Upload README.md with huggingface_hub

README.md

@@ -14,55 +14,27 @@ tags:
 - instruct
 ---
 
-# Legal BR SFT Dataset ⚖️🇧🇷
+# Legal BR SFT Dataset ⚖️🇧🇷 (Auditado)
 
-O **Legal BR SFT** é um dataset de instruções de alta qualidade focado exclusivamente no **Direito Brasileiro**. Ele foi projetado para o treinamento de modelos de linguagem (LLMs) através de Supervised Fine-Tuning (SFT), permitindo que assistentes de IA compreendam e apliquem o complexo ordenamento jurídico nacional.
+O **Legal BR SFT** é um dataset de instruções de alta qualidade focado exclusivamente no **Direito Brasileiro**. Ele foi projetado para o treinamento de modelos de linguagem (LLMs) através de Supervised Fine-Tuning (SFT).
 
-## 📊 Estatísticas do Dataset
-- **Total de Exemplos:** 38.153 registros.
-- **Formato:** Chat (Messages), compatível com ChatML e templates modernos de LLMs.
-- **Média de Palavras por Exemplo:** ~230 palavras.
+## 📊 Estatísticas Auditadas (Regex Refinado)
+Após auditoria estatística estratificada em 38.153 registros, a distribuição por área do Direito é:
 
-## 🏛️ Cobertura por Áreas do Direito
-Com base em análise taxonômica, o dataset cobre as seguintes áreas (frequência aproximada):
-
-| Área do Direito | Estimativa de Cobertura | Temas Principais |
+| Área do Direito | Porcentagem | Temas Principais |
 | :--- | :--- | :--- |
-| **Direito Civil** | ~85% | Contratos, Família, Sucessões, Responsabilidade Civil, CC/02. |
-| **Constitucional** | ~20% | CF/88, Direitos Fundamentais, Controle de Constitucionalidade. |
-| **Processual** | ~19% | CPC, CPP, Prazos, Recursos, Ritos Processuais. |
-| **Consumidor** | ~6% | CDC, Direitos do Consumidor, Vício de Produto. |
-| **Tributário** | ~5% | CTN, Impostos, Taxas, Isenções. |
-| **Trabalhista** | ~4% | CLT, Vínculo Empregatício, Verbas Rescisórias. |
-| **Penal** | ~4% | CP, Tipicidade, Culpabilidade, Execução Penal. |
-| **Administrativo** | ~3% | Licitações, Agentes Públicos, Atos Administrativos. |
-
-*Nota: Alguns registros cobrem múltiplas áreas simultaneamente.*
-
-## 📝 Formato dos Dados
-Os dados seguem o padrão de mensagens (`messages`) com papéis de `system`, `user` e `assistant`:
-
-```json
-{
-  "messages": [
-    {
-      "role": "system",
-      "content": "Você é um assistente especialista em Direito Brasileiro..."
-    },
-    {
-      "role": "user",
-      "content": "Diferencie responsabilidade civil subjetiva de objetiva no Brasil."
-    },
-    {
-      "role": "assistant",
-      "content": "No Direito Brasileiro, a distinção reside na culpa..."
-    }
-  ]
-}
-```
-
-## 🎯 Objetivo e Uso
-Este dataset foi criado para mitigar alucinações jurídicas em LLMs, treinando o modelo a responder com base na **letra da lei** e em **fundamentações sólidas**, evitando a invenção de dispositivos legais.
-
-## ⚠️ Licença e Uso Ético
-O dataset está sob a licença **Apache 2.0**. Seu uso deve ser pautado pela ética profissional, lembrando que modelos treinados com estes dados servem como apoio à pesquisa e produtividade, não substituindo o parecer de um advogado.
+| **Direito Civil** | **19,4%** | Contratos, Posse, Sucessão e Casamento. |
+| **ECA** | **11,5%** | Direitos da Criança e do Adolescente (Lei 8.069). |
+| **Constitucional** | **10,3%** | Direitos Fundamentais e Estrutura do Estado. |
+| **Direito Penal** | **10,3%** | Código Penal (Homicídio, Roubo, Furto, etc). |
+| **Administrativo** | **8,6%** | Licitações, Servidores e Improbidade. |
+| **Tributário** | **7,0%** | CTN, Impostos (ICMS, IPTU, IR) e Bitributação. |
+| **Consumidor** | **6,8%** | CDC e Responsabilidade do Fornecedor. |
+| **Ética OAB** | **6,8%** | Código de Ética e Estatuto da Advocacia. |
+| **Trabalhista** | **4,5%** | CLT, Vínculo e Verbas Rescisórias. |
+
+## 🎯 Qualidade e Curadoria
+O dataset foca na **letra da lei** e em **casos concretos**, treinando o modelo para fundamentar respostas em artigos específicos, minimizando o risco de alucinações jurídicas.
+
+## 📝 Formato
+Compatível com formato de mensagens (ChatML): `system`, `user`, `assistant`.