Datasets:

lianghsun
/

tw-processed-law-ctx

license: apache-2.0
language:
  - zh
task_categories:
  - text-generation
tags:
  - legal
  - Taiwan
  - ROC
  - zh-tw
  - law-article
  - pretrain
  - cpt
pretty_name: 中華民國台灣法規全文後處理資料集
size_categories:
  - 10K<n<100K
dataset_info:
  features:
    - name: text
      dtype: string
    - name: name
      dtype: string
    - name: level
      dtype: string
    - name: abandon_note
      dtype: string
    - name: modified_date
      dtype: string
    - name: api_updated_date
      dtype: string
  splits:
    - name: train
      num_examples: 11462
configs:
  - config_name: default
    data_files:
      - split: train
        path: train.jsonl

Dataset Card for tw-processed-law-ctx

tw-processed-law-ctx 是一個中華民國（台灣）法規全文之後處理資料集，合計 11,462 筆。相較於 tw-processed-law-article（以單一條文為單位），本資料集將「同一法規之所有條文」合併為單一 text，提供整部法規之完整上下文，適合作為繁中法律 LLM 之持續預訓練（CPT）素材。

Dataset Details

Dataset Description

以「條文為單位」之語料雖便於精確查詢，但模型在訓練時難以學到整部法規之章節結構與條文之間之關聯。本資料集將每一部法規之所有條文依序合併為單一長文本，保留：

法規名稱（含章節標題）；
所有條文之條號與本文；
該法規最近修正日期與 API 更新日期；
若法規已廢止，額外提供 abandon_note 欄位。

每筆亦同時附帶 level（法規位階：憲法 / 法律 / 命令 / 廢止）作為篩選依據。

Curated by: Liang Hsun Huang
Language(s) (NLP): Traditional Chinese
License: Apache 2.0
Source Authority: 全國法規資料庫

Dataset Sources

Repository: lianghsun/tw-processed-law-ctx
Related: lianghsun/tw-processed-law-article
Source Authority: 全國法規資料庫

Uses

Direct Use

本資料集主要設計用於：

繁體中文法律 LLM 之持續預訓練（CPT）；
訓練模型理解整部法規之章節結構與條文之間之關聯；
作為法律語料 pipeline 中之「長上下文」組成部分；
與條文單位之語料（如 tw-processed-law-article、tw-structured-law-article）互補。

Out-of-Scope Use

本資料集不適用於下列用途：

作為正式法律諮詢之依據；
作為條文單位之精準查詢語料（合併後難以定位單一條號）；
作為非中華民國法律體系之訓練資料。

Dataset Structure

{
  "text": "中華民國憲法  第 一 章 總綱\n中華民國憲法 第 1 條 中華民國基於三民主義...\n中華民國憲法 第 2 條 中華民國之主權屬於國民全體。\n...",
  "name": "中華民國憲法",
  "level": "憲法",
  "abandon_note": "",
  "modified_date": "19470101",
  "api_updated_date": "2024/1/12 上午 12:00:00"
}

欄位	型別	說明
`text`	string	整部法規之所有條文合併後之連續文本
`name`	string	法規名稱
`level`	string	法規位階（憲法 / 法律 / 命令 / 廢止）
`abandon_note`	string	廢止備註（若法規已廢止）
`modified_date`	string	最近修正日期
`api_updated_date`	string	API 更新時間

統計項目	數值
總筆數	11,462
切分	無（使用者自行切分）

Dataset Creation

Curation Rationale

tw-processed-law-article 以條文為單位切分，雖便於查詢，但在 CPT 階段無法提供長上下文。本資料集將同一法規之條文合併，使模型能學到整部法規之章節組織與條文間之語境。

Source Data

Data Collection and Processing

來源：全國法規資料庫之法規 API；
處理：將 tw-processed-law-article 之條文依法規名稱分組並合併，保留章節標題與條號。

Who are the source data producers?

原始法規由中華民國立法院、行政院及各主管機關制定並公告，並由法務部於全國法規資料庫維護。

Annotations

Annotation process

本資料集不包含額外人工標註。

Who are the annotators?

不適用。

Personal and Sensitive Information

本資料集為公開之法規條文，不包含個人敏感資訊。

Bias, Risks, and Limitations

時效性：法規會持續修正，本資料集反映特定時點之版本快照；
長文本偏態：整部法規合併後文本長度差異極大，自普通條文（幾百字）到複雜法律（數萬字）皆有；
廢止法規亦包含：需依 level 與 abandon_note 進行篩選。

Recommendations

建議使用者：

CPT 訓練時依 level 過濾（例如僅使用「法律」與「命令」，排除已廢止）；
與條文單位語料（tw-processed-law-article、tw-structured-law-article）搭配使用，同時獲得長上下文與精確條文；
使用時定期與全國法規資料庫比對以更新訓練資料。

Citation

@misc{tw-processed-law-ctx,
  title        = {tw-processed-law-ctx: ROC Full-Law Context Corpus},
  author       = {Liang Hsun Huang},
  year         = {2024},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/tw-processed-law-ctx}},
  note         = {11,462 ROC laws with all articles merged into a single text per law, for CPT training.}
}

Dataset Card Authors

Liang Hsun Huang

Dataset Card Contact

Liang Hsun Huang