Nigeria Machinery: A Low-Resource Industrial Dataset with a Domain-Grounded Reasoning Layer

There is relatively little, public, and model-ready data on industrial machinery for African economies. This makes it hard to do quantitative analysis or to train language models on numeric tasks grounded in that setting. We release two things to help with part of this problem. The first is the Nigeria Machinery Usage and Failures Dataset: 89 machine-level records across 28 indicators, covering Nigeria's manufacturing and oil and gas sectors from 2006 to 2025. Every record names a public source and is decoded by a codebook. The second is a method for building chain-of-thought (CoT) reasoning examples from these sparse numeric values. The result is 94 prompt, completion, and reasoning-trace rows. In every row, the prompt names the real indicator, subsector, year, and source of the record it comes from. The data adaptation work was carried out by Adaption Labs. Along the way we describe a problem that is common when language models are used to build datasets. The prompts can match the real numbers while saying nothing about the real domain. We show that fixing this raises the share of domain-grounded prompts from 1 out of 78 in an earlier release to 94 out of 94, and that every retrieval answer now matches its source value (84 out of 84). We release the data, the reasoning layer, and a per-row provenance file under CC-BY-4.0. We are clear about the limits. With 89 records and 17 indicators that have only one observation, this is a reference and seed dataset, not a large training set. Most reasoning rows are retrieval rather than multi-step computation.

한 줄 요약

나이지리아 산업 기계 데이터셋과 도메인 기반 추론 레이어를 공개하여 저자원 산업 분석을 지원한다.

핵심 기여도

나이지리아 제조업 및 석유·가스 분야의 2006~2025년 기계 사용 및 고장 데이터 89개 레코드 공개.
94개의 프롬프트-답변-추론 트레이스를 포함한 추론 레이어를 생성.
도메인 기반 추론 프롬프트 비율을 1/78에서 94/94로 개선.
모든 검색 답변이 원본 데이터와 일치하도록 보장 (84/84).

핵심 아이디어

저자원 산업 데이터 환경에서 언어 모델이 정량적 추론을 수행하기 위해서는 도메인 지식이 명시적으로 반영되어야 한다. 기존 방법에서는 수치가 일치하더라도 실제 도메인에 대한 설명이 부족한 문제가 있었다. 본 연구는 CoT 추론 예시를 생성할 때, 실제 지표, 하위 분야, 연도, 출처를 명시적으로 포함함으로써 도메인 지향성을 강화했다. 이는 추론의 신뢰성과 관련성을 동시에 높이는 핵심 통찰이다.

기술적 접근법

**Nigeria Machinery Usage and Failures Dataset**: 28개 지표, 2006~2025년 기간, 89개 기계 레코드.
**추론 레이어 생성 방법**: 체인-오브-사고(CoT)를 사용한 프롬프트-답변-추론 트레이스 94개 생성.
**데이터 출처**: 각 레코드는 공개 출처 명시 및 코드북 해독.
**Adaption Labs**에서 데이터 적응 작업 수행.
**도메인 기반 프롬프트 개선**: 기존 1/78에서 94/94로 개선.

주요 결과

94개의 도메인 기반 추론 프롬프트 중 94개가 실제 도메인에 정확히 연결됨.
84개의 검색 답변이 원본 데이터와 일치 (100% 정확도).
나이지리아 제조 및 석유·가스 데이터셋에서 89개 레코드, 28개 지표 제공.

의의 및 한계

본 연구는 아프리카 산업 데이터 부족 문제에 기초적인 해결책을 제시하며, 도메인 기반 추론의 중요성을 실증적으로 보여준다. 특히, 언어 모델이 데이터셋을 생성할 때 도메인 지식을 명시적으로 반영하는 방법을 제시함으로써 추론의 신뢰성을 높였다. 그러나 89개의 레코드와 17개 지표가 단일 관측치만 포함하는 점에서 데이터셋의 크기와 다양성에 한계가 있으며, 대부분의 추론이 단일 단계 검색 기반임을 명시하고 있다.

실용적 활용

본 데이터셋은 아프리카 산업 분석, 저자원 환경에서의 언어 모델 학습, 도메인 기반 추론 연구에 활용 가능하다. 특히, 정량적 산업 분석이 필요한 정책 연구 및 기계 유지보수 예측 모델 개발에 기초 자료로 사용될 수 있다.