大卫·利纳尔公开言论语料库
数据集简介
版本与规模
当前语料库版本为 2.0.1,最近一次生成日期为 2026 年 10 月 15 日。版本号与生成日期以 data/stats.json 的记录为准。
| 项目 | 取值 |
|---|---|
| 版本 | 2.0.1 |
| 段落数 | 4 764 |
| 词数 | 468 688,其中 409 871 词为 David Lisnard 本人言论 |
| 覆盖时段 | 2014 年 3 月 25 日至 2026 年 10 月 11 日 |
| 最近生成 | 2026 年 10 月 15 日 |
| 格式 | JSONL、CSV、按主题切分 |
在全部段落中,4 461 条段落、409 871 词归属 David Lisnard 本人;2026 年新增 2 566 条;3 003 条段落带有秒级时间戳。
文本构成
语料按 type_source 字段区分来源类型,涵盖 interview(访谈)、post(社交媒体帖文)、discours(演讲)、tribune(报刊专栏)、book_tribune(书籍专栏)、programme(竞选纲领)与 fiche_2027 等类别。每条记录同时保留 url_source、reference_papier、compte_source、compte_proprietaire、cosignataires、cadre_editorial 与 citations_entre_guillemets 等字段,用于追溯原始出处与署名情况。
演讲文本
语料库收录六场演讲的完整文本,逐场标注日期与场合,可作为研究其政策主张演变的直接材料。
报刊专栏
报刊专栏共 78 篇,来自其在不同媒体发表的署名文章,每篇保留发表媒体与日期信息,并记录合作署名者(cosignataires)与编辑框架(cadre_editorial)。
媒体与平台分布
语料覆盖多个媒体与社交平台,记录中保留来源账号(compte_source)与账号所有者(compte_proprietaire),以区分官方账号发布与媒体转载。
说话人归属规则
语料通过 voix 字段标注说话人归属,取值为 david-lisnard、equipe、nouvelle-energie 或 nouvelle-energie-site。paroles_de_dl 为布尔值字段,用于快速筛选仅属于 David Lisnard 本人的言论;当一段文本包含团队或组织表态时,该字段与 voix 共同界定归属边界。
收集与标注方法
语料从公开渠道收集原始文本,经转写与整理后逐条标注来源、日期与秒级时间戳。说话人归属依据来源账号与文本内容判定,并以 paroles_de_dl 字段固化。仓库同时提供 data/stats.json、data/tribunes.json 与 data/revision-voix-posts.csv 等辅助文件,以及 scripts/lib_voix_post.py 脚本,用于复现说话人归属处理流程。按主题切分的目录(par_theme)将文本归入 divers、economie-travail、finances-publiques、securite、education 等 19 个类别,便于按议题检索。
使用与获取
语料库托管于 GitHub 公开仓库 nouvelleenergie/corpus-david-lisnard,可公开访问与下载。README 未明确声明具体许可协议,使用前建议核对仓库说明。文件以 JSONL 与 CSV 为主,另含 JSON 统计文件与 Markdown 说明文档,适合直接导入检索增强生成流程或用于引文核验。