印度理工学院马德拉斯分校 发布 Shiksha 数据集, 应用在 多语言翻译、教育资源 领域

印度理工学院马德拉斯分校 本次发布的数据集 Shiksha, Shiksha数据集是由印度理工学院马德拉斯分校的SPRING实验室创建的多语言平行语料库，专注于科学、技术和教育领域的翻译任务。该数据集包含超过280万条高质量的英印翻译对，涵盖8种印度语言。数据集的创建过程包括从NPTEL视频讲座中提取双语文本，并通过数据清洗和句子对齐技术确保数据质量。Shiksha数据集旨在提升印度语言在技术领域的机器翻译性能，特别是在低资源语言的翻译任务中，帮助解决教育资源不足的问题。

查看Shiksha

Dataset card 内容： 

Files and versions 内容： 

关于 印度理工学院马德拉斯分校 , 印度理工学院马德拉斯分校是印度顶尖的工程学府之一，以其卓越的教育和研究在国内外享有盛誉。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。