CADT-IDRI/kheed_annotated
KHEED Dataset Card Task Categories Token Classification Language Khmer (km) Overview The Khmer Health Event Extraction Dataset (KHEED) is a specialized resource for named entity recognition (NER) in the Khmer language, focusing on the health domain. Sourced from Khmer news websites, the dataset includes eight entity types: Disease (DIS): Health conditions or illnesses. Location (LOC): Geographical places. Organization (ORG):… See the full description on the dataset page: https://huggingface.co/datasets/CADT-IDRI/kheed_annotated.
013
1[2 {3 "tokens": [4 "អង្គការ",5 "សុខភាព",6 "ពិភពលោក",7 " ",8 "WHO",9 " ",10 "បាន",11 "ព្រមាន",12 "ថា",13 "ក៏ប៉ុន្តែ",14 "ការកាត់ផ្តាច់",15 "ថវិកា",16 "ភ្លាម",17 "ៗ"18 ],19 "ner_tags": [20 11,21 12,22 12,23 0,24 11,25 12,26 0,27 0,28 0,29 0,30 0,31 0,32 0,33 034 ]35 },36 {37 "tokens": [38 "ពួកគេ",39 "អាច",40 "ជួយ",41 "អ្នក",42 "ឲ្យ",43 "យល់",44 "ពី",45 "អត្ថប្រយោជន៍",46 " ",47 "និង",48 "ហានិភ័យ",49 "ដែល",50 "អាច",51 "កើតមាន",52 " ",53 "ជាពិសេស",54 "ទាក់ទង",55 "នឹង",56 "ស្ថានភាព",57 "រ៉ាំរ៉ៃ",58 "ផ្ទាល់ខ្លួន",59 "យើង",60 "។"61 ],62 "ner_tags": [63 0,64 0,65 0,66 0,67 0,68 0,69 0,70 0,71 0,72 0,73 0,74 0,75 0,76 0,77 0,78 0,79 0,80 0,81 0,82 0,83 0,84 0,85 086 ]87 },88 {89 "tokens": [90 "អត្រា",91 "មរណៈភាព",92 "បង្ក",93 "ដោយ",94 "ជំងឺ",95 "មហារីក",96 "នេះ",97 " ",98 "គឺ",99 "ស្មើនឹង",100 "អត្រា",101 "ខ្ពស់",102 "លើស៧០",103 "ភាគរយ",104 " ",105 "ដែល",106 "មាន",107 "ន័យ",108 "ថា",109 "ជារៀងរាល់",110 "៤០",111 "នាទី",112 "ម្តង",113 " ",114 "ឬ",115 "ប្រមាណ",116 "៣៨",117 "នាក់",118 "ក្នុង",119 "មួយ",120 "ថ្ងៃ",121 " ",122 "កម្ពុជា",123 "មាន",124 "នាក់",125 "ស្លាប់",126 "ដោយសារ",127 "ជំងឺ",128 "មហារីក",129 "។"130 ],131 "ner_tags": [132 0,133 0,134 0,135 0,136 3,137 4,138 0,139 0,140 0,141 0,142 0,143 0,144 0,145 0,146 0,147 0,148 0,149 0,150 0,151 0,152 0,153 0,154 0,155 0,156 0,157 0,158 5,159 6,160 0,161 0,162 0,163 0,164 7,165 0,166 0,167 0,168 0,169 3,170 4,171 0172 ]173 },174 {175 "tokens": [176 "អត្រា",177 "អ្នក",178 "រស់រាន",179 "ជីវិត",180 "ពី",181 "ជំងឺ",182 "មហារីក",183 "ក្រពេញ",184 "ប្រូស្តាត",185 "គឺ",186 "មាន",187 "ជាង",188 "៩៩%",189 " ",190 "។"191 ],192 "ner_tags": [193 0,194 0,195 0,196 0,197 0,198 3,199 4,200 4,201 3,202 0,203 0,204 0,205 0,206 0,207 0208 ]209 },210 {211 "tokens": [212 "តាម",213 "ភូមិដ្ឋាន",214 "ប្រជាពលរដ្ឋ",215 " ",216 "ក្រសួង",217 "សុខាភិបាល",218 "ក៏",219 "បាន",220 "ចេញ",221 "លិខិត",222 "ជម្រាប",223 "ជូន",224 "លោក",225 " ",226 "លោកស្រី",227 "ជា",228 "អភិបាល",229 "រាជធានី",230 "-",231 "ខេត្ត",232 "ទាំង",233 "២៥",234 " ",235 "ពង្រឹង",236 "បន្ថែម",237 "លើ",238 "ការចូលរួម",239 "អនុវត្ត",240 "វិធានការ",241 "បង្ការ",242 " ",243 "និង",244 "កាត់បន្ថយ",245 "ជំងឺ",246 "គ្រុន",247 "ឈាម",248 "នៅ",249 "ទូទាំង",250 "ប្រទេស",251 "កម្ពុជា",252 "។"253 ],254 "ner_tags": [255 0,256 0,257 0,258 0,259 11,260 12,261 0,262 0,263 0,264 0,265 0,266 0,267 0,268 0,269 0,270 0,271 0,272 0,273 0,274 0,275 0,276 0,277 0,278 0,279 0,280 0,281 0,282 0,283 0,284 0,285 0,286 0,287 0,288 3,289 4,290 4,291 0,292 0,293 7,294 8,295 0296 ]297 },298 {299 "tokens": [300 "លោក",301 "វេជ្ជបណ្ឌិត",302 " ",303 "បាន",304 "បញ្ជាក់",305 "ថា",306 " ",307 "ការព្យាបាល",308 "ជំងឺ",309 "មហារីក",310 "មាត់",311 "ស្បូន",312 " ",313 "មាន",314 "ភាពស្មុគស្មាញ",315 "ខ្លាំង",316 " ",317 "និង",318 "អាច",319 "ពិបាក",320 " ",321 "សម្រាប់",322 "អ្នកជំងឺ",323 "។"324 ],325 "ner_tags": [326 0,327 0,328 0,329 0,330 0,331 0,332 0,333 0,334 3,335 4,336 4,337 4,338 4,339 0,340 0,341 0,342 0,343 0,344 0,345 0,346 0,347 0,348 0,349 0350 ]351 },352 {353 "tokens": [354 "ស្ត្រី",355 "ជា",356 "អតីត",357 "កម្ម",358 "ការិនី",359 "រោងចក្រ",360 "ម្នាក់",361 " ",362 "មាន",363 "ជំងឺ",364 "ហើម",365 "ជើង",366 "ទាំង",367 "សងខាង",368 "ដើរ",369 "មិន",370 "រួច",371 "ជាច្រើន",372 "ឆ្នាំ",373 "មកហើយ",374 " ",375 "បាន",376 "ព្យាយាម",377 "ចង",378 "ការប្រាក់",379 "គេ",380 "យកមក",381 "ព្យាបាល",382 "ខ្លួន",383 "រយៈពេល",384 "ជាង",385 "៣ឆ្នាំ",386 "កន្លងមក",387 " ",388 "ហើយ",389 "នៅតែ",390 "មិន",391 "ជា",392 " ",393 "បច្ចុប្បន្ន",394 "ដោយ",395 "នាង",396 " ",397 "ពុំ",398 "មាន",399 "លទ្ធភាព",400 "ដើម្បី",401 "ព្យាបាល",402 "ខ្លួន",403 "ជាបន្ត",404 "ទៅ",405 "ទៀត",406 "នោះ",407 " ",408 "ទើប",409 "នាង",410 "បាន",411 "ដាច់ចិត្ត",412 "សំពះ",413 "ស្នើសុំ",414 "ដល់",415 "ថ្នាក់ដឹកនាំ",416 "គ្រប់",417 "ជាន់",418 "ថ្នាក់",419 " ",420 "មេត្តា",421 "ជួយ",422 "ព្យាបាល",423 "នាង",424 "ក្រែង",425 "បានជា",426 " ",427 "សះស្បើយ",428 "ដើម្បី",429 " ",430 "និង",431 "បាន",432 "ត្រឡប់",433 "ចូល",434 "ធ្វើការ",435 "រោងចក្រ",436 "វិញ",437 " ",438 "គ្រាន់",439 "បាន",440 " ",441 "ដោះស្រាយ",442 "ជីវភាព",443 " ",444 "និង",445 "ចិញ្ចឹម",446 "កូន",447 "។"448 ],449 "ner_tags": [450 0,451 0,452 0,453 0,454 0,455 0,456 0,457 0,458 0,459 3,460 4,461 4,462 0,463 0,464 0,465 0,466 0,467 0,468 0,469 0,470 0,471 0,472 0,473 0,474 0,475 0,476 0,477 0,478 0,479 0,480 0,481 0,482 0,483 0,484 0,485 0,486 0,487 0,488 0,489 0,490 0,491 0,492 0,493 0,494 0,495 0,496 0,497 0,498 0,499 0,500 0,501 0,502 0,503 0,504 0,505 0,506 0,507 0,508 0,509 0,510 0,511 0,512 0,513 0,514 0,515 0,516 0,517 0,518 0,519 0,520 0,521 0,522 0,523 0,524 0,525 0,526 0,527 0,528 0,529 0,530 0,531 0,532 0,533 0,534 0,535 0,536 0,537 0,538 0,539 0,540 0,541 0,542 0,543 0544 ]545 },546 {547 "tokens": [548 "ជាង",549 "នេះ",550 "ទៅ",551 "ទៀត",552 "ត្រូវ",553 "រួមគ្នា",554 "លើកកម្ពស់",555 "វេជ្ជសាស្ដ្រ",556 " ",557 "ក្រមសីលធម៌",558 " ",559 "កុំ",560 "សូម",561 "យក",562 "វិជ្ជា",563 "ពេទ្យ",564 "ទៅ",565 "ធ្វើជា",566 "មុខជំនួញ",567 " ",568 "ហើយ",569 "ខុស",570 "បច្ចេកទេស",571 " ",572 "សូម",573 "ចូលរួម",574 "កែលម្អ",575 "ប្រព័ន្ធ",576 "សុខាភិបាល",577 "ទាំងអស់",578 "គ្នា",579 "។"580 ],581 "ner_tags": [582 0,583 0,584 0,585 0,586 0,587 0,588 0,589 0,590 0,591 0,592 0,593 0,594 0,595 0,596 0,597 0,598 0,599 0,600 0,601 0,602 0,603 0,604 0,605 0,606 0,607 0,608 0,609 0,610 0,611 0,612 0,613 0614 ]615 },616 {617 "tokens": [618 "សូម",619 "បញ្ជាក់",620 "ថា",621 "គម្រោង",622 " ",623 "SENOVIE",624 " ",625 "នេះ",626 "ពិតជា",627 "មាន",628 "សារៈសំខាន់",629 "ណាស់",630 " ",631 "ពីព្រោះ",632 "បន្ទាប់ពី",633 "គម្រោង",634 "នេះ",635 "បញ្ចប់",636 " ",637 "នឹង",638 "មាន",639 "ទិន្នន័យ",640 "ពិតប្រាកដ",641 "របស់",642 "អ្នកជំងឺ",643 "មហារីក",644 "សុដន់",645 " ",646 "ដែល",647 "មក",648 "ព្យាបាល",649 "នៅ",650 "មន្ទីរពេទ្យ",651 "កាល់ម៉ែត",652 " ",653 "មាន",654 "ព័ត៌មាន",655 "ពិត",656 "របស់",657 "អ្នកជំងឺ",658 " ",659 "ដើម្បី",660 "ធ្វើ",661 "ការសិក្សា",662 "បន្តបន្ទាប់",663 "ទៀត",664 "ដោយ",665 "ពឹងផ្អែក",666 "លើ",667 "ទិន្នន័យ",668 "ពិត",669 " ",670 "ស្ថានភាព",671 "ពិត",672 " ",673 "នៅក្នុង",674 "ប្រទេស",675 "ដើម្បី",676 "ឈាន",677 "ទៅរក",678 "ការធ្វើ",679 "រោគវិនិច្ឆ័យ",680 "ទាន់",681 "ពេលវេលា",682 " ",683 "និង",684 "ការព្យាបាល",685 "ដោយ",686 "ប្រសិទ្ធិភាព",687 " ",688 "។"689 ],690 "ner_tags": [691 0,692 0,693 0,694 0,695 0,696 0,697 0,698 0,699 0,700 0,701 0,702 0,703 0,704 0,705 0,706 0,707 0,708 0,709 0,710 0,711 0,712 0,713 0,714 0,715 0,716 0,717 0,718 0,719 0,720 0,721 0,722 0,723 11,724 12,725 0,726 0,727 0,728 0,729 0,730 0,731 0,732 0,733 0,734 0,735 0,736 0,737 0,738 0,739 0,740 0,741 0,742 0,743 0,744 0,745 0,746 0,747 0,748 0,749 0,750 0,751 0,752 0,753 0,754 0,755 0,756 0,757 0,758 0,759 0,760 0,761 0762 ]763 },764 {765 "tokens": [766 "*",767 " ",768 "សម្តេច",769 "មហា",770 "បវរធិបតី",771 " ",772 "ហ៊ុន",773 " ",774 "ម៉ាណែត",775 " ",776 "ក្រើន",777 "រំលឹក",778 "ប្រជាពលរដ្ឋ",779 "យកចិត្តទុកដាក់",780 "បង្ការ",781 "ជំងឺ",782 " ",783 "កុំ",784 "ចាំ",785 "ដល់",786 "ឈឺ",787 "បាន",788 "ស្វែងរក",789 "ការព្យាបាល",790 "។"791 ],792 "ner_tags": [793 0,794 0,795 0,796 0,797 0,798 0,799 0,800 0,801 0,802 0,803 0,804 0,805 0,806 0,807 0,808 0,809 0,810 0,811 0,812 0,813 0,814 0,815 0,816 0,817 0818 ]819 },820 {821 "tokens": [822 "លោក",823 "វេជ្ជបណ្ឌិត",824 " ",825 "អ៊ូច",826 " ",827 "វុឌ្ឍី",828 " ",829 "បន្ថែម",830 "ថា",831 " ",832 "នៅ",833 "មាន",834 "កត្តា",835 "មួយ",836 "ចំនួន",837 "ទៀត",838 "ដែល",839 "ធ្វើឱ្យ",840 "ដេក",841 "មិន",842 "លក់",843 "ដូចជា",844 " ",845 "ការលេង",846 "ទូរស័ព្ទ",847 " ",848 "ឬ",849 "ហ្វេសប៊ុក",850 "ដល់",851 "យប់",852 "ជ្រៅ",853 " ",854 "ផឹក",855 "គ្រឿងស្រវឹង",856 " ",857 "ឬ",858 "កាហ្វេ",859 "ច្រើន",860 "ហួស",861 "ហេតុ",862 " ",863 "និង",864 "ទម្លាប់",865 "ដេក",866 "ខុស",867 "ម៉ោង",868 "ទាំងនេះ",869 "ក៏",870 "ធ្វើឱ្យ",871 "មាន",872 "បញ្ហា",873 "ពិបាក",874 "ដេក",875 "ផងដែរ",876 "។"877 ],878 "ner_tags": [879 0,880 0,881 0,882 0,883 0,884 0,885 0,886 0,887 0,888 0,889 0,890 0,891 0,892 0,893 0,894 0,895 0,896 0,897 0,898 0,899 0,900 0,901 0,902 0,903 0,904 0,905 0,906 0,907 0,908 0,909 0,910 0,911 0,912 0,913 0,914 0,915 0,916 0,917 0,918 0,919 0,920 0,921 0,922 0,923 0,924 0,925 0,926 0,927 0,928 0,929 0,930 0,931 0,932 0,933 0934 ]935 },936 {937 "tokens": [938 "អង្គការ",939 "មូលនិធិ",940 "ថែទាំ",941 "សុខភាព",942 "អ្នកជំងឺ",943 "អេដស៍",944 "នៅ",945 "ទូទាំង",946 "ពិភពលោក",947 " ",948 "តាមរយៈ",949 "ការស្វែងរក",950 "ការគាំទ្រ",951 "ឱ្យ",952 "មាន",953 "គោល",954 "នយោបាយ",955 "ដែល",956 "ការពារ",957 "និង",958 "លើកកម្ពស់",959 "ស្ត្រី",960 " ",961 "ឬ",962 "ក្មេងស្រី",963 " ",964 "នៅ",965 "ទូទាំង",966 "ពិភពលោក",967 " ",968 "ការចែកចាយ",969 "ផលិតផល",970 "សុខភាព",971 "ពេល",972 "មក",973 "រដូវ",974 "ដោយ",975 "ឥត",976 "គិត",977 "ថ្លៃ",978 " ",979 "និង",980 "ការប្រយុទ្ធ",981 "ប្រឆាំង",982 "នឹង",983 "អំពើហិង្សា",984 "លើ",985 "យេនឌ័រ",986 " ",987 "ការពង្រីក",988 "លទ្ធភាព",989 "ទទួលបាន",990 "សេវា",991 "ថែទាំ",992 " ",993 "ព្យាបាល",994 "មេរោគ",995 "អេដស៍",996 "។"997 ],998 "ner_tags": [999 11,1000 12,1001 12,1002 12,1003 12,1004 12,1005 0,1006 0,1007 0,1008 0,1009 0,1010 0,1011 0,1012 0,1013 0,1014 0,1015 0,1016 0,1017 0,1018 0,1019 0,1020 0,1021 0,1022 0,1023 0,1024 0,1025 0,1026 0,1027 0,1028 0,1029 0,1030 0,1031 0,1032 0,1033 0,1034 0,1035 0,1036 0,1037 0,1038 0,1039 0,1040 0,1041 0,1042 0,1043 0,1044 0,1045 0,1046 0,1047 0,1048 0,1049 0,1050 0,1051 0,1052 0,1053 0,1054 0,1055 13,1056 14,1057 01058 ]1059 },1060 {1061 "tokens": [1062 "គួរ",1063 "បញ្ជាក់",1064 "ថា",1065 " ",1066 "ជំងឺ",1067 "ផ្តាសាយ",1068 "បក្សី",1069 " ",1070 "H5N1",1071 " ",1072 "ត្រូវបាន",1073 "រកឃើញ",1074 "ដំបូង",1075 " ",1076 "កាលពី",1077 "ឆ្នាំ",1078 "១៩៩៦",1079 "។"1080 ],1081 "ner_tags": [1082 0,1083 0,1084 0,1085 0,1086 3,1087 4,1088 4,1089 0,1090 0,1091 0,1092 0,1093 0,1094 0,1095 0,1096 0,1097 1,1098 2,1099 01100 ]1101 },1102 {1103 "tokens": [1104 "នេះ",1105 "បើ",1106 "យោង",1107 "តាម",1108 "សេចក្តីប្រកាស",1109 "រួម",1110 "រវាង",1111 " ",1112 "អាជ្ញាធរ",1113 "ជាតិ",1114 "ប្រយុទ្ធ",1115 "នឹង",1116 "ជំងឺ",1117 "អេដស៍",1118 ",",1119 " ",1120 "ក្រសួង",1121 "សុខាភិបាល",1122 " ",1123 "(",1124 "មជ្ឈមណ្ឌល",1125 "ជាតិ",1126 "ប្រយុទ្ធ",1127 "នឹង",1128 "ជំងឺ",1129 "អេដស៍",1130 " ",1131 "សើស្បែក",1132 " ",1133 "និង",1134 "កាមរោគ",1135 ")",1136 " ",1137 "និង",1138 "ការិយាល័យ",1139 "ពហុ",1140 "ប្រទេស",1141 "នៃ",1142 "អង្គការ",1143 " ",1144 "(UNAIDS)",1145 " ",1146 "ប្រចាំ",1147 "ប្រទេស",1148 "កម្ពុជា",1149 " ",1150 "ឡាវ",1151 " ",1152 "ម៉ាឡេស៊ី",1153 " ",1154 "មាន",1155 "មូលដ្ឋាន",1156 "នៅ",1157 "រាជធានី",1158 "ភ្នំពេញ",1159 " ",1160 "ដែល",1161 "បាន",1162 "រួមគ្នា",1163 "ផ្សព្វផ្សាយ",1164 "ការប៉ាន់ប្រមាណ",1165 "ស្ថានភាព",1166 "នៃ",1167 "ការរីករាលដាល",1168 "មេរោគ",1169 "អេដស៍",1170 " ",1171 "និង",1172 "ជំងឺ",1173 "អេដស៍",1174 "នៅ",1175 "កម្ពុជា",1176 "នា",1177 "ឆ្នាំ",1178 "២០២៣",1179 "។"1180 ],1181 "ner_tags": [1182 0,1183 0,1184 0,1185 0,1186 0,1187 0,1188 0,1189 0,1190 0,1191 0,1192 0,1193 0,1194 3,1195 4,1196 0,1197 0,1198 11,1199 12,1200 0,