PiotrSty/sejm-speeches-corpus

Sejm Speeches Corpus — kadencje VII–X

Wersjonowany korpus wypowiedzi z oficjalnych materiałów Sejmu RP, przygotowany do treningu językowego, walidacji i reprodukowalnych badań.

Object i Version

• —Object: slayer://object/dataset/piotrsty-sejm-speeches-corpus.
• —Wydanie: 1.0.1.
• —Niezmienny alias: v1.0.1 w repozytorium Hugging Face.
• —Poprzednie niezmienne wydanie: v1.0.0; relacja SUPERSEDES.
• —Profil: slayer.ai/dataset-release/v1.
• —Pełny digest wersji oraz payload URI znajdują się w metadata/releases/1.0.1/release-manifest.json.

main jest aliasem bieżącego wydania. Reprodukcje i relacje powinny wskazywać tag v1.0.1, commit Hugging Face albo digest Slayer, nigdy main lub latest.

Protocol

1. 1.Pobierz speeches_corpus_all.zip z przypiętego commita Hugging Face.
2. 2.Wybierz właściwy JSONL, nigdy pliki corpus_summary*.json.
3. 3.Znormalizuj terms do term i zweryfikuj kadencję oraz datę.
4. 4.Przelicz statystyki tekstu i wykonaj heurystyczną redakcję PII.
5. 5.Odfiltruj wypowiedzi krótsze niż 50 słów.
6. 6.Usuń dokładne duplikaty po term + date + speaker + text.
7. 7.Utwórz deterministyczne splity hashem BLAKE2b, seed 42, ratio 0.02.
8. 8.Zapisz Parquet, evidence, relations, claims i attestations.
9. 9.Po publikacji sprawdź oba splity przez Dataset Viewer.
10. 10.Dopiero po udanej weryfikacji utwórz niezmienny tag wydania.

Digest kodu protokołu, commit GitHub, konfiguracja, środowisko, Actor i Run są zapisywane w manifeście każdego wydania.

Schema

Evidence, Claims i Relations

Manifest zawiera adresowalne evidence dla liczebności, sum kontrolnych, rozkładu kadencji, redakcji PII i ustawowej podstawy otwartego ponownego wykorzystania. Claims mają mierzalne warunki falsyfikacji i jawne relacje SUPPORTS do evidence. Lineage używa relacji DERIVED_FROM, GENERATED_BY i SUPERSEDES; ostatnia wskazuje dokładnie niezmienne wydanie v1.0.0.

Po publikacji publication-attestation.json potwierdza dostępność splitów train i validation, liczbę rekordów oraz dokładnie ośmiopolowy schemat.

Rights and limitations

Źródło: Kancelaria Sejmu RP, API Sejmu — https://api.sejm.gov.pl/. Dokumentacja materiałów źródłowych: https://api.sejm.gov.pl/sejm.html. Przetworzenie, normalizacja i wersjonowanie: PiotrSty / Slayer Lab.

Otwarte ponowne wykorzystanie materiałów urzędowych wynika z polskich ustaw:

• —Art. 4 pkt 2 ustawy o prawie autorskim i prawach pokrewnych wyłącza urzędowe dokumenty i materiały spod ochrony prawa autorskiego: https://eli.gov.pl/api/acts/DU/2025/24/text/O/D20250024.pdf.
• —Art. 2 pkt 12 i art. 5 ustawy o otwartych danych i ponownym wykorzystywaniu informacji sektora publicznego określają prawo do ponownego wykorzystania, również w celach komercyjnych i niekomercyjnych. Art. 14–17 określają dopuszczalne warunki i zasadę bezpłatności: https://eli.gov.pl/api/acts/DU/2023/1524/text.html.

Metadane license: other oznaczają, że podstawą jest ustawowe otwarte ponowne wykorzystanie, a nie nazwany wariant Creative Commons. Dokładny identyfikator to polish-public-sector-open-statutory-reuse; pełny opis znajduje się w pliku LICENSE oraz w evidence i attestation wydania.

Obowiązują ustawowe wyjątki dotyczące prywatności, danych osobowych, praw osób trzecich oraz ewentualne warunki określone przez podmiot udostępniający. Skan PII jest heurystyczny i nie gwarantuje braku danych osób trzecich; zastosowanie produkcyjne wymaga oceny prywatności i adekwatności konkretnego użycia.

Reproduction

python -m pip install 'pyarrow==19.0.1'
python scripts/prepare_sejm_release_v2.py speeches_corpus_all.zip \
  --output sejm-release \
  --release-version 1.0.1 \
  --previous-version v1.0.0 \
  --source-revision <PINNED_HF_COMMIT> \
  --seed 42 --min-words 50 --max-year 2027

Dokładne dane Runu, środowisko, wejścia, wyjścia i sumy SHA-256 są w metadata/releases/1.0.1/release-manifest.json.