शोधकर्ताओं ने DialogPII प्रस्तुत किया है, जो संवेदनशील क्षेत्रों में निजीकरण चिंताओं को दूर करने के लिए डिज़ाइन किया गया एक बहुभाषी डेटासेट है। यह संसाधन 11 भाषाओं और आठ इंटरैक्शन परिदृश्यों में टिप्पणीयुक्त डेटा प्रदान करके व्यक्तिगत रूप से पहचान योग्य जानकारी का पता लगाने वाले स्वचलित सिस्टम के विकास और मूल्यांकन का समर्थन करता है।
- अंग्रेजी, अरबी, फिनिश, फ्रेंच, जर्मन, हिंदी, इतालवी, पोलिश, पुर्तगाली, स्पैनिश और तुर्की में 19 एंटिटी प्रकारों को कवर करता है।
- आठ परिदृश्यों को शामिल करता है: आपातकालीन कॉल, चिकित्सा इतिहास, थेरेपी सत्र, बीमा संचार, ग्राहक सहायता, नैदानिक साक्षात्कार, पुलिस रिपोर्ट और समूह थेरेपी।
- डेटा का उत्पादन बड़े भाषा मॉडलों का उपयोग करके अर्ध-स्वचलित रूप से किया गया था, इसे विशिष्ट संदर्भों के लिए स्थानीयकृत किया गया था, और टेक्स्ट-टू-स्पिच सिंथेसिस के माध्यम से ध्वनि में परिवर्तित किया गया था।
- ट्रांसक्रिप्ट्स को Whisper का उपयोग करके तैयार किया गया था और स्वचलित प्रक्षेपण के साथ मैन्युअल सुधार के द्वारा टिप्पणीयुक्त किया गया था।
- रिलीज में बेलाइन बहुभाषी नामांकित एंटिटी रिकग्निशन मॉडल और तकनीकी मान्यता मापदंड शामिल हैं।
डेटासेट व्यक्तिगत गोपनीयता की रक्षा करने के लिए संवाद डेटा में मजबूत डि-आइडेंटिफिकेशन सिस्टम बनाने को सुगम बनाने के लिए संरेखित लिखित और ध्वनि-उत्पन्न संसाधन प्रदान करता है।