sarih

name	sarih
description	Arabic sentiment analysis and content filtering across 5 dialects
version	1.0.0
author	Mousa Abu Mazin
license	MIT
platforms	["linux","macos"]
prerequisites	{"commands":["sarih"],"env_vars":[]}
metadata	{"hermes":{"tags":["nlp","sentiment","content-filter","arabic"]}}

sarih — فلتر المحتوى العربي

أداة لاكتشاف المحتوى السام بـ5 لهجات عربية، تعمل بالكامل بدون إنترنت.

اللهجات المدعومة

اللهجة	أمثلة كلمات مفلترة	ملاحظات
فصحى	ألفاظ نابية، تحريض، كراهية	القاعدة الأساسية
مصري	شتائم بالعامية المصرية	يتعرف على "يا ابن..." وما شابه
خليجي	ألفاظ خليجية مسيئة	يفهم السياق الخليجي
شامي	إساءات بالشامي	يميّز بين الشتيمة والتعبير العادي
مغاربي	خلط عربي-فرنسي مسيء	يكتشف الإساءة حتى بالخلط

الأوامر

فحص نص واحد

sarih check "النص المراد فحصه"

مثال — نص نظيف:

sarih check "شكرا على المساعدة، الله يعطيك العافية"

النتيجة المتوقعة:

✅ safe
   Dialect: خليجي
   Confidence: 0.94
   Flags: none

مثال — نص مسيء:

sarih check "يا حمار انت ما تفهم شي"

النتيجة المتوقعة:

⚠️ medium
   Dialect: فصحى/عام
   Confidence: 0.87
   Flags: [insult]
   Details: "حمار" — إهانة مباشرة
   Suggestion: حذف أو استبدال بـ "يا أخي"

فحص ملف بيانات

sarih scan data.jsonl

مثال مع عرض التفاصيل:

sarih scan comments.jsonl --verbose

النتيجة المتوقعة:

Scanning comments.jsonl (4,230 records)...
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

Total:    4,230
Safe:     3,891 (92.0%)
Low:        187 (4.4%)
Medium:     128 (3.0%)
High:        24 (0.6%)

Top flags:
  insult:        89
  hate_speech:   31
  harassment:    24
  profanity:     19
  threat:         8

تنظيف البيانات

sarih clean data.jsonl --output cleaned.jsonl

خيارات التنظيف:

# حذف السجلات المخالفة بالكامل
sarih clean data.jsonl --output clean.jsonl --strategy remove

# استبدال الألفاظ المسيئة بـ [محذوف]
sarih clean data.jsonl --output clean.jsonl --strategy redact

# حذف فقط HIGH والاحتفاظ بـ medium و low
sarih clean data.jsonl --output clean.jsonl --threshold high

إحصائيات الفحص

sarih stats

يعرض إحصائيات آخر فحص: توزيع المستويات، أكثر الفلاتر تفعيلا، توزيع اللهجات.

شرح الفلاتر

sarih explain

النتيجة المتوقعة:

الفلاتر الـ13:
━━━━━━━━━━━━━━

فئة الإساءة المباشرة:
  1. profanity      — ألفاظ نابية صريحة
  2. insult         — إهانات شخصية
  3. slur           — ألفاظ عنصرية أو طائفية

فئة التحريض:
  4. hate_speech    — خطاب كراهية
  5. threat         — تهديد بالأذى
  6. incitement     — تحريض على العنف

فئة التحرش:
  7. harassment     — تحرش أو مضايقة
  8. sexual         — محتوى جنسي صريح
  9. doxxing        — نشر معلومات شخصية

فئة المعلومات الخطيرة:
  10. self_harm     — إيذاء النفس
  11. extremism     — محتوى متطرف
  12. spam          — رسائل مزعجة متكررة
  13. misinformation — معلومات مضللة

المستويات الثلاثة:
  🟢 safe    — لا مشاكل
  🟡 low     — ألفاظ عامية قد تكون مسيئة في سياق معين
  🟠 medium  — إساءة واضحة لكن ليست خطيرة
  🔴 high    — تهديد أو تحريض أو محتوى خطير

الوعي باللهجات

sarih يفهم أن بعض الكلمات مسيئة في لهجة لكنها عادية في أخرى. أمثلة:

• "زفت" — في المصري شتيمة، في الشامي تعني "أسفلت"
• "حيوان" — في السياق العلمي طبيعي، كنعت إهانة

متى تستخدم

• المستخدم يريد فحص محتوى قبل النشر
• تنظيف بيانات تدريب من المحتوى السام
• فحص تعليقات أو رسائل مستخدمين
• بناء نظام إشراف محتوى عربي (content moderation)
• فلترة مخرجات نموذج لغوي قبل عرضها للمستخدم