SEACrowd/thai_constitution

泰国宪法数据集包含了自1932年以来的泰国宪法档案，数据来源于泰国国务院办公室。该数据集是PyThaiNLP开发计划的一部分，并且根据1994年版权法第7条，这些信息属于公共领域。数据集支持自监督预训练任务，并且可以通过`datasets`库或`seacrowd`库加载。数据集的许可证为Creative Commons Zero v1.0 Universal (cc0-1.0)，并且提供了引用信息。

The Thai Constitution dataset contains constitutional archives of Thailand since 1932, sourced from the Office of the Council of State. This dataset is part of the PyThaiNLP development plan and is in the public domain according to Section 7 of the Copyright Act 1994. The dataset supports self-supervised pretraining tasks and can be loaded using the `datasets` library or the `seacrowd` library. The dataset is licensed under Creative Commons Zero v1.0 Universal (cc0-1.0) and includes citation information.

原始信息汇总

数据集概述

数据集名称

Thai Constitution

语言

• 泰语 (tha)

任务类别

• 自监督预训练 (Self Supervised Pretraining)

数据集版本

• 源版本: 1.0.0
• SEACrowd版本: 2024.06.20

数据集许可证

• Creative Commons Zero v1.0 Universal (cc0-1.0)

数据集使用

使用 datasets 库

python from datasets import load_dataset dset = datasets.load_dataset("SEACrowd/thai_constitution", trust_remote_code=True)

使用 seacrowd 库

python import seacrowd as sc

加载数据集使用默认配置

dset = sc.load_dataset("thai_constitution", schema="seacrowd")

检查数据集的所有可用子集（配置名称）

print(sc.available_config_names("thai_constitution"))

使用特定配置加载数据集

dset = sc.load_dataset_by_config_name(config_name="<config_name>")

数据集主页

• https://github.com/PyThaiNLP/Thai-constitution-corpus/tree/master

引用

plaintext @misc{ thaiconstitution, title={Thai Constitution Corpus}, url={https://github.com/PyThaiNLP/Thai-constitution-corpus}, author={Wannaphong Phatthiyaphaibun} }

@article{lovenia2024seacrowd, title={SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages}, author={Holy Lovenia and Rahmad Mahendra and Salsabil Maulana Akbar and Lester James V. Miranda and Jennifer Santoso and Elyanah Aco and Akhdan Fadhilah and Jonibek Mansurov and Joseph Marvin Imperial and Onno P. Kampman and Joel Ruben Antony Moniz and Muhammad Ravi Shulthan Habibi and Frederikus Hudi and Railey Montalan and Ryan Ignatius and Joanito Agili Lopo and William Nixon and Börje F. Karlsson and James Jaya and Ryandito Diandaru and Yuze Gao and Patrick Amadeus and Bin Wang and Jan Christian Blaise Cruz and Chenxi Whitehouse and Ivan Halim Parmonangan and Maria Khelli and Wenyu Zhang and Lucky Susanto and Reynard Adha Ryanda and Sonny Lazuardi Hermawan and Dan John Velasco and Muhammad Dehan Al Kautsar and Willy Fitra Hendria and Yasmin Moslem and Noah Flynn and Muhammad Farid Adilazuarda and Haochen Li and Johanes Lee and R. Damanhuri and Shuo Sun and Muhammad Reza Qorib and Amirbek Djanibekov and Wei Qi Leong and Quyet V. Do and Niklas Muennighoff and Tanrada Pansuwan and Ilham Firdausi Putra and Yan Xu and Ngee Chia Tai and Ayu Purwarianti and Sebastian Ruder and William Tjhi and Peerat Limkonchotiwat and Alham Fikri Aji and Sedrick Keh and Genta Indra Winata and Ruochen Zhang and Fajri Koto and Zheng-Xin Yong and Samuel Cahyawijaya}, year={2024}, eprint={2406.10118}, journal={arXiv preprint arXiv: 2406.10118} }

搜集汇总

数据集介绍

构建方式

泰国宪法数据集（Thai Constitution）是泰国自1932年以来宪法文本的档案库，其数据源自泰国国务委员会办公室的官方记录。该数据集由PyThaiNLP开发计划支持构建，所有收录的文本依据1994年《版权法》第7条属于公共领域，确保了数据的合法性与开放性。数据集以纯文本形式整理，旨在为自然语言处理中的自监督预训练任务提供基础资源。通过SEACrowd数据枢纽进行标准化封装，版本号为1.0.0（原始来源）及2024.06.20（SEACrowd版本），并采用Creative Commons Zero v1.0 Universal许可协议，进一步降低了使用门槛。

特点

该数据集的核心特点在于其专注于泰国宪法文本的纵向档案，覆盖了近一个世纪的法律演进历程，为研究泰国政治体制与法律语言变迁提供了独特而权威的语料。数据全部为泰语（tha）单语种，内容具有高度的领域专一性和规范性，适合用于自监督预训练任务，例如语言模型的基础训练或法律文本的语义分析。作为公共领域资源，其无版权限制的特性极大地促进了学术研究与开源社区的应用，同时依托SEACrowd框架支持多种加载方式，兼具灵活性与可扩展性。

使用方法

用户可通过HuggingFace的`datasets`库便捷加载该数据集，执行`load_dataset("SEACrowd/thai_constitution", trust_remote_code=True)`即可获取默认配置下的数据。此外，借助SEACrowd生态系统，用户能使用`seacrowd`库进行更精细的操作，如通过`sc.load_dataset("thai_constitution", schema="seacrowd")`加载标准化模式，或利用`available_config_names`函数查看所有可用子集，并依据具体配置名称调用`load_dataset_by_config_name`。该方法适用于需要自定义数据切分或预处理的研究场景，确保了数据使用的灵活性与可复现性。

背景与挑战

背景概述

泰国宪法数据集（Thai Constitution Corpus）由Wannaphong Phatthiyaphaibun于PyThaiNLP开发计划中创建，收录了自1932年以来泰国宪法文本的完整档案。该数据集源自泰国国务委员会办公室的公开资料，依据1994年《版权法》第7条，政府法规与公告等文本属于公共领域，因此具备合法开放使用的特性。作为东南亚语言自然语言处理领域的重要资源，该数据集填补了泰语法律文本预训练语料的空白，为自监督预训练任务提供了高质量、领域专精的语料库。其发布不仅推动了泰语法律文本的数字化研究，也为SEACrowd多语言数据枢纽贡献了关键组成部分，助力东南亚语言处理技术的进步。

当前挑战

该数据集面临的核心挑战在于法律文本的领域专精性与自监督预训练任务的适配性。法律语言具有高度结构化、术语密集且逻辑严谨的特点，与传统通用语料存在显著差异，这要求预训练模型能够捕捉宪法文本中长距离依赖关系和特定法律语义。构建过程中，数据收集需确保文本的完整性与历史版本的可追溯性，从1932年至今的多部宪法文本需经过严格的数字化校对与格式统一，以消除扫描或转录错误。此外，公共领域文本的版权确认虽已依据泰国法律进行，但跨机构数据协调与版本迭代的持续维护仍是长期挑战。

常用场景

经典使用场景

泰国宪法数据集（Thai Constitution Corpus）作为泰语自然语言处理领域的重要资源，其经典使用场景聚焦于自监督预训练任务。该数据集收录了自1932年以来泰国宪法文本的完整档案，数据源自泰国国务委员会办公室，内容涵盖宪法条文、修正案及相关法律文件。研究者利用其丰富的泰语文本资源，构建语言模型进行无监督学习，通过掩码语言建模、下一句预测等预训练范式，捕捉泰语法律文本的句法结构、语义特征与篇章逻辑，为下游任务奠定基础。该数据集的公共领域属性确保了学术研究的合规性与可重复性，成为泰语预训练模型开发的首选语料之一。

实际应用

实际应用场景中，该数据集的价值体现在法律科技与公共治理的深度融合。基于该语料预训练的语言模型可部署于泰国宪法文本的自动摘要生成、条款检索与交叉引用分析系统，辅助法律从业者快速定位历史宪法修正脉络。在政务领域，该数据集支撑的智能问答工具能够为公民提供宪法条文解读服务，提升法律知识普及效率。此外，其公开授权特性允许商业机构开发法律文档管理系统，实现宪法文本的语义搜索与版本差异检测，推动法律服务的数字化转型。

衍生相关工作

该数据集衍生了一系列具有影响力的经典工作。PyThaiNLP社区以其为基础开发了泰语预训练语言模型，如Thai-BERT和Thai-RoBERTa，显著提升了泰语法律文本的编码能力。SEACrowd项目将其整合为东南亚多语言数据枢纽的核心组成部分，催生了跨语种法律文本对齐研究。此外，研究者利用该数据集构建了泰语法律问答基准（Thai Legal QA Benchmark），探索宪法条文与司法判决之间的语义关联。这些工作不仅验证了数据集在预训练任务中的有效性，更拓展了其在法律推理、文本分类等场景的应用边界。