LOCUS (Local Ordinance Corpus for the United States) / LOCUS-v1

LOCUS是美国首个大规模、县际协调的本地法令语料库，由加州大学伯克利分校研究团队构建，旨在系统化收录全美市县层面的法规条文。该语料库原始版本涵盖9,239个市县的法令代码，经处理后形成包含221万条文本片段的协调访问层，覆盖全美3,144个县中的2,309个主要县域，数据总量约80GB，源自超过7百万页PDF文档的OCR识别与结构化处理。创建过程通过自动化采集、光学字符识别、Markdown转换及基于ModernBERT的分类标注流程，实现了对多样化格式法律文本的统一处理。该数据集主要应用于法律人工智能、实证法学研究及政策分析领域，致力于解决地方性法规数据碎片化、机器可读性差的问题，为法律检索、跨辖区法规比较及智能法律系统开发提供基础设施。LOCUS is the first large-scale, inter-county coordinated local ordinance corpus in the United States, developed by a research team from the University of California, Berkeley. Its core objective is to systematically compile municipal and county-level regulatory provisions across the entire country. The original version of this corpus includes ordinance codes from 9,239 municipalities and counties. Following post-processing, a coordinated access layer containing 2.21 million text segments is created, covering 2,309 major counties out of the 3,144 total counties in the U.S. The dataset has a total size of approximately 80 GB, and is derived from optical character recognition (OCR) and structured processing of over 7 million PDF documents. The construction pipeline incorporates automated data collection, optical character recognition, Markdown conversion, and a ModernBERT-based classification and annotation workflow, enabling unified processing of legal texts in diverse formats. This dataset is primarily utilized in the domains of legal artificial intelligence, empirical legal research, and policy analysis. It seeks to resolve the challenges of fragmented local regulatory data and poor machine readability, providing foundational infrastructure for legal retrieval, cross-jurisdictional ordinance comparison, and the development of intelligent legal systems.

原始信息汇总

数据集概述：LOCUS v1.0

数据集名称：LOCUS v1.0
主页链接：https://huggingface.co/datasets/LocalLaws/LOCUS-v1
语言：英语
许可证：CC-BY-NC-4.0

任务与规模

• 任务类别：文本分类
• 数据集规模：约 2,211,516 条记录（训练集包含 2,211,516 个样本）
• 数据规模分类：1M < n < 10M

数据结构

每个样本以文本块（chunk） 为单位，包含以下特征：

• header (字符串)：文本块标题
• content (字符串)：文本块内容
• is_substantive (布尔值)：是否为实质性法律条款
• function (字符串)：法律功能分类
• topic (字符串)：主题分类（仅当 is_substantive 为 True 时使用）
• source_jurisdiction_type (字符串)：管辖类型
• state (字符串)：所在州
• city (字符串)：所属城市
• county (字符串)：所属县
• enforcement_discretion (浮点数)：执法裁量度
• opacity (浮点数)：透明度
• paternalism (浮点数)：家长主义程度
• problem_salience (浮点数)：问题显著性

标签体系

• 功能标签（Function）：
  • Context（上下文）
  • Rules（规则）
  • Process（流程）
  • Enforcement（执法）
• 实质性判定规则：
  • is_substantive = True：适用于 Rules 和 Enforcement
  • is_substantive = False：适用于 Context、Process 和 Structural
• 主题标签（Topic）（仅用于实质性条款）：
  • Buildings（建筑）
  • Business（商业）
  • Nuisance（妨害）
  • Zoning（分区）
  • Other（其他）

数据局限与偏差

• 覆盖范围：不包含所有美国市/县辖区，且各地区数字化程度不同。
• 标签准确性：function 和 topic 标签由模型生成，未完全经过人工验证，存在标签噪声。
• 主题粒度：主题分类较粗，无法捕捉细粒度主题。
• 时间性：数据为快照版本，可能不反映当前法律状态。
• 地理与人口偏差：大城市和城市化地区占比过高，农村地区代表不足。
• 法律体系差异：各州法律体系不同，标签分布不能推广到单个辖区。
• 模型偏差：标签来自自动分类器，可能继承训练数据的偏差。
• 语言限制：仅包含英语文本，未处理非英语内容。

个人与敏感信息

• 数据来源于公开的市/县法律，属于公共记录。
• 可能包含可识别个人（如官员、诉讼当事人）、特定财产或商业地址的信息，未进行脱敏处理。
• 不包含非公开个人数据、生物识别数据、健康数据、财务账户信息或政府颁发标识符。

推荐用途

• 法律文本分类研究
• 地方法律结构与组成分析
• 实质性/非实质性条款过滤
• 下游法律分类体系精炼
• 弱监督或人机协同的标注工作流

禁止用途

• 不应用于法律咨询
• 不能替代人工法律审查
• 不能视为美国地方法律的完整普查
• 未经额外人工审核，不可作为完全验证的基准