Datasets:

ngusadeep
/

Swahili-Corpus-Dataset

text stringlengths 2 8.91M
jamhuri ya muungano wa tanzania wizara ya afya taarifa kwa vyombo vya habari kuhusu ugonjwa usiofahamika mkoa wa lindi dodoma ndugu wananchi tarehe wizara ya afya ilipokea taarifa toka kwa mganga mkuu mkoa wa lindi kuwa katika halmashauri ya ruangwa kumekuwepo na ugonjwa usio wa kawaida kutoka kituo cha afya mbekenyera ambapo ndani ya siku tarehe na july walipokea wagonjwa katika kituo hicho wakiwa na dalili za homa kuvuja damu hususan puani kichwa kuuma na mwili kuchoka sana
wizara iliunda timu ya wataalam kutoka idara ya magonjwa ya dharura na majanga epidemiolojia mkemia mkuu wa serikali taasisi ya utafiti nimr chuo kikuu cha sayansi ya tiba muhimbili na hospitali ya taifa muhimbili waliungana na timu ya mkoa ikihusisha pia idara ya mifungo
hadi kufikia tarehe julai kulikuwa na jumla ya wagonjwa kati yao wamefariki
wagonjwa wawili waliokuwa wametengwa katika kituo cha afya mbekenyera wamepona na kuruhisiwa kurudi majumbani mwao
wagonjwa wengine wamejitenga katika makazi yao ya muda kwenye kitongoji cha naungo kata ya nanjilinji wilayani kilwa
mgonjwa mmoja ambaye amepona anaendelea kufanya shughuli zake kijijini mbekenyera
vile vile watu waliotangamana na wagonjwa hao contacts wamekuwa wakifuatiliwa afya zao kila siku na hadi sasa hakuna aliyeonesha dalili zozote zinazofanana na za wagonjwa hao
timu inaendelea na ufuatiliaji ndugu wananchi sampuli za awali zilizopimwa katika maabara ya taifa zimeonesha majibu hasi negative kwa ugonjwa wa ebola marburg na uviko
tunaendelea kufanya uchunguzi zaidi wa kiepidemiolojia na kitabibu pia tunasubiri matokeo ya vipimo zaidi vya maabara ya magonjwa ya binadamu wanyama na mkemia mkuu wa serikali
pia tunaendelea kufanya yafuatayo a
kuendelea kutafuta watu wengine wenye dalili kama hizi ili kutambua mapema na kuwatenga ili kuzuia ugonjwa usisambae b
kuwatambua watu wote waliotangamana contacts na wagonjwa wahisiwa marehemu na kuwafuatilia kwa siku c
kutoa matibabu kwa wagonjwa waliobainika kuwa na dalili pia kuwashauri wajitenge wakati wakisubiria majibu ya vipimo vya maabara d
kutoa elimu kwa jamii kwa kutumia vyombo mabalimbali vya habari e
yamefanyika maandalizi ya dawa vifaa tiba na vifaa vya kujikinga na maambukizi kwa ajili ya kuwahudumia waathirika endapo watajitokeza tena taarifa ikikamilika wizara itatoa taarifa kwa umma
ndugu wananchi pamoja na hayo wizara inatoa wito kwa wananchi kuwa watulivu wakati ikiendelea kulifanyika kazi suala hili
aidha wananchi waendelee kutumia vituo vya kutolea huduma za afya pale wanapojisikia kuumwa
imetolewa na mganga mkuu wa serikali jamhuri ya muungano wa tanzania mwongozo wa usimamizi wa fedha za uchangiaji wa huduma za afya katika vituo vya kutolea huduma za afya wa mwaka wizara ya afya maendeleo ya jamii jinsia wazee na watoto s
p dodoma yaliyomo muundo na majukumu ya utekelezaji wa mwongozo
muundo wa uongozi na uendeshaji katika ngazi mbalimbali za kutolea huduma za afya
ufafanuzi wa majukumu kwa ngazi mbalimbali katika utekelezaji wa mwongozo huu
wizara ya afya maendeleo ya jamii jinsia wazee na watoto
ofisi ya rais tamisemi
sekretarieti ya mkoa
halmashauri
bodi na kamati za usimamizi ngazi ya hospitali
kamati za usimamizi ngazi za vituo vya afya na zahanati utaratibu wa ukusanyaji na udhibiti wa mapato
utangulizi
makisio ya mapato na matumizi ya kituo
mapato
stakabadhi ya wazi open receipt
stakabadhi yenye kiwango kisichobadilika fixed fee receipts ffr
kuandika stakabadhi
rejista ya malipo
misingi ya uhasibu sura ya tatu matumizi na utunzaji wa hesabu za fedha
utangulizi
mgawanyo wa fedha maeneo zitakapotumika na ukomo wa matumizi
taratibu za kufanya malipo
watia saini katika hundi
kuchacha kwa hundi
nyaraka muhimu katika kuidhinisha na kufanya malip
utunzaji wa hesabu na taarifa za fedha
utunzaji wa hesabu
usuluhishi wa benki bank reconciliation
kitabu cha kasma vote book
udhibiti wa ndani i nternal controls
usimamizi shirikishi na ukaguzi wa fedha
usimamizi shirikishi wa kituo
ukaguzi wa ndani
ukaguzi wa nje sura ya nne ununuzi wa bidhaa huduma na utunzaji wa kumbukumbu fomu na
taarifa ya madai ya mgonjwa wa kulazwa fomu na
taarifa ya makusanyo na matumizi ya fedha za uchangiaji wa papo kwa papo flash report dibaji serikali kati ka jitihada za kuboresha utoaji wa huduma za afya nchini iliamua kutekeleza sera ya uchangiaji wa huduma za afya katika vituo vya kutolea huduma
uamuzi huo ulibadilisha utaratibu wa utoaji huduma za afya zilizokuwa zinatolewa bila malipo katika ngazi zote za vituo vya kutolea huduma za afya nchini mara baada ya kupata uhuru
serikali ilichukua uamuzi huo kutokana na kuyumba kwa uchumi wa dunia katika miaka ya kuongezeka kwa idadi ya watu na kuibuka kwa magonjwa mapya na yanayojirudia hali iliyosababis ha bajeti ya erikali kushin dwa kukidhi mahitaji na kugharimia huduma za afya hususan upatikanaji wa dawa vifaa vifaa tiba na vitendanishi
serikali katika kukabili ana na ufinyu wa bajeti katika ekta ya afya iliendelea kutoa mchango wake kugharimia hud uma hizo kwa kuzingatia uwezo wa kibajeti kushirikisha wadau wa maendeleo pamoja na kuanzisha taratibu mbali mbali za uchangiaji wa gharama za huduma za afya
mifumo hii ya uchangiaji ni pamoja na utaratibu wa malipo ya papo kwa papo wa mwaka mfuko wa afya ya jamii chf wa mwaka na mfuko wa taifa wa bima ya afya nhif wa mwaka lengo lilikuwa ni kuhakikisha mwananchi anapata huduma za afya zilizo bora wakati wote
katika kuleta ufanisi wa utekelezaji wa mifumo hii ya uchangiaji serikali kupitia wizara ya afya maendeleo ya jami jinsia wazee na watoto imeendelea kuweka mkazo na kuhakikisha kuwa fedha zote zinazopatikana kutokana na uchangiaji zinasimamiwa kikamilifu ili kuleta tija katika vituo vya kutolea huduma
hata hivyo serikali imetam bua kuwepo kwa changamoto mbali mbali katika matumizi stahiki ya fedha hizo za uchangiaji ambazo wakati mwingine kwa sehemu kubwa zimesababishwa na kutokuwepo kwa mwongozo mahususi unaotoa maelekezo ya matumizi stahiki ya fedha za uchangiaji wa huduma za afya
hivyo timu za uendeshaji na kamati za usimamizi za vituo vya kutolea huduma za afya zimekuwa zikipanga matumizi ya fedha hizo katika shughuli ambazo hazileti tija katika uboreshaji wa huduma za afya katika vituo kinyume na nia ya serikali ya ubo reshaji wa huduma za afya utangulizi uchangiaji wa huduma za afya umetokana na athari za kudorora wa uchumi katika miaka ya hali ambayo ilisababisha kupanda kwa gharama za dawa viffa na vifaa tiba na hivyo kuwa moja ya sababu za bajeti ya serikali kuto kukidhi mahitaji halisi yaliyopo
sababu nyingine ni kuwepo kwa ongezeko la idadi ya watu mwaka had mwaka wanachi wengi kupata mwamko wa kuhudhuria kutumia kufuati lia huduma za afya kinga tiba utengamao na tiba shufaa zinazotolewa katika vituo kuwepo kwa usugu wa vimelea ambavyo husababisha kutumia dawa mbadala na za mseto ambazo ni ghali zaid i kuwepo kwa magonjwa mapya yanayoibuka na yanayojirudia kutokana na mabadiliko ya tabia nchi pamoja na ongezeko la magonjwa yasiyo ya kuambukiza na hivyo kuifanya jamii kuwa na tatizo kubwa la magonjwa ya kuambukiza na yasiyo ya kuambukiza
kutokana na pungufu katika utoaji wa huduma za afya serikali ilifanya utafiti mwaka juu ya uwezo na uhiari wananchi kuchangia gharama za huduma za afya
matokeo ya utafiti huo yalionesha kuwa wananchi wako tayari kuchangia gharama za huduma za afya ili waweze kupata huduma bora
kutokana na matokeo ya utafiti huo mwaka serikali ilianzisha utaratibu wa kushirikisha wananchi katika kuchangia gharama za huduma za afya kwa lengo la kupunguza pengo lililojitokeza kati ya mahitaji halisi ya utoaji wa hu duma za afya na upatikanaji wa fedha kulingana na uwezo wa serikali kiuchumi
katika kutekeleza sera ya uchangiaji gharama za huduma za afya katika vituo vya umma serikali iliandaa mwongozo wa uchangia ji mwaka
pamoja na mambo mengine mwongozo huu liweka viwango vya uchangiaji gharama za huduma za afya
fedha hizo zinachangia kupunguza ufinyu wa bajeti ya matumizi ya kawaida inayotolewa na serikali kwa ajili ya kuboresha upatikanaji wa huduma za afya kwa kuzingatia mipango inayoandaliwa na kuteke lezwa na wizara ya afya maendeleo ya jamii jinsia wazee na atoto ofisi ya rais tawala za mikoa na serikali za mitaa or tamisemi hususani katika mikoa na mamlaka za serikali za mitaa
aidha katika kuhakikisha kuwa mwongozo huu natekelezwa kwa ufanisi serikali iliweka utaratibu wa msamaha kwa makundi maalum katika kugharamia huduma za afya pindi wanapohitaji huduma hizo kutoka katika vituo vya kutolea hud uma za afya
maandalizi ya mwongozo huu yamezingatia matamko ya sera ya afya ya mwaka sera wazee ya mwaka awamu ya pili ya mpango wa taifa wa maendeleo wa miaka mitano
sheria ya fedha ya mamlaka za serikali za mitaa na
kama ilivyorekebishwa mwaka
kanuni za usimamizi wa fedha katika mamlaka za serikali za mitaa local authorities financial memorandum lafm kama zilivyorekebishwa mwaka sheria ya nunuzi ya mma ya mwaka kama ilivyorekebishwa mwaka
na maelekezo mengine ya serikali
malengo ahususi ya mw ongozo huu ni kama ifuatavy o
kuongeza ufanisi katika makusanyo na matumizi ya fedha za uchangiaji huduma za afya na hivyo kuboresha huduma za fya
kuongeza ufanisi katika uandaaji na uwasilishaji wa taarifa za uchangiaji huduma za afya
kuongeza uelewa kwa watoa huduma katika us imamizi wa fedha za uchangiaji wa huduma za afya
mwongozo huu unalenga kutoa maelekezo na kufafanua taratibu zinazotakiwa kuzingatiwa katika usimamizi wa fedha za uchangiaji wa huduma za afya katika vituo vya kutolea huduma za afya
aidha maudhui ya mw ongozo huu ni kama ifuatavyo i
muundo na majukumu ya utekelezaji wa wongozo ii
utarat ibu wa ukusanyaji na udhibiti wa apato iii
matumizi utunzaji wa hesabu fedha iv
ununuzi bidhaa uduma utunzaji kumbukumbu v
utoaji aarifa uchangiaji sura ya kwanza muundo na majukumu ya utekelezaji wa mwongozo
muundo wa uongozi na endeshaji katika ngazi balimbali za kutolea huduma za afya katika sekta ya afya muundo wa uongozi na uendeshaji wa utaratibu wa usimamizi wa fedha za kuchangia gharama za huduma za afya uko katika ngazi mbalimbali kama inavyoonekana kwenye kiambatishi na
mwongozo huu umeainisha majukumu ya viongozi na watendaji wakuu katika ngazi zote kuanzia kwenye vituo vya kutolea huduma hadi ngazi ya wizara
majukumu yaliyoainishwa katika mw ongozo huu ni yale yenye uhusiano wa moja kwa moja na usimamizi na utekelezaji wa sera ya uchangiaji wa huduma za afya
ufafanuzi wa majukumu kwa ngazi mbalimbali katika utekelezaji wa mwongozo huu
wizara ya afya maendeleo ya jamii jinsia wazee na wato to majukumu wizara katika utekelezaji wa wongozo huu ni kama ifuatavyo i
kuandaa na kutoa mwongozo wa kisera kuhusu masual ya ugharamiaji huduma za afya ii
kupanga viwango na maeneo ya kuchangia gharama za huduma za fya kwa kuzingatia miongozo ya itaifa
iii
kusimamia na kufuatilia utekelezaji wa mwongozo wa usimamizi wa fedha za uchangiaji iv
kufanya mapitio na marekebisho ya mwongozo kila baada ya miaka mitatu au wakati wow ote inapolazimika kufanya hivyo v
kupokea na kutathmini taarifa za mapato na matumi zi ya fedha za hospitali zilizo chini ya wizara vi
kufuatilia na kuhakikisha kuwa vituo vya kutolea huduma za afya vinato huduma bora za afya kwa jamii na vii
kuandaa vikao kwa kushirikisha wadau mbalimbali vya kujadili utekelezaji wa mwongozo huu
ofisi ya ais tamisemi majukumu ya ofisi ya rais tamisemi katika utekelezaji wa wongozo huu ni kama ifuatavyo i
kusimamia na kuratibu utekelezaji wa mwongozo huu katika ngazi ya tawala za mikoa na serikali za mitaa ii
kuchukua hatua muafaka enye lengo la kuhakikisha kuwa wongozo huu unatekelezwa ipas avyo katika vituo vyote vya kutolea huduma za afya vilivyo katika ngazi za mikoa na maml aka ya serikali za mitaa nchini iii
kupokea na kutathmini taarifa za mapato na matumizi ya fedha kutoka kwa vituo vya kutolea hudu ma ilivyo chini ya or tamisemi

End of preview. Expand in Data Studio

Swahili Corpus Dataset

A large-scale Swahili text corpus for language model pretraining and NLP research.

The Swahili Corpus Dataset is a large-scale collection of Swahili (Kiswahili) text designed to support Natural Language Processing (NLP) research and the development of large language models (LLMs) for a low-resource African language.

This dataset contains approximately 1.69 million Swahili text samples aggregated from public and official sources. It is suitable for LLM pretraining, continual pretraining, tokenizer training, embeddings, fine-tuning, and Retrieval-Augmented Generation (RAG).

This Hugging Face release is a curated and unified version derived from the original Swahili Corpus published on Mendeley Data by Noel Masasi and Bernard Masua (2024).

Dataset Summary

The Swahili Corpus Dataset aggregates real-world Swahili text from multiple thematic domains, including government, health, education, agriculture, law, and news. The corpus is unannotated and optimized for unsupervised learning, making it ideal for training and adapting foundation language models to Kiswahili.

The goal of this dataset is to strengthen Swahili representation in modern NLP systems and to support African language AI research.

Loading the Dataset

You can load the dataset using 🤗 Datasets:

from datasets import load_dataset

ds = load_dataset("ngusadeep/Swahili-Corpus-Dataset", split="train")

# Access first example
print(ds[0]["text"])

Dataset Structure

Data Fields

Each example contains a single field:

Field	Type	Description
`text`	string	Raw Swahili text sample

Example

{
  "text": "Serikali ya Jamhuri ya Muungano wa Tanzania imetoa taarifa rasmi kuhusu maendeleo ya sekta ya afya..."
}

There are no labels, annotations, or metadata fields, making this dataset suitable for large-scale unsupervised training.

Original Corpus Categories

The original Swahili Corpus was organized into the following thematic categories, which were merged during preprocessing:

AFYA – Health
BIASHARA – Business & Industry
BUNGE – Parliamentary records
DINI – Religion
ELIMU – Education
HABARI – News
KILIMO – Agriculture
MITANDAO – Social Media
MASHIRIKA YA KIRAIA – Civil Society / NGOs
SERIKALI – Government
SHERIA – Legal documents
SIASA – Politics

A combined corpus file is also provided in the original release.

Use Cases

LLM Pretraining (LLaMA, Gemma, Qwen, Mistral)
Continual pretraining for Swahili adaptation
Tokenizer training for Kiswahili
Text generation
Embedding models
RAG (Retrieval-Augmented Generation)
Linguistic and computational language research
Low-resource language AI development

Data Collection & Processing (Original Authors)

According to the original publication, the dataset was created through the following steps:

Identification of Swahili content categories
Collection of documents from public and official sources
Downloading files in PDF and DOCX formats
Text extraction using Python scripts
Cleaning, normalization, and merging
Generation of corpus statistics

Dataset Statistics

Total samples: ~1,690,000
Splits: train only
Language: Swahili
Annotation: None (raw text)
Domain coverage: Government, news, health, education, agriculture, law, politics

Limitations

Dataset is unannotated
May contain OCR artifacts or formatting noise
Domain bias toward formal and government-related text
Not guaranteed to be free of sensitive or outdated information

Users are encouraged to apply additional cleaning, filtering, or deduplication for production use.

Citation

If you use this dataset, please cite both the Hugging Face release and the original source.

Hugging Face Release

@dataset{ngusadeep_swahili_corpus_2025,
  title     = {Swahili Corpus Dataset},
  author    = {Ngusa, Samwel},
  year      = {2025},
  publisher = {Hugging Face},
  url       = {https://huggingface.co/datasets/ngusadeep/Swahili-Corpus-Dataset},
  note      = {Curated, processed, and released on Hugging Face}
}

Original Dataset

@dataset{masasi2024swahili,
  title     = {Swahili Corpus},
  author    = {Masasi, Noel and Masua, Bernard},
  year      = {2024},
  publisher = {Mendeley Data},
  version   = {2},
  doi       = {10.17632/d4yhn5b9n6.2}
}

License

Hugging Face Version: Apache License 2.0
Original Dataset: Creative Commons Attribution 4.0 (CC BY 4.0)

Acknowledgments

This dataset is based on the Swahili Corpus originally created and published by Noel Masasi and Bernard Masua (2024) on Mendeley Data.

The Hugging Face release was curated, processed, unified, and documented by Samwel Ngusa (ngusadeep) to support large-scale NLP and LLM pretraining for Kiswahili.

Maintainer

Samwel Ngusa (ngusadeep)

For questions, issues, or improvements, please open a discussion on the dataset page: https://huggingface.co/datasets/ngusadeep/Swahili-Corpus-Dataset

🇹🇿 Advancing Swahili NLP and African Language AI

Downloads last month: 18

Size of downloaded dataset files:

253 MB

Size of the auto-converted Parquet files:

161 MB

Number of rows:

1,693,227

Collection including ngusadeep/Swahili-Corpus-Dataset

Swahili Datasets

Collection

~1.69M raw Swahili text samples from news, government, education, and legal domains, ideal for LLM pretraining and unsupervised NLP research. • 1 item • Updated Jan 6 • 1