jurisprudence
קוד פתוחantoinejeannotetalab-2.02024-09-06
מעל מיליון פסקי דין מלאים מבתי משפט בצרפת, שנמשכים ישירות ממאגר רשמי ומאורגנים לפי ערכאות. אם אתם בונים מודל שפה לתחום המשפטי בצרפתית, זה המקור הכי מסודר שתמצאו.
- 497הורדות בחודש
- 27לייקים
מה זה
המאגר מאגד החלטות שיפוטיות משלוש ערכאות שונות בצרפת: בית המשפט העליון (Cour de Cassation), בתי המשפט לערעורים (Cour d'Appel), ובתי משפט מחוזיים (Tribunal Judiciaire). המידע נאסף ישירות מהממשק הרשמי Judilibre שמפעיל בית המשפט העליון הצרפתי, ומתעדכן בריצה אוטומטית כל שלושה ימים בחצות UTC.
המפרסם מעביר את הנתונים המקוריים המרה טכנית בלבד, ללא שינוי תוכן, ומחלק אותם לפי שלוש הערכאות. בכל רשומה יש שלושים ושלושה שדות שונים, כשהתוכן הטקסטואלי של פסק הדין נמצא בעמודת הטקסט. הנתונים זמינים בקובצי Parquet או בקובצי JSONL דחוסים.
מתאים ל
- אימון מודל שפה משפטי
אימון המשך או כוונון עדין של מודלי שפה על טקסטים משפטיים מקצועיים ומנוסחים היטב בצרפתית.
- חיפוש ואחזור תקדימים
בניית מערכות RAG ומנועי חיפוש סמנטי למציאת החלטות שיפוטיות דומות לפי עובדות המקרה.
- סיווג פסקי דין
אימון מסווגים שמזהים את הערכאה, נושא התביעה או תוצאת ההליך לפי שלושים ושלושה שדות המידע.
איפה זה נופל
הטקסט כולו בצרפתית בלבד, ללא שום ייצוג לעברית או לשפות אחרות. הנתונים מוגבלים לחוק הצרפתי ולמבנה המשפטי המקומי שם, ולכן לא רלוונטיים להסקה על מערכות משפט בישראל או במדינות אחרות.
יש גם פער זמנים בולט בכיסוי. ההחלטות מבית המשפט העליון מגיעות אחורה עד לשנת 1860, בתי המשפט לערעורים מכוסים משנת 1996, ואילו הערכאה הנמוכה כוללת פסקי דין רק מסוף 2023. מי שמאמן מודל היסטורי צריך לקחת בחשבון שהייצוג של הערכאות הנמוכות מוגבל לתקופה קצרה מאוד.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט הזה למוצר מסחרי?
כן. רישיון Etalab 2.0 מתיר שימוש מסחרי מלא, כולל אימון מודלים והפצת תוצרים. החובה היחידה היא לציין את מקור המידע (Judilibre ובית המשפט העליון הצרפתי) בהתאם לתנאי הרישיון.
האם יש במאגר טקסטים בעברית?
לא. כל הנתונים מגיעים ישירות ממערכת המשפט הצרפתית והטקסט כולו בצרפתית. הוא לא מתאים לעיבוד שפה בעברית ולא לניתוח המשפט הישראלי.
כמה מקום צריך בשביל להוריד אותו למחשב?
סך כל הקבצים בפורמט Parquet תופס חמישה נקודה ארבעים וארבעה גיגה בייט. אם מורידים את קובצי ה־JSONL המכווצים, מדובר בשלושה נקודה עשרים וארבעה גיגה בייט. אפשר גם למשוך רק ערכאה אחת ולחסוך מקום.
באיזו תדירות המידע מתעדכן?
הקוד מושך עדכונים מה־API הרשמי בכל שלושה ימים בחצות UTC ומפרסם גרסה חדשה. המשמעות היא שפסקי דין חדשים מתווספים באופן שוטף כמעט בזמן אמת.
איך טוענים
אין צורך באישור גישה או ברישום, המאגר פתוח לחלוטין. אפשר לטעון אותו ישירות דרך ספריית datasets הרגילה של פייתון, או לקרוא קובץ Parquet בודד ישירות מהכתובת שלו באמצעות Polars או Pandas.
כל הקבצים יחד שוקלים כחמישה נקודה ארבעים וארבעה גיגה בייט בפורמט Parquet, וכשלושה נקודה עשרים וארבעה גיגה בייט בפורמט JSONL מכווץ. אם אתם לא צריכים את כל הערכאות, כדאי לטעון רק את הערכאה שמעניינת אתכם. השדה החשוב ביותר לעיבוד שפה הוא עמודת text.
from datasets import load_dataset
ds = load_dataset("antoinejeannot/jurisprudence")הרישיון
המאגר מופץ תחת רישיון פתוח של ממשלת צרפת (Licence Ouverte / Etalab 2.0). הרישיון מתיר שימוש חופשי כולל שימוש מסחרי, העתקה, שינוי ושילוב במוצרים אחרים. הדרישה העיקרית היא מתן קרדיט וייחוס למקור המידע המקורי, Judilibre של בית המשפט העליון הצרפתי.