hulk10/cnil-full-documents

🇫🇷 Dataset CNIL – Délibérations et décisions structurées

Ce dataset regroupe les délibérations, décisions et actes officiels publiés par la
Commission Nationale de l’Informatique et des Libertés (CNIL), autorité administrative indépendante chargée de la protection des données personnelles en France.

Les données sont issues des sources open data officielles mises à disposition par la DILA et référencées sur data.gouv.fr.
Elles couvrent un large spectre d’actes juridiques : délibérations, décisions, avis, recommandations, normes simplifiées et autorisations.

La conception de ce dataset est inspirée du dataset CNIL Deliberations Dataset, qui propose une version chunkée et vectorisée de ces documents à des fins de recherche sémantique.
Le présent dataset adopte une approche différente, en conservant les documents juridiques complets, sans segmentation ni embeddings, afin de permettre des traitements juridiques et NLP plus fins en aval.

---

🗂️ Contenu du dataset

Le dataset est fourni au format Parquet et comprend un unique split train.

Chaque enregistrement correspond à un acte juridique complet de la CNIL, avec ses métadonnées juridiques et son texte intégral.

---

📊 Schéma des données

Champ	Type	Description
doc_id	string	Identifiant unique du document (issu de la source officielle)
nature	string	Type d’acte (délibération, décision, avis, etc.)
etat_juridique	string	État juridique du document (ex. en vigueur, abrogé, modifié)
nature_delib	string	Nature spécifique de la délibération
title	string	Titre court du document
full_title	string	Titre complet officiel
number	string	Numéro ou référence officielle
date	string	Date de publication (format YYYY-MM-DD)
text_content	string	Texte intégral de la délibération ou décision
source_file	string	Fichier source d’origine

---

🛠️ Méthodologie de constitution

1. 📥 Extraction des données

Les données sont extraites à partir du dépôt open data officiel de la DILA :

• https://echanges.dila.gouv.fr/OPENDATA/CNIL/

Les champs suivants sont directement issus des fichiers XML sources :

• identifiants et métadonnées juridiques (doc_id, number, date, nature, etat_juridique, nature_delib)
• titres (title, full_title)
• texte juridique intégral (text_content)

Aucun champ dérivé (chunk, hash, embedding) n’est généré à ce stade.

---

2. 🧾 Conservation de l’intégrité juridique

Contrairement au dataset de référence orienté recherche sémantique, ce dataset conserve :

• l’intégralité du texte juridique,
• la structure logique originale du document,
• les métadonnées juridiques complètes.

Ce choix est particulièrement adapté pour :

• l’analyse juridique automatisée,
• l’extraction de règles ou obligations,
• l’annotation juridique,
• la constitution de corpus de référence pour le droit du numérique et la protection des données.

---

🔗 Lien avec le dataset de référence

Ce dataset est conceptuellement lié au dataset suivant :

CNIL Deliberations Dataset (version chunkée et vectorisée)
https://huggingface.co/datasets/AgentPublic/cnil

Principales différences :

Dataset de référence	Présent dataset
Texte chunké	Texte intégral
Embeddings BGE-M3	Aucun embedding
Recherche sémantique prête à l’emploi	Pré-traitement amont
Orientation RAG	Orientation juridique / documentaire

Les deux versions peuvent être utilisées de manière complémentaire dans un même pipeline (par exemple : indexation rapide via la version chunkée, analyse juridique fine via la version complète).

---

📚 Sources & Licence

🔗 Sources

• Dépôt open data CNIL – DILA
• Data.gouv.fr – Délibérations de la CNIL

📄 Licence

Licence Ouverte Etalab 2.0
Les données sont librement réutilisables sous réserve du respect des conditions de la licence.

---

📌 Remarque

Ce dataset est particulièrement adapté :

• aux projets d’IA juridique,
• aux assistants spécialisés en droit des données personnelles,
• à l’analyse réglementaire (RGPD, conformité),
• ou comme corpus de référence pour des traitements NLP juridiques avancés.