Wollaston/gelato

---
dataset_info:
- config_name: level1
features:
- name: id
dtype: int64
- name: tokens
list: string
- name: labels
list: string
splits:
- name: train
num_bytes: 1129704
num_examples: 80
- name: dev
num_bytes: 345440
num_examples: 21
- name: test
num_bytes: 460779
num_examples: 30
download_size: 1941799
dataset_size: 1935923
- config_name: level2
features:
- name: id
dtype: int64
- name: tokens
list: string
- name: labels
list: string
splits:
- name: train
num_bytes: 1256647
num_examples: 80
- name: dev
num_bytes: 381692
num_examples: 21
- name: test
num_bytes: 521090
num_examples: 30
download_size: 2165351
dataset_size: 2159429
configs:
- config_name: level1
data_files:
- split: train
path: level1/train-*
- split: dev
path: level1/dev-*
- split: test
path: level1/test-*
- config_name: level2
data_files:
- split: train
path: level2/train-*
- split: dev
path: level2/dev-*
- split: test
path: level2/test-*
pretty_name: The GELATO Dataset for Legislative NER
license: mit
task_categories:
- token-classification
language: en
---

# GELATO

This repo contains the data from "The Gelato Dataset for Legislative NER" (LREC2026).

### Dataset Description

GELATO (Government, Executive, Legislative, and Treaty Ontology) is a dataset of U.S. House and Senate bills
from the 118th Congress annotated using a novel two-level named entity recognition ontology designed
for U.S. legislative texts.

- **Language:** English
- **License:** MIT

### Dataset Sources

- **Repository:** [GitHub](https://github.com/Wollaston/gelato)
- **Paper:** [The GELATO Dataset for Legislative NER](https://arxiv.org/abs/2603.14130)

## Uses

This dataset contains a two-level ontology to support NLP research of U.S. legislative data.

### Dataset Structure and Ontology

1. Person
1. Individual
2. Member
3. Title
2. Organization
1. Agency
2. Association
3. Committee
4. International Institution
5. Legislative Body
6. Locality
7. Nation
8. State
3. Document
1. Bill
2. Code
3. Parenthetical
4. Reference
5. Report
6. Treaty
4. Abstraction
1. Case
2. Doctrine
3. Fund
4. Infrastructure
5. Misc
6. Program
7. Session
8. Specification
9. System
5. Act
1. Amendment
2. Public Act
6. Class
1. Non-Protected Class
2. Protected Class

### Source Data, Data Collection, and Processing

All bills in the GELATO dataset are publicly available U.S. government documents obtained via the
[congress.gov API](https://api.congress.gov/#/) and are therefore in the public
domain and not subject to copyright restrictions.

### Annotation process and annotators

The three graduate student authors annotated the data following best practices. See our paper for more details.

### Bias, Risks, and Limitations

Three graduate student annotators (the authors)
with training in linguistics and NLP collaboratively
created GELATO through a two-stage process with
full adjudication of any disagreements. This is
a descriptive annotation; for example, this ontology includes Protected Class and Non-Protected
Class subclasses that are consistent with U.S. anti-discrimination law definitions.

GELATO can support beneficial applications including legislative tracking, policy analysis, and
government transparency initiatives. However, automated entity extraction could also enable
potentially harmful uses such as targeted analysis of how
specific groups are referenced in legislation or identification of
individual legislators for inappropriate purposes.

## Citation

**BibTeX:**

```
@misc{flynn2026gelatodatasetlegislativener,
title={The GELATO Dataset for Legislative NER},
author={Matthew Flynn and Timothy Obiso and Sam Newman},
year={2026},
eprint={2603.14130},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2603.14130},
}
```

## Dataset Card Authors

Matthew Flynn ([Wollaston](https://huggingface.co/Wollaston))

## Dataset Card Contact

Matthew Flynn ([Wollaston](https://huggingface.co/Wollaston))

数据集信息：
- 配置名称：level1
特征：
- 名称：id
数据类型：int64
- 名称：tokens
类型：字符串列表
- 名称：labels
类型：字符串列表
数据划分：
- 名称：train（训练集）
字节数：1129704
样本数：80
- 名称：dev（开发集/验证集）
字节数：345440
样本数：21
- 名称：test（测试集）
字节数：460779
样本数：30
下载大小：1941799
数据集总大小：1935923
- 配置名称：level2
特征：
- 名称：id
数据类型：int64
- 名称：tokens
类型：字符串列表
- 名称：labels
类型：字符串列表
数据划分：
- 名称：train（训练集）
字节数：1256647
样本数：80
- 名称：dev（开发集/验证集）
字节数：381692
样本数：21
- 名称：test（测试集）
字节数：521090
样本数：30
下载大小：2165351
数据集总大小：2159429
配置项：
- 配置名称：level1
数据文件：
- 划分：train（训练集）
路径：level1/train-*
- 划分：dev（开发集/验证集）
路径：level1/dev-*
- 划分：test（测试集）
路径：level1/test-*
- 配置名称：level2
数据文件：
- 划分：train（训练集）
路径：level2/train-*
- 划分：dev（开发集/验证集）
路径：level2/dev-*
- 划分：test（测试集）
路径：level2/test-*
数据集展示名称：用于立法命名实体识别（Named Entity Recognition, NER）的GELATO数据集
许可证：MIT
任务类别：令牌分类（Token Classification）
语言：英语

# GELATO
本仓库包含《用于立法命名实体识别的GELATO数据集》（LREC2026）中的相关数据。

## 数据集说明
GELATO（Government, Executive, Legislative, and Treaty Ontology，政府、行政、立法与条约本体）是针对美国第118届国会参众两院法案构建的数据集，采用专为美国立法文本设计的两级命名实体识别本体完成标注。
- **语言：英语**
- **许可证：MIT**

## 数据集来源
- **代码仓库：** [GitHub](https://github.com/Wollaston/gelato)
- **论文：** [《用于立法命名实体识别的GELATO数据集》](https://arxiv.org/abs/2603.14130)

## 应用场景
本数据集包含两级本体结构，可支撑美国立法文本的自然语言处理（Natural Language Processing, NLP）研究。

### 数据集结构与本体体系
1. 人物（Person）
1. 个体（Individual）
2. 议员（Member）
3. 头衔（Title）
2. 组织机构（Organization）
1. 行政机构（Agency）
2. 协会（Association）
3. 委员会（Committee）
4. 国际组织（International Institution）
5. 立法机构（Legislative Body）
6. 地方行政单位（Locality）
7. 国家（Nation）
8. 州（State）
3. 文档（Document）
1. 法案（Bill）
2. 法典（Code）
3. 插入语（Parenthetical）
4. 引用文献（Reference）
5. 报告（Report）
6. 条约（Treaty）
4. 抽象概念（Abstraction）
1. 案例（Case）
2. 学说（Doctrine）
3. 基金（Fund）
4. 基础设施（Infrastructure）
5. 其他（Misc）
6. 项目（Program）
7. 会议（Session）
8. 规范说明（Specification）
9. 系统（System）
5. 法案相关（Act）
1. 修正案（Amendment）
2. 公法（Public Act）
6. 群体类别（Class）
1. 非受保护群体（Non-Protected Class）
2. 受保护群体（Protected Class）

### 源数据、数据采集与处理流程
GELATO数据集内的所有法案均为通过[congress.gov API](https://api.congress.gov/#/)获取的美国政府公开文档，因此属于公共领域，不受版权限制。

### 标注流程与标注者
本数据集由三名研究生作者依据行业最佳实践完成标注，详细信息可参见刊载论文。

### 偏差、风险与局限性
三名具备语言学与自然语言处理训练背景的研究生标注者（即本文作者）通过两阶段协作流程构建GELATO数据集，并对所有标注分歧开展全面裁定。本数据集属于描述性标注工作，例如其包含的受保护群体与非受保护群体子类，与美国反歧视法的定义保持一致。
GELATO可支撑立法追踪、政策分析、政府透明度建设等一系列有益应用场景。然而，自动化实体抽取技术也可能被用于不当用途，例如针对性分析特定群体在立法文本中的提及情况，或出于非正当目的识别个别议员身份。

## 引用
**BibTeX格式引用：**

@misc{flynn2026gelatodatasetlegislativener,
title={The GELATO Dataset for Legislative NER},
author={Matthew Flynn and Timothy Obiso and Sam Newman},
year={2026},
eprint={2603.14130},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2603.14130},
}

## 数据集卡片作者
Matthew Flynn（[Wollaston](https://huggingface.co/Wollaston)）

## 数据集卡片联系方式
Matthew Flynn（[Wollaston](https://huggingface.co/Wollaston)）