هل يمكنني استخدام هذه البيانات العربية؟
ابحث في 120 مجموعة بيانات على Hugging Face، هي أكثر 100 مجموعة تنزيلًا بين الموسومة بالعربية ونسخ معروفة، واعرف ما يقوله الترخيص المُعلَن وبطاقة البيانات لكل منها عن التدريب التجاري وإعادة التوزيع والمشاركة بالمثل، مع الدليل المقتبس وراء كل جواب.
هل يمكن تدريب نموذج تجاري على هذه البيانات العربية؟ هل يمكن مشاركة نسخ منها؟ تجيب صفحة البحث في فهرس حقوق مجموعات البيانات العربية من Bayanat Labs عن ذلك لـ 120 مجموعة بيانات على Hugging Face: أكثر 100 مجموعة تنزيلًا بين المجموعات الموسومة بالعربية، و20 مستودعًا آخر في مجموعات من النسخ المعروفة. فتعرض لكل مجموعة ما يقوله ترخيصها المُعلَن وبطاقتها عن تدريب النماذج التجارية وإعادة توزيع النسخ والمشاركة بالمثل، وما التنبيهات التي تثيرها البطاقة، وأي النسخ من البيانات نفسها تعلن ترخيصًا مختلفًا. ويفتح كل جواب على دليله: السطر المقتبس والإيداع المقروء وتاريخ الاسترجاع. قُيّمت الأجوبة من الترخيص المُعلَن ونص البطاقة في 19 أكتوبر 2026، وهي ليست استشارة قانونية، فراجع شروط المصدر.
افتح صفحة البحث · البيانات على Hugging Face · الشيفرة على GitHub · سجلّ الإصدار
ماذا يمكنك أن تفعل بها
- ابحث باسم المستودع أو اسم المجموعة أو معرّف الترخيص، مثل
MASCأوcc-by-nc. - صفِّ النتائج بجواب التدريب التجاري أو جواب إعادة التوزيع أو بتنبيه معيّن (مثل «لا ترخيص مُعلَن» أو «البطاقة تقيّد الاستخدام أو تقول إن البيانات الأصلية تحتفظ بتراخيصها» أو «وصول مقيّد: تنطبق شروط الوصول» أو «نسخة مرتبطة من البيانات نفسها تعلن ترخيصًا مختلفًا») أو بنوع الاختيار.
- افتح أي مدخل لتقرأ الجمل التي تقوم عليها الأجوبة، والنسخ المرتبطة وتراخيصها، وكل اقتباس مع رابط إلى سطره.
- شارك بحثك: تبقى المرشحات في العنوان بعد علامة #.
ما تقوله التراخيص المُعلَنة والبطاقات
بين أكثر 100 مجموعة بيانات تنزيلًا من المجموعات الموسومة بالعربية في 19 أكتوبر 2026:
- تدريب النماذج التجارية: مسموح في 61 مجموعة، وغير مسموح في 5، والجواب غير محسوم في 34.
- إعادة توزيع النسخ: مسموحة في 6، ومسموحة بشروط مثل نسبة العمل إلى صاحبه أو المشاركة بالمثل في 56، وغير محسومة في 38.
- قيود الاستخدام في البطاقة: تقيّد بطاقات 14 مجموعة الاستخدام (بالبحث أو الاستخدام غير التجاري أو الشخصي) أو تقول إن البيانات الأصلية تحتفظ بتراخيصها. ومثل هذه البطاقة تجعل الجواب الذي كان سيسمح غير محسوم: ففي 6 مجموعات كان الترخيص المُعلَن وحده سيسمح بالتدريب التجاري.
- تراخيص البرمجيات على البيانات: تعلن 33 مجموعة ترخيص برمجيات (MIT أو Apache أو GPL أو ما يشبهها) لبياناتها، ويستند 28 من أحكام السماح بالتدريب التجاري الـ61 إلى ترخيص من هذا النوع.
- غياب الترخيص: لا تعلن 11 مجموعة أي ترخيص، فأجوبتها غير محسومة.
- البيانات الشخصية: تذكر بطاقات 17 مجموعة البيانات الشخصية أو الخصوصية.
نسخ تعلن تراخيص مختلفة
وجد الفهرس 45 مجموعة من النسخ المرتبطة تضم 118 مستودعًا. وفي 4 منها تعلن النسخ تراخيص مختلفة:
| المجموعة | التراخيص المُعلَنة | كيف ترتبط النسخ |
|---|---|---|
| MASC (Massive Arabic Speech Corpus) | CC BY 4.0 وCC BY-NC 4.0 | تصف بطاقةٌ المستودعَ الآخر بأنه الأصل أو نسخة، وملفات بيانات متطابقة، ورابط الصفحة الرئيسية أو الورقة البحثية نفسه |
| SARD | Apache-2.0 وCC BY-NC-ND 4.0 و"cc" | ملفات بيانات متطابقة |
| flores | CC BY 4.0 وCC BY-SA 4.0 | ورقة arXiv نفسها والاسم نفسه |
| تسجيلات تلاوة القرآن (tarteel-ai ونسخها) | CC BY 4.0 وMIT | ملفات بيانات متطابقة، ورابط الصفحة الرئيسية أو الورقة البحثية نفسه |
أيّ الترخيصات ينطبق مسألةٌ يحسمها صاحب الحقوق، ويعرض الفهرس الاختلاف وأدلته.
من Python وسطر الأوامر
from datasets import load_dataset
verdicts = load_dataset("Bayanat-Labs/arabic-dataset-rights-index", "verdicts", split="train")
row = verdicts.filter(lambda r: r["repo_id"] == "pain/MASC")[0]
print(row["commercial_training"], "|", row["commercial_training_text"])
pip install "git+https://github.com/Bayanat-Labs/arabic-dataset-rights-index@v0.1.0"
hf download Bayanat-Labs/arabic-dataset-rights-index --repo-type dataset --local-dir rights-index
bl-rights lookup rights-index pain/MASC
تحتاج إلى Python 3.10 أو أحدث. الحزمة غير موجودة على PyPI بعد، فثبّتها من GitHub كما في الأعلى. والأداة نفسها تعيد بناء الفهرس من نسخة مستنسخة من المستودع، ففيها إعدادات البحث: يقرأ الأمر bl-rights harvest البيانات الوصفية العامة في Hub والبطاقات وملفات التراخيص مع ثانية واحدة على الأقل بين الطلبات، ويكتب الأمر bl-rights build الجداول.
git clone --branch v0.1.0 https://github.com/Bayanat-Labs/arabic-dataset-rights-index && cd arabic-dataset-rights-index && pip install .
bl-rights harvest --config config/search.yaml --raw raw/
bl-rights build --config config/search.yaml --raw raw/ --out build/
كيف تُحسب الأجوبة
الاختيار هو أكثر 100 مجموعة بيانات موسومة بالعربية تنزيلًا على Hub في 19 أكتوبر 2026، إضافة إلى 20 مستودعًا في مجموعات من النسخ المعروفة. ولكل مجموعة غير مقيّدة الوصول تُقرأ البطاقة وأي ملف ترخيص عند الإيداع الذي يذكره Hub. ويؤخذ الترخيص المُعلَن من البيانات الوصفية للبطاقة وملف الترخيص ونص البطاقة، ثم يُفحص بـمدقّق تراخيص البيانات (license-check 0.1.0، إصدار القواعد 2026.10.19) لتدريب النماذج التجارية ولإعادة توزيع النسخ. وعند اختلاف التراخيص المُعلَنة، أو عدم تغطية القواعد لأحدها، يكون الجواب غير محسوم. وإذا قصرت البطاقة الاستخدام على البحث أو الاستخدام غير التجاري أو الشخصي، أو قالت إن البيانات الأصلية تحتفظ بتراخيصها، يصبح الجواب الذي كان سيسمح غير محسوم. وتُستخرج عبارات البطاقات بأنماط ثابتة، وكل اقتباس مقطع مطابق من الملف. وأرسل البناء 637 طلبًا إلى Hub وسجّل 432 صفًا من الأدلة. والمنهجية الكاملة في docs/METHOD.md (بالإنجليزية).
الحدود
- تخص الأجوبة الترخيص المُعلَن والبطاقة، وقد تتضمن البيانات موادّ بشروط أخرى، وقد تحمل مجموعة بيانات مبنية من مصادر لها شروطها ترخيصًا لا تسمح به تلك المصادر.
- تُحسب الأحكام بقواعد ثابتة ولا تُراجع واحدًا واحدًا، ويؤدي وسم ترخيص خاطئ أو مفقود على Hub إلى جواب خاطئ هنا، ويبقى الجواب على حاله إذا لم تجد الأنماط قيدًا على الاستخدام.
- لا تُفتح المجموعات المقيّدة الوصول، ولا يُعثر على النسخ التي تغيّرت ملفاتها دون رابط مشترك.
طريقة الإشارة
Bayanat Labs (2026). Arabic Dataset Rights Index, version 0.1.0, assessed 2026-10-19. https://huggingface.co/datasets/Bayanat-Labs/arabic-dataset-rights-index. CC0 1.0 (Hub metadata facts), CC BY 4.0 (verdicts, flags and notes).
سجل الإصدار، بتراخيصه وسجل تغييراته، في صفحة فهرس حقوق مجموعات البيانات العربية على Bayanat Labs Open.
الترخيص والتواصل
حقائق البيانات الوصفية من Hub: CC0 1.0. الأحكام والتنبيهات والملاحظات والتوثيق: CC BY 4.0. الشيفرة وصفحة البحث: Apache-2.0. ويبقى نص البطاقات المقتبس خاضعًا لشروط أصحابه. للتصحيحات وطلبات الإزالة: hello@bayanatlabs.com.
هل تحتاج إلى بيانات تدريب عربية واضحة الترخيص؟
الفهرس مجاني. أما مجموعات النصوص العربية المرخّصة، ولكل منها أعدادها وتفاصيل ترخيصها، فتجدها في صفحة Bayanat Knowledge.