turkish-court-decisions（Türk İçtihat Korpusu，土耳其判例语料库）是目前公开可获取的最大的土耳其法律语料数据集：它把土耳其各级法院公开发布的1104 万份判决书整理成了结构化的 Parquet 文件，时间跨度覆盖1962–2026 年，纯文本总量约 315 亿字符。如果你在构建 NLP 模型、法律检索系统或 AI 法律助手，这是一份可以免费、合法（CC0 授权）使用的"真实语料宝藏"。下面用通俗的语言带你快速上手。

📦 数据集概览：1100 万份判决都来自哪里

所有判决均来自土耳其司法机关的公开检索系统（Yargıtay Karar Arama、Danıştay Emsal Karar、UYAP Emsal、AYM 判决信息库），共5 个数据来源、30 个 Parquet 文件，全部存放在 data/ 目录下：

原始采集共 11,124,305 条记录，其中 79,220 条因"错误页面响应"或"重复索引"被清洗剔除，最终得到11,045,085 份去重后的独立判决。

🧹 为什么它质量高：清洗、脱敏与结构化引用

这份土耳其判决书语料在发布前做了三件很见功夫的事：

• 隐私脱敏：文本中的个人身份证号、银行账号、银行卡号、电话、邮箱被统一替换为[TCKN]、[IBAN]、[KART]、[TELEFON]、[EPOSTA]标签，masked_count字段记录了每份判决中被脱敏的条数——直接用于训练更安心。
• 垃圾与去重：源系统偶尔会返回"机器人检测页"或错误页，共筛除 6,779 条；同一判决被多个 ID 重复索引的情况按（来源+法庭+案号）去重，保留了文本最完整的版本（共剔除 72,441 条重复）。
• 法条引用结构化：mevzuat_atif字段把判决依据的法律条文抽取为法号/条号格式（如5237/62表示《土耳其刑法典》第 62 条）。它不做猜测：只有当法号明确写在正文里，或缩写的指向经过 21 万处语料实测确认度 ≥99%（如HMK→6100、CMK→5271）时才会生成。像TCK这类因历史沿革可能指向新旧两部刑法的缩写，宁可留在正文里也不强行标注——这个设计对法律 NLP 任务非常友好。

🚀 快速上手：三步拿到土耳其判决书数据

第 1 步：获取仓库

git clone https://gitcode.com/hf_mirrors/hamzabagirsakci/turkish-court-decisions

💡 注意：Parquet 文件通过 Git LFS 存储，完整检出会拉取约5.52 GB数据，请留意磁盘空间。

第 2 步：用 datasets 库加载

from datasets import load_dataset # 全量数据（5.52 GB，建议用 streaming 流式读取） ds = load_dataset("hamzabagirsakci/turkish-court-decisions", split="train", streaming=True) # 只加载单一来源（例如最高法院） yargitay = load_dataset("hamzabagirsakci/turkish-court-decisions", "yargitay", split="train")

第 3 步：不想全量下载？先读单个文件试试

import pyarrow.parquet as pq tbl = pq.read_table("data/aym_norm/train-00000-of-00001.parquet")

想先小规模验证想法时，读一个文件（如 data/aym_norm/train-00000-of-00001.parquet）几秒钟就能跑起来，比拉全量方便得多。

📋 数据字段速览：每份判决长什么样

每条记录都是一份完整判决，核心字段如下：

🎯 实战示例：按法条检索判决

mevzuat_atif字段让"找出所有依据某条法条做出的判决"变得极其简单：

# 找出所有引用《土耳其刑法典》第 62 条的判决 tck62 = yargitay.filter(lambda r: "5237/62" in r["mevzuat_atif"])

类似的玩法还有：按年份切片做时间趋势分析、按court分组统计各庭室判例量、用mevzuat_atif构建"法条 ↔ 判例"的检索索引……都是几行代码的事。

⚖️ 授权与合规：可以放心用吗？

可以，而且是"最大力度"的放心：

• 数据集采用CC0-1.0授权——判决本身已是公共领域，创作者对整理工作也放弃了全部权利，商用、二次分发均无障碍，甚至无需署名（当然写了会更礼貌）。
• 法律层面，土耳其《著作权法》第 31 条（FSEK m.31）明确将"官方公布的司法判决"排除在版权保护之外，再结合宪法中的审判公开原则，判决全文向公众开放具有充分法理依据。
• ⚠️ 唯一注意：数据仅供研究与开发，不构成法律建议；如需引用某份判决，建议回源系统核对原文。

🛠️ 这份土耳其法律语料能做什么

README 中列出的任务类别几乎覆盖了法律 NLP 的常见方向：

1. 法律问答（QA）：用 1100 万"事实情境→裁判结论"真实样本微调模型；
2. 法律检索 / RAG：按年份、法庭、法条分片建立向量库，实现"以例检索"；
3. 文本分类：案件类型识别、上诉理由分类；
4. 摘要生成：长判决压缩成裁判要旨；
5. 土耳其语法律大模型：315 亿字符的领域语料，是预训练 / 继续预训练的优质"燃料"。

❓ 常见问题 FAQ

问：完整下载要占多大空间？答：Parquet 压缩格式约5.52 GB；解压后纯文本约 315 亿字符（数十 GB 级），按需加载即可，不必全部落盘。

问：数据是土耳其语的，不会土耳其语能用吗？答：做检索、分类等结构化任务不需要读懂原文；做生成类任务建议配合翻译工具或土耳其语团队。

问：为什么 yargitay 有 17 个文件，其他来源只有 1–9 个？答：因为数据量差异——yargitay 一个来源就超过 980 万份判决（data/yargitay/ 下共 17 个分片），而 aym_norm 仅 5,563 份，单个文件即可容纳。

问：想去掉重复或校验完整性，靠哪个字段？答：raw_sha256（源 HTML 哈希）和id就是为此准备的。

更多细节（采集方法、缩写指向实测表、完整字段说明、BibTeX 引用格式）都在项目说明文件 README.md 中，建议配合食用。这份横跨 60 多年、覆盖土耳其整个法院体系的判决书语料，对法律科技和 NLP 研究者来说，确实是一座值得深挖的宝藏。 📚