ArSciKids：面向小学教育中科学实验与选择题生成的阿拉伯语课程对齐数据集

尽管阿拉伯语自然语言处理日益受到关注，但与英语相比，与课程对齐的教育资源仍然匮乏，具有结构化、可直接用于生成任务的标注的阿拉伯语课程内容公开数据集也很少，尤其是在小学科学领域。我们推出 ArSciKids，这是一套由两个阿拉伯语数据集组成的资源，旨在支持与课程对齐的教育内容生成：（1）科学实验数据集，包含从沙特阿拉伯、叙利亚和约旦的官方小学科学教科书中人工整理的 999 条记录；（2）测评题目数据集，包含从沙特阿拉伯的 Manhaji 教育平台收集的 2,167 道选择题。实验记录按标题、目标、工具、步骤、观察结果、结论、关键词和年级进行结构化组织；测评记录则包含对应课时、题目、四个答案选项、正确答案和解析。两个数据集均覆盖 1—6 年级，内容来自真实的阿拉伯语教育材料，而非机器翻译或合成生成的材料。我们使用 LoRA 对十个参数规模从不足十亿到数十亿的开放模型进行微调，以评估这些资源对生成任务的实用性。模型评估采用 ROUGE、BLEU 等自动评价指标，并针对选择题生成评估答案准确率。此外，我们还采用包含五项标准的人工评估方案对结果进行评价。结果显示，不同模型规模和任务之间存在显著差异。ArSciKids 将公开发布，我们希望它能为阿拉伯语教育自然语言处理、课程感知生成和低资源语言建模研究提供经过人工整理的结构化基础。