يقدم الباحثون DialogPII، وهي مجموعة بيانات متعددة اللغات تتكون من نصوص حوارية اصطناعية مصممة لدعم تطوير وتقييم الأنظمة الآلية للكشف عن المعلومات المعرّفة شخصياً. تعالج هذه الموارد مخاوف الخصوصية في المجالات الحساسة من خلال توفير بيانات مُعلَّمة عبر 11 لغة وثمانية سيناريوهات تفاعلية.
- يغطي 19 نوعاً من الكيانات عبر الإنجليزية والعربية والفنلندية والفرنسية والألمانية والهولندية والإيطالية والبولندية والبرتغالية والإسبانية والتركية.
- يشمل ثمانية سيناريوهات: مكالمات الطوارئ، التشخيص الطبي، جلسات العلاج، التواصل مع شركات التأمين، دعم العملاء، المقابلات السريرية، تقارير الشرطة، والعلاج الجماعي.
- تم توليد البيانات شبه آلياً باستخدام نماذج لغوية كبيرة، وتم توطينها لسياقات محددة، وتحويلها إلى كلام عبر تركيب الكلام من النص.
- أُنتجت النصوص باستخدام Whisper وعلِّمت عبر الإسقاط الآلي مع التصحيح اليدوي.
- تتضمن الإصدار نماذج أساسية للتعرف على الكيانات المسماة متعددة اللغات ومقاييس التحقق الفني.
توفر مجموعة البيانات موارد مكتوبة وصوتية متوازية لتسهيل إنشاء أنظمة قوية لإخفاء الهوية لحماية خصوصية الأفراد في بيانات المحادثات.