sf_criminal_court

מה זה

המאגר כולל 13 טבלאות עיקריות בפורמט פרקט, שנבנו משילוב של גירוד אתר בית המשפט העליון בסן פרנסיסקו, נתונים פתוחים של התובע המחוזי וקובץ גזרי דין שהתקבל בבקשת חופש מידע. הרשומות מתפרסות על פני כ־77 אלף תיקים, 776 אלף רשומות יומן תיק, כ־318 אלף דיונים ביומני בתי המשפט, ומאות אלפי שורות של מעצרים ואישומים.

החלק המרכזי מורכב מתיקים ודיונים המקושרים לשמות נאשמים ועורכי דין. חלק נוסף מוקדש לשיוך שופטים לאולמות לפי מסמכי הצבה רשמיים, כולל מפתחות לזיהוי שמות אחרי פענוח אופטי. החלק המורכב ביותר מחבר בין נתוני התביעה לבין גיליון גזרי הדין, שהועבר במקור ללא מספרי התיק הציבוריים ודרש התאמה הסקתית לפי תאריך הגשה והרכב סעיפי האישום.

מתאים ל

• סיווג תוצאות גזרי דין

  אימון מודלים טבלאיים לחיזוי עונשי מאסר או שחרור על תנאי לפי סעיפי אישום ונתוני מעצר.

• בדיקת הטיות בענישה

  מחקר אמפירי על הפערים בין המלצות התביעה להחלטות בפועל לפי אולמות וסוגי עבירות.

• בנצ'מרק לחיבור ישויות

  בחינת אלגוריתמים לחיבור רשומות מבוזרות ללא מפתח זיהוי משותף על גבי נתוני אמת.

איפה זה נופל

ההטיה המשמעותית ביותר נובעת מההתאמה ההסקתית של גזרי הדין. בית המשפט סירב למסור מזהי תיק ציבוריים, כך שרק 13,790 תיקים חוברו בהצלחה לפי שילוב ייחודי של תאריך והרכב אישומים, מה שיוצר תת־מדגם חלקי מאוד. שיוך השופטים מבוסס על הצבות רשמיות של האולמות ולא על נוכחות בפועל, כך שמחליפים ושופטים אורחים לא מתועדים. חלק מהטקסטים עברו פענוח תמונה שעשוי להכיל שגיאות, והנתונים כולם באנגלית ומוגבלים לחוק ולמערכת של סן פרנסיסקו.

איך טוענים

אין צורך באישור גישה כדי להוריד את הקבצים. העבודה מתבצעת ישירות מול קובצי פרקט, והדרך הנוחה ביותר לגשת אליהם היא באמצעות מנוע כמו דאקדאקבי. כדי לחבר את גזרי הדין לשמות הנאשמים ופרטי התיק, השדה הקריטי לקישור הוא מספר התיק הציבורי שנוצר בטבלת ההתאמות.

from datasets import load_dataset

ds = load_dataset("jamiequint/sf_criminal_court")

הרישיון

המאגר מופץ תחת רישיון שאינו מתיר שימוש מסחרי, ומחייב מתן קרדיט ליוצרים. אי אפשר לשלב אותו במוצר שמייצר הכנסה, וכל מודל שנלמד ישירות על הנתונים הללו מוגבל למחקר, הערכה או שימוש אישי בלבד.

• שינוי הקוד
• חובת ייחוס
• שימוש מסחרי: לא

הרישיון המלא ב־Hugging Face ↗