Les chercheurs présentent DialogPII, un jeu de données multilingue de transcriptions de dialogues synthétiques conçu pour soutenir le développement et l'évaluation de systèmes automatiques de détection des informations d'identification personnelle. Cette ressource répond aux préoccupations en matière de confidentialité dans les domaines sensibles en fournissant des données annotées dans 11 langues et huit scénarios d'interaction.
- Couvre 19 types d'entités à travers l'anglais, l'arabe, le finnois, le français, l'allemand, l'hindi, l'italien, le polonais, le portugais, l'espagnol et le turc.
- Comprend huit scénarios : appels d'urgence, anamnèse médicale, séances de thérapie, communication avec les assurances, support client, entretiens cliniques, rapports de police et thérapie de groupe.
- Les données ont été générées semi-automatiquement à l'aide de grands modèles de langage, localisées pour des contextes spécifiques, et converties en parole via une synthèse vocale (text-to-speech).
- Les transcriptions ont été produites avec Whisper et annotées par projection automatique avec correction manuelle.
- La publication inclut des modèles de base de reconnaissance d'entités nommées multilingues et des métriques de validation technique.
Le jeu de données fournit des ressources écrites et dérivées de la parole alignées pour faciliter la création de systèmes robustes de désidentification afin de protéger la vie privée individuelle dans les données conversationnelles.