nassimjp/pashto-humor-1k

🎭 Pashto Humor 1K Dialogues Dataset / د پښتو طنزیه ډیالوګونو ډیټاسیټ

---

📖 English Version

Dataset Description

This is the first standardized Pashto humor dialogues dataset containing 1,000 unique, high-quality dialogues across 40+ categories. Each dialogue represents a humorous interaction between two or more characters in everyday Pashto cultural settings (e.g., doctor-patient, husband-wife, teacher-student, police-driver, mother-in-law).

This dataset is designed for:

• LLM Fine-tuning (conversational AI)
• Humor Detection (punchline identification)
• Dialogue Generation (chatbots, virtual assistants)
• Cross-lingual Transfer (English translations included)
• Cultural Preservation (Pashto comedy & wit)

Key Features

Feature	Description
Size	1,000 dialogues
Categories	40+ (doctor_patient, mother_in_law, husband_wife, police_driver, teacher_student, friends, psychiatrist, etc.)
Format	Parquet + JSONL
Language	Pashto (with English translations in some fields)
Humor Score	6-10 (rated by native speakers)
License	CC BY 4.0

Data Fields

Field	Type	Description
id	string	Unique identifier (e.g., PST_001)
category	string	Main category (doctor_patient, mother_in_law, etc.)
subcategory	string	Sub-category (humor, medical, etc.)
dialogue	list	Array of dialogue turns with speaker and text
punchline	string	The humorous punchline of the dialogue
humor_score	int	Humor intensity score (6-10)
english	dict	English translation (if available)

Quick Usage

from datasets import load_dataset

# Load the dataset
dataset = load_dataset("nassimjp/pashto-humor-1k")

# View first dialogue
print(dataset['train'][0])

# Filter by category
doctor_patient = dataset['train'].filter(lambda x: x['category'] == 'doctor_patient')
print(f"Doctor-patient dialogues: {len(doctor_patient)}")

# Access dialogue turns
for turn in dataset['train'][0]['dialogue']:
    print(f"{turn['speaker']}: {turn['text']}")

Sample Dialogue

{
  "id": "PST_001",
  "category": "doctor_patient",
  "dialogue": [
    {"speaker": "ناروغ", "text": "ډاکټر صاحب، زما وزن ډېر شوی دی"},
    {"speaker": "ډاکټر", "text": "ورزش کوې؟"},
    {"speaker": "ناروغ", "text": "هو، له فرج څخه تر فریج پورې"}
  ],
  "punchline": "له فرج څخه تر فریج پورې",
  "humor_score": 8
}

Category Distribution

Category	Count
doctor_patient	~120
mother_in_law	~100
husband_wife	~100
teacher_student	~100
police_driver	~80
friends	~80
psychiatrist	~70
miscellaneous	~70
Others (30+ categories)	~280

License

This dataset is released under the Creative Commons Attribution 4.0 International (CC BY 4.0) license.

You are free to:

• Share — copy and redistribute the material in any medium or format
• Adapt — remix, transform, and build upon the material for any purpose, even commercially

Under the following terms:

• Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made.

Citation

If you use this dataset in your research, please cite:

@dataset{nassim2026pashto,
  author       = {Nassim (Naseebullah)},
  title        = {Pashto Humor 1K Dialogues Dataset},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/nassimjp/pashto-humor-1k}},
  license      = {CC BY 4.0}
}

Acknowledgements

Special thanks to:

• The Pashto speaking community for cultural insights
• Contributors who helped with data validation
• iPashto.ai for supporting Pashto NLP development

---

📖 پښتو نسخه (Pashto Version)

د ډیټاسیټ په اړه

دا د پښتو طنزیه ډیالوګونو لومړنی معیاري ډیټاسیټ دی چې ۱۰۰۰ بې ساری، باکیفیته ډیالوګونه په ۴۰+ کټګوریو کې لري. هر ډیالوګ د ورځني پښتو کلتوري حالتونو (لکه: ډاکټر-ناروغ، مېرمن-خاوند، استاد-زده کوونکی، پولیس-چلوونکی، خسر) ترمنځ طنزیه تعامل ښیي.

دا ډیټاسیټ د لاندې موخو لپاره ډیزاین شوی:

• د LLM ماډلونو روزنه (مکالماتي AI)
• د طنز تشخیص (د پانچ لاین پیژندنه)
• د ډیالوګ تولید (چیټ بوټونه، مجازی معاونین)
• د کلتوري ساتنه (پښتو طنز او ټوکې)

کلیدي ځانګړتیاوې

ځانګړتیا	توضیح
شمېر	۱،۰۰۰ ډیالوګونه
کټګورۍ	۴۰+ (ډاکټر-ناروغ، خسر، خاوند-مېرمن، پولیس-چلوونکی، استاد-زده کوونکی، ملګري، رواني ډاکټر، او نور)
بڼه	Parquet + JSONL
ژبه	پښتو (په ځینو برخو کې انګلیسي ژباړه)
طنز نمره	۶-۱۰ (د اصلي ژبو ویونکو لخوا درجه بندي شوی)
مجوز	CC BY 4.0

د معلوماتو ساحې

ساحه	ډول	توضیح
id	string	ځانګړی پیژندنه (لکه PST_001)
category	string	اصلي کټګورۍ (doctor_patient, mother_in_law, etc.)
subcategory	string	فرعي کټګورۍ (humor, medical, etc.)
dialogue	list	د خبرو اترو تبادلې د speaker او text سره
punchline	string	د طنز پای ټکی
humor_score	int	د طنز شدت نمره (۶-۱۰)
english	dict	انګلیسي ژباړه (که موجوده وي)

چټک کارول

from datasets import load_dataset

# ډیټاسیټ لوډ کړئ
dataset = load_dataset("nassimjp/pashto-humor-1k")

# لومړی ډیالوګ وګورئ
print(dataset['train'][0])

# د کټګورۍ له مخې فلټر کړئ
doctor_patient = dataset['train'].filter(lambda x: x['category'] == 'doctor_patient')
print(f"د ډاکټر-ناروغ ډیالوګونه: {len(doctor_patient)}")

# د خبرو تبادلو ته لاسرسی
for turn in dataset['train'][0]['dialogue']:
    print(f"{turn['speaker']}: {turn['text']}")

د نمونې ډیالوګ

{
  "id": "PST_001",
  "category": "doctor_patient",
  "dialogue": [
    {"speaker": "ناروغ", "text": "ډاکټر صاحب، زما وزن ډېر شوی دی"},
    {"speaker": "ډاکټر", "text": "ورزش کوې؟"},
    {"speaker": "ناروغ", "text": "هو، له فرج څخه تر فریج پورې"}
  ],
  "punchline": "له فرج څخه تر فریج پورې",
  "humor_score": 8
}

د کټګوریو توزیع

کټګورۍ	شمېر
doctor_patient	~۱۲۰
mother_in_law	~۱۰۰
husband_wife	~۱۰۰
teacher_student	~۱۰۰
police_driver	~۸۰
friends	~۸۰
psychiatrist	~۷۰
miscellaneous	~۷۰
نور (۳۰+ کټګورۍ)	~۲۸۰

مجوز

دا ډیټاسیټ د Creative Commons Attribution 4.0 International (CC BY 4.0) مجوز لاندې خپور شوی.

تاسو کولی شئ:

• شریک کړئ — مواد په هر رسنۍ یا بڼه کې کاپي او بیا توزیع کړئ
• تطابق کړئ — مواد له سره ترکیب کړئ، بدل کړئ، او په هره موخه کې یې وکاروئ، حتی سوداګریز

لاندې شرایطو سره:

• اعتبار ورکول — تاسو باید مناسب اعتبار ورکړئ، د مجوز لینک چمتو کړئ، او په ګوته کړئ که بدلونونه شوي وي.

حواله

که تاسې دا ډیټاسیټ په خپله څېړنه کې کاروئ، مهرباني وکړئ حواله کړئ:

@dataset{nassim2026pashto,
  author       = {Nassim (Naseebullah)},
  title        = {Pashto Humor 1K Dialogues Dataset},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/nassimjp/pashto-humor-1k}},
  license      = {CC BY 4.0}
}

مننې

ځانګړې مننه:

• د پښتو ژبو ټولنې ته د کلتوري بصیرتونو لپاره
• هغو ونډه والو ته چې د ډیټا اعتبار کولو کې یې مرسته کړې
• iPashto.ai ته د پښتو NLP پراختیا ملاتړ لپاره

---

🤝 Contributing / ونډه اخیستنه

If you'd like to contribute to this dataset (add more dialogues, fix errors, suggest improvements), please:

1. Open an issue on Hugging Face
2. Submit a pull request with your changes
3. Contact: [nassimjp on Hugging Face]

که تاسې غواړئ دې ډیټاسیټ کې ونډه واخلئ (نور ډیالوګونه اضافه کړئ، غلطی اصلاح کړئ، وړاندیزونه ورکړئ)، مهرباني وکړئ:

1. د Hugging Face پاڼې کې یو مسله (issue) پرانیزئ
2. خپل بدلونونه د پل غوښتنې (pull request) سره واستوئ
3. اړیکه: nassimjp on Hugging Face

---

📊 Dataset Statistics / د ډیټاسیټ احصایې

Metric	Value
Total Dialogues	1,000
Unique Categories	40+
Average Dialogue Length	3-4 turns
Average Punchline Length	15-20 characters
Average Humor Score	7.8
File Format	Parquet + JSONL
File Size	~0.5 MB

---

🌟 Support / ملاتړ

If you find this dataset useful, please:

• ⭐ Star the dataset on Hugging Face
• 📢 Share it with others
• 📝 Cite it in your research

که تاسې دا ډیټاسیټ ګټور ومومئ، مهرباني وکړئ:

• ⭐ د Hugging Face پاڼې کې یې ستوری (Star) کړئ
• 📢 له نورو سره یې شریک کړئ
• 📝 په خپله څېړنه کې یې حواله کړئ

---

Created with ❤️ for Pashto language preservation and AI development.
د پښتو ژبې د ساتنې او AI پراختیا لپاره د مینې سره جوړ شوی. 🎭😂🤖

---