ArSciKids: 초등 교육의 과학 실험 및 객관식 문제 생성을 위한 아랍어 커리큘럼 기반 데이터셋

아랍어 자연어 처리(NLP)에 대한 관심이 증가하고 있음에도 불구하고, 영어와 비교했을 때 커리큘럼과 연계된 교육 자료는 여전히 부족하며, 특히 초등학교 과학 분야의 구조화되고 생성 준비가 완료된 주석을 가진 아랍어 커리큘럼 콘텐츠를 위한 공개 데이터셋은 거의 없습니다. 본 논문에서는 커리큘럼 기반 교육 콘텐츠 생성을 위해 설계된 두 가지 아랍어 데이터셋 모음인 ArSciKids를 소개합니다. 첫째는 사우디아라비아, 시리아, 요르단의 공식 초등학교 과학 교과서에서 수동으로 큐레이션한 999개의 기록을 포함하는 과학 실험 데이터셋이며, 둘째는 사우디 Manhaji 교육 플랫폼에서 수집된 2,167개의 객관식 문제(multiple-choice questions)를 포함하는 평가 질문 데이터셋입니다. 실험 기록은 제목, 목표, 도구, 절차, 관찰 내용, 결론, 키워드 및 학년 수준으로 구조화되어 있으며, 평가 기록에는 교과 과정 참고 자료, 질문, 네 가지 답변 옵션, 정답 및 설명이 포함되어 있습니다. 두 데이터셋 모두 1학년부터 6학년까지의 내용을 다루며, 기계 번역되거나 합성적으로 생성된 자료가 아닌 실제 아랍어 교육 콘텐츠로 구성되어 있습니다. 우리는 LoRA를 사용하여 서브-빌리언에서 수십억 파라미터 규모에 이르는 열 가지 오픈 모델을 미세 조정(fine-tuning)함으로써 이러한 리소스의 생성 유용성을 평가합니다. 모델은 ROUGE 및 BLEU와 같은 자동 지표와 객관식 문제 생성을 위한 정답 정확도를 사용하여 평가됩니다. 또한, 우리는 5가지 기준의 인간 평가 프로토콜을 사용하여 결과를 평가했습니다. 그 결과는 모델 규모와 작업 전반에 걸쳐 상당한 차이를 보였습니다. ArSciKids는 공개적으로 이용 가능할 것이며, 아랍어 교육 NLP, 커리큘럼 인식 생성(curriculum-aware generation), 그리고 저자원 언어 모델링 연구를 위한 수동으로 큐레이션된 구조적 기반을 제공하기를 바랍니다.