数据集概览
| 维度 | 说明 | 详情 | |
|---|---|---|---|
| 数据总量 | 100万+组案件配对 | 每组含2-6份关联文书 | |
| 案件类型 | 民事70%/刑事20%/行政10% | 覆盖主流案件类型与案由 | |
| 审级 | 一审/二审/再审 | 一审约60%/二审约35%/再审约5% | |
| 文书类型 | 6种核心文书 | 起诉状/答辩状/判决书/裁定书/调解书/上诉状 | |
| 复杂程度 | 3级复杂度 | 简单/一般复杂/高度复杂，按当事方数、争议焦点等综合评定 | |
| 案件要素 | 12+核心要素 | 案由/标的额/当事方/适用法条/争议焦点/证据类型/判决结果等 | |
| 数据格式 | JSON / JSONL / CSV | 脱敏处理后交付 |
字段维度详解
案件基本信息
配对ID、案件类型、案由、审级、法院名称、立案日期、当事方信息（脱敏）
文书档案
文书ID、文书类型、全文文本、文件日期、文书页数
案件要素标注
争议焦点、适用法律、证据类型、标的额范围、诉讼请求
判决信息
判决结果、胜诉方、裁判金额、支持率、上诉情况
程序信息
审理时长、程序类型、是否公开审理、是否调解
复杂性维度
当事方数量、争议焦点数量、法律关系数量、程序性问题数量
数据样例
{
"pair_id": "PAIR-2024-CV-0008521",
"case_type": "民事",
"cause_of_action": "买卖合同纠纷",
"trial_level": "一审",
"complexity_level": "一般复杂",
"complexity_factors": {
"party_count": 3,
"dispute_focus_count": 2,
"legal_relations": ["买卖合同", "保证人担保"],
"applicable_laws": ["民法典合同编第595条", "担保制度司法解释"],
"evidence_types": ["书证", "证人证言", "电子数据"],
"claim_amount": "50万-100万"
},
"documents": [
{
"doc_id": "DOC-CV-2024-08521-001",
"doc_type": "民事起诉状",
"court_name": "深圳市南山区人民法院",
"filing_date": "2024-03-15",
"full_text": "原告：张某（脱敏）...（全文约5000字）"
},
{
"doc_id": "DOC-CV-2024-08521-002",
"doc_type": "民事答辩状",
"court_name": "深圳市南山区人民法院",
"filing_date": "2024-04-20",
"full_text": "答辩人：深圳XX科技有限公司...（全文约2800字）"
},
{
"doc_id": "DOC-CV-2024-08521-003",
"doc_type": "民事判决书",
"court_name": "深圳市南山区人民法院",
"filing_date": "2024-06-10",
"judgment_result": "部分支持",
"award_amount": "人民币XX元",
"full_text": "本院认为...（全文约6000字）"
}
],
"case_elements": {
"claims": ["支付拖欠货款", "承担连带保证责任", "支付逾期利息"],
"defenses": ["产品质量瑕疵", "未完全履行交货义务", "保证期间已过"],
"key_issues": ["货物质量是否符合约定标准", "保证人是否应承担保证责任"],
"judgment_summary": "法院认定货物存在部分质量瑕疵，酌减货款XX元；保证期间未过，保证人在限额内承担连带责任"
}
}
AI应用场景
法律判决预测
基于案件要素与历史判决，预测案件结果与裁判金额
类案智能检索
基于案情语义匹配，精准检索相似案件的裁判文书
诉状自动生成
基于案情要素输入，自动生成格式规范的起诉状/答辩状
诉讼策略分析
基于历史案件配对数据，分析胜败关键因素与策略建议
搜索与发现
司法案件数据集
法律判决预测数据
类案检索训练
司法文书配对
诉讼文书生成
案件要素标注
法律AI训练数据
判决书数据
法律NLP语料
百万级案件数据
智慧司法数据
法院文书语料
认证专家网络
5000+
认证科研专家
覆盖数学、物理、化学、生物、地学、计算机六大学科
四重
质量审核体系
学术资质审核、专业能力评估、数据标注培训、质量持续监控
AI+
人机协同标注
AI预标注+专家复核，效率提升300%，准确率99.5%+