Datasets:

Modalities:
Text
Formats:
json
Languages:
Basque
Libraries:
Datasets
pandas
License:
Dataset Viewer
Auto-converted to Parquet Duplicate
id
stringlengths
17
47
source
stringclasses
54 values
license
stringclasses
15 values
lang
stringclasses
1 value
url
stringlengths
17
329
title
stringlengths
0
653
author
stringlengths
0
499
date
stringlengths
4
20
text
stringlengths
20
2.08M
domain
stringclasses
7 values
addi-6d139fc8fc5c
addi
cc-by-nc-nd 3.0
eu
https://addi.ehu.es/handle/10810/4983
Ezin dut ez dut nahi
Ortiz Jauregui, Miren Agurtzane
2011-07-19
2009ko ekainean Mendez medikuak, Mora Osasun Zentroko psikiatrak, Bilbon bizi zen 20 urtetako Luis Martinez ikaslea jaso zuen bere sendategian. Hau, bere gurasoen eskaeraren bitartez etorri zen, hauek ziotenez, duela aste batzuk, enpresa batean egiten ari zen praktikekin hastearekin batera, etxetik ateratzera uko egite...
science
addi-22f4fd8c11e9
addi
cc-by-nc-sa 3.0
eu
https://addi.ehu.es/handle/10810/6251
Heziketa pultsua berreskuratuz
Arandia Loroño, María Teresa
2011-11-30
Hezkuntza-pultsua berreskuratuz Aprendizaiaren emaitzak Kasuaren bidez eginiko aprendizaiaren ebaluaketak lorpen hauek izango ditu kontutan:  R1. Euskal Herriko mugetan hezkuntza lanbide eta praktika profesional ezberdinak kokatu.  R2. Hezkuntza lanbide bakoitzari zehazki dagozkien arau markoak identifikatu.  R3. La...
science
addi-d1e7159f01c0
addi
cc-by-nc-sa 3.0
eu
https://addi.ehu.es/handle/10810/6580
Viandar de Sota: Dibersifikazioak kontrolatu edo areagotu egiten du enpresa-arriskua?
Larrieta Rubín de Celis, Izaskun
2011-06-20
2 Dibertsifikazioa: kontrolatu edo areagotu egiten du enpresa-arriskua? 1997ko maiatzean Tomás Larreari, Larrea Supermerkatuak-en kontseilari delegatua, jakinarazi zioten bere lehiakiderik handiena supermerkatu bat irekitzera zihoala beraren supermerkatu izarraren aurrean. Defendatu nahian, konprometitu eta 3.500 m2ko ...
science
addi-f2144dde7d2d
addi
cc-by-nc-sa 3.0
eu
https://addi.ehu.es/handle/10810/6581
Elikagaien barru-barruko egitura
Berraondo Juaristi, María Rosario ; Fernández de Aránguiz Guridi, María Yolanda
2011-06-14
Elikagaien barru‐barruko egitura CP: ALDEZ AURREKO EZAGUTZAK AZTERTZEN C1: Konposatu kimikoak formulatzea eta izendatzea C2: Lotura kimiko mota desberdinak bereizteko oinarria den egitura atomikoa ezagutzea. C6: Fenomeno kimikoekin lotutako problemak eta galderak ebaztea, hizkuntza zientifiko zuzena, formulazio eta nom...
science
addi-18c3985be050
addi
cc-by-nc-sa 3.0
eu
https://addi.ehu.es/handle/10810/6589
Estatistika deskribatzailea, proiektuen bidez lantzeko proposamena
Urkaregi Etxepare, Arantza
2011-11-24
Estatistika deskribatzailea, proiektuen bidez lantzeko proposamena ENUNTZIATUA: Azterlan soziologikoak egiten dituen lan-talde (soziologoak, psikologoak, matematikariak, kazetariak,…) baten partaideak zarete, eta gizarte-gai (zuek aukeratutakoa) bati buruz azterlana enkargatu dizue erakunde batek. Zuen zeregina, lantal...
science
addi-ae348d94c691
addi
cc-by-nc-sa 3.0
eu
https://addi.ehu.es/handle/10810/6625
Makina Saltzailea: S/Iko gaia lantzeko proiektua
Larraza Mendiluze, Edurne
2011-11-24
Makina zaltzailea: Sarrera/Irteerako gaia lantzeko proiektua Edukia. Ikasgai honekin, lehenengo lauhilekoko Sistema Digitalen Diseinuaren Hastapenak ikasgaiarekin batera, konputagailuen arkitekturako lerroari sarrera ematen zaio. Lerro hau garrantzi bizikoa da informatikako graduetan, ezinbestekoa baita konputagailu ba...
science
addi-00932bd7e0e1
addi
cc-by-nc-sa 3.0
eu
https://addi.ehu.es/handle/10810/6626
Erliebearen irudikapena eta analisia. Mapa topografikoa
Latasa Zaballos, Itxaro
2011-06-27
PBL jardueraren ebaluaketa eta kalifikazioa egiteko honako prozedura hauek erabiliko dira: Ebaluaketa jarraia tutoretza-saioen bidez PBL jarduerarako epe barruan bi tutoretza-saio egingo dira, egindako lanaren ebaluaketa eta kalifikazioa egiteko erabiliko direnak. Aldez aurretik zehaztutako orduan, irakasleak izango di...
science
addi-4ccb5196b492
addi
cc-by-nc-sa 3.0
eu
https://addi.ehu.es/handle/10810/6627
Nolakoa da eta nola aldatu da zure ingurune soziala?
Imaz Bengoechea, José Ignacio
2011-06-20
Proiektuak erantzu beharreko galdera Nolakoa da, eta nola aldatu da, zure auzo, herri edo eskualdea? Proiektuaren aurkezpena edo deskribapena (enuntziatua) Zuen herriko udaletxeak, hurrengo urteetarako bere plan estrategikoaren barnean, hezkuntzaren egoeraren diagnostiko edo erradiografia bat egin nahi du (zer esan dai...
science
addi-a186f395405d
addi
cc-by-nc-sa 3.0
eu
https://addi.ehu.es/handle/10810/6631
Zein da erosketa-aukerarik onena?
Barandiarán Galdós, Marta
2011-11-24
Estatistika Deskribatzailea erabakiak hartzeko tresna. Nola lor genezake ikasleak informazioa ongi aukera dezan eta egoki erabil dezan enpresan gertatzen diren egoerak deskribatzeko?  Zenbakizko deskribapenak eta deskribapen grafikoak, zentrorako joera- eta jarreraneurriak eta forma-neurriak.  Sakabanatzearen neurria...
science
addi-d1cf7b30c8e3
addi
cc-by-nc-nd 3.0
eu
https://addi.ehu.es/handle/10810/7662
Erizaintza-prozesua: Gipuzkoako herrialdean izaniko erabileraren bilakaera
Huitzi Egilegor, Joseba Xabier
2012-05-14T09:04:24Z
"Erizaintza-prozesua: Gipuzkoako herrialdean izaniko erabileraren bilakaera\n2010eko ekaina\nNire es(...TRUNCATED)
science
End of preview. Expand in Data Studio

ZelaiHandi_logo

Dataset Card for 🌱ZelaiHandi

🌱ZelaiHandi: A Large Collection of Basque Texts. ZelaiHandi, which means "large pasture" in Basque, is the largest collection of freely licensed and clean Basque texts to date (February 14th, 2025), gathered from selected web sources. This collection comprises approximately 660 million words.

The dataset will receive periodical updates.

  • v2 (February 17th, 2025): 660M words, 7 new sources.
  • v1 (March 4th, 2024): 521M words.

The corpus has been released with the objective of “feeding” Large Language Models. Naturally, models that are not strictly "herbivorous" can also ingest ZelaiHandi.

Dataset Details

Dataset Description

  • Size: 660M words (5.8GB disk space)
  • Language: Basque (EU)
  • License: Various CC licenses
  • Curated by: Orai NLP Teknologiak

Dataset Structure

The corpus is released in JSONL format. Each document contains the following attributes:

{
        "id":"unique id for each document",
        "source": "source", 
        "license": "document license", 
        "lang": "eu", 
        "url": "document url", 
        "title": "document title", 
        "author": "document author if known, null otherwise", 
        "date": "publication date in yyyy[-mm-dd[Thh:mm:ssZ]] format", 
        "text": "document content, ready to use raw text. Title text (for news and articles) is included as well.",
        "domain": "document domain. one of ['news', 'administrative', 'wikipedia', 'science', 'subtitles', 'literature', 'videogames']"
}

Source Data

This is a corpus of the Basque language. It contains 659,609,830 raw words (counted by the 'wc -w' command over the text attribute) in 2.26M documents. It was gathered from various web sources and contains data up to 2025/02/13.

The following table summarizes corpus statistics and license information.

source base url domain tokens (M) license
Tokikom 📝 https://tokikom.eus/bazkideak/ news 187.63 cc-by / cc-by-sa
Berria https://berria.eus news 148.62 cc-by-sa 4.0
Hitzak 📝📝 https://hitza.eus news 83.20 cc-by-sa 4.0
Eusko Legebiltzarra https://www.legebiltzarra.eus administrative 83.04 public domain
Wikipedia https://wikipedia.org wikipedia 72.83 cc-by-sa 4.0
Argia https://www.argia.eus news 18.36 cc-by-sa 4.0
Addi https://addi.ehu.es/ science 16.36 several cc variants
Opendata Euskadi subtiitles https://opendata.euskadi.eus/catalogo/-/euskarazko-azpitituluak-filmak-eta-telesailak-euskaraz/ subtitles 16.36 cc-by-sa
GFA https://www.bngipuzkoa.eus/ administrative 8.71 Custom copyright license⚠️
Zientzia.eus https://zientzia.eus science 8.63 cc-by-sa
Susa https://www.susa-literatura.eus/ literature 5.77 cc-by
BFA https://jjggbizkaia.eus administrative 4.34 Custom copyright license⚠️
Zientzia Kaiera https://zientziakaiera.eus/ science 1.98 cc-by-sa 3.0
Ekaia https://ojs.ehu.eus/index.php/ekaia science 1.80 cc-by-nc-nd 4.0
Ikergazte https://www.buruxkak.eus/bilatu?bilaketa=ikergazte science 1.61 cc-by-sa 3.0
Game-erauntsia https://gamerauntsia.eus/ videogames 0.40 cc-by-sa 4.0
Total 659.62

📝 Tokikom is a Basque local media network. The following websites are included in ZelaiHandi: [28kanala, Aiaraldea, Aikor, Aiurri, Alea, Amezti, Anboto, Antxetamedia, Ataria, Baleike, Barren, Begitu, Berriketan, Drogetenitturri, Erran, Euskalerriairratia, Gitb, Goiena, Guaixe, Hiruka, Karkara, Kronika, Mailope, Maxixatzen, Noaua, Plaentxia, Txintxarri, Uriola, Urolakostakohitza, Uztarria, Zarauzkohitza].

📝📝 Hitzak includes a number of local media sources, which are not members of Tokikom network at the time of the current release. The following websites are included in ZelaiHandi: [Hitza.eus, Irutxuloko Hitza, Bidasoako Hitza, Busturialdeko Hitza, Goierriko Hitza, Lea-Artibai eta Mutrikuko Hitza, Oarsoaldeko Hitza, Otamotz, Goiberri].

⚠️ Custom license, allows reproducibility. License text here: https://www.bngipuzkoa.eus/WAS/CORP/DJGPortalWEB/aviso_legal.jsp.

⚠️ Custom license, allows reproducibility License text here: https://jjggbizkaia.eus/eu/pribadutasun-politikea.

domain distribution statistics of ZelaiHandi corpus

License

The corpus is comprised of documents from various sources. All documents included have a free license, but each source has its own license. All documents collected are publicly available under free use licenses in their original website. If you are the owner of any data included in the corpus and you would not like to be reproduced here, please contact us.

Bias, Risks, and Limitations

This corpus may reflect societal stereotypes and biases. Additionally, it could contain explicit language, slurs, and hate speech, particularly in fictional texts from literature.

Previous releases

If you need a previous release clone this repository and get back to a previos release. Following we list the commit ids for the different releases:

  • v2: $git checkout main
  • v1: $git checkout 1c61663c8361779898472a7eb6ac2c69c775ed5b

Citation

If you use the corpus please cite the following reference:

@misc{ZelaiHandi,
 title    = {ZelaiHandi: A Large Collection of Basque Texts},
 author    = {San Vicente, Iñaki and Urbizu, Gorka and Corral, Ander and Beloki, Zuhaitz and Saralegi, Xabier},
 publisher = {Orai NLP Technologies},
 url       = {https://huggingface.co/datasets/orai-nlp/ZelaiHandi},    
 year = {2024}
}

Acknowledgements

Special thanks to the authors of the texts and to the media that have made it possible to publish their content under a free license.

This work has been partially funded by the Basque Government under grant no. KK-2023/00094 (ICL4LANG).

Contact

Downloads last month
87

Models trained or fine-tuned on orai-nlp/ZelaiHandi

Collections including orai-nlp/ZelaiHandi