【免费下载链接】turkish-court-decisions项目地址https://ai.gitcode.com/hf_mirrors/hamzabagirsakci/turkish-court-decisions点击查看免费下载turkish-court-decisionsTürk İçtihat Korpusu土耳其判例语料库是目前公开可获取的最大的土耳其法律语料数据集它把土耳其各级法院公开发布的1104 万份判决书整理成了结构化的 Parquet 文件时间跨度覆盖1962–2026 年纯文本总量约 315 亿字符。如果你在构建 NLP 模型、法律检索系统或 AI 法律助手这是一份可以免费、合法CC0 授权使用的真实语料宝藏。下面用通俗的语言带你快速上手。 数据集概览1100 万份判决都来自哪里所有判决均来自土耳其司法机关的公开检索系统Yargıtay Karar Arama、Danıştay Emsal Karar、UYAP Emsal、AYM 判决信息库共5 个数据来源、30 个 Parquet 文件全部存放在 data/ 目录下数据来源目录判决数量时间跨度说明最高法院 Yargıtaydata/yargitay/9,820,1451997–2026占总量约 89%绝对主力UYAP Emsaldata/emsal/815,7022017–2026地方法与上诉法院行政法院 Danıştaydata/danistay/386,6081965–2026行政类判决宪法法院个人申诉 AYM BBdata/aym_bb/17,0672012–2026个案申诉案件宪法法院规范审查 AYM Normdata/aym_norm/5,5631962–2026合宪性审查案件合计—11,045,0851962–2026约 5.52 GB原始采集共 11,124,305 条记录其中 79,220 条因错误页面响应或重复索引被清洗剔除最终得到11,045,085 份去重后的独立判决。 为什么它质量高清洗、脱敏与结构化引用这份土耳其判决书语料在发布前做了三件很见功夫的事隐私脱敏文本中的个人身份证号、银行账号、银行卡号、电话、邮箱被统一替换为[TCKN]、[IBAN]、[KART]、[TELEFON]、[EPOSTA]标签masked_count字段记录了每份判决中被脱敏的条数——直接用于训练更安心。垃圾与去重源系统偶尔会返回机器人检测页或错误页共筛除 6,779 条同一判决被多个 ID 重复索引的情况按来源法庭案号去重保留了文本最完整的版本共剔除 72,441 条重复。法条引用结构化mevzuat_atif字段把判决依据的法律条文抽取为法号/条号格式如5237/62表示《土耳其刑法典》第 62 条。它不做猜测只有当法号明确写在正文里或缩写的指向经过 21 万处语料实测确认度 ≥99%如HMK→6100、CMK→5271时才会生成。像TCK这类因历史沿革可能指向新旧两部刑法的缩写宁可留在正文里也不强行标注——这个设计对法律 NLP 任务非常友好。 快速上手三步拿到土耳其判决书数据第 1 步获取仓库git clone https://gitcode.com/hf_mirrors/hamzabagirsakci/turkish-court-decisions 注意Parquet 文件通过 Git LFS 存储完整检出会拉取约5.52 GB数据请留意磁盘空间。第 2 步用 datasets 库加载from datasets import load_dataset # 全量数据5.52 GB建议用 streaming 流式读取 ds load_dataset(hamzabagirsakci/turkish-court-decisions, splittrain, streamingTrue) # 只加载单一来源例如最高法院 yargitay load_dataset(hamzabagirsakci/turkish-court-decisions, yargitay, splittrain)第 3 步不想全量下载先读单个文件试试import pyarrow.parquet as pq tbl pq.read_table(data/aym_norm/train-00000-of-00001.parquet)想先小规模验证想法时读一个文件如 data/aym_norm/train-00000-of-00001.parquet几秒钟就能跑起来比拉全量方便得多。 数据字段速览每份判决长什么样每条记录都是一份完整判决核心字段如下字段说明id全局唯一标识格式为{来源}:{文档ID}source来源yargitay/danistay/emsal/aym_norm/aym_bbcourt法庭 / 庭室名称esas_no/karar_no案号 / 判决号如2016/57111karar_tarihi判决日期已统一为 ISO 格式YYYY-MM-DDyear/month判决年份、月份方便按时间分片text判决全文保留段落结构masked_count隐私脱敏标记数量mevzuat_atif判决引用的法条列表如5237/62raw_sha256源 HTML 的哈希用于去重与校验 实战示例按法条检索判决mevzuat_atif字段让找出所有依据某条法条做出的判决变得极其简单# 找出所有引用《土耳其刑法典》第 62 条的判决 tck62 yargitay.filter(lambda r: 5237/62 in r[mevzuat_atif])类似的玩法还有按年份切片做时间趋势分析、按court分组统计各庭室判例量、用mevzuat_atif构建法条 ↔ 判例的检索索引……都是几行代码的事。⚖️ 授权与合规可以放心用吗可以而且是最大力度的放心数据集采用CC0-1.0授权——判决本身已是公共领域创作者对整理工作也放弃了全部权利商用、二次分发均无障碍甚至无需署名当然写了会更礼貌。法律层面土耳其《著作权法》第 31 条FSEK m.31明确将官方公布的司法判决排除在版权保护之外再结合宪法中的审判公开原则判决全文向公众开放具有充分法理依据。⚠️ 唯一注意数据仅供研究与开发不构成法律建议如需引用某份判决建议回源系统核对原文。️ 这份土耳其法律语料能做什么README 中列出的任务类别几乎覆盖了法律 NLP 的常见方向法律问答QA用 1100 万事实情境→裁判结论真实样本微调模型法律检索 / RAG按年份、法庭、法条分片建立向量库实现以例检索文本分类案件类型识别、上诉理由分类摘要生成长判决压缩成裁判要旨土耳其语法律大模型315 亿字符的领域语料是预训练 / 继续预训练的优质燃料。❓ 常见问题 FAQ问完整下载要占多大空间答Parquet 压缩格式约5.52 GB解压后纯文本约 315 亿字符数十 GB 级按需加载即可不必全部落盘。问数据是土耳其语的不会土耳其语能用吗答做检索、分类等结构化任务不需要读懂原文做生成类任务建议配合翻译工具或土耳其语团队。问为什么 yargitay 有 17 个文件其他来源只有 1–9 个答因为数据量差异——yargitay 一个来源就超过 980 万份判决data/yargitay/ 下共 17 个分片而 aym_norm 仅 5,563 份单个文件即可容纳。问想去掉重复或校验完整性靠哪个字段答raw_sha256源 HTML 哈希和id就是为此准备的。更多细节采集方法、缩写指向实测表、完整字段说明、BibTeX 引用格式都在项目说明文件 README.md 中建议配合食用。这份横跨 60 多年、覆盖土耳其整个法院体系的判决书语料对法律科技和 NLP 研究者来说确实是一座值得深挖的宝藏。 赞分享【免费下载链接】turkish-court-decisions项目地址https://ai.gitcode.com/hf_mirrors/hamzabagirsakci/turkish-court-decisions点击查看免费下载相关推荐Windows Subsystem for Android高效配置指南深度解析开源项目的专业用法Windows Subsystem for Android高效配置指南深度解析开源项目的专业用法 Windows Subsystem for Android3分钟快速上手Alania Turkish Domain Text (alania-domain-text-tr)load_dataset加载土耳其语TTS语料的完整指南3分钟快速上手Alania Turkish Domain Text alania domain text tr load_dataset加载土耳其语TTS语料数据集语音144万句土耳其语语音Agent语料库Alania Turkish Domain Text (alania-domain-text-tr)1819小时TTS训练数据终极概览144万句土耳其语语音Agent语料库Alania Turkish Domain Text alania domain text tr 1819小时TTS训练数据集语音上一篇OneUptime监控指标字典核心KPI定义与计算方法详解下一篇捉妖雷达Web版开源实时妖怪追踪解决方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考