論文の概要: DialogPII: A multilingual dataset of synthetic dialog transcripts to detect personal information
- arxiv url: http://arxiv.org/abs/2606.30312v1
- Date: Mon, 29 Jun 2026 13:54:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.253263
- Title: DialogPII: A multilingual dataset of synthetic dialog transcripts to detect personal information
- Title（参考訳）: DialogPII: 個人情報検出のための合成ダイアログテキストの多言語データセット
- Abstract要約: DialogPIIは、個人情報検出のための合成ダイアログと音声由来のテキストのデータセットである。
DialogPIIは8つのインタラクションシナリオ(緊急電話、医療アナメシスインタビュー、セラピーセッション、保険契約、カスタマーサポート、AIをサポートするダッシュボードに関する臨床インタビュー、警察報告、グループセラピーの議論)、19のエンティティタイプ、11の言語をカバーしている。
ダイアログは、大きな言語モデルを用いて半自動生成され、手動で妥当性と多様性を評価され、国や都市特有の文脈に局所化される。
- 参考スコア（独自算出の注目度）: 7.285072864845713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conversational data collected in domains such as healthcare or social sciences is a valuable resource for research and automated analysis. However, responsible data sharing requires the detection and removal of personally identifiable and sensitive information to protect individual privacy. To support the development and evaluation of automatic de-identification systems, we present DialogPII, a multilingual dataset of synthetic dialogs and speech-derived transcripts for personal information detection. DialogPII covers eight interaction scenarios (emergency calls, medical anamnesis interviews, therapy sessions, insurance communication, customer support, clinical interviews regarding an AI-supported dashboard, police reports, and group therapy discussions), 19 entity types, and 11 languages (English, Arabic, Finnish, French, German, Hindi, Italian, Polish, Portuguese, Spanish, and Turkish). Dialogs were generated semi-automatically using large language models, manually curated for plausibility and diversity, and localized to country- and city-specific contexts. All dialogs were additionally converted to speech via text-to-speech synthesis, transcribed with Whisper, and annotated through automatic projection and manual correction, yielding aligned written and speech-derived resources across all languages. We further release baseline multilingual named entity recognition models and provide technical validation through inter-annotator agreement analysis, translation quality evaluation, annotation projection assessment, and benchmark experiments with transformer-based sequence labeling models.
- Abstract（参考訳）: 医療や社会科学などの領域で収集された会話データは、研究や自動分析のための貴重な資源である。
しかし、責任あるデータ共有には、個人のプライバシーを保護するために、個人が特定し、機密性の高い情報を検出および削除する必要がある。
自動識別システムの構築と評価を支援するため,個人情報検出のための合成ダイアログの多言語データセットDialogPIIを提案する。
DialogPIIは8つのインタラクションシナリオ(緊急呼び出し、医療アナネシスインタビュー、セラピーセッション、保険通信、カスタマーサポート、AIサポートされたダッシュボードに関する臨床インタビュー、警察報告、グループセラピーに関する議論)、19のエンティティタイプ、11の言語(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)をカバーしている。
ダイアログは、大きな言語モデルを用いて半自動生成され、手動で妥当性と多様性を評価され、国や都市特有の文脈に局所化される。
すべてのダイアログはテキスト音声合成によって音声に変換され、Whisperで書き起こされ、自動投影と手動修正によって注釈付けされ、すべての言語に整列した書き起こしと音声由来のリソースが得られた。
さらに, ベースライン多言語対応エンティティ認識モデルをリリースし, アノテーション間の合意分析, 翻訳品質評価, アノテーション予測評価, およびトランスフォーマーに基づくシーケンスラベリングモデルを用いたベンチマーク実験を通じて, 技術的検証を行う。
関連論文リスト
- Dial HEALTHDIAL for Advice: A Multilingual and Multi-Parallel Spoken Dialogue Dataset for Knowledge-Grounded Information Seeking [72.66384771245389]
本研究では,RAGに基づく音声対話システムの開発と評価を目的とした大規模・多言語・マルチ並列データセットであるHEALTHDIALを紹介する。
このデータセットは、WHO(World Health Organization)の信頼できるコンテンツに基づく6000の情報検索対話(言語毎1500語)と、多様な方言の母語話者から記録された163時間のユーザスピーチで構成されている。
論文 参考訳（メタデータ） (2026-05-28T15:47:09Z) - DialogueAgents: A Hybrid Agent-Based Speech Synthesis Framework for Multi-Party Dialogue [17.397151329196955]
本稿では,新しいハイブリッドエージェントベース音声合成フレームワークであるDialogueAgentsを提案する。
バイリンガル・マルチパーティ・マルチターン音声対話データセットであるMultiTalkにコントリビュートする。
論文 参考訳（メタデータ） (2025-04-20T04:14:30Z) - Learning Phonotactics from Linguistic Informants [54.086544221761486]
本モデルでは,情報理論的なポリシーの1つに従って,データポイントを反復的に選択または合成する。
提案モデルでは,情報提供者を問う項目の選択に使用する情報理論のポリシーが,完全教師付きアプローチに匹敵する,あるいはそれ以上の効率性が得られることがわかった。
論文 参考訳（メタデータ） (2024-05-08T00:18:56Z) - Dialogue Quality and Emotion Annotations for Customer Support
Conversations [7.218791626731783]
本稿では、二言語的顧客サポート会話の文脈における感情と会話品質に対する全体論的アノテーションアプローチを提案する。
これは、テキスト分類モデルの開発に、ユニークで価値のあるリソースを提供する。
論文 参考訳（メタデータ） (2023-11-23T10:56:14Z) - DialogStudio: Towards Richest and Most Diverse Unified Dataset
Collection for Conversational AI [92.29874802394167]
DialogStudioは対話データセットの最大かつ最も多様なコレクションである。
本コレクションは,オープンドメイン対話,タスク指向対話,自然言語理解,対話レコメンデーション,対話要約,知識基底対話などのデータを含む。
論文 参考訳（メタデータ） (2023-07-19T17:57:53Z) - CGoDial: A Large-Scale Benchmark for Chinese Goal-oriented Dialog
Evaluation [75.60156479374416]
CGoDialは、Goal指向のダイアログ評価のための、新しい挑戦的で包括的な中国のベンチマークである。
96,763のダイアログセッションと574,949のダイアログがすべて含まれており、異なる知識ソースを持つ3つのデータセットをカバーする。
学術ベンチマークと音声対話のシナリオのギャップを埋めるために、実際の会話からデータを収集したり、クラウドソーシングを通じて既存のデータセットに音声機能を追加する。
論文 参考訳（メタデータ） (2022-11-21T16:21:41Z) - Controlling Extra-Textual Attributes about Dialogue Participants: A Case
Study of English-to-Polish Neural Machine Translation [4.348327991071386]
機械翻訳モデルは、英語からポーランド語に翻訳する際に、テキストコンテキストの特定の解釈を選択する必要がある。
本稿では,翻訳における属性の制御に幅広いアプローチを採用するケーススタディを提案する。
最高のモデルでは+5.81 chrF++/+6.03 BLEUが向上し、他のモデルでは競争性能が向上した。
論文 参考訳（メタデータ） (2022-05-10T08:45:39Z) - Cross-Lingual Dialogue Dataset Creation via Outline-Based Generation [70.81596088969378]
言語間アウトラインに基づく対話データセット(COD)は、自然言語の理解を可能にする。
CODは、4つの異なる言語で対話状態の追跡とエンドツーエンドの対話モデリングと評価を可能にする。
論文 参考訳（メタデータ） (2022-01-31T18:11:21Z) - RiSAWOZ: A Large-Scale Multi-Domain Wizard-of-Oz Dataset with Rich
Semantic Annotations for Task-Oriented Dialogue Modeling [35.75880078666584]
RiSAWOZ は、Rich Semantic s を用いた大規模マルチドメインの Chinese Wizard-of-Oz データセットである。
11.2Kのヒューマン・ツー・ヒューマン(H2H)マルチターン・アノテート・ダイアログを含み、12ドメインにまたがる150K以上の発話がある。
論文 参考訳（メタデータ） (2020-10-17T08:18:59Z) - XPersona: Evaluating Multilingual Personalized Chatbot [76.00426517401894]
我々はペルソナ・チャットの多言語拡張(XPersona)を提案する。
我々のデータセットには、多言語パーソナライズされたエージェントの構築と評価のための英語以外の6言語でのペルソナ会話が含まれています。
論文 参考訳（メタデータ） (2020-03-17T07:52:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。