Категори:Амаддзæгтæ Категори:Чырыстон дин
[ "Чырыстон дин", "Амаддзæгтæ" ]
cyrillic
2
132
https://os.wikipedia.org/wiki/Аргъуан
0.933962
0.933962
0.066038
17
2
100
8.5
Гуыдыр
thumb|Гуыдыр Гуыдыр, дыгур. къума — дуар цæмæй сæхкæнынц, ахæм сæрмагонд механизм. Вæййынц дуарыл ауыгъд æмæ дуары мидæг баконд. Категори:Механизмтæ
[ "Механизмтæ" ]
cyrillic
1
149
https://os.wikipedia.org/wiki/Гуыдыр
0.959016
0.959016
0.040984
20
4
100
5
Кириллон алфавит
thumb|250px|Дунейы кириллон алфавитæй кæм фыссынц, уыцы бæстæтæ Кириллон алфавит (кириллицæ дæр) у рагон славяйнаг алфавит, кæцы X æнусы дыккаг æмбисы сарæзта Охриды Климент, æмæ йын радта йæ ахуыргæнæг Кириллы ном. Кирилл æмæ Мефодий, нырыккон зонадон уырнæнмæ гæсгæ, кириллцæ нæ, фæлæ глаголицæ сарæзтой. Кириллон алфа...
[ "Алфавиттæ" ]
cyrillic
1
2,028
https://os.wikipedia.org/wiki/Кириллон_алфавит
0.963737
0.963737
0.036263
287
19
89.789474
15.105263
Кириллон алфавитæй фысгæ æвзæгты номхыгъд
Кириллон алфавитæй фысгæ æвзæгты номхыгъд Ацы номхыгъдмæ бахаудтой, кириллон алфавитæй чи пайда кæны (кæнæ кæддæр кодта), уыцы æвзæгтæ. * индоирайнаг æвзæгтæ ** индиаг (индоариаг) æвзæгтæ *** цигайнаг (æрмæст Серби æмæ Черногорийы мидæг æмæ раздæры Советон Цæдисы) ** ирайнаг æвзæгтæ *** курдаг (раздæры Советон Цæдисы...
[ "Æвзæгтæ", "Номхыгъдтæ", "Алфавиттæ" ]
cyrillic
3
2,511
https://os.wikipedia.org/wiki/Кириллон_алфавитæй_фысгæ_æвзæгты_номхыгъд
0.981931
0.981931
0.018069
302
4
0
75.5
Хуры тын
«Хуры тын» уыд ирон журнал, Бетъырбухы Брытъиаты Елбыздыхъо кæй уагъта, уый. Рацыди дзы æрмæст æртæ номыры. Категори:Ирон мыхуыр
[ "Ирон мыхуыр" ]
cyrillic
1
130
https://os.wikipedia.org/wiki/Хуры_тын
1
1
0
19
3
100
6.333333
Газет
Газет у гæххæтын рауагъд ног хабæртты тыххæй. Газеттæй сæ фылдæр хай цæуы æрвылбон кæнæ та къуырийы дæргъы иу хатт. Мыхуыр чындæуы аслам гæххæтыл. Ном «газет» рацыд италиаг дзырд «гасетæ»-йæ (афтæ хуынди лыстæг æхца). XIX æнусы цыди æрвылбойнон информацион сыф, йæ аргъ уыди иу гасетæ, ома тæккæ лыстæгдæр æхца. * Рæст...
[ "Газеттæ" ]
cyrillic
1
684
https://os.wikipedia.org/wiki/Газет
0.933579
0.933579
0.066421
93
8
96.75
11.625
Амундсен, Руал
Руал Амундсен (, Ру́аль Э́нгельбрегт Гра́внинг А́мундсен; райгуырдис 1872-æм азы 16 июлы — амардис 1928-æм азы 18 июны) — норвегиаг полярон бæлццон æмæ иртасæг. Хуссар полюсмæ фыццаг чи ныххæццæ ис, уыцы лæг. Уый йеддæмæ никæй къухы бафтыдис Цæгат-хурыскæсæйнаг (Сыбыры былты дæргъмæ) æмæ Цæгат-хурныгуылæн (Канадæйы сак...
[ "Эстфоллы чи райгуырдис, уыдон", "Арктикæ иртасджытæ", "Антарктикæ иртасджытæ", "Зындгонд бæлцæттæ" ]
cyrillic
4
2,208
https://os.wikipedia.org/wiki/Амундсен,_Руал
0.940741
0.940741
0.059259
284
19
90.105263
14.947369
Европæйы Цæдис
мини|300px|Европæйы Цæдис 2020 азы. Арвхуыз сты цæдисы уæнгтæ, кæрдæгхуыз та — кандидатон паддзахæдтæ мини|300px|Европæйы Цæдис дунейы Европæйы Цæдис (, EU) у 27 Европæйы паддзахæдты иугонд, кæцытæ Маастрихты бадзырд бафыстой. Европæйы Цæдисæн ис паддзахад æмæ æхсæнадæмон организацийы миниуджытæ, фæлæ нæдæр иу у, нæдæр...
[ "Европæйы Цæдис" ]
cyrillic
1
1,206
https://os.wikipedia.org/wiki/Европæйы_Цæдис
0.897527
0.897527
0.102473
151
8
82.25
18.875
Австри
|Гуырынон хауæн = Австрийы |Герб = Austria Bundesadler.svg |Тырыса = Flag of Austria.svg |Картæ = Austria_in_European_Union.svg |Æвзаг = немыцаг |Сæйраг сахар = Венæ |Стырдæр сахартæ = Венæ, Грац, Линц |Хицауиуæджы хуыз = Парламентон республикæ |Хæдбар сси = 1955 |Гимны ном = «Land der Berge, Land am Strome» ...
[ "Австри" ]
cyrillic
1
1,818
https://os.wikipedia.org/wiki/Австри
0.861244
0.861244
0.138756
251
18
92.111115
13.944445
Эстони
1 331 796 |Сфысты аз = 2022 |Æнгомад = 28 |ÆМП = 34,393 млрд. |ÆМП хынцыны аз = 2013 |Бынат ÆМП-мæ гæсгæ = 106 |ÆМП иу адæймагмæ = 25 161 |Валютæ = евро (2011-æм азæй) |Домен = .ee, .eu |Телефонон код = 372 |Сахатон таг = |Фиппаинæгтæ = }} Эсто́ни ( ), официалон ном у Эстонийы Республикæ () у Европæйы паддз...
[ "Эстони" ]
cyrillic
1
619
https://os.wikipedia.org/wiki/Эстони
0.954286
0.954286
0.045714
92
7
93.714287
13.142858
Бельги
|Гуырынон хауæн = Бельгийы |Тырыса = Flag of Belgium.svg |Герб = COA of Government of Belgium.svg |Девиз = |Гимны ном = La Brabançonne/De Brabançonne |Аудио = La Brabançonne.oga |Хицауиуæджы хуыз = Конституцион монархи |Картæ = Belgium_in_European_Union.svg |Æвзаг = нидерландаг, францаг, немыцаг |Хæдбар сси = 1830 Ниде...
[ "Бельги" ]
cyrillic
1
1,147
https://os.wikipedia.org/wiki/Бельги
0.844761
0.844761
0.155239
156
12
94
13
End of preview. Expand in Data Studio

Dataset Card for Ossetian-Wikipedia

Quick Summary

A cleaned, structured corpus of 17,889 articles from the Ossetian Wikipedia (os.wikipedia.org), stripped of MediaWiki markup and enriched with linguistic metadata: script detection, category lists, word/sentence counts, and readability scores. Intended for low-resource language modelling, tokenizer research, and script/language detection tasks.

Dataset Details

Dataset Description

Ossetian (ISO 639-1: os, ISO 639-3: oss, endonym ирон æвзаг) is an Iranian language spoken by roughly 500,000 people, primarily in North and South Ossetia. It uses a Cyrillic-based alphabet containing the unique letter ӕ (U+04D5, Cyrillic small letter schwa), which most mainstream tokenizers do not handle efficiently.

This dataset provides the full text corpus of the Ossetian Wikipedia as of the latest Wikimedia dump, prepared for downstream NLP research. Each record contains the article title, cleaned plain text, a category list, and automatically derived script and quality metadata.

  • Curated by: Arabov Mullosharaf Kurbonovich (OssetianNLPWorld)
  • Funded by [optional]: Independent research — no external funding
  • Shared by [optional]: OssetianNLPWorld
  • Language(s) (NLP): Ossetian (os)
  • License: CC BY-SA 4.0 (inherited from the Wikimedia source)

Dataset Sources [optional]

Uses

Direct Use

  • Continual pre-training or supervised fine-tuning of low-resource language models (encoder or decoder).
  • Training or evaluating tokenizers (BPE, Unigram, WordPiece) for Cyrillic languages — see the token statistics below.
  • Script detection and language identification benchmarks.
  • Category classification, text-quality estimation, readability analysis.
  • Benchmarking tokenization efficiency (chars/token) for under-represented scripts.

Out-of-Scope Use

  • Pre-training a general-purpose LLM from scratch. 8.7M tokens is insufficient — the corpus supports fine-tuning / continual pre-training, not from-scratch training.
  • Instruction tuning. No user/assistant pairs are included.
  • Factual QA over Wikipedia content. Text may be outdated or contain wiki-specific artefacts.
  • PII extraction or de-anonymization. Articles mention public figures; do not use the corpus to build person profiles.
  • Machine translation without a parallel corpus. This dataset is monolingual.

Dataset Structure

Fields

Field Type Description
title string Article title (Wikipedia canonical form)
text string Plain text after MediaWiki markup removal
categories List[string] Categories declared in the article
alphabet string Detected script: cyrillic, latin, mixed, other
categories_count int32 Number of categories
text_length int32 Character count of text
url string Canonical URL of the article
alphabet_confidence float32 Confidence of script detection (0–1)
cyr_ratio float32 Fraction of Cyrillic letters in text
lat_ratio float32 Fraction of Latin letters in text
word_count int32 Word count in text
sentence_count int32 Sentence count
readability_score float32 Heuristic readability (0–100)
avg_sentence_length float32 Average sentence length (words)

Splits

Single split: train (all 17,889 articles). No validation/test split is provided — create your own (e.g. 90/5/5), ideally holding out by url to ensure exact reproducibility.

Alphabet Distribution

The corpus is overwhelmingly Cyrillic (Ossetian’s native script). Articles whose cleaned text is dominated by Latin letters — usually proper names, code blocks, or reference-only stubs — are re-labelled latin; mixed-script articles become mixed. Per-alphabet JSONL files ship under raw/:

  • raw/oswiki_cyrillic.jsonl — Cyrillic articles
  • raw/oswiki_latin.jsonl — Latin articles
  • raw/oswiki_mixed.jsonl — Mixed-script articles
  • raw/oswiki_all_articles.jsonl — full corpus

Exact per-alphabet counts are in stats/detailed_stats.json.

Token Statistics

Measured on the full corpus (title + text) using tiktoken and transformers:

Tokenizer Vocab Title tokens Text tokens Combined chars/token vs English
GPT-4o (o200k_base) 200k 117,056 8,619,655 8,736,711 1.96 2.0×
Qwen2.5 151k 133,717 9,742,915 9,876,632 1.74 2.3×
Mistral-Nemo 131k 121,810 9,567,692 9,689,502 1.77 2.3×
GPT-4 (cl100k_base) 100k 152,175 10,568,731 10,720,906 1.60 2.5×
SmolLM2 49k 208,844 14,054,815 14,263,659 1.20 3.3×
GPT-2 (r50k_base) 50k 258,415 17,179,538 17,437,953 0.99 4.1×

Context fit (GPT-4o, combined):

max_length Articles fitting without truncation
2,048 17,727 (99.1 %)
4,096 17,852 (99.8 %)
8,192 17,879 (99.9 %)
32,768 17,889 (100 %)

Distribution (GPT-4o, combined): mean = 488, p50 = 538, p95 = 889, p99 = 1,989, max = 22,264.

Why is chars/token so low? The letter ӕ (U+04D5), unique to Ossetian, is not a single token in most mainstream tokenizers and gets split into 2–3 byte-level tokens. This produces a ≈2× cost factor versus English. Adding ӕ/Ӕ as special tokens reduces the token count by 10–15 % (see Recommendations).

Dataset Creation

Curation Rationale

Ossetian is a low-resource Iranian language with a small but growing digital footprint. The Ossetian Wikipedia is the single largest openly-licensed curated text corpus in the language. Shipping a clean, metadata-enriched, ready-to-load version lowers the barrier for researchers who would otherwise have to parse a multi-gigabyte XML dump themselves.

Source Data

Data Collection and Processing

  • Source: official Wikimedia dump oswiki-latest-pages-articles.xml.bz2 from dumps.wikimedia.org.
  • Filtering:
    • Namespace 0 (main articles) only.
    • Redirects (#REDIRECT, #перенаправление) removed.
    • Articles whose cleaned text is shorter than 100 characters dropped.
  • Cleaning:
    • HTML comments, {{...}} templates, <ref> tags, and other HTML removed.
    • Internal wiki links converted to display text; images and external links stripped.
    • Bold/italic markup, headings, tables, and HTML entities removed.
    • Consecutive blank lines collapsed.
  • Metadata (automatically computed):
    • Script detection via the Cyrillic/Latin letter ratio.
    • Category extraction via regex on [[Категори:...]] / [[Category:...]].
    • Word/sentence/readability metrics computed on cleaned text.
  • Tools: Python 3, xml.etree.ElementTree (iterparse), bz2, requests, datasets, huggingface_hub, tiktoken, transformers.

Who are the source data producers?

The original text was produced collaboratively by volunteer editors of the Ossetian Wikipedia and is distributed under CC BY-SA 4.0. Cleaning, metadata generation, packaging, and hosting were performed by OssetianNLPWorld (Arabov Mullosharaf Kurbonovich).

Annotations [optional]

No manual annotations. All metadata (alphabet, categories, word_count, readability_score, etc.) is computed automatically during parsing.

Personal and Sensitive Information

The dataset inherits any PII present in the source Wikipedia — biographical entries, names of public figures, historical references. No additional anonymization was performed beyond what Wikipedia itself does. If you intend to use this corpus for person-centric tasks, apply your own PII scrubbing and comply with applicable data-protection laws (GDPR and similar).

Bias, Risks, and Limitations

  • Wikipedia bias. Topical coverage reflects the interests and demographics of Wikipedia editors — Western-leaning, uneven depth, gaps in topics of local Ossetian interest.
  • Historical and political bias. Certain entries (especially on Ossetia, Russia, and Georgia) may reflect contested narratives. Do not treat as ground truth.
  • Cleaning artefacts. Regex-based cleaning removes templates aggressively — infoboxes, references, and some structured content are lost, and a small amount of residual markup may remain.
  • Heuristic script detection. Short or code-heavy articles may be misclassified as latin or mixed.
  • Small size. 17,889 articles / 8.7M tokens is small — sufficient for fine-tuning, insufficient for pre-training.
  • Duplicate topics. Some articles may cover the same entities under different titles (surviving redirects).
  • No train/val/test split. Create your own to avoid leakage.
  • Language mixing. Ossetian Wikipedia includes Russian and English fragments (mostly names and technical terms) that may leak into monolingual training.

Recommendations

  • Choose the tokenizer carefully. For training on this corpus, prefer Qwen2.5, Mistral-Nemo, or a Llama-3-family tokenizer. Avoid GPT-2 (2× token inflation).
  • Add ӕ/Ӕ as special tokens when you control the tokenizer — this alone reduces the token count by 10–15 %.
  • Use max_length = 2048 — it covers >99 % of articles without truncation.
  • Enable packing for causal-LM training. Median article length is only ~538 tokens, so 3–4 short articles fit into one 2048-token window, doubling throughput versus padding.
  • Hold out by url when creating custom splits for reproducibility.
  • Deduplicate if you combine with related-language Wikipedia content (Persian, Tajik, Kurdish).

Citation [optional]

If you use this dataset in academic work, please cite:

BibTeX (dataset):

@dataset{arabov2026ossetianwikipedia,
  author = {Arabov, Mullosharaf Kurbonovich},
  title = {{Ossetian-Wikipedia}: An Open Corpus of Ossetian Wikipedia Articles},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/datasets/OssetianNLPWorld/ossetian-wikipedia}
}

APA (dataset): Arabov, M. K. (2026). Ossetian-Wikipedia: An Open Corpus of Ossetian Wikipedia Articles [Data set]. Hugging Face. https://huggingface.co/datasets/OssetianNLPWorld/ossetian-wikipedia

Glossary [optional]

  • Ossetian – an Iranian language (ISO 639-1: os) spoken in the Caucasus, written in a modified Cyrillic alphabet.
  • ӕ (schwa) – the unique Cyrillic letter U+04D5, present in Ossetian but not in Russian.
  • Low-resource language – a language with limited digital text, models, and tools.
  • chars/token – average number of source characters encoded per token; higher is more efficient.
  • Mixed-script article – an article whose text contains a comparable amount of Latin and Cyrillic characters.
  • Readability score – a heuristic 0–100 value derived from average sentence length; not a peer-reviewed metric.
  • Wiki dump – the official XML snapshot of a Wikipedia edition published by the Wikimedia Foundation.

More Information

  • Tokenisation statistics were computed with tiktoken and transformers across six tokenizers of varying vocabulary size. Scripts and additional analysis are available on request.
  • For questions, contributions, or bug reports, please open an issue on the Hugging Face repository.

Dataset Card Authors

Arabov Mullosharaf Kurbonovich (OssetianNLPWorld)

Dataset Card Contact

For questions, takedown requests, or collaboration, please open an issue on the Hugging Face repository: https://huggingface.co/datasets/OssetianNLPWorld/ossetian-wikipedia/discussions

📧 Direct email: cool.araby@gmail.com

Downloads last month
45