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 |
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.
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
- Iñaki San Vicente (i.sanvicente@orai.eus)
- Gorka Urbizu (g.urbizu@orai.eus)
- Downloads last month
- 87