SIB-200: A Simple, Inclusive, and Big Evaluation Dataset for Topic Classification in 200+ Languages and Dialects
Paper • 2309.07445 • Published
Datasets:
text stringlengths 57 233 | label int64 0 13 |
|---|---|
Meunyo neujak-jak ngoen laptop atawa tablet, peuduek saboh citak lam memori atawa disc (nyang jeuet diakses adakpi hana internet). | 4 |
Nibak keureta apui lewat-batah inspeksi ka jipuebuet wate keureta apui I jak ngoen gata haroh na kartu identitas deungon gata wate neu ek salah saboh keureta apui nyan. | 0 |
Tawaran Virgin Group ata Sir Richard Branson keu bank geutulak sigohlom bank geunasionalisasi. | 9 |
Ladom meunatang, lagee gajah danjeurapah, galak diputoe u moto ngoen na alat nyang standar ka jeuet keu geutanyoe jeuet takalon peumandangan nyang lagak. | 0 |
Tornado nakeuh saboh tameh meupuseng asoejih udara teukanan rendah, nyang hu’ep angén bak seulingkajih u dalam ngön u ateuh. | 10 |
Del Potro na keunggulan awai di set kedua, tapi nyoe sit peureulèe tie break lheuh trôh bak 6-6. | 3 |
Jus kubis meuubah wareuna meugantong nibak kiban asam atawa basa (alkalin) bahan kimia nyan. | 2 |
Taman nasional danou Plitvice uteun nyang leuhu, keu phôn that deungön pasi, bak-bak ceumara, nyang deuh meujampue vegetasi Alpin ngön Mediterania. | 6 |
Teukawet ngön situasi keuangan global, Zapatero lanjut deungön kheun bahwa "sistem keuangan nakeuh bagian dari ekonomi, bagian peunteng. | 9 |
Tegangan permukaan na sabab molekul ie di permukaan ie leubèh meutarek sabé kedroe-droejih nibak molekul udara di ateuhjih. | 2 |
Tiep thon seulingka buleun Oktober karap 1,5 juta herbivora geujak u darat seulatan, jeumeurang Krueng Mara, nibak gle utara keu ujeuen. | 6 |
Raja Sejong nyankeuh raja keupeut nibak Dinasti Joseon ngön nyankeuh salah saboh nyang paléngpaléng jitabék. | 1 |
Otoritas pusat geureja kalheueh na di Roma seulama leubeh dari siribee thon ngon pemusatan kekuasaan ngon peng nyoe jipeuget le ureng teumanyong peu peurinsep nyoe teupeunuhi. | 13 |
Teutapi Teuntra Laôt Keurajeuen Inggreh mantông leubѐh teuga ibandeng Teuntra Laôt Jeurman (‘Kriegsmarine”) ngön jeuet ipeuancô dum armada prang nyang ikirem jeumeurang Lueng Laôt Inggreh. | 1 |
Tentejih, meunyoe droeneuh meuphom basa Roman, nyan jeut leubéh mudah keu droeneuh nemeurunoe basa Portugis. | 12 |
Kruger National Park (KNP) i baroh-timue Afrika Tunoeng ngön meuhalak ubena ceu Mozambik blah timue, Zimbabwe na roet baroh, ngön bak ceu blah tunoeng nakeuh Krueng Buya. | 6 |
Penjara Abu Ghraib Irak ka jitot watee teungoh kerusuhan. | 11 |
Tapi, jinoe ka na seuniman buet jaroe nyang caroeng, acara buet jaroe ngon binteh nyang "jeuet le hukom". Gamba buet jaroe lam bagoe nyoe kayem hi karya seuni nibak seuni hana teubaca. | 7 |
Awak nyang geuprang Mumbai troeh ngôn jalo bak 26 November 2008, geuba granat, beudèèe otomatis, ngôn keunong ladom sasaran sit stasiun kereta Chhatrapati Shivaji Terminus nyang rame ngôn Hotel Taj Mahal nyang jithèe. | 11 |
Nigeria sigohlomjih geupeugöt maklumat rancangjih keu meusapat deungön AfCFTA bak aleuhad karab ngön KTT. | 9 |
Lapan Blah boh ruhueng jipeumeu’en nibak jatah meuatoeran, deungön ureueng meu’en biyasajih jimulai nibak ruhueng phôn i lapangan ngön meuakhé bak ruhueng keulapan blah. | 3 |
Mutasijeuet na saboh jinѐh musabab meubeda meunuroet bak jinѐh mutasi, bagoe nyang peurteng nibak materi genetik jipeungaroh ngön pue sel nyang keunong nakeuh sel kumeun-gareh. | 6 |
Wilayah Turki na keuh panyang leubeh nibak 1.600 kilomete (1.000 mil) ngön bideung 800 km (500 mil) luwah, beuntoek sangkira peutsagoe panyang. | 8 |
Hamilton geupeuteuntèe bahwa Rumoh Sakét Universitas Howard teurimoeng ureueng sakét lam kondisi stabil. | 5 |
Gubernur awai Massachusetts Mitt Romney geupeumeunang peumileh peuphôn presiden Peureutei Reupublik Florida bak uroe Seulasa ngöndeungön leubèh nibak 46 peursen su. | 1 |
JAS 39C Gripen meupok landasan pacu lingka pôh 9:30 beungoh di sinan (0230 UTC) ngôn beureutoih, sampöe geutôp bandara keu teureubang komersial. | 10 |
Republik Dominika (Spanyol: Replubica Dominicana) nakeuh saboh nanggroe Karibia nyang tinggai i pulo bagian timu Hispaniola, nyang i bagi ngon Haiti. | 8 |
Badé, nyang teuka silingka 3.000 mil nibak Miami, Florida, na keuceupatan angèn maksimum 40 mph (64 kph). | 8 |
"Panama Papers" nakeuh istil-ah umum keu lingka siploih juta dokumen dari firma hukôm Panama Mossack Fonseca, nyang boco u pers bak musem semi 2016. | 9 |
Nadal meurumpo 88% poin gleh lam pertandingan nyang meunang 76 poin di servis phôn. | 3 |
Teurdakwa nyan nakeuh Baba Kanjar, Bhutha Kanjar, Rampro Kanjar, Gaza Kanjar ngön Wisnu Kanjar. | 11 |
Piasan PBS na leubeh dari dua lusen penghargaan Emmy, ngon durasijih leubeh singkat hanya dari Sesame Street ngon Mister Rogers' Neighborhood. | 7 |
Fotografer nyan geuba u Ronald Reagan UCLA Medical Center, teumpat jih alheuh nyan meninggai. | 5 |
"Gobnyan that gleuen ngön meunyanyi deungön that gèt sit," geukhen lé gobnyan meunurot transkrip konferensi pers. | 7 |
Pakriban keuh gravitasi bumoe lo itarek lôn? Meunyö droeneuh neudöng ateueh lo, geuhöndroeneuh jeuet keu phui nibak Bumoe. | 2 |
Bade, nyang terletak seulingka 645 mil (1040 km) barat Pulo Tanjung Verde, mungken keu neuk gadoeh sigohlom geupeuhajeuek wilayah darat dumpat geukheun le ureuëng keumaloen cuwaca. | 10 |
Lee peurjalanan keu terumbu kareung dipeugot tip thon, ngoen ceudera keu salah saboh peunyebab nibak teurumbu kareung jareueng. | 0 |
Meueneu’en nyoe jipeumeu’en bak naleung, ngön naleung bak sangkira ruhueng jikoh leubѐh tuet ngön jikheun ijo. | 3 |
Meuprang nyan peu sabab kachoe rayeuk bak hubongan hubongan nibak India ngôn Pakistan. | 1 |
Meunurôt Ansa, "pulisi yöe geuh ngôn ladôm seureubu tingkat ateuh nyang awak nyan yöe jeuet keu wap prang suksesi nyang rayek. | 11 |
Huhne ka geupiyoh droe geuh ngön gobnyan keuneuk igantoe i Kabinet lé Ed Davey MP. Norman Lamb MP geuharap keu geucoek keurija Meuntroe Bisnis nyang geukusong ipeusoh lé Davey. | 1 |
Biasajih tv dipeugot deungön cara keu peusenang masyarakat umum. | 7 |
Nyoe leubéh lom di turi lé awak nyang barô tamat sikula, jeuet keu urueng nyan untuk cok watèe keu sithôn sigolom jak tameng universitas, tanpa harus peutinggai peundidekan. | 12 |
Mandum ureueng nyang tinggai bak Kuta Vatikan nyan Katolik Roma. | 13 |
Teuntèe na peunjelasan teologis kristen keu tradisi nyoe, tapi nyoe jeut keu musem seumi Pra-Kristen ngön ritual keusuburan. | 13 |
Keuputusan NBA nyan geupeuseutöt awak nyang meu‘en Utah Jazz nyang positif meujangkét virus COVID-19. | 3 |
Keuadaan presiden stabil, bahpih ka geuisolasi i rumoh na meu ladom uroe. | 5 |
Watée kapsul sampöe u Bumoe ngôn tamöng u atmosfer, lingka poh 5 beungöeh (watée timu), nyan geuharap jeut keu piyasan cahya keu ureuëng-ureuëng i California Utara, Oregon, Nevada, ngôn Utah. | 8 |
Helikopter geupeuseulamat duwa blah droe awak kapai ngön saboh-sabohjih ceudra nakeuh idoeng nyangpatah. | 5 |
Kamoe keunong krisis keuangan lawét sithôn, nyang na momen paléng akut lam duwa buleuen teurakhe, ngön lôn piké jinoe pasai keuangan mulai puleh." | 9 |
Hai nyoe sabab leseutirik nyang geupeuiile u soket teumpat bagian logam bohlam geuduek jeut bri gata meusetrom ngön leseutirik nyang brat meunyô gata mat bahagian dalam soket atawa dasar logam bohlam watèe manteng ladom na lam soket. | 4 |
Nyoe nakeuh keu phôn that hukôman geuteurimoeng deungön geungui hukôm nyang sah bak thôn 2003 keu geutôp e-mail massal, alias spam, nibak distribusi nyang hana geulakèe u kutak surat ureueng nyang ngui. | 11 |
Charles nakeuh anggota phon nibak Keuluwarga Keurajeuen Inggreh nyang geubi geular. | 12 |
Rahangjih nyang panyang meususôn leubéh dari 70 gigoë sitajam silet, sajan deungön saboh set tambahan di bubông babahjih, nyang meuhareutoe bahwa hana jalan teubiët keu peuë pih nyang léwat jalanjih. | 2 |
Faktor alam jeuet meuköh-köh keu geupeuhasée keuadaan nyang ideal, nyang geupeumungkén alga nyôe ji'ék jumlahjih seucara dramatis. | 6 |
Salah saboh peurinsep utama Kristen nakeuh bahwa keukayaan haroh jingui keu peukureueng deurita ngon kemisikinan ngon bahwa peng moneter geureja na khusus keu alasan nyan. | 13 |
Blog nakeuh saboh peukakah nyang woe seumangat kolaborasi, ngön geupeuseumangat peulajar keu geupeulwuah meurenoe jioh leupah uroe sikula tradisional. | 12 |
Situs web stasiyôn nyan geugamba piasan nyan sebagöe "sandiwara radio sikula jemeun deungôn iputa jemeun nyang barô ngôn ayéb!" | 7 |
Tae‘eun nyôe ka geuyue lè pömeurèntah India keu geupebuet peunceugahan lagée geupeusipreuk keu drop bui i daerah nyang ka keunöng brat, distribusi meuribée tirai jamök ngôn geuseumpröe pestisida. | 5 |
Seulaen pantee anoe puteh ngoen peumandangan gunong, nanggroe nyoe keuh kuta tuha Eropa nyang na i Amerika, jinoe nyan bagoe Santo Domingo. | 8 |
Bak leun geureja, hinan na patong mirahpati marmar nyang lagak diateuh padit padum boh kubu. | 13 |
Lam perjalananjih, Iwasaki keunong masalah dalam le watèe. | 0 |
Saboh asrama runtoh di Mekah, kuta suci Islam silingka poh 10 beungöh watèe di sinan. | 10 |
“Nyôe akan meupinah di ateueh panté barat California utara ngôn akan geupeutrang langèt dari California ngôn Orègon teungôh ngôn lajungôn Nevada ngôn Idaho ngôn u Utah,” geukheun lé Tom Duxbury, manajér proyèk Stardust. | 4 |
Saweu "khas" geupeutamoeng poe u Bandara Internasional Orlando, ek moto bes u saboh teumpat hotel Disney, peuhabeh sangkira saboh aleuhad han geutinggai properti Disney, ngön woe u rumoh. | 0 |
Silingka 3 meunét lheuh peluncuran, kamera meupasang meupeutunyok lë bahagian kuboh insulasi teulheueh dari tangki bahan bakar. | 4 |
Nyoe mantoeng dipeuna sampoe ino hat, tapi nyang leubeh peunténg aspek rasiojih nyang ka dipeuwareh lam ukoe sensor gamba nibak kamera digital. | 4 |
Murid nyan jeuet cit geujok pertanyaan lam meubagoe watee lam si uroe ngön gueharap jaweub nyan bagah, nibak suwah preh oh watee meureumpok seucara lansong. | 12 |
Peuet thon dudoe saboh paten ka geubrie, nyang keu paten nyang keuphôn that na lam bideung MRI. | 2 |
Jalan dipat musibah nyan teujadi geutop siat seumeuntara layanan darurat geupeuhah keu ureueng mèe moto nibak Audi TT mirah. | 10 |
SIB-200 v2
SIB-200 is the largest publicly available topic classification dataset based on Flores-200 covering 205 languages and dialects annotated.
The original SIB-200 v1 dataset (mteb/sib200) includes only seven labels.
This v2 dataset includes all 14 labels (excluding "uncategorized"), making it more challenging.
As stated in the original paper (Section 2.3):
"While the SIB-200 dataset only includes seven labels, we are also releasing another version of the dataset that is more challenging with all the 14 labels (excluding “uncategorized”). We compared the performance of English dataset using both seven and 14 labels in Appendix C."
Citation
@article{adelani2023sib,
author = {Adelani, David Ifeoluwa and Liu, Hannah and Shen, Xiaoyu and Vassilyev, Nikita and Alabi, Jesujoba O and Mao, Yanke and Gao, Haonan and Lee, Annie En-Shiun},
journal = {arXiv preprint arXiv:2309.07445},
title = {SIB-200: A simple, inclusive, and big evaluation dataset for topic classification in 200+ languages and dialects},
year = {2023},
}
- Downloads last month
- -