alexandrainst/domsdatabasen

Domsdatabasen数据集是一个包含丹麦法院判决案例的数据库。每个案例包括表格数据和描述性PDF文件。PDF文件经过匿名化处理，包含两个文本版本：`text`（未匿名化）和`text_anon`（匿名化）。数据集主要用于文本生成任务，语言为丹麦语。数据集由Oliver Kinch从Domsdatabasen网站抓取，并遵循CC0许可证。

原始信息汇总

数据集卡片 "domsdatabasen"

数据集描述

数据集概述

Domsdatabasen 是一个数据库，您可以在其中找到并阅读由丹麦法院发布的精选判决。

每个判决/案件由表格数据和案件描述性PDF组成。该数据集收集了所有这些案件，每个样本描述一个特定的判决/案件。

PDF文件经过匿名化处理以保护敏感信息。因此，每个样本包含两种文本版本：

• text_anon（带有匿名化标签：<anonym>"Some sensitive text"</anonym>）。
• text（不带匿名化标签）。

text_anon 使用 Easyocr 读取。

text 使用 Easyocr 或 Tika-python 读取，具体取决于PDF和匿名化方法。

如果PDF中未检测到匿名化，text_anon 将为空。

语言

该数据集提供丹麦语（da）版本。

数据集结构

数据集示例如下：

json { "case_id": "id of case/judgment", ... The tabualar string data ..., "text": "pdf text", "text_anon": "anonymized pdf text" "text_len": <number of chars in text>, "text_anon_len": <number of chars in anonymized text> }

数据字段

• case_id: 字符串类型。
• text: 字符串类型。
• text_anon: 字符串类型。
• text_len: 整数类型。
• text_anon_len: 整数类型。

数据集统计

数据集大小

提供PDF文本的两种版本 text 和 text_anon，所有PDF文本的总大小约为 ~199//2 MB。

样本数量

• 3919

PDF文本长度分布

基于 text 的统计数据：

• 最小长度: 192
• 最大长度: 2101736

潜在的数据集问题

请参阅 开放问题。

数据集创建

数据集来源

该数据集从 Domsdatabasen 抓取。

附加信息

数据集许可

该数据集根据 CC0 许可 进行许可。