Hugging Face's logo

Datasets:
PiotrSty
/
sejm-speeches-corpus

Tasks:
Text Generation
Fill-Mask
Sub-tasks:
language-modeling
Languages:
Polish
Size:
100K<n<1M
Tags:
polish
parliamentary
speeches
cpt
sft
License:
Dataset card Files
xet
 Community
Dataset Viewer
Duplicate
The dataset viewer is not available for this split.
Cannot load the dataset split (in streaming mode) to extract the first rows.
Error code:   StreamingRowsError
Exception:    CastError
Message:      Couldn't cast
term: string
days: int64
records: int64
speakers: int64
chars: int64
words: int64
terms: string
to
{'terms': Value('string'), 'days': Value('int64'), 'records': Value('int64'), 'speakers': Value('int64'), 'chars': Value('int64'), 'words': Value('int64')}
because column names don't match
Traceback:    Traceback (most recent call last):
                File "/src/services/worker/src/worker/utils.py", line 147, in get_rows_or_raise
                  return get_rows(
                      dataset=dataset,
                  ...<4 lines>...
                      column_names=column_names,
                  )
                File "/src/libs/libcommon/src/libcommon/utils.py", line 272, in decorator
                  return func(*args, **kwargs)
                File "/src/services/worker/src/worker/utils.py", line 127, in get_rows
                  rows_plus_one = list(itertools.islice(safe_iter(ds, dataset=dataset), rows_max_number + 1))
                File "/src/services/worker/src/worker/utils.py", line 478, in safe_iter
                  yield from ds.decode(False) if ds.features else ds
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 2818, in __iter__
                  for key, example in ex_iterable:
                                      ^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 2355, in __iter__
                  for key, pa_table in self._iter_arrow():
                                       ~~~~~~~~~~~~~~~~^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 2380, in _iter_arrow
                  for key, pa_table in self.ex_iterable._iter_arrow():
                                       ~~~~~~~~~~~~~~~~~~~~~~~~~~~~^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 536, in _iter_arrow
                  for key, pa_table in iterator:
                                       ^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/iterable_dataset.py", line 419, in _iter_arrow
                  for key, pa_table in self.generate_tables_fn(**gen_kwags):
                                       ~~~~~~~~~~~~~~~~~~~~~~~^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 343, in _generate_tables
                  self._cast_table(pa_table, json_field_paths=json_field_paths),
                  ~~~~~~~~~~~~~~~~^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
                File "/usr/local/lib/python3.14/site-packages/datasets/packaged_modules/json/json.py", line 132, in _cast_table
                  pa_table = table_cast(pa_table, self.info.features.arrow_schema)
                File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2369, in table_cast
                  return cast_table_to_schema(table, schema)
                File "/usr/local/lib/python3.14/site-packages/datasets/table.py", line 2297, in cast_table_to_schema
                  raise CastError(
                  ...<3 lines>...
                  )
              datasets.table.CastError: Couldn't cast
              term: string
              days: int64
              records: int64
              speakers: int64
              chars: int64
              words: int64
              terms: string
              to
              {'terms': Value('string'), 'days': Value('int64'), 'records': Value('int64'), 'speakers': Value('int64'), 'chars': Value('int64'), 'words': Value('int64')}
              because column names don't match

Need help to make the dataset viewer work? Make sure to review how to configure the dataset viewer, and open a discussion for direct support.

Sejm Speeches Corpus — Kadencje VII, VIII, IX, X (2011-2027)

Korpus wypowiedzi z posiedzeń Sejmu RP, wygenerowany z oficjalnego API Sejmu (api.sejm.gov.pl).

Statystyki

Metryka Wartość
Kadencje VII + VIII + IX + X
Dni posiedzeń 825
Rekordy 157,714
Mówcy 2,588
Znaki 457,872,285
Słowa 63,884,505
Tokeny (szac.) ~83,049,856
Rozmiar (ZIP) 137 MB

Plik

  • speeches_corpus_all.zip — skompresowany JSONL (157 714 rekordów)

Pola

Pole Typ Opis
text string Treść wypowiedzi
speaker string Mówca (funkcja lub imię i nazwisko)
date string Data posiedzenia (ISO 8601)
term string Numer kadencji Sejmu (7, 8, 9, 10)
source_url string Link do materiałów źródłowych API Sejmu
char_count int Liczba znaków
word_count int Liczba słów
has_events bool Czy wypowiedzi towarzyszyły reakcje sali (oklaski itp.)

Przetwarzanie

  1. Pobranie stenogramów z oficjalnego API Sejmu
  2. Parsowanie wypowiedzi z identyfikacją mówców
  3. Łączenie kolejnych wypowiedzi tego samego mówcy
  4. Filtrowanie wypowiedzi <50 słów
  5. Redakcja PII (emaile → [EMAIL])
  6. Audyt jakości: PII, deduplikacja, dekontaminacja
  7. Merge per-kadencja + połączony

Audyt jakości

  • PII: czyste (0 emaili, 0 telefonów, 0 PESEL)
  • Duplikaty: 0
  • Dekontaminacja: 0 nakładań (LLMzSzŁ, PoQuAD, PES)
  • Werdykt: Obiecujący, gotowy do dalszej ewaluacji

Licencja

Materiały sejmowe są własnością publiczną (dokumenty urzędowe w rozumieniu art. 4 ustawy o prawie autorskim i prawach pokrewnych) — brak ograniczeń licencyjnych na wykorzystanie.

Pipeline

Kod pipeline: https://github.com/PiotrStyla/Sejm

Tryb tekstowy (domyślny): stenogramy → korpus tekstowy + audyt. Tryb audio (opcjonalny, modularny): + wideo HLS → audio → ASR → alignacja. Whisper jako baseline; architektura pozwala na podmianę na Cohere Transcribe / Qwen3-ASR.
Downloads last month
81
Total file size:
143 MB