Para peneliti menyajikan DialogPII, sebuah dataset multibahasa dari transkrip dialog sintetis yang dirancang untuk mendukung pengembangan dan evaluasi sistem otomatis untuk mendeteksi informasi pengenal pribadi. Sumber daya ini mengatasi kekhawatiran privasi di domain sensitif dengan menyediakan data beranotasi di 11 bahasa dan delapan skenario interaksi.
- Mencakup 19 jenis entitas di Inggris, Arab, Finlandia, Prancis, Jerman, Hindi, Italia, Polandia, Portugis, Spanyol, dan Turki.
- Termasuk delapan skenario: panggilan darurat, anamnesis medis, sesi terapi, komunikasi asuransi, dukungan pelanggan, wawancara klinis, laporan polisi, dan terapi kelompok.
- Data dihasilkan secara semi-otomatis menggunakan model bahasa besar, dilokalkan ke konteks tertentu, dan dikonversi ke ucapan melalui sintesis teks-ke-ucapan.
- Transkrip diproduksi menggunakan Whisper dan dianotasi melalui proyeksi otomatis dengan koreksi manual.
- Rilis ini mencakup model pengenalan entitas bernama multibahasa dasar dan metrik validasi teknis.
Dataset ini menyediakan sumber daya tertulis dan turunan ucapan yang sejajar untuk memfasilitasi pembuatan sistem de-identifikasi yang kuat guna melindungi privasi individu dalam data percakapan.