AchrafSoltani/MoRoBERTa
Fill-Mask • 0.3B • Updated • 41
tokens listlengths 2 19 | spans listlengths 0 3 |
|---|---|
[
"lblassa",
"lifiha",
"db",
"mafihach",
"inwi"
] | [
[
4,
4,
"ORG"
]
] |
[
"l3otma",
"jaya",
"nsafro",
"ljdida"
] | [
[
3,
3,
"LOC"
]
] |
[
"3andk",
"lmdrassa",
"nhar",
"tlat?"
] | [] |
[
"walakin",
"3lach",
"kaytsad",
"nif,",
"3andak",
"7asasia",
"mn",
"chi",
"7aja:",
"ward,",
"chjer...?"
] | [] |
[
"wach",
"9darti",
"tamchi",
"l",
"argentine",
"o",
"tchof",
"l",
"atar?"
] | [
[
4,
4,
"LOC"
]
] |
[
"twldat",
"nhar",
"l3id",
"o",
"taf9na",
"nsamiwha",
"Fetna",
"kif",
"f",
"yawmia"
] | [
[
6,
6,
"PER"
]
] |
[
"wach",
"kat3raf",
"chi",
"maT3am",
"indonisi?"
] | [
[
4,
4,
"MISC"
]
] |
[
"ma",
"ghadich",
"nmchi",
"7tel",
"tlat"
] | [] |
[
"ghadir",
"l3rousa",
"l3amariya?"
] | [] |
[
"ana",
"kan7tarm",
"bzaf",
"ra2y",
"Satre"
] | [
[
4,
4,
"PER"
]
] |
[
"kayn",
"chi",
"wahd",
"8na",
"kayhder",
"bl",
"anglais?"
] | [
[
6,
6,
"MISC"
]
] |
[
"kn9raw",
"kol",
"nhar",
"lyouma",
"sebt",
"o",
"9arin"
] | [] |
[
"mafiha",
"ta",
"3ib",
"had",
"sora",
"rah",
"mn",
"lfirma",
"dyalo"
] | [] |
[
"ewa",
"lah",
"ya5od",
"fik",
"l7e9",
"had",
"nhar",
"nta",
"wyaha"
] | [] |
[
"ghadi",
"nghaTiw",
"ga3",
"lmawad",
"tal",
"nhar",
"tlat",
"jay,",
"dakchi",
"3lach",
"bda",
"l9araya",
"bakri"
] | [] |
[
"Lalla",
"Imane,",
"kifach",
"dowwez",
"had",
"lwa9t",
"kamlo?"
] | [
[
1,
1,
"PER"
]
] |
[
"yamkn",
"lik",
"t7awl",
"t9na3",
"chirir",
"lkbir",
"bhad",
"Anya",
"bghat",
"flos8a",
"safi,",
"o",
"nta",
"chakhS",
"lwa7id",
"likaybghiha",
"bssa7"
] | [] |
[
"kaykon",
"lmostachar",
"dyal",
"madrasa",
"kol",
"tlat"
] | [] |
[
"hadchi",
"dmmar",
"i9tiSad",
"l",
"almany,",
"o",
"sa8m",
"bchkal",
"ghayr",
"mobachir",
"f",
"l7arb",
"l3alamiya",
"taniya"
] | [
[
4,
4,
"MISC"
],
[
11,
13,
"MISC"
]
] |
[
"wach",
"hada",
"Tobis",
"lli",
"tayddi",
"l",
"Koutoubia?"
] | [
[
6,
6,
"LOC"
]
] |
[
"nssayh",
"otfakri",
"bli",
"alalh",
"makaydir",
"ghir",
"lifiha",
"lkhiir"
] | [] |
[
"Ma3ndich",
"bzaf",
"dyal",
"SS7abat",
"mn",
"ghir",
"Mona..."
] | [
[
6,
6,
"PER"
]
] |
[
"Moha",
"o",
"Fatima",
"3ndhom",
"joj",
"bnat",
"o",
"drri"
] | [
[
0,
0,
"PER"
],
[
2,
2,
"PER"
]
] |
[
"walakin",
"ymken",
"bant",
"lia",
"chi",
"Tirmos",
"f",
"llour",
"dial",
"ssella."
] | [] |
[
"jabt",
"lik",
"m3ya",
"swart",
"dyal",
"tolnobil"
] | [] |
[
"lkhmis",
"sbou3",
"inx2lah"
] | [] |
[
"kanaDa",
"kayna",
"f",
"2amrika",
"chchamaliya"
] | [
[
0,
0,
"LOC"
],
[
3,
4,
"LOC"
]
] |
[
"man3ich",
"7da",
"mokhtalif",
"m8woos",
"makayfker",
"ila",
"f",
"al3ab",
"lvidio",
"olmanga"
] | [] |
[
"wach",
"3emmrek",
"Safrti",
"l",
"2oroppa"
] | [
[
4,
4,
"LOC"
]
] |
[
"dakchi",
"3lach",
"3afak",
"matsifthomch",
"fwa9t",
"m3atal",
"nhar",
"larba3"
] | [] |
[
"ghat",
"mchi",
"l",
"lasall",
"nhar",
"larb3?"
] | [] |
[
"kif",
"kat3raf,",
"hir",
"8",
"safi",
"nhar",
"tlat"
] | [] |
[
"aykhsna",
"nmchiw",
"ljanob",
"l",
"Fire",
"Nation"
] | [] |
[
"walakin",
"3ndk",
"zzher",
"gddit",
"nSawb",
"ttamarin",
"dyali",
"lkhmis",
"lli",
"fat"
] | [] |
[
"3emrek",
"jerebti",
"tfeddel",
"sa7btek",
"3la",
"lwalida",
"dialek"
] | [] |
[
"kant",
"wa7d",
"lbnia",
"sghira",
"smitha",
"Anya",
"makennach",
"kantkheliwha",
"bou7dha"
] | [
[
5,
5,
"PER"
]
] |
[
"tsabt",
"blmarad",
"lfaranci",
"likayban",
"mli",
"kayb9aw",
"rajlik",
"itmalmlo."
] | [
[
2,
2,
"MISC"
]
] |
[
"wach",
"3rfti",
"kifach",
"noSlo",
"l",
"hotel",
"Mansour?"
] | [
[
5,
6,
"ORG"
]
] |
[
"wach",
"ana",
"tanhder",
"m3a",
"ssi",
"Khalid?"
] | [
[
5,
5,
"PER"
]
] |
[
"bighitini",
"nkon",
"James?"
] | [
[
2,
2,
"PER"
]
] |
[
"blmonasaba,",
"kantmnna",
"tkon",
"ma3rdtich",
"3la",
"Ihsan."
] | [
[
5,
5,
"PER"
]
] |
[
"wach",
"ghadi",
"na7taj",
"chahada",
"jami3iya",
"bach",
"nl9a",
"wadifa",
"tghyir",
"lbi2a?"
] | [] |
[
"mora",
"chi",
"tlata",
"dial",
"simanat",
"rje3t",
"lfranssa",
"3la",
"9bel",
"l5edma"
] | [
[
6,
6,
"LOC"
]
] |
[
"rah",
"msta9lla",
"lblad",
"3la",
"franssa"
] | [
[
4,
4,
"LOC"
]
] |
[
"ghat",
"mchi",
"l",
"lasall",
"nhar",
"lkhmis?"
] | [] |
[
"mazal",
"n9dr",
"nkhraj",
"tilifoni",
"onkhdm",
"b",
"Google"
] | [
[
6,
6,
"ORG"
]
] |
[
"nafs",
"lmojrimin",
"f",
"lbayt",
"l",
"2abyaD"
] | [] |
[
"lmgharba",
"kolxi",
"f",
"9atar"
] | [
[
0,
0,
"MISC"
],
[
3,
3,
"LOC"
]
] |
[
"Oh,",
"yarbbi,",
"3ndhom",
"ghir",
"Jack",
"Daniels."
] | [
[
4,
5,
"ORG"
]
] |
[
"aji",
"tchofi",
"howa",
"li",
"mchina",
"lih",
"w",
"sawlna"
] | [] |
[
"la",
"akhti",
"ma",
"blanch",
"hada",
"maymknch"
] | [] |
[
"la,",
"hadak",
"tilifon",
"dyal",
"Naima"
] | [
[
4,
4,
"PER"
]
] |
[
"nta",
"wahd",
"ma",
"m3ak",
"hadra"
] | [] |
[
"Tajine",
"dial",
"bTaTa",
"o",
"zzitoun."
] | [] |
[
"dwazt",
"chwiya",
"dyal",
"lwa9t",
"f",
"fransa",
"o",
"almanya",
"o",
"amrica",
"ljanobiya"
] | [
[
5,
5,
"LOC"
],
[
7,
7,
"LOC"
],
[
9,
10,
"LOC"
]
] |
[
"had",
"lktab",
"dyal",
"Loubna."
] | [
[
3,
3,
"PER"
]
] |
[
"a",
"fink?",
"charki",
"m3a",
"nas",
"dakchi",
"li",
"katwejdi"
] | [] |
[
"tamrid",
"outa3lim",
"makhdaminch",
"fihom"
] | [] |
[
"aktarya",
"f",
"amrica",
"ljanobia",
"fin",
"kaynin",
"7ayawnat",
"fchkel",
"f",
"ghabat",
"amazon"
] | [
[
2,
3,
"LOC"
],
[
9,
10,
"LOC"
]
] |
[
"khdithom",
"mli",
"kant",
"kantfaraj",
"f",
"Masterchef",
"f",
"tlfaza."
] | [
[
5,
5,
"ORG"
]
] |
[
"wach",
"kat9ra",
"l",
"anglais?"
] | [
[
3,
3,
"MISC"
]
] |
[
"ma",
"ghadich",
"nmchi",
"7tel",
"sebt"
] | [] |
[
"3adi",
"hit",
"na3essa",
"bnhar"
] | [] |
[
"khaliha",
"f",
"yed",
"lah",
"o",
"li",
"mektaba",
"like",
"hiya",
"hadike"
] | [] |
[
"3andk",
"lmdrassa",
"nhar",
"tnin?"
] | [] |
[
"amrica",
"ljanobiya",
"kant",
"fchkal,",
"mkhtalfa",
"3la",
"lblad"
] | [
[
0,
1,
"LOC"
]
] |
[
"wach",
"msali",
"ssebt",
"jjay?"
] | [] |
[
"anmchi",
"l",
"cinema",
"lkhmiss",
"jay,",
"tji",
"m3aya",
"?"
] | [] |
[
"wach",
"rajlek",
"tahoa",
"mn",
"Khounifra?"
] | [
[
4,
4,
"LOC"
]
] |
[
"yalla8",
"rje3t",
"mn",
"2almanya"
] | [
[
3,
3,
"LOC"
]
] |
[
"kirak",
"ghadi",
"flmorja3a",
"dyal",
"imti7an",
"riyadiyat?"
] | [] |
[
"n9dr",
"nghani",
"oghniya",
"mod7ika",
"3la",
"jotat",
"maytin,",
"ddoud",
"kaydkhl",
"o",
"kaykhrj"
] | [] |
[
"maghaydirouch",
"l3mariya"
] | [] |
[
"awili",
"3la",
"lbarba",
"flhrira"
] | [] |
[
"galt",
"liya",
"sahbti",
"jlabatak",
"mzayra"
] | [] |
[
"l3rousa",
"taht",
"mn",
"l3mariya"
] | [] |
[
"ah,",
"ghadi",
"ntkhtabro",
"f",
"kolchi",
"f",
"lfaSl",
"tani"
] | [] |
[
"Lah",
"ikhlf",
"3lik",
"assi",
"Bojm3a"
] | [
[
4,
4,
"PER"
]
] |
[
"ma",
"ghadich",
"nmchi",
"7tel",
"larba3"
] | [] |
[
"wach",
"n9adro",
"n3awdo",
"n7addo",
"maw3id",
"nhar",
"l7ad?"
] | [] |
[
"had",
"ddar",
"dyal",
"Malika"
] | [
[
3,
3,
"PER"
]
] |
[
"sma7",
"liya",
"bghit",
"ngol",
"safir"
] | [
[
4,
4,
"LOC"
]
] |
[
"Knt",
"kanDn",
"ghadi",
"n3red",
"3la",
"Assia,",
"kat3rfha."
] | [
[
5,
5,
"PER"
]
] |
[
"zwinin",
"akhti",
"ch7al",
"bach",
"t9amo",
"3lik",
"?"
] | [] |
[
"kaynin",
"chi",
"Tyor",
"wa3ra",
"flbrazil"
] | [
[
4,
4,
"LOC"
]
] |
[
"ghadin",
"b9a",
"hna",
"7tel",
"larba3"
] | [] |
[
"idan",
"hoa",
"ghaybghi",
"inta9l",
"ltma"
] | [] |
[
"meli",
"mazal",
"fazg,",
"staghl",
"lforSa",
"o",
"kherrej",
"lkelb,",
"ana",
"ansekhkhen",
"lik",
"l7emmam",
"o",
"ncomandi",
"lmakla",
"dial",
"lhnoud."
] | [
[
16,
16,
"MISC"
]
] |
[
"hadchi",
"mam3rofch",
"bzaf",
"f",
"oropa"
] | [
[
4,
4,
"LOC"
]
] |
[
"ghadi",
"ykon",
"3andna",
"mti7an,",
"ila",
"kan",
"hadchi",
"likat9sad,",
"simana",
"jaya",
"nhar",
"lkhmis"
] | [] |
[
"fach",
"kendira",
"ana",
"kyji",
"darbha",
"zelzal"
] | [] |
[
"kayt3llem",
"longli",
"bbou7dou"
] | [
[
1,
1,
"MISC"
]
] |
[
"tsnay",
"ta",
"nhar",
"tlat",
"ghadi",
"ikon",
"iftitah"
] | [] |
[
"imta",
"ghadi",
"sa3oudiya",
"stenzef",
"ga3",
"lpetrole",
"li",
"3endha"
] | [
[
2,
2,
"LOC"
]
] |
[
"Driss",
"o",
"Fatima",
"mabghawch",
"lmonaDa"
] | [
[
0,
0,
"PER"
],
[
2,
2,
"PER"
]
] |
[
"man9derch",
"ydouz",
"liya",
"chi",
"jem3a",
"bla",
"ksakso"
] | [] |
[
"makayna",
"la",
"mosi9a",
"faranciya"
] | [
[
3,
3,
"MISC"
]
] |
[
"3adi",
"hna",
"kamlin",
"khadmin",
"fach",
"makn"
] | [] |
[
"wach",
"darija",
"logha",
"wla",
"lahja"
] | [
[
1,
1,
"MISC"
]
] |
[
"makay3aytoch",
"lik",
"Einstein",
"3la",
"dakchi"
] | [
[
2,
2,
"PER"
]
] |
Named-entity recognition data for Moroccan Darija written in Arabizi (Latin script with digits such as 3, 7, 9), four entity types (PER, LOC, ORG, MISC), from the IANLP 2026 MoriscoNER paper. Code, pipelines and documentation: github.com/achrafsoltani/morisco-ner.
| file | content | licence |
|---|---|---|
train.standoff.jsonl |
MoriscoNER training corpus: 1,531 natively annotated YouTube comments, stand-off (comment id, token count, SHA-1 of the tokens, spans) | CC BY-NC 4.0 |
rehydrate_youtube.py |
rebuilds the training tokens from the comment ids with your own YouTube Data API key, and checks each record | Apache-2.0 |
arabizi_gold.jsonl |
gold test set: 400 sentences from the Darija Open Dataset (DODa), 252 entities, native-validated; {"tokens", "spans"} |
CC BY 4.0 |
arabizi_gold_ar.jsonl |
the test set rendered in Arabic script (token-aligned), for transliteration baselines | CC BY 4.0 |
arabizi_draft_review.csv |
the test set's annotation workbook: LLM-teacher draft plus native corrections | CC BY 4.0 |
darnercorp_gs_big_arabizi.jsonl |
transliterated training data: DarNERcorp gold + LLM-teacher silver, transliterated Arabic→Arabizi token by token | CC BY 4.0 |
Spans are [start, end, TYPE] token indices, inclusive. The training corpus is stand-off because the text of YouTube comments may not be redistributed (YouTube API terms, GDPR). To rebuild it:
YT_API_KEY=... python rehydrate_youtube.py train.standoff.jsonl train.jsonl
Comments deleted or edited since collection cannot be recovered and are reported; in a spot check on 2026-10-19, 2 of 50 were no longer available.
@inproceedings{soltani2026morisconer,
title = {{MoriscoNER}: A Native {Moroccan-Darija} Latin-Script {NER} Corpus and an Encoder-Conditional Native-vs-Transliteration Study},
author = {Soltani, Achraf},
booktitle = {Proceedings of IANLP 2026},
series = {Advances in Computer Science Applications and Research},
publisher = {Springer},
year = {2026},
note = {in press}
}
Please also cite DarNERcorp and DODa.