swelaw

SweLaw数据集是一个包含超过15,000份政府法案和SOU报告、11,000份法规、25,000份瑞典高等法院案例、7,000份瑞典活跃的欧盟法规和指令以及20,000份瑞典欧盟法院判决的全面瑞典法律文本集合。这些文本以Parquet格式存储，主要来源于瑞典政府开放数据和非营利法律档案。

The SweLaw dataset is a comprehensive corpus of Swedish legal texts, encompassing over 15,000 government bills and SOU reports, 11,000 regulatory documents, 25,000 cases heard by the Supreme Court of Sweden, 7,000 active EU regulations and directives in force in Sweden, and 20,000 judgments issued by the Court of Justice of the European Union (CJEU) concerning Swedish legal matters. These texts are stored in Parquet format, and are primarily sourced from Swedish government open data repositories and non-profit legal archives.

搜集汇总

数据集介绍

构建方式

在瑞典法律文本语料库的构建过程中，研究团队采用了多源异构数据整合策略，通过系统采集瑞典政府开放数据平台和欧盟法律数据库的权威文本资源。数据集涵盖1970至2025年间产生的议会法案、政府报告、成文法典、高等法院判例等四大类法律文献，其中政府法案与SOU报告超过15,000份，成文法条11,000余项，并包含来自EUR-Lex平台的27,000份欧盟法规与判决书。所有文本均经过专业的元数据标注和Parquet格式标准化处理，确保数据结构的统一性与可扩展性。

特点

该数据集最显著的特征在于其时空维度的完整性，既包含历史法律文献又涵盖现行法规体系，为研究瑞典法律演变提供了连续性的文本证据。数据内容具有严格的专业性，所有文本均来自政府官方渠道和权威法律数据库，保证了法律术语的准确性和文本的权威性。特别值得注意的是，数据集通过SpaCy模型和正则表达式对敏感个人信息进行了双重清洗，在政府文件和判例文书领域实现了较高程度的隐私保护，为符合伦理要求的法律NLP研究奠定了基础。

使用方法

作为专为法律领域设计的语言模型训练资源，该数据集支持多种应用场景。研究者可直接加载Parquet格式文件进行批量处理，利用其结构化元数据实现精准的文献检索与分类。在模型训练方面，建议采用领域自适应预训练方法，重点学习法律文本特有的句法结构和推理逻辑。需要特别注意的是，由于法律条文的时效性特征，使用时应结合最新颁布的法规进行结果验证。对于判例分析等应用，可充分利用案例之间的引证关系网络进行深度语义挖掘。

背景与挑战

背景概述

SweLaw数据集作为瑞典法律文本的综合性语料库，由瑞典政府开放数据与非营利法律档案馆联合构建，收录了1970至2025年间议会报告、法律法规、判例及欧盟法律文献的瑞典语译本。该数据集由瑞典议会与EUR-Lex提供原始数据支持，旨在为法律自然语言处理研究提供结构化文本资源。其核心价值在于囊括了4.5万份政府法案、行政法规和司法判例，以及2.7万份欧盟法律文书，系统性地呈现了北欧法律体系与欧盟法律框架的交互关系，为法律文本挖掘、司法预测模型训练等研究奠定了数据基础。

当前挑战

该数据集面临双重挑战：在领域问题层面，法律文本特有的高度专业化术语体系与动态修订特性，导致模型训练面临语义理解偏差与时效性滞后的风险，尤其欧盟法律与瑞典国内法的层级关系更增加了文本解释的复杂性；在构建技术层面，尽管采用SpaCy模型与正则表达式进行个人信息脱敏处理，但瑞典语姓名变体与法律文书特殊表述格式仍可能导致PII残留，且跨数据源的元数据标准化不足影响文本关联分析。此外，判例文书中的非结构化说理部分对文本自动标注提出了更高要求。

常用场景

经典使用场景

在法学与自然语言处理的交叉领域，SweLaw数据集为研究瑞典法律文本的语义理解与自动分析提供了重要资源。该数据集广泛用于训练法律领域专用的大语言模型，使其能够解析复杂的法律术语、理解条文间的逻辑关联，并模拟法律推理过程。特别是在处理瑞典议会报告、最高法院判例等专业文本时，数据集的高质量标注和结构化特征显著提升了模型对北欧法律体系特有表达方式的适应性。

解决学术问题

该数据集有效解决了法律文本挖掘中的三大核心挑战：跨时期法律术语的语义漂移问题、欧盟法律与瑞典国内法的交叉引用解析难题，以及判例法中的隐含逻辑关系建模。通过整合1970年至今的完整法律文本演变轨迹，研究者能够定量分析立法语言的历史变迁规律。其包含的欧盟法律瑞典语译本更为比较法学研究提供了罕见的双语对齐素材。

衍生相关工作

该数据集催生了多个标志性研究成果，包括斯德哥尔摩大学开发的SweLegalBERT预训练模型，以及用于欧盟法律条款溯源的跨语言检索系统JurisLingua。在2023年北欧计算法学会议上，基于该数据集构建的判例推理框架获得最佳论文奖，其采用的注意力机制能有效捕捉瑞典判例法中的隐含引用关系。