jhu-clsp/SARA

SARA数据集是一个用于税法中法定推理的数据集，支持问答和自然语言推理任务。数据集包含背景信息、问题、答案、相关事实和测试代码，所有内容均以英文呈现。数据集的结构包括训练集和测试集，可以通过HuggingFace的datasets库加载。

---
language:
- 英语
tags:
- 法律
- 税务
- 自然语言推理（Natural Language Inference，NLI）
- 问答（Question Answering，QA）
pretty_name: SARA
size_categories:
- n<1K
---
# 税务法律蕴涵与问答场景下法定推理数据集（SARA）数据集卡片

注意：本版本为SARA v1，如需获取SARA v2版本，请访问https://nlp.jhu.edu/law/（即将登陆Hugging Face平台！）

## 数据集说明

- **代码仓库**：[https://nlp.jhu.edu/law/]
- **相关论文**：[https://ceur-ws.org/Vol-2645/paper5.pdf]
- **联系人邮箱**：[e-mail]

## 数据集摘要

若您使用本数据集，请引用我们的相关工作：

@inproceedings{Holzenberger2020ADF,
title={A Dataset for Statutory Reasoning in Tax Law Entailment and Question Answering},
author={Nils Holzenberger and Andrew Blair-Stanek and Benjamin Van Durme},
booktitle={NLLP@KDD},
year={2020}
}

### 支持任务与排行榜

本数据集包含两项任务：问答（Question Answering，QA）与自然语言推理（Natural Language Inference，NLI），均设有训练集与测试集。暂无官方排行榜。

### 语言
英语

## 数据集结构

### 数据样例
以下为一条数据样例：

{
"id": "s151_a_neg",
"text": "Alice's income in 2015 is $100000. She gets one exemption of $2000 for the year 2015 under section 151(c). Alice is not married.",
"question": "Alice's total exemption for 2015 under section 151(a) is equal to $6000",
"answer": "Contradiction",
"facts": ":- discontiguous s151_c/4.
:- [statutes/prolog/init].
income_(alice_makes_money).
agent_(alice_makes_money,alice).
start_(alice_makes_money,"2015-01-01").
end_(alice_makes_money,"2015-12-31").
amount_(alice_makes_money,100000).
s151_c(alice,_,2000,2015).",
"test": ":- \+ s151_a(alice,6000,2015)."
}

### 数据字段
* `id`：数据实例的唯一标识符，标注了案例编号与相关成文法（若适用）。
* `text`：该法律案例的背景详情
* `question`：该实例的问题（或假设语句）
* `answer`：问题答案或自然语言推理判定结果（蕴含/矛盾）
* `facts`：该案例的相关事实，以Prolog语言编写
* `test`：相关执行代码，以Prolog语言编写

### 数据拆分
可通过以下方式加载数据拆分：

from datasets import load_dataset
qa_test = load_dataset("jhu-clsp/SARA", "qa", split="test")
qa_train = load_dataset("jhu-clsp/SARA", "qa", split="train")
nli_test = load_dataset("jhu-clsp/SARA", "nli", split="test")
nli_train = load_dataset("jhu-clsp/SARA", "nli", split="train")

## 数据集构建
完整构建细节请参阅相关论文：https://ceur-ws.org/Vol-2645/paper5.pdf

原始信息汇总

数据集概述

数据集名称: SARA

版本: v1

语言: 英语

标签: 法律, 税务, 自然语言推理, 问答

规模: 小于1000条记录

数据集描述

目的: 用于税务法律中的法定推理、蕴含和问答

联系人: [e-mail]

数据集总结

引用信息:

@inproceedings{Holzenberger2020ADF, title={A Dataset for Statutory Reasoning in Tax Law Entailment and Question Answering}, author={Nils Holzenberger and Andrew Blair-Stanek and Benjamin Van Durme}, booktitle={NLLP@KDD}, year={2020} }

支持的任务和排行榜

任务:

1. 问答
2. 自然语言推理

数据集划分: 包含训练集和测试集，无官方排行榜。

数据集结构

数据实例

示例:

{ "id": "s151_a_neg", "text": "Alices income in 2015 is $100000. She gets one exemption of $2000 for the year 2015 under section 151(c). Alice is not married.", "question": "Alices total exemption for 2015 under section 151(a) is equal to $6000", "answer": "Contradiction", "facts": ":- discontiguous s151_c/4. :- [statutes/prolog/init]. income_(alice_makes_money). agent_(alice_makes_money,alice). start_(alice_makes_money,"2015-01-01"). end_(alice_makes_money,"2015-12-31"). amount_(alice_makes_money,100000). s151_c(alice,_,2000,2015).", "test": ":- + s151_a(alice,6000,2015)." }

数据字段

• id: 唯一标识符，指示案件编号和相关法规。
• text: 法律案件的背景详情。
• question: 问题或假设。
• answer: 问题的答案或NLI判断（蕴含/矛盾）。
• facts: 案件相关事实，使用Prolog表示。
• test: 相关执行代码，使用Prolog表示。

数据划分

数据集划分可通过以下代码访问: python from datasets import load_dataset qa_test = load_dataset("jhu-clsp/SARA", "qa", split="test") qa_train = load_dataset("jhu-clsp/SARA", "qa", split="train") nli_test = load_dataset("jhu-clsp/SARA", "nli", split="test") nli_train = load_dataset("jhu-clsp/SARA", "nli", split="train")

搜集汇总

数据集介绍

构建方式

SARA数据集聚焦于美国税法领域的法条推理任务，其构建根植于对真实税法的深度解析与形式化表达。研究者从美国国内收入法典中精选关键条款，将其转化为Prolog逻辑程序，并以此为基础生成涵盖问答与自然语言推理的实例。每个实例包含案情背景描述、待判断的假设或问题、以及对应的Prolog事实与测试代码，确保数据具有可解释性与逻辑严密性。数据集的构建还通过引入正例与反例来模拟法律推理中的矛盾与蕴含关系，从而为模型提供丰富的训练信号。

特点

该数据集的核心特点在于其高度专业化的法律领域聚焦与结构化逻辑表征。所有实例均基于真实税法条文，且答案标注严格遵循法条逻辑，确保了数据在专业场景下的可靠性。数据集同时支持问答与自然语言推理两种任务，且每个实例均附带Prolog形式的事实与测试代码，为可解释性研究提供了独特资源。此外，数据规模虽小（不足千条），但通过精心设计的正反案例，覆盖了法条推理中的关键逻辑模式，适合用于评估模型在严谨规则下的推理能力。

使用方法

数据集通过HuggingFace Datasets库便捷加载，支持按任务类型（qa或nli）及数据划分（train或test）灵活获取。用户可使用load_dataset函数指定配置与分割，例如加载问答测试集。每个实例的字段包括案情文本、问题、答案及Prolog代码，便于研究者直接用于模型训练或评估。对于自然语言推理任务，可直接使用文本与标签字段；对于问答任务，则可结合案情与问题生成答案。Prolog代码部分可用于验证模型推理过程的逻辑一致性，或作为符号推理的对照基准。

背景与挑战

背景概述

在法律人工智能领域，对成文法进行自动推理一直是极具挑战性的研究方向，尤其是当法律条文高度专业化且依赖复杂逻辑时。SARA（Statutory Reasoning in Tax Law Entailment and Question Answering）数据集由约翰霍普金斯大学的研究人员Nils Holzenberger、Andrew Blair-Stanek和Benjamin Van Durme于2020年创建，旨在推动税法领域的自然语言推理与问答研究。该数据集聚焦于美国税法中的成文推理任务，通过构建包含事实描述、问题及逻辑程序（Prolog）表示的实例，探索机器对法律条款的语义理解与推断能力。作为首个专门针对税法的推理数据集，SARA为评估模型在法律文本中的逻辑一致性提供了基准，对法律科技与可解释人工智能的发展具有重要影响。

当前挑战

SARA数据集面临的核心挑战在于税法领域的逻辑复杂性与数据稀缺性。首先，税法条文包含大量条件、例外和嵌套规则，要求模型具备精确的符号推理能力，而现有自然语言处理模型在处理这类结构化逻辑时常出现错误。其次，数据集仅包含不足1000个实例，规模较小，限制了深度学习方法的泛化性能。在构建过程中，研究人员需将法律条文手动转化为Prolog逻辑程序，这一过程不仅耗时且易引入主观偏差。此外，自然语言描述与逻辑表示之间的语义鸿沟，以及问答与蕴含任务中标签的模糊性，进一步增加了模型训练的难度。这些挑战共同制约了SARA在真实法律场景中的实用性与鲁棒性。

常用场景

经典使用场景

在自然语言处理与法律智能的交叉领域中，SARA数据集为法定推理任务提供了精密的实验平台。其经典使用场景聚焦于两个核心任务：自然语言推理（NLI）与问答（QA）。研究者可借助该数据集，训练模型在税务法条约束下，基于案件事实文本判断假设命题的蕴含或矛盾关系，或直接回答特定法律问题。数据集以Prolog形式编码的法规逻辑与事实背景，使得模型能够模拟人类律师对成文法的演绎推理过程，从而评估机器在结构化法律文本理解上的能力边界。

实际应用

在实际应用中，SARA所启发的技术可嵌入智能法律咨询系统与合规审查工具。例如，税务申报辅助软件可利用基于该数据集训练的模型，自动核对纳税人陈述与税法条款的一致性，快速识别申报中的矛盾或遗漏。此外，该数据集的方法论可迁移至合同审核场景，辅助法务人员从长篇条款中定位与具体案情冲突的规则。尽管规模有限，其数据格式设计为Prolog逻辑程序与自然语言的混合，为构建跨领域、可扩展的法律推理引擎提供了原型参考。

衍生相关工作

SARA数据集的发布催生了一系列探索法定推理与神经符号结合的前沿工作。后续研究如SARA v2扩展了案例规模与法条覆盖面，进一步强化了逻辑程序的监督信号。同时，有学者基于该数据集提出融合预训练语言模型与符号推理器的混合架构，在蕴含判断任务上显著超越纯神经基线。此外，该数据集启发了针对法律文本的逆向演绎生成任务，即从结论与法条反推事实假设，为法律文档的自动补全与论证挖掘开辟了新方向。