研究者らは、個人識別情報の検出を目的とした自動システムの開発と評価をサポートするために設計された、合成ダイアログトランスクリプトの多言語データセットであるDialogPIIを発表しました。このリソースは、11の言語と8つの相互作用シナリオにわたって注釈付きデータを提供することで、機密性のあるドメインにおけるプライバシー懸念に対処します。

  • 英語、アラビア語、フィンランド語、フランス語、ドイツ語、ヒンディー語、イタリア語、ポーランド語、ポルトガル語、スペイン語、トルコ語の19のエンティティタイプをカバーしています。

8つのシナリオを含みます：緊急通報、医療病歴、セラピーセッション、保険コミュニケーション、カスタマーサポート、臨床面接、警察報告書、グループセラピー。

  • データは大規模言語モデルを使用して半自動生成され、特定のコンテキストにローカライズされ、テキストから音声合成（text-to-speech synthesis）によって音声に変換されました。
  • トランスクリプトはWhisperを使用して生成され、自動投影と手動修正を通じて注釈が付けられました。
  • リリースには、ベースラインの多言語固有表現抽出モデルと技術的検証指標が含まれています。

このデータセットは、対話データにおける個人のプライバシーを保護するための堅牢な非識別化システムの作成を促進するために、整列された書面および音声由来のリソースを提供します。