Pesquisadores apresentam o DialogPII, um conjunto de dados multilíngue de transcrições de diálogos sintéticos projetado para apoiar o desenvolvimento e avaliação de sistemas automáticos para detecção de informações pessoalmente identificáveis. Este recurso aborda preocupações com privacidade em domínios sensíveis, fornecendo dados anotados em 11 idiomas e oito cenários de interação.
- Cobre 19 tipos de entidades em inglês, árabe, finlandês, francês, alemão, hindi, italiano, polonês, português, espanhol e turco.
- Inclui oito cenários: chamadas de emergência, anamnese médica, sessões de terapia, comunicação com seguros, suporte ao cliente, entrevistas clínicas, relatórios policiais e terapia em grupo.
- Os dados foram gerados semi-automaticamente usando grandes modelos de linguagem, localizados para contextos específicos e convertidos em fala por meio de síntese de texto para fala.
- As transcrições foram produzidas usando Whisper e anotadas por projeção automática com correção manual.
- O lançamento inclui modelos de reconhecimento de entidades nomeadas multilíngues de linha de base e métricas de validação técnica.
O conjunto de dados fornece recursos alinhados de texto escrito e derivados de fala para facilitar a criação de sistemas robustos de desidentificação, protegendo a privacidade individual em dados conversacionais.