---
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

<!-- Provide a quick summary of the dataset. -->
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](https://huggingface.co/datasets/lianghsun/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

<!-- Provide a longer summary of what this dataset is. -->
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](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)
- **Language(s) (NLP):** Traditional Chinese
- **License:** Apache 2.0
- **Source Authority:** [全國法規資料庫](https://law.moj.gov.tw/)

### Dataset Sources

<!-- Provide the basic links for the dataset. -->

- **Repository:** [lianghsun/tw-processed-law-ctx](https://huggingface.co/datasets/lianghsun/tw-processed-law-ctx/)
- **Related:** [lianghsun/tw-processed-law-article](https://huggingface.co/datasets/lianghsun/tw-processed-law-article)
- **Source Authority:** [全國法規資料庫](https://law.moj.gov.tw/)

## Uses

<!-- Address questions around how the dataset is intended to be used. -->

### Direct Use

<!-- This section describes suitable use cases for the dataset. -->

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

<!-- This section addresses misuse, malicious use, and uses that the dataset will not work well for. -->
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

<!-- This section provides a description of the dataset fields, and additional information about the dataset structure such as criteria used to create the splits, relationships between data points, etc. -->
```json
{
  "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

<!-- Motivation for the creation of this dataset. -->

`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

<!-- This section is meant to convey both technical and sociotechnical 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

<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->

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

<!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. -->
```bibtex
@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](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)

## Dataset Card Contact

[Liang Hsun Huang](https://www.linkedin.com/in/lianghsunhuang/?locale=en_US)