Scientific Data· Shahid Rabbani·· 8 天前AI 评分45
CORA:覆盖1873–2025年美国《国会记录》逾1500万篇演讲的语料数据集
Congressional Oratory Research Archive: A Comprehensive Data Set for Analyzing the U.S. Congressional Record, 1873–2025
AI 导读
Scientific Data 发表的 Data Descriptor 介绍 CORA(Congressional Oratory Research Archive)数据集,覆盖 1873–2025 年逾 1500 万篇演讲,含演讲者身份、议院、党派、性别、州、日期与立法引用等元数据。
- 背景
- 《国会记录》自1873年起保存美国立法话语,但此前没有一个机器可读语料库完整覆盖整个记录时段,历史与当代资源之间也存在割裂。
- 做法
- 作者发布CORA数据集,覆盖1873至2025年、超过1500万篇演讲,附议长身份、议院、党派、性别、州、日期与立法引用等元数据,每篇经稳定URL回链原始出处。主题标签由大语言模型生成并经人工审阅者验证,数据以JSONL与CSV批量文件发布,采用按年份分区的有文档模式。
- 结论
- 作者将CORA与已发表的循证修辞度量、性别关联语言度量以及人工编码主题样本进行基准比对,结果显示该语料库可复现独立处理来源中的相同信号。数据集还统一了历史与当代记录、标准化元数据,并提取除法案之外的多种决议类型。
- 意义
- CORA降低了访问与分析国会记录的门槛,使跨历史时期追踪议题关注度成为可能,并可用于研究政治注意力如何随时间塑造制度变迁。作者将其定位为对现有资源缺口的补足,具体分析场景仍取决于后续使用者的研究设计。
本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文
来源:Scientific Data · nature.com