Dataset Viewer
Auto-converted to Parquet Duplicate
id
stringlengths
19
44
text
stringlengths
8
1.37M
score
float64
0
1
strategy
stringclasses
2 values
languages
stringlengths
11
3.35k
url
stringlengths
0
15.8k
oscar-2301_ca_20230418_6_270347
La tensió política entre l'Estat espanyol i el Marroc pel Sàhara Occidental i la crisi migratòria continua oberta. els EUA busca mediar en la crisi com a part dels seus moviments en el tauler mundial. Carlos Muro dijous 3 de juny de 2021 Dimecres passat el Departament d’Estat dels EUA declarava, a través de Jalina P...
0.733187
curate
{"ca": 0.976068376068376, "es": 0.020322886989553656, "en": 0.0036087369420702755}
https://www.esquerradiari.cat/Quin-paper-juga-els-EUA-en-la-crisi-entre-l-imperialisme-espanyol-i-el-Marroc
oscar-2301_ca_20230418_1_129777
Durant el regnat de l’emperador August i en un moment culminant de la civilització antiga, es va produir un fet transcendental en la vida de la humanitat. – El naixement de Jesús de Nazaret.- La seva predicació durant el regnat de Tiberi i la seva mort, crucificat en la creu, és el començament de la difusió per tot el ...
0.807115
curate
{"ca": 0.9686472157222104, "es": 0.01670730310418746, "en": 0.010096381993421806, "it": 4.909099834726972e-05, "ru": 0.0021600039272798677, "ro": 0.0006381829785145063, "fr": 0.00011454566281029602, "ja": 0.0007854559735563155, "gl": 0.0008018196396720721}
https://totsobremontserrat.cat/index.php/homepage/la-santa-cova
cawac_ca_20200528_10_136319
1r d’ESO treballa la interioritat publicat el 5 desembre 2013 Durant la primera setmana de desembre els alumnes de 1r d'ESO han realitzat una activitat d'interioritat intensa. Tot comença amb una classe d'educació física resseguint la seva silueta en un paper mural a mida natural per tal de percebre la seva imatge c...
0.753854
curate
{"ca": 1.0}
http://santvicenc.salesians.cat/2013/12/1r-deso-treballa-la-interioritat/
mc4_ca_20230418_8_133394
 An der Reuss 37 Luzern Suïssa - Ofertes d'hotels amb els MILLORS DESCOMPTES EN LÍNIA -, Area Museu Historisches, Luzern, Suïssa, 6003 - Veure al mapa Convenientment situat a Luzern, An der Reuss 37 és una base ideal des d'on explorar aquesta ciutat fantàstica. Des d'aquí, els viatgers poden gaudir d&...
0.752889
curate
{"ca": 1.0}
https://www.agoda.com/ca-es/an-der-reuss-37/hotel/luzern-ch.html
mc4_ca_20230418_16_349640
650 puntades són les que calen per cosir una pilota com la que han regalat a la Shakira pel seu aniversari. Una pilota perfecta, feta a mà i amb una característica especial: sis puntades en forma de creu per fora. Els records més amagats de la Shakira afloren de sobte, i la noia fa un viatge al món del passat, un viatg...
0.887634
curate
{"ca": 0.9936600829066081, "it": 0.0063399170933918555}
https://www.leoteca.es/buscar?nod=1&as_col=Llibres%20Infantils%20I%20Juvenils%20-%20Antaviana%20-%20Antaviana%20Blava
macocu_ca_20230731_8_156070
ASPROMIVISE conmemora el seu 50 aniversari L’any 1968 va nàixer ASPROMIVISE amb la finalitat de convertir-se en una entitat que vetlara pel benestar de les persones amb necessitats especials. Un punt de partida que amb els seus 50 anys de recorregut ha anat aconseguint un dels objectius principals per a aquest col·lec...
0.891391
curate
{"ca": 1.0}
cawac_ca_20200528_5_174407
El pas d'un tren podria haver provocat l'incendi que s'ha declarat aquesta tarda a Montblanc, en una zona a tocar de la via del ferrocarril. Vuit dotacions terrestres dels Bombers han actuat en les tasques d'aquest incendi, que ha començat amb tres focus actius però que finalment ha acabat amb la crema de menys de 500 ...
0.84137
curate
{"ca": 0.965375, "es": 0.034625}
http://www.tarragonaradio.cat/noticia/dilluns_comencen_les_obres_de_la_zona_de_jocs_infantils_de_la_placa_verdaguer/contingut_programa/dents_i_ungles_el_roto/89/contingut_programa/alejandro_fernandez_portaveu_del_pp/1/813/contingut_programa/dj_parri_dissabte_4_de_gener/78/contingut_programa/alejandro_fernandez_portaveu...
racoforumsanon_ca_20220809_0_306946
El viatge a la Lluna, UNA MENTIDA: http://www.youtube.com/watch?v=PhLzMQKyYPQ http://www.youtube.com/watch?v=-eprRKV44pg http://www.youtube.com/watch?v=g0_A4AS3mns http://www.youtube.com/watch?v=qvBBmdjm64c http://www.youtube.com/watch?v=aBc52pfySiU http://www.youtube.com/watch?v=8-w8eKs2mcU http://www.youtube.com/watc...
0.689737
curate
{"ca": 0.7898640296662547, "en": 0.15451174289245984, "ie": 0.013185002060156572, "pt": 0.006180469715698392, "es": 0.021013597033374538, "fr": 0.015245158632056036}
cawac_ca_20200528_1_175026
El dissabte 28 d'abril, els grups representats en l'actual consistori vam participar en el programa de tertúlies "Una hora per a tot", conduit per la Judith Camps, que sempre tracta temes relacionats amb la cultura. I érem els tres caps de llista del PSC (Miquel Franch), ICV-CdG (Montse Ayats) i Esquerra (un servidor)....
0.897554
curate
{"ca": 0.9755, "pt": 0.0245}
http://blocs.esquerra.cat/jordicasals?pagina=25
crawling-populars_ca_20200525_9_62854
Aquesta sèrie de quadres fets amb tècnica mixta es titula “El futur ja no és el que era”, i vol fer repensar sobre què esperem del futur respecte als nostres avantpassats. “Avui en dia tot és tan immediat que ja gairebé no hi ha futur, tot és el futur proper que va canviant”, reflexiona l’artista. L’exposició es podrà ...
0.534833
curate
{"ca": 0.8622508792497069, "es": 0.08440797186400938, "en": 0.0076201641266119575, "de": 0.008792497069167644, "fr": 0.0369284876905041}
: /cultura/exposicio-lluis-cadafalch-centre-civic-pere-pruna-futur/
racoforumsanon_ca_20220809_4_215273
No ho entès mai. L'argument és que se li diu Calella de la Costa per diferenciar-la de Calella de Palafrugell. Com si Calella de Palafrugell estigués al Pirineu o a la Terra Ferma És que el nom oficial és "Calella" a seques, no "Calella de Mar". Llavors sí que s'entén que calgui una segona part per identificar de quin...
0.768422
curate
{"it": 0.014545454545454545, "ca": 0.9790909090909091, "es": 0.006363636363636364}
mc4_ca_20230418_3_232112
Els grans supermercats en ciutats mitjanes provoquen el tancament del 30% de petits establiments - Bolsamanía.com Els grans supermercats en ciutats mitjanes provoquen el tancament del 30% de petits establiments Bolsamania 07 ago, 2020 | Actualitzat a les 20:09 06 mai, 2016 13:20 L'obertura de grans supermercats en ...
0.897519
curate
{"ca": 0.9911154985192497, "en": 0.008884501480750246}
https://www.bolsamania.com/catalunya/noticies/economia/els-grans-supermercats-en-ciutats-mitjanes-provoquen-el-tancament-del-30-de-petits-establiments--1153927.html
mc4_ca_20230418_10_159426
Camps de Cotó: Camps d'estiu prog. 5-(jazz sense paraules)-CONTINGUT Camps d'estiu prog. 5-(jazz sense paraules)-CONTINGUT El gegant d'aquesta selecció es el gran Sonny Rollins, el qual obre el nostre programa amb el seu antològic, Saxophone Colossus. Seguim amb Terence Blanchard i el seu àlbum Flow i un memorable àl...
0.645848
curate
{"ca": 0.8842794759825328, "nl": 0.07205240174672489, "fi": 0.043668122270742356}
http://www.andreujazz.com/2013/07/el-gegant-daquestaseleccio-es-el-gran.html
cawac_ca_20200528_1_150230
Tagged With: llibres per llegir Estrenem el nostre espai de participació ciutadana amb una ruta que ens proposa la Mary Somiatruites al Facebook. Es tracta de Llibres per llegir, un espai per compartir literatura. No només s’hi poden deixar opinions sobre les novel·les que t’agraden, sinó també publicar-hi relats i re...
0.696047
curate
{"ca": 1.0}
http://usr.uvic.cat/per1201/tag/llibres-per-llegir/
macocu_ca_20230731_10_11279
Cambrils adjudica la construcció d'un tram de vorera de l'avinguda Diputació
0
curate
{"ca": 1.0}
crawling-populars_ca_20200525_28_13127
Acolliment > Cursos de català Els nous pescallunes han participat de l’acte que tanca el Carnaval de Terra Endins El dimecres dia 26 de febrer vint alumnes de nivell Bàsic 2 de l'Oficina de Català de Torelló han fet una visita guiada a la biblioteca Dos Rius, amb l'objectiu de conèixer de prop les instal·lacions i el...
0.786076
curate
{"ca": 0.9103663289166017, "fr": 0.00857365549493375, "es": 0.08106001558846454}
: /xarxa/cnlosona/noticies/24684/els-alumnes-del-basic-2-de-torello-visiten-la-biblioteca-i-participen-en-l-enterrament-de-la-sardina
oscar-2301_ca_20230418_1_175
'''Л''', '''л''' (en cursiva ''Л'', ''л'') és una [[lletra]] de l'[[alfabet ciríl·lic]], tretzena als alfabets [[Alfabet rus|rus]], [[Alfabet bielorús|bielorús]], dotzena al [[Alfabet búlgar|búlgar]], i setzena a l'[[Alfabet ucraïnès|ucraïnès]]. El seu so en [[rus]] és semblant al de la [[L]] catalana.
0.592904
curate
{"ca": 1.0}
https://ca.m.wikipedia.org/wiki/Especial:MobileDiff/19397843
oscar-2201_ca_20230904_4_115747
Aquesta toledana, no sé d’on treu el temps per teixir i dissenyar coses tant boniques. Jo estic enamorada de molts dels seus dissenys i m’he de resistir, perquè no em dóna la vida per tant teje teje... Però quan va publicar el Xal Caliope, no em vaig poder contenir… i com una esperitada vaig comprar el patró. De venda...
0.804433
curate
{"ca": 0.9804707060590886, "es": 0.019529293940911366}
https://www.tallerdeganxet.cat/xal-caliope/
mc4_ca_20230418_2_256606
 Finestres de la memòriaEnric Isasi-Isasmendi Valls davant del Colmado Gabarra - Finestres de la memòria Enric Isasi-Isasmendi Valls davant del Colmado Gabarra Enric Isasi-Isasmendi Valls a la porta del Colmado Gabarra, botiga de queviures que va gestionar des del 1939 fins al 1950, quan va morir de forma sobtada. L...
0.746312
curate
{"ca": 1.0}
https://finestresdelamemoria.org/fotografia/enric-isasi-isasmendi-valls-davant-del-colmado-gabarra/
mc4_ca_20230418_3_741153
Jesuïtes Bellvitge: “Si demanem als alumnes treball cooperatiu, els mestres l'hem d'aplicar” | Catalunya Religió (M. Eulàlia Muntané i Laura Mor –CR/Hospitalet de Llobregat) Educar per millorar el món. Educar com un servei a la societat. És la visió particular Sílvia Laosa, mestra de 6è de primària a Jesuïtes Bellvitg...
0.761916
curate
{"ca": 0.9531459170013387, "it": 0.04685408299866131}
https://www.catalunyareligio.cat/ca/articles/jesuites-bellvitge-alumnes-treball-cooperatiu-docencia-compartida?qt-el_m_s_vist_columna=1
oscar-2301_ca_20230418_0_304300
EL FLÂNEUR A LA FINESTRA. VOLUM II. PENSAR A ATENES, L'HEL·LENISME I LA ROMANITAT. JUBERT, J; UYÀ, J.M.. Libro en papel. 9788412358377 Fundació Llibreria Les Voltes Mi cuenta 0 Quiénes somos Contacto Búsqueda avanzada Mi compra 0 Ver Mi Compra Inicio Libros Libros Explorar Novetats ficció Novetats no ficció...
0.5542
curate
{"es": 0.11179936546306088, "de": 0.001964042906783502, "en": 0.03897869768847258, "ca": 0.7955884574709171, "sv": 0.0024172835775796947, "pt": 0.011633177217102282, "it": 0.01133101676990482, "eb": 0.0006043208943949237, "fr": 0.015561263030669285, "gl": 0.0007554011179936546, "hr": 0.0012086417887898473, "nl": 0.0010...
https://www.llibrerialesvoltes.cat/es/libro/el-flneur-a-la-finestra-volum-ii_208423
cawac_ca_20200528_4_103844
Els grups d'STO del Centre Ocupacional van d'excursió al zoo Aquest any, per fer una bona entrada a l'estiu, els grups de STO hem anat al Parc del Zoo de Barcelona. Hem començat amb una passejada entre les diferents zones del zoo per poder veure les diferents espècies i animals. Després una visita comentada pel talle...
0.755353
curate
{"ca": 1.0}
http://www.fvo.cat/noticies-detall.php?id=466
mc4_ca_20230418_6_676735
blocdenkbrota: Perquè no? Quan l'últim dia de Grec cau el teló, a Barcelona sembla que de sobte hi bufa el sirocco i la ciutat es converteix en un desert, teatralment parlant. Queden obres en cartell alguns dies, però no ens enganyem: són les escorrialles. Tothom marxa? jo diria que no, i per altra banda molta gent "v...
0.821007
curate
{"ca": 0.9757430816535702, "en": 0.00717458148274684, "eo": 0.0017082336863682953, "es": 0.012640929279125385, "tr": 0.0027331738981892723}
http://blocdenkbrota.blogspot.com/2016/08/perque-no.html
macocu_ca_20230731_0_133832
Aquesta casa va pertànyer a la família Gomà, documentada des de la primeria del segle XVIII. Consta de planta baixa i dos pisos i degué ser remodelada als inicis del segle XX. Hi destaca, al pis més alt, un balcó semicircular amb dues columnes i barana de pedra.
0.693145
curate
{"ca": 1.0}
mc4_ca_20230418_5_424889
Noah Preminger Trio Posted on 30 Juliol 2013 by danialvarezfotos Concert de Noah Preminger Trio, el 27 de juliol de 2013, dins el cicle Nits d’Estiu al Terrat de La Pedrera. Noah Preminger: saxo tenor / Masa Kamaguchi: contrabaix / Rob Garcia: bateria http://www.noahpreminger.com Etiquetat com a Galbany & Bechet Produ...
0.735455
curate
{"ca": 0.8118279569892473, "en": 0.14767025089605734, "es": 0.04050179211469534}
https://wayyoulooktonight.wordpress.com/2013/07/
mc4_ca_20230418_9_105054
Plaça Sant Domènec 9 Despatx: 125 972418741 Dra. SILVIA LLACH CARLES 0000-0003-2412-115X Sílvia Llach Carles és llicenciada en Filosofia i Lletres per la Universitat Autònoma de Barcelona, 1995; magíster en Llengua Catalana per la Universitat Autònoma de Barcelona, 1998; diploma de Patologia del Llenguatge de l’Ho...
0.820403
curate
{"ca": 0.9659275283937263, "fr": 0.006489994591671174, "it": 0.0048674959437533805, "es": 0.002163331530557058, "pt": 0.010275824770146024, "hy": 0.010275824770146024}
http://www.udg.edu/ca/directori/pagina-personal?ID=52680
macocu_ca_20230731_1_460796
Aquesta guia pretén ajudar a tothom qui té una relació directa amb les fires comercials, com ara les persones que les organitzen, les que hi exposen productes i també les administracions públiques, perquè aconsegueixin fer una gestió més sostenible dels residus que generen i que, alhora, sigui més respectuosa amb el me...
0.761954
curate
{"ca": 0.8170028818443804, "es": 0.1829971181556196}
racoforumsanon_ca_20220809_3_734388
L’alcaldessa de Barcelona assegura que “hi ha més motius per ser-hi que no per no ser-hi” L’alcaldessa de Barcelona, Ada Colau, ha confirmat aquest migdia que assistirà a la manifestació de l’11 de setembre convocada per l’Assemblea Nacional Catalana (ANC) i Òmnium Cultural. Durant una entrevista al programa ‘Migdia al...
0.890937
curate
{"ca": 0.995260663507109, "en": 0.004739336492890996}
crawling-populars_ca_20200525_52_39327
junta directiva/delegats lliga catalana de futbol sala Òrgans de Justícia i Comissions imatge corporativa delegacions PORTAL DE TRANSPARÈNCIA Assemblea General Ordinària Convenció de Clubs FS Eleccions Estaments 2018-19 Estatuts / Reglament General Pla de Competició / Regles de Joc canvis de junta reconeixe...
0
curate
{"es": 0.19246298788694483, "ca": 0.5464333781965006, "en": 0.09286675639300135, "pl": 0.010767160161507403, "nl": 0.018842530282637954, "pt": 0.08882907133243607, "fr": 0.04576043068640646, "id": 0.004037685060565276}
: /comparativa/1920/cadet-primera-divisio/cadet-primera-divisio/grup-9/1c/piera-ae-a/1c/mas-catarro-cfb-a
mc4_ca_20230418_5_714865
El CB Mifas B guanya el Màsters FCEDF a la Lliga Catalana de bàsquet en cadira de rodes nivell 2 - Diari de la Discapacitat PortadaEsportsEl CB Mifas B guanya el Màsters FCEDF a la Lliga Catalana de bàsquet en cadira de rodes nivell 2 El CB Mifas B guanya el Màsters FCEDF a la Lliga Catalana de bàsquet en cadira de r...
0.80685
curate
{"ca": 0.975557461406518, "es": 0.02444253859348199}
https://diarideladiscapacitat.cat/el-cb-mifas-b-guanya-el-masters-fcedf-a-la-lliga-catalana-de-basquet-en-cadira-de-rodes-nivell-2/
oscar-2301_ca_20230418_7_176167
Aquest no és un tast convencional de pernils. En aquesta proposta de tast dirigit a l’Espai Penedès BCN, tastarem els millors productes del Penedès, amb una selecció de pernils de gran qualitat. I ho farem a cegues. Creus que sabràs distingir entre un pernil d’aglà i un pernil ibèric? Saps quantes Denominacions hi ha ...
0.743123
curate
{"ca": 0.8595564941921858, "en": 0.06282998944033791, "pt": 0.008447729672650475, "fr": 0.02587117212249208, "es": 0.025343189017951427, "uk": 0.0026399155227032735, "it": 0.005279831045406547, "hu": 0.003695881731784583, "de": 0.006335797254487857}
http://tastavinspenedes.cat/experiencia/maridatge-a-cegues-de-pernil-iberic-escumosos-del-penedes-8/
racoforumsanon_ca_20220809_3_102189
Un amic andalús m´envia aquesta lletra per publicar al xat, conseqüència del debat encetat pel tema de la bandera espanyola de Granada. Bon dia!Em permetreu fer alguns breus comentaris. No estic registrat en el xat i no puc fer-ho directament. Li he demanat a un vell amic que sigui ell qui ho faci, i de passada, si té ...
0.831942
curate
{"ca": 0.9952363503114694, "id": 0.004763649688530596}
cawac_ca_20200528_5_148954
Benvinguts al club dels pares i mares imperfectes Si jo fos la millor mare del món Si jo fos la millor mare del món enlloc d’un bloc que actualitzo quan puc, hauria creat una pàgina web disponible en quatre idiomes, amb seccions útils, i fòrums, i un curs online amb diploma i tot. Tindria patrocinadors i esdevindria ...
0.808385
curate
{"ca": 0.9207317073170732, "es": 0.04097560975609756, "pt": 0.01975609756097561, "hy": 0.0034146341463414634, "it": 0.006829268292682927, "id": 0.0024390243902439024, "ru": 0.003902439024390244, "de": 0.001951219512195122}
http://criatures.ara.cat/lapitjormaredelmon/2011/02/01/si-jo-fos-la-millor-mare-del-mon/
mc4_ca_20230418_5_406569
 Alpengasthof Götschenalm Bischofswiesen Alemanya - Ofertes d'hotels amb els MILLORS DESCOMPTES EN LÍNIA Veure tots els 29 allotjaments a Bischofswiesen. Kollertradte 21, Loipl, Bischofswiesen, Alemanya, 83483 - Molt bona ubicació - Veure al mapa Més informació sobre Alpengasthof Götschenalm Al visitar Bischofswie...
0.796875
curate
{"ca": 1.0}
https://www.agoda.com/ca-es/alpengasthof-gotschenalm/hotel/bischofswiesen-de.html
mc4_ca_20230418_6_678699
Ciències Naturals ESPA CEAfbm: mayo 2016 Activitat avaluable sobre mapes topogràfics ( ESPA 1 ) l'activitat avaluable i INDIVIDUAL sobre els mapes i els perfils topogràfics serà: dimecres 08-juny-2016. L'activitat consisteix en a partir d'un mapa topogràfic - 2D - del Puig de Benàtiga (veure mapa adjunt). Importa...
0.764078
curate
{"ca": 0.9104613978985838, "nl": 0.02055733211512106, "es": 0.06898126998629511}
http://ceafbmccnn.blogspot.com/2016/05/
cawac_ca_20200528_2_90874
Portades que són canons Les portades dels tabloides nacionalistes espanyols han decidit passar a Defcon 1. Ara ja titulen directament amb mentides, mentre que abans només [sic] induïen els lectors a creure el contrari del que passa o a interpretar els fets com volen els amos. Avui la grolleria i el cinisme de la prems...
0.779673
curate
{"ca": 0.8754656732304418, "es": 0.10377860564129857, "eu": 0.018626929217668974, "la": 0.0021287919105907396}
http://www.arabalears.cat/premium/media/Portades-que-son-canons_0_811718860.html
colossal-oscar-03-04-23_ca_20230829_0_146606
El ple del Consell aprova declarar-les com a BIC per la contribució que han fet a la conservació i potenciació del patrimoni cultural valencià. El ple del Consell destaca la contribució de les bandes de música a la conservació i potenciació del patrimoni cultural valencià / FSMCV À Punt NTC @apuntnoticies Lorena Her...
1
perfect
{"ca": 0.9891792029559251, "fr": 0.006598046978094484, "es": 0.00422275006598047}
oscar-2201_ca_20230904_13_1462
Fritz Vogelgsang va néixer l’any 1930 a Stuttgart. Fou autor, assagista i traductor de literatura catalana i espanyola. Va morir el 22 d’octubre de 2009 a Chiva de Morella. Un volum de poemes de Federico García Lorca li va desvetllar l’interès per les llengües i cultures hispàniques. Després d’haver traduït diversos c...
0.76015
curate
{"ca": 1.0}
http://www.visat.cat/espai-traductors/cat/traductor/204/fritz-vogelgsang.html
racoforumsanon_ca_20220809_0_292184
Solidaritat per la Independència no expulsarà Joan LaportaEl secretari general de SI, Uriel Bertran, deixa la decisió a les mans de l'ex-president del Barça · Solidaritat acceptaria que Laporta continués al subgrup de SI tot i formar part de les llistes d'ERC · Aquesta setmana, Laporta es reunirà amb Portabella per per...
0.84287
curate
{"ca": 1.0}
crawling-ib3_ca_20230205_0_53984
Expohabitat, la fira on participen tota classe d’empreses del sector immobiliari, construcció i reformes, l’interiorisme i disseny, acaba de posar punt final a la seva tercera edició. Durant el cap de setmana, tant els particulars com els professionals del sector, han pogut conèixer tota classe de productes i serveis ...
1
perfect
{"ca": 1.0}
https://ib3.org/cloenda-dexpohabitat-fira-del-sector-immobiliari-i-el-amb-el-mon-de-la-llar
macocu_ca_20230731_7_429202
Divuitena i penúltima etapa del Grand Tour on hem deixat endarrere els boscos, el camí vora Ter i les hortes. Som de ple en un paisatge urbà només oxigenat per arbres arrenglerats i escadusseres places urbanes. Quan arriba setembre, els càmpings són una bona opció. Hem dormit divinament en un bungalow a Platja d’Aro, ...
0.773366
curate
{"ca": 1.0}
mc4_ca_20230418_16_691395
Sobre construccions derruïdes i poc conegudes a Sant Joan de l'Hospital – Església de San Juan el Hospital Sobre construccions derruïdes i poc conegudes a Sant Joan de l'Hospital Intentarem respondre a una de les habituals preguntes que fan els visitants de l'àrea cementirial de Sant Joan de l'Hospital. Al sud de l'...
0.811304
curate
{"ca": 0.9656786271450858, "eu": 0.007280291211648466, "es": 0.01638065522620905, "pt": 0.004940197607904316, "it": 0.005720228809152366}
https://sanjuandelhospital.es/sobre-construcciones-derruidas-y-poco-conocidas-en-san-juan-del-hospital/?lang=ca
cawac_ca_20200528_4_102686
esteladaonvas.cat emula l'anunci d''envàsonvas.cat' i treballa en paral·lel a la negativa de l'Ajuntament de col·locar la bandera independentista Com molts altres pobles del Vallès i del Principat en general, Cardedeu també vol tenir una estelada en un lloc ben visible del municipi. L'equip de govern de l'Ajuntament, ...
0.846492
curate
{"ca": 1.0}
http://marxa.assemblea.cat/?q=node/3164
mc4_ca_20230418_4_170011
Bèlgica manté el nivell d'alerta màxima a Brussel·les davant possibles atemptats El Centre de Crisi de Bèlgica ha informat avui que es manté de moment el nivell màxim d'alerta a Brussel·les i la seva àrea limítrofa davant la possibilitat que puguin produir-se atemptats terroristes, després que aquest dissabte s'elevés...
0.861776
curate
{"ca": 1.0}
http://www.catalunyapress.cat/texto-diario/mostrar/379122/blgica-mante-nivell-dalerta-mxima-brusselles-davant-possibles-atemptats
colossal-oscar-2022-27_ca_20231005_0_353731
IMPORTANT: DEGUT A LES CIRCUMSTÀNCIES DERIVADES DE LA CRISI SANITÀRIA PER COVID19, LES VISITES HAURAN D'ACOMPLIR LES CONDICIONS SEGÜENTS: Grups màxim de 10 persones. A l'entrada del Centre d'Interpretació es posarà gel hidroalcohòlic a disposició dels visitants i aquests hauran de fer-ne ús abans de començar la visit...
1
perfect
{"ca": 1.0}
cawac_ca_20200528_0_166181
Juvenil A 28.09.2011 13:39 El Mini acull futbol juvenil europeu gratuït Jaume Marcet El Juvenil A del FC Barcelona debutarà a casa contra l’Olympique de Marsella a la Next Gen Series. Els d’Òscar Garcia han guanyat els dos primers partits d’aquesta competició als camps del Celtic i del Manchester City. Els amants ...
0.808092
curate
{"en": 0.005497861942577886, "de": 0.009773976786805132, "ca": 0.9755650580329872, "fr": 0.00916310323762981}
http://arxiu.fcbarcelona.cat/web/catala/noticies/futbol_base/temporada11-12/09/28/n110928119469.html
mc4_ca_20230418_1_46015
Pedalo, ergo sum: Els Alps: el cel Publicat per jordi.t a 10:53 Margarida i Pere 22 d’agost de 2010 a les 18:11 M'acabo d'assabentar que han alliberat els cooperants segrestats, això m'ha fet pensar en la conversa que vam tenir el dia de Torelló i també en que t'havia de dir que espero que posis ben aviat la crònica...
0.723742
curate
{"ca": 0.85, "it": 0.07692307692307693, "fr": 0.07307692307692308}
http://pedaloergosum.blogspot.com/2010/08/els-alps-el-cel.html
oscar-2201_ca_20230904_11_182788
Veredicte 11è Premi OMBÚ de Fotografia Les restriccions que causa la Covid-19 han impedit la celebració de l’entrega de premis. https://www.pinedademar.cat/serveis/cultura/noticies/veredicte-11e-premi-ombu-de-fotografia https://www.pinedademar.cat/serveis/cultura/noticies/veredicte-11e-premi-ombu-de-fotografia/@@downlo...
0.771382
curate
{"ca": 0.9820772058823529, "es": 0.017922794117647058}
https://www.pinedademar.cat/serveis/cultura/noticies/veredicte-11e-premi-ombu-de-fotografia
mc4_ca_20230418_1_791060
Andorra rep el reconeixement de 'País amic dels drets humans' - FÒRUM.ad Andorra rep el reconeixement de ‘País amic dels drets humans’ On: 07/12/18 18:33 El ministre de Salut, Carles Álvarez, ha rebut aquest divendres el reconeixement de l’organització International Solidarity for Human Rights com a ‘País amic d...
0.859518
curate
{"ca": 0.9948994049305753, "ja": 0.005100595069424767}
https://forum.ad/andorra-rep-el-reconeixement-de-pais-amic-dels-drets-humans/
macocu_ca_20230731_9_476484
LES NOSTRES FEINETES Haureu notat que fa dies que no publiquem res en aquest bloc. No és que ens hàgim oblidat d’explicar-vos tot el que passa per l’escola, és que hem decidit unir els blogs de les escoles de la ZER. És una forma que tots estiguem informats del que passa en tots dos centres. Així doncs, us deixem la ...
0.784686
curate
{"en": 0.04418103448275862, "ca": 0.9224137931034483, "fr": 0.01670258620689655, "es": 0.010775862068965518, "it": 0.005926724137931034}
macocu_ca_20230731_3_337607
Autoritzen més batudes per localitzar els gossos ensalvatgits del Segrià El govern es reuneix amb el Consell Comarcal, els Agents Rurals i l'Ajuntament d'Alcarràs arran de l'atac dels animals a una granja del municipi Descarten que es tracti del mateix grup que va atacar un ramat de Seròs El departament d'Agricultur...
0.844946
curate
{"ca": 1.0}
mc4_ca_20230418_7_508462
L'aerolínia de baix cost Hapag-Lloyd Express ofereix fins dilluns 50.000 bitllets a 9,99 euros La companyia aèria alemana Hapag-Lloyd Express ha llançat una oferta de bitllets d'avió per tan sols 9,99 euros el trajecte. En total s'ofereixen 50.000 bitllets i el temps per adquiri-los s'acaba dilluns a mitjanit. L'aerol...
0.798362
curate
{"ca": 0.960272417707151, "it": 0.039727582292849034}
http://www.ccma.cat/324/laerolinia-de-baix-cost-hapag-lloyd-express-ofereix-fins-dilluns-50-000-bitllets-a-9-99-euros/noticia/43143/
End of preview. Expand in Data Studio

Dataset Summary

CATalog is a diverse, open-source Catalan corpus for language modelling. It consists of text documents from 26 different sources, including web crawling, news, forums, digital libraries and public institutions, totaling in 17.45 billion words.

Supported Tasks and Leaderboards

  • Fill-Mask
  • Text Generation
  • other:Language-Modelling: The dataset is suitable for training a model in Language Modelling, predicting the next word in a given context. Success is measured by achieving a low Perplexity score, indicating the model's proficiency in accurately predicting subsequent words.
  • other:Masked-Language-Modelling: The dataset is designed for training models in Masked Language Modelling. This task involves predicting masked or hidden words within a sentence. Success is typically measured by achieving a high performance score, such as accuracy or F1 score, on correctly predicting the masked tokens.

Languages

This dataset is in Catalan (ca-ES). Coming from the web, some documents may contain other languages.

Dataset Structure

Data Instances

The dataset is provided in a JSONL format, where each row corresponds to a single document and contains a document identifier, the text, a quality score, the strategy used to evaluate the document quality, languages, and a URL of the document, if available.

{
  "id": "macocu_ca_20230731_9_402472",
  "text": "Jaume Casañas relleva Dolors Carreras a l’Alcaldia de l’Ajuntament de Cunit.
          La substitució prevista al pacte de govern del 2019 s’ha materialitzat aquest
          dissabte al matí. Aquest dissabte al matí, en un acte al Casal Municipal de
          Cunit, s’ha celebrat l’acte de relleu de l’Alcaldia de l’Ajuntament de Cunit,
          segons preveia el pacte de govern signat el juny del 2019 pels grups del PSC,
          encapçalat per la fins ara alcaldessa, Dolors Carreras, i Impulsem Cunit, amb
          el ja nou alcalde, Jaume Casañas, al capdavant.",
  "score": 0.8105327621841463,
  "strategy": "curate",
  "languages": "{"ca": 1.0}",
  "url": ""
}

Data Fields

  • id: text string containing the document identifier. Consists of the subdataset code, the part number and a document number.
  • text: text string from the document, with paragraphs separated by two newlines escape sequences. It is meant to be used directly as input for language modelling.
  • score: positive float number representing the document quality, ranging from 0, which represents the worst quality, to 1, the best quality.
  • strategy: text string describing the type of evaluation applied to obtain the document score. "curate" uses the heuristic evaluation from CURATE and "perfect" means that manual review was done and the highest score (1) is applied.
  • languages: dictionary containing the document languages, with a percentage indicating the character ratio for each one.
  • url: text string with the URL of the document, if available.

Data Splits

We do not provide any canonical splits for CATalog.

Dataset Creation

Curation Rationale

CATalog is mainly built on filtered, non-overlapping versions of CommonCrawl snapshots and a smaller set of manually selected corpora from specific sources. We use the CURATE pipeline, which combines exact deduplication, language identification, and scoring heuristics.

In the design of CATalog, we adhere to the following values:

  • (1) Scale & Flexibility. We intend to produce datasets that have a significant impact on the training of multilingual models in the range of 7B-180B parameters. Since Catalan is a medium-resource language and data acquisition is already a challenge, binary filtering will limit us in terms of the amount of data. By providing a score, we are able to easily filter the corpus according to any requirement.
  • (2) Neutral scoring. As opposed to ML-based filtering, we use simple rules and heuristics to avoid introducing further bias into the model (Dodge et al., 2021; Welbl et al., 2021). We only use FastText to reject documents in other languages.

During development, we performed comparative judgment experiments to evaluate the usefulness of the scoring from the CURATE pipeline, which is intended for further filtering and analysis. We found a moderate correlation between the score and the perceived quality of the text. Our main goal was to maximize the usability of the corpus without getting into a trade-off between quantity and quality.

Source Data

Initial Data Collection and Normalization

We applied extensive data processing using our CURATE pipeline.

We first filter documents by their language content using FastText. Only documents with at least 50% of characters in Catalan are kept. We then perform exact document deduplication. After this stage, we score each document with a tested set of 8 heuristic evaluators, inspired from other web filterings and from our own creation.

The following pre-existing datasets were used:

Who are the source language producers?

Apart from the pre-existing datasets, all of them coming from CommonCrawl dumps, the following sources provided their data on Open Data Agreements:

Annotations

The score is an automatic label obtained from the aggregation of different heuristic evaluators based on predefined thresholds. Specific evaluators penalize documents for factors like minimum word count, average word per sentence, punctuation per word rate, unique sentences ratio, stopword ratio, Brunet index, language diversity, and content identified by regular expressions, providing a comprehensive approach to document scoring.

Annotation process

The process involves assigning scores between 0 and 1 to sentences, paragraphs, and documents in a hierarchical manner. Individual evaluators at different levels contribute scores that are combined using geometric means, emphasizing a probability-like interpretation to encourage evaluators to assess desirability. The final document score is derived through analogous aggregation of paragraph and document scores, distinct from a linear model.

Who are the annotators?

[N/A]

Personal and Sensitive Information

Being partially constructed from Common Crawl, personal and sensitive information might be present. This must be considered before training deep learning models with CATalog, specially in the case of text-generation models.

Considerations for Using the Data

Social Impact of Dataset

CATalog promotes the Catalan language in the NLP field, enabling development of advanced applications and chatbots tailored to Catalan speakers, while improving access to information for better community understanding. However, most of the sources in the dataset are web-scraped, which may bring in biases and privacy issues, risking flawed outcomes and potential misuse.

Given that Catalan is a mid-resourced language with low representation in digital sources, this dataset becomes crucial for building inclusive NLP applications. It addresses the language's underrepresentation, empowering the Catalan community with improved access to text resources in their native language. However, careful consideration of potential biases and privacy issues is essential to ensure responsible and equitable technology use.

Discussion of Biases

Web-crawled content is over-represented with standard language varieties, impacting language model performance for minority languages. Language diversity in data is crucial to avoid bias, especially in encoding non-standard dialects, preventing the exclusion of demographic groups. Our corpus primarily focuses on Central Catalan, but we actively include Valencian and Balearic Catalan, along with diverse sociolects from platforms like Racó Català Fòrums, aiming for a more representative dataset. Despite legal uncertainties in web-scraped data, we prioritize permissive licenses and privacy protection measures, acknowledging the challenges posed by personally identifiable information (PII) within large-scale datasets. Our ongoing efforts aim to address privacy concerns and contribute to a more inclusive linguistic dataset.

Other Known Limitations

[N/A]

Additional Information

Dataset Curators

Language Technologies Unit (langtech@bsc.es) at the Barcelona Supercomputing Center (BSC).

Funding

This work has been promoted and financed by the Generalitat de Catalunya through the Aina project and by the Ministerio para la Transformación Digital y de la Función Pública - Funded by EU – NextGenerationEU within the framework of the project ILENIA with reference 2022/TL22/00215337

Licensing Information

Licensing and Usage Terms: CATalog is a curated aggregation of multiple data sources compiled by BSC-CNS for research and development in natural language processing. The dataset as a whole does not carry a unified license. The use, reuse, and redistribution of each part of this dataset is governed by the license of its original source. You can find a detailed list of all sources and their associated licenses in the Licensing Information section and in the licenses.json file. Please consult the license of each dataset before using it in your projects. If you intend to redistribute this dataset, you must include the licensing metadata (e.g., licenses.json) alongside the data as a clear reporting of its mixed licensing structure. There is no explicit data intermediary mechanism; BSC-CNS has collected and used the data according to the terms of each data source license or through private Data Sharing Agreements. BSC-CNS acts solely as a curator and aggregator and does not assert ownership or control over third-party content included in this dataset. Users are solely responsible for ensuring compliance with the respective licenses and terms of use for each data source.

Disclaimer: CATalog is provided "as is", without warranty of any kind, express or implied, including but not limited to warranties of merchantability or fitness for a particular purpose. The dataset has been developed at a research institution (BSC-CNS) as part of ongoing experimental research and is therefore subject to errors, omissions, and inaccuracies. This dataset is not a product and therefore has not been subjected to quality control. BSC-CNS makes no guarantees regarding the accuracy, completeness, non-infringement, reliability, or suitability or of the dataset for any specific purpose. Use of CATalog is at the user’s own risk.

The list of SPDX license identifiers included in the documentation can be found in the following table or in this JSON file.

Source Identifier License Words
Tesis Doctorales en Xarxa (TDX) tdx_ca_20220518 CC-BY-4.0 323.604.606
Wikipedia wikipedia_ca_20230401 CC-BY-SA-4.0 266.694.957
IB3 crawling-ib3_ca_20230205 CC-BY-NC-ND-4.0 15.820.544
Les Corts Valencianes les-corts-valencianes_ca_20230704 CC0-1.0 26.884.732
Grup El Món grup-elmon_ca_20230726 Data Sharing Agreement* 85.269.398
Vilaweb vilaweb_ca_20220728 CC-BY-NC-ND-4.0 46.901.345
Nació Digital naciodigital_ca_20220331 CC-BY-NC-ND-4.0 216.272.360
ACN acn_ca_20201011 CC-BY-NC-ND-4.0 81.245.457
Racó Català Articles racoarticles_ca_20221005 Data Sharing Agreement* 358.566.114
Racó Català Fòrums racoforumsanon_ca_20211213 Data Sharing Agreement* 1.342.530.567
Wikimedia wikimedia_ca_20230829 CC-BY-SA-4.0 3.902.015
Project Gutenberg gutenberg_ca_20220224 Project Gutenberg ToU 1.286.370
DOGC dogc_ca_20230901 CC0-1.0 70.508.628
DOGV dogv_ca_20231006 CC0-1.0 76.478.719
BOUA boua_ca_20231006 CC0-1.0 13.420.660
Aquí Berguedà aquibergueda_ca_20231009 Data Sharing Agreement* 8.226.020
Parlament de Catalunya parlament_ca_20232009 CC0-1.0 10.093.576
CaWac cawac_ca_20200528 CC-BY-SA-3.0 1.394.808.956
MaCoCu macocu_ca_20230731 CC-BY-4.0 1.724.069.549
Crawling populars crawling-populars_ca_20200525 CC0-1.0 838.416.826
Colossal OSCAR 1 (03-04-23) colossal-oscar-03-04-23_ca_20230829 CC0-1.0 195.427.011
Colossal OSCAR 1 (05-06-23) colossal-oscar-05-06-23_ca_20230829 CC0-1.0 207.586.983
Colossal OSCAR 1 (2022-27) colossal-oscar-2022-27_ca_20231005 CC0-1.0 195.030.412
OSCAR-2201 oscar-2201_ca_20230904 CC0-1.0 1.397.774.576
OSCAR-2301 oscar-2301_ca_20230418 CC0-1.0 2.171.680.150
mC4 mc4_ca_20230418 CC-BY-4.0 6.377.996.198

* The data from each entity is governed by a distinct Data Sharing Agreement. All data provided by these entities is open and freely distributable.

Citation Information

[N/A]

Contributions

We thank the VIVES Plan for language technologies of the Valencian community, https://vives.gplsi.es/, from the CENID Digital Intelligence Center of the University of Alicante and the DFKI for their collaboration and contribution.

Downloads last month
846

Models trained or fine-tuned on projecte-aina/CATalog

Collection including projecte-aina/CATalog

Papers for projecte-aina/CATalog