Building a Corpus for the Underexplored Moroccan Dialect (CFMD) Through Audio Segmentations
Notice bibliographique
Résumé
The advancement of artificial intelligence has deeply influenced numerous domains.One particular area that has experienced remarkable progress is natural language processing.This progress can be largely attributed to the widespread use and popularity of social media platforms.With the increasing use of social media, dialects have taken on a new importance, as the diversity of dialects has an important role to consider in the relevance of Natural Language Processing, as it allows a greater number of people to communicate using a pertinent and appropriate local context.As evidenced by the rise of Chatbots that allow people to interact with machines using their own native dialects.The significance of dialects, especially in the Arabic-speaking world, cannot be understated.Many Arabic dialects have been under-researched and not adequately addressed in natural language processing applications.Among these, the Moroccan dialect stands out, prompting researchers to focus their efforts on understanding and incorporating it into artificial intelligence technologies.To facilitate the development of Chatbots that can effectively understand and respond in Moroccan dialect, the availability of suitable datasets becomes vital.For this reason, we adopt a targeted strategy for creating datasets by exploiting the extensive resources offered by platforms such as YouTube, where audio content is highly diverse in terms of language.This involves classifying each audio according to its theme and dividing it into 30 second segments to simplify manual transcription into text.This meticulous process enabled us to accumulate and annotate a large volume of data.As a result, NLP models built on these extensive and comprehensive datasets can efficiently and accurately understand Moroccan dialect speech and text.With the aim to employ this dataset as training data for the future development of a Moroccan-dialect conversational Chatbot.The methodologies and techniques can be adapted and applied to other underexplored dialects, creating opportunities for further advancements in natural language processing in a global context.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».