Datasets:
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 |
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]
- Repository: https://huggingface.co/datasets/OssetianNLPWorld/ossetian-wikipedia
- Paper [optional]: N/A
- Demo [optional]: N/A
- Source dump: https://dumps.wikimedia.org/oswiki/latest/
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 articlesraw/oswiki_latin.jsonl— Latin articlesraw/oswiki_mixed.jsonl— Mixed-script articlesraw/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/Ӕas 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.bz2fromdumps.wikimedia.org. - Filtering:
- Namespace
0(main articles) only. - Redirects (
#REDIRECT,#перенаправление) removed. - Articles whose cleaned text is shorter than 100 characters dropped.
- Namespace
- 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.
- HTML comments,
- 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
latinormixed. - 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
urlwhen 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
tiktokenandtransformersacross 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