meetingbank

מה זה

הנתונים מגיעים מישיבות מועצה של שש ערים בארצות הברית: אלמדה, בוסטון, דנבר, לונג ביץ', קינג קאונטי וסיאטל. סך הכל מדובר על מעל 3,579 שעות וידאו, כאשר כל ישיבה נמשכת בממוצע 2.6 שעות ומגיעה לאורך של מעל 28,000 תווים (tokens). מלבד התמלולים המלאים, המאגר כולל מסמכי פרוטוקולים, סדרי יום ומטא-דאטה.

גרסת הטקסט הזו מחולקת ל־6,892 מקטעים שמיועדים לאימון והערכה של מודלי תמצות. הרשומות מגיעות בקובצי JSON המחולקים לסטים קבועים של אימון, בדיקה ואימות. כל רשומה כוללת מזהה ייחודי (uid) שמקשר לעיר ולישיבה, מזהה רץ (id), את התמלול המקורי של המקטע, ואת הסיכום הרשמי שנלקח מהמסמכים העירוניים.

מתאים ל

• תמצות פגישות ארוכות

  אימון מודלים להתמודדות עם טקסט רציף ומרובה דוברים באורך אלפי מילים.

• הערכת ביצועי מודלים

  מבחן ביצועים למערכות תמצות מול סיכומי ישיבות רשמיים באנגלית.

• חילוץ מבנה מפרוטוקולים

  מיפוי החלטות, סדרי יום ונושאים מתוך תמלול גולמי של דיונים ארוכים.

איפה זה נופל

כל הטקסטים הם באנגלית בלבד וכוללים ז'רגון מוניציפלי ומשפטי אמריקאי כבד. מי שמחפש שיחות יומיומיות, שיחות צוות בחברות הייטק, או כל דבר בעברית, לא ימצא כאן מענה מתאים. בנוסף, חלוקת המקטעים מבוססת על ישיבות עירוניות ספציפיות מארה"ב, כך שהסגנון הפורמלי עלול להטות מודלים שמיועדים לשפה מדוברת חופשית.

איך טוענים

טוענים ישירות דרך ספריית datasets באמצעות הנתיב huuuyeah/meetingbank, בלי צורך בבקשת גישה מיוחדת. המאגר מגיע מחולק מראש ל־train, test ו־validation. כל דגימה מחזיקה ארבעה שדות פשוטים: id, uid, transcript ו־summary. אם אתם צריכים את האודיו או הווידאו עצמם, הם לא נמצאים כאן אלא יושבים בנפרד ב־Zenodo וב־Archive.org.

from datasets import load_dataset

ds = load_dataset("huuuyeah/meetingbank")

הרישיון

הרישיון הוא cc-by-nc-sa-4.0. המשמעות ברורה: שימוש מחקרי ולא מסחרי בלבד. חובה לתת ייחוס ליוצרים, ואם אתם משנים את הנתונים או מפיצים אותם הלאה, עליכם לעשות זאת תחת אותו הרישיון בדיוק. אי אפשר להשתמש במאגר הזה כדי לבנות או לאמן מודל שיוטמע ישירות במוצר מסחרי סגור.

• שינוי הקוד
• חובת ייחוס
• שימוש מסחרי: לא

הרישיון המלא ב־Hugging Face ↗