Dataset Card for tw-dictionary

本資料集整合中華民國公開之三部繁體中文辭典／成語典：

• dictionary-of-chinese-idioms：成語典
• mandarin-chinese-mini-dictionary：國語辭典簡編本
• revised-mandarin-chinese-dictionary：重編國語辭典修訂本

可作為繁體中文模型在用詞、成語、字義、注音等基礎語言知識上的補強語料。

Dataset Details

Dataset Description

這幾部辭典／成語典是繁體中文最具權威性的公開字／詞知識庫之一，內容涵蓋字音、字義、詞性、例句、出處典故等。本資料集將三部辭典分別作為獨立 config，方便依需求單獨使用或合併。

可用於：

• 增強模型對繁中字詞、成語、典故的覆蓋。
• 訓練字音／注音相關任務（部分 config 含注音資訊）。
• 作為文言／古文 / 成語使用情境之教學素材。

• Curated by: Huang Liang Hsun
• Language(s) (NLP): Traditional Chinese
• License: cc-by-sa-4.0（沿用原始公開授權條款）

Dataset Sources

• Repository: lianghsun/tw-dictionary
• Source: 中華民國公開辭典／成語典資料
• Paper: TBA

Uses

Direct Use

• 補強繁中模型對字音、字義、成語典故的知識覆蓋。
• 作為國文教學、語文 chatbot 之 RAG 知識庫。
• 衍生「字義解釋」「成語應用」「注音標註」等下游任務之資料。

Out-of-Scope Use

• 不適用作為法律、考試標準答案；雖然原辭典具權威性，下游使用時仍應對照原始官方頁面。
• 商用前請確認原始開放授權條款是否適用於目標應用。

Dataset Structure

三個 config 各對應一部辭典，內容欄位以條目為單位，視來源略有差異（字、詞、注音、字義、例句、出處等）。實際欄位以資料集載入後 features 為準。

Dataset Creation

Curation Rationale

通用模型在繁中字詞層面的精準度常受限：注音標錯、成語使用情境誤判、字義解釋過於簡化。本辭典資料是公認的權威語言資源，把它整理為易於訓練的格式，能直接提升模型在這些任務上的表現。

Source Data

Data Collection and Processing

1. 從公開來源取得三部辭典／成語典資料。
2. 解析條目欄位，拆分為 jsonl。
3. 依辭典分目錄存放並建立對應 config。

Who are the source data producers?

原始辭典由中華民國主管機關編纂並公開。

Annotations

Annotation process

無新增人工標註；條目即為原始辭典內容。

Who are the annotators?

原始條目由原辭典編纂團隊撰寫。

Personal and Sensitive Information

辭典條目不含個人識別資料。

Bias, Risks, and Limitations

• 辭典反映特定編纂時期的用法，部分新詞、網路用語可能未涵蓋。
• 三部辭典的覆蓋面與顆粒度不同，下游使用時可能需要再做欄位對齊。

Recommendations

建議與其他現代語料一同使用，避免模型對「正規／典雅用詞」過度偏好而失去日常表達能力。

Citation

@misc{tw_dictionary,
  title        = {tw-dictionary: Traditional Chinese Dictionary and Idiom Reference Corpus},
  author       = {Huang, Liang Hsun},
  year         = {2025},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/tw-dictionary}},
  note         = {Sourced from publicly available Traditional Chinese dictionaries.}
}

Dataset Card Authors

Huang Liang Hsun

Dataset Card Contact

Huang Liang Hsun