canadian-case-law
קוד פתוחa2ajmit2025-06-07
המאגר מרכז כ־225 אלף פסקי דין מלאים מקנדה באנגלית ובצרפתית. הוא מתאים למי שבונה מודלים לתחום המשפטי או צריך רשת ציטוטים מובנית בין תקדימים.
- 3,160הורדות בחודש
- 15לייקים
מה זה
הנתונים כוללים כ־225 אלף החלטות שיפוטיות ופסיקות של טריבונלים מנהליים בקנדה, שנאספו ישירות מאתרים רשמיים או התקבלו מהמוסדות עצמם. הטקסטים מופיעים באנגלית, בצרפתית, או בשתיהן, ועברו ניקוי בסיסי מקובצי מקור לרמת טקסט נקי.
המבנה מחולק לפי ערכאות. בין הגופים הגדולים נמצאים בית המשפט העליון של קולומביה הבריטית עם מעל 52 אלף תיקים, בית המשפט הפדרלי עם מעל 35 אלף תיקים, ובית המשפט לערעורים של אונטריו עם כ־24 אלף תיקים. לצדם מופיעים טריבונלים לנושאי הגירה, זכויות אדם, סחר ורווחה. כל שורה מייצגת תיק יחיד וכוללת מזהים, תאריכים, טקסט פסק הדין, ורשימות ציטוטים נכנסים ויוצאים.
מתאים ל
- אימון מודלי שפה לתחום המשפט
אימון מקדים או כוונון עדין על טקסטים משפטיים אותנטיים בשפה האנגלית והצרפתית.
- ניתוח רשתות תקדימים
מיפוי קשרי ציטוט בין שופטים וערכאות שונות לאורך עשרות שנות שפיטה.
- פיתוח כלי חיפוש משפטי
בניית מנועי אחזור והשוואת מסמכים לתיקים מנהליים ופדרליים בקנדה.
איפה זה נופל
הטקסטים אינם מדגם מייצג של כלל הסכסוכים המשפטיים, מכיוון שהחלטות מנהליות חיוביות כמעט לא מגיעות לערעור ולכן חסרות בתיעוד. החומר כולל רק אנגלית וצרפתית, ללא שפות נוספות. ניתוח הציטוטים מבוסס על התאמת תבניות של אזכורים ניטרליים בלבד, כך שהחלטות מלפני שנת 2000 או טריבונלים שמשתמשים בשיטות רישום ישנות כמעט לא מקושרים ברשת. בנוסף, חסרים נספחים שהוגשו כקובצי PDF נפרדים, ויש פערים היסטוריים משמעותיים בחלק מבתי המשפט.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא באופן גורף. המאגר עצמו מוגדר תחת רישיון MIT, אבל הטקסטים של פסקי הדין כפופים לרישיונות המקור בשדה upstream_license. חלק מבתי המשפט אוסרים על מסחור הנתונים, ולכן יש לסנן את הרשומות לפני שימוש במוצר מניב.
האם יש במאגר טקסטים בעברית?
אין שום תוכן בעברית. כל הנתונים כתובים באנגלית, בצרפתית, או בשילוב של שתיהן בהתאם לפרסום הרשמי בקנדה.
איך נאספו הנתונים?
החוקרים אספו את פסקי הדין באמצעות סריקה מאתרי האינטרנט של הערכאות השונות, תוך עמידה בתנאי השימוש שלהם. חלק מההחלטות התקבלו ישירות מהטריבונלים דרך דואר אלקטרוני וערוצי הפצה מוסדיים.
כמה רשומות יש במאגר ואיך הן מחולקות?
המאגר כולל סדר גודל של כ־225 אלף פסקי דין המחולקים ל־32 קבצים לפי ערכאות וטריבונלים. כולם יושבים תחת פיצול train יחיד בפורמט Parquet.
איך טוענים
טוענים את המאגר ישירות דרך ספריית datasets ללא צורך בהרשאה מוקדמת. כל המידע יושב בפיצול train יחיד בפורמט Parquet, כאשר כל ערכאה מסודרת בתיקייה משלה. אפשר לטעון ערכאה בודדת כמו SCC באמצעות הפרמטר data_dir, או למשוך את כל התיקיות יחד. השדות המרכזיים לעבודה הם unofficial_text_en ו־unofficial_text_fr לטקסט המלא, לצד cases_cited ו־cases_citing לניתוח קשרי פסיקה.
from datasets import load_dataset
ds = load_dataset("a2aj/canadian-case-law")הרישיון
הקוד והעיבוד של היוצרים מפורסמים תחת רישיון MIT, אך הטקסטים עצמם כפופים לתנאי המקור של בתי המשפט שמופיעים בשדה upstream_license. חלק מהמוסדות מגבילים שימוש מסחרי ומטילים תנאי הפצה משלהם. מודל שמאומן על החומר עלול להיות מוגבל בגלל תנאי המקור הללו, ולכן חובה לבדוק את הרישיון הפרטני של כל מסמך לפני שימוש מסחרי.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש