lawinstruct/lawinstruct

LawInstruct 是一个多语言的法律指令调优数据集，支持多种语言，包括保加利亚语、捷克语、丹麦语、德语、希腊语、英语、西班牙语、爱沙尼亚语、芬兰语、法语、爱尔兰语、克罗地亚语、匈牙利语、意大利语、立陶宛语、拉脱维亚语、马耳他语、荷兰语、波兰语、葡萄牙语、罗马尼亚语、斯洛伐克语、斯洛文尼亚语、瑞典语、中文、日语和韩语。数据集的结构为 {name}_train.{shard}.jsonl.xz 格式，包含多个数据字段，如数据集名称、子集名称、来源、提示语言、回答语言、司法管辖区、任务类型、下载时间戳以及文本内容。数据集仅包含一个训练集，数据大小在 10M 到 100M 之间。

LawInstruct is a multilingual legal instruction-tuning dataset that supports a diverse set of languages, including Bulgarian, Czech, Danish, German, Greek, English, Spanish, Estonian, Finnish, French, Irish, Croatian, Hungarian, Italian, Lithuanian, Latvian, Maltese, Dutch, Polish, Portuguese, Romanian, Slovak, Slovenian, Swedish, Chinese, Japanese, and Korean. The dataset follows the file naming convention of {name}_train.{shard}.jsonl.xz, and comprises multiple data fields such as dataset name, subset name, source, prompt language, answer language, jurisdiction, task type, download timestamp, and text content. The dataset only contains a single training set, with a total data size ranging from 10M to 100M.

原始信息汇总

数据集概述

数据集描述

• 数据集名称: LawInstruct
• 数据集简介: LawInstruct是一个多样化的多语言法律指令调优数据集。
• 支持任务: 文本生成
• 语言: 支持以下语言：bg, cs, da, de, el, en, es, et, fi, fr, ga, hr, hu, it, lt, lv, mt, nl, pl, pt, ro, sk, sl, sv, zh, ja, ko
• 许可证: MIT
• 多语言性: 多语言
• 数据集大小: 10M<n<100M
• 数据来源: 原始数据

数据集结构

• 文件格式: {name}_train.{shard}.jsonl.xz
• 数据字段:
  • dataset_name: 数据集名称
  • subset_name: 子数据集名称（如果适用）
  • source: 数据来源的URL
  • prompt_language: 提示语言
  • answer_language: 答案语言
  • jurisdiction: 数据集的司法管辖区
  • task_type: 数据集的任务类型
  • downloaded_timestamp: 数据集构建的时间戳
  • text: 包含提示和答案的文本

数据实例

• 文件格式: jsonl.xz
• 数据分割: 仅包含train分割

数据集创建

• 数据集创建: 通过运行LawInstruct仓库中的代码创建。
• 数据集版本: 公共版本中移除了CiviproQuestions, COLIEE, JECQA和MBE数据集，因为它们的许可证限制。