README.md

---
language:
- vi
license: cc-by-4.0
pretty_name: "Vietnamese Bản án Corpus"
size_categories:
- 1M<n<10M
task_categories:
- text-classification
- text-retrieval
- question-answering
- text-generation
- sentence-similarity
- feature-extraction
tags:
- legal
- vietnamese
- vietnam
- law
- court-judgment
- ban-an
- statute-citation
source_datasets:
- original
configs:
- config_name: documents
  default: true
  data_files:
  - split: train
    path: documents-*.parquet
- config_name: sentences
  data_files:
  - split: train
    path: sentences-*.parquet
- config_name: embed
  data_files:
  - split: train
    path: embed-*.parquet
- config_name: reduce
  data_files:
  - split: train
    path: reduce-*.parquet
---

# Vietnamese Bản án Corpus — `congbobanan.toaan.gov.vn`

> 🇻🇳 **Tóm tắt.** Kho dữ liệu **đa cấp** gồm khoảng **1,370,726** bản án + quyết định của Toà án Việt Nam, thu thập từ cổng công bố bản án [`congbobanan.toaan.gov.vn`](https://congbobanan.toaan.gov.vn/) của Tòa án nhân dân tối cao. Mỗi văn bản đi kèm markdown đã chuẩn hoá tiếng Việt (NFC + chính tả hiện đại), lớp cấu trúc phân cấp **document → section → paragraph → sentence**, lớp trích dẫn luật, và metadata sidebar từ trang chi tiết. Bộ dữ liệu ship bốn cấu hình HF: `documents` (mặc định) · `sentences` · `embed` (2048-D) · `reduce` (chiếu 2D PCA + UMAP).
>
> 🇬🇧 **Summary.** A **multi-level** corpus of ~**1,370,726** Vietnamese court judgments + decisions (bản án) harvested from [`congbobanan.toaan.gov.vn`](https://congbobanan.toaan.gov.vn/) (the Supreme People's Court judgment-publication portal). Every document carries a Vietnamese-normalised markdown body (NFC + modern orthography), a hierarchical structure layer (**document → section → paragraph → sentence**), a statute-citation layer, and HTML sidebar metadata. Four HF configs ship: `documents` (default) · `sentences` · `embed` (2048-D) · `reduce` (PCA + UMAP 2D projections).

## Tổng quan · At a glance

| Chỉ số · Metric | Giá trị · Value |
|---|---:|
| Văn bản · Documents | **1,370,726** |
| Câu · Sentences (corpus-wide) | 88,408,214 |
| Tổng ký tự · Total characters | 11,617,918,966 |
| Có cấu trúc · With structure layer | 1,370,726 |
| Có trích dẫn luật · With statute references | 1,362,934 |
| Tham chiếu điều luật · Statute references | 17,527,905 |
| Có embedding · With embedding vector | 1,370,726 |
| Có projection · With reduce projections | 1,370,726 |
| Trung vị trang · Median pages / doc | 3 |
| Trung vị ký tự · Median chars / doc | 5,812 |
| Trung vị đoạn · Median paragraphs / doc | 25 |
| Trung vị câu · Median sentences / doc | 49 |
| Trung vị lượt xem · Median views (`luot_xem`) | 8 |
| Trung vị lượt tải · Median downloads (`luot_tai`) | 24 |

## Phân loại văn bản · Document classes

Lớp nhãn dưới đây được tính trên **toàn bộ** kho dữ liệu — vì vậy tỉ lệ ở đây có ý nghĩa thống kê hơn hẳn các kho nhỏ. — The class distributions below are computed over the **entire** corpus, so the proportions are far more statistically meaningful than a small sample.

### Loại văn bản · Document type (`doc_type`)

| Value | Count | Share |
|---|---:|---:|
| `quyet-dinh` | 788,549 | 57.5% |
| `ban-an` | 572,705 | 41.8% |

### Loại vụ việc · Case category (`loai_vu_viec`)

| Value | Count | Share |
|---|---:|---:|
| `Hôn nhân và gia đình` | 680,929 | 49.7% |
| `Dân sự` | 276,457 | 20.2% |
| `Kinh doanh thương mại` | 24,069 | 1.8% |
| `Lao động` | 5,781 | 0.4% |

### Lĩnh vực · Case type (`case_type`, from structure layer)

| Value | Count | Share |
|---|---:|---:|
| `unknown` | 450,983 | 32.9% |
| `hon_nhan_gia_dinh` | 420,990 | 30.7% |
| `hinh_su` | 255,877 | 18.7% |
| `dan_su` | 207,707 | 15.2% |
| `kinh_doanh_thuong_mai` | 17,311 | 1.3% |
| `hanh_chinh` | 13,723 | 1.0% |
| `lao_dong` | 4,135 | 0.3% |

### Cấp xét xử · Adjudication level (`cap_xet_xu`)

| Value | Count | Share |
|---|---:|---:|
| `Sơ thẩm` | 1,237,537 | 90.3% |
| `Phúc thẩm` | 121,754 | 8.9% |
| `Giám đốc thẩm` | 1,844 | 0.1% |
| `Tái thẩm` | 119 | 0.0% |

### Cấp toà · Court level (`court_level`)

| Value | Count | Share |
|---|---:|---:|
| `huyen` | 661,311 | 48.2% |
| `unknown` | 406,410 | 29.6% |
| `tinh` | 276,758 | 20.2% |
| `cap_cao` | 25,510 | 1.9% |
| `toi_cao` | 737 | 0.1% |

### Áp dụng án lệ · Precedent applied (`ap_dung_an_le`)

| Value | Count | Share |
|---|---:|---:|
| `Không` | 1,359,607 | 99.2% |
| `Có áp dụng` | 1,647 | 0.1% |

## Phân tích trích dẫn luật · Statute-citation analysis

Lớp trích dẫn được dựng từ trường `statute_refs` trong `extracted_json`: tổng cộng **17,527,905** tham chiếu điều luật trên **1,362,934** văn bản. Bộ luật (`code`) chỉ được trình trích xuất gán sẵn cho ~1.4% tham chiếu; phần còn lại được suy ra từ cửa sổ ±220 ký tự quanh vị trí trích dẫn (giống pipeline của kho `anle`), đạt **93.7%** độ phủ mã bộ luật. — The citation layer is built from the `statute_refs` field in `extracted_json`: **17,527,905** statute references across **1,362,934** documents. The extractor pre-populates the statute `code` for only ~1.4% of references; the rest are recovered from the ±220-char markdown window around each citation (the same approach as the `anle` pipeline), reaching **93.7%** code coverage.

**Bộ luật được trích dẫn nhiều nhất · Top cited codes**

| Code | Name | Citations | Documents |
|---|---|---:|---:|
| `BLTTDS` | Civil Procedure Code | 6,997,990 | 930,489 |
| `BLHS` | Criminal Code | 3,230,518 | 253,512 |
| `BLTTHS` | Criminal Procedure Code | 1,745,670 | 248,114 |
| `LTHADS` | Civil Enforcement Law | 1,500,105 | 482,959 |
| `LXLVPHC` | Law on Handling of Administrative Violations | 918,736 | 95,611 |

**Cặp đồng trích dẫn mạnh nhất · Strongest co-citation pairs**

| Code A | Code B | Co-citing documents |
|---|---|---:|
| `BLTTDS` | `LTHADS` | 409,831 |
| `BLHS` | `BLTTHS` | 240,091 |
| `BLDS` | `BLTTDS` | 207,066 |
| `BLDS` | `LTHADS` | 199,587 |
| `BLTTDS` | `LHNGD` | 196,919 |
| `LHNGD` | `LTHADS` | 105,653 |

**Tổng số trích dẫn theo bộ luật. — Total citations per statute code.**

![08_top_codes.png](./assets/08_top_codes.png)

**Các cặp (bộ luật, điều) được trích dẫn nhiều nhất. — Most-cited (code, article) pairs.**

![09_top_articles.png](./assets/09_top_articles.png)

**Đồ thị trích dẫn 3 cột: `case_type` → bộ luật → điều luật; độ rộng liên kết ∝ số trích dẫn; cạnh trái tô theo `case_type`, cạnh phải theo bộ luật. — Three-column citation flow: `case_type` → statute code → (code, article); link width ∝ #citations; left links coloured by `case_type`, right links by code. (Cùng kiểu hình `fig_cite_network` của kho `anle`. — The same Sankey/alluvial style as `anle`'s `fig_cite_network`.)**

![10_citation_network.png](./assets/10_citation_network.png)

**Cung đồng trích dẫn: các bộ luật xếp trên trục ngang theo thứ tự phổ (spectral), mỗi cung nối một cặp bộ luật được trích dẫn chung, độ dày & màu ∝ số văn bản đồng trích dẫn. — Co-citation arc diagram: codes on a horizontal baseline in spectral order, each arc links a pair of co-cited codes, arc width & colour ∝ co-citing document count.**

![13_citation_arc.png](./assets/13_citation_arc.png)

> Đồ thị Sankey ở trên dựng từ bộ ba `(case_type, bộ luật, điều)` — `case_type` lấy từ lớp cấu trúc của mỗi văn bản, ghép với `statute_refs` trong `extracted_json` (12 bộ luật hàng đầu, tối đa 6 điều/bộ luật, giống mật độ của `anle`). Hình cung là biến thể đồng-trích-dẫn của `fig_cite_arc` (kho `anle` dùng streamgraph theo mạch tự sự, cần `progress`/`section_kind` mà lớp trích dẫn congbobanan không lưu). — The Sankey above is built from `(case_type, code, article)` triples — each document's structure-layer `case_type` joined to its `statute_refs` (top 12 codes, ≤6 articles each, matching `anle`'s density). The arc figure is the co-citation variant of `fig_cite_arc` (`anle` uses a narrative-arc streamgraph, which needs the per-reference `progress` / `section_kind` the congbobanan citation layer does not retain).

Các con số trên được lưu kèm trong `assets/citation_summary.json` và `assets/citation_edges.csv` để kiểm chứng. — These numbers are mirrored in `assets/citation_summary.json` and `assets/citation_edges.csv` for auditing.

## Phân bố kho dữ liệu · Corpus distributions

**Phân bố độ dài văn bản (ký tự & số trang). — Document-size distribution: character count and page count, with medians marked.**

![01_doc_size.png](./assets/01_doc_size.png)

**Số bản án theo năm công bố (`ngay_cong_bo`). — Judgments per publication year, showing the portal's coverage ramp.**

![02_docs_over_time.png](./assets/02_docs_over_time.png)

**Cơ cấu loại vụ việc theo nhãn sidebar (`loai_vu_viec`). — Case-category mix from the portal sidebar labels.**

![03_case_category.png](./assets/03_case_category.png)

**Phân bố theo cấp xét xử (`cap_xet_xu`) và cấp toà (`court_level`). — Distribution by adjudication level and court level.**

![04_court_level.png](./assets/04_court_level.png)

**Quan hệ pháp luật phổ biến nhất (`quan_he_phap_luat`). — Most frequent legal-relationship labels.**

![05_legal_relationship.png](./assets/05_legal_relationship.png)

**Phân bố lượt xem & lượt tải (thang log). — View / download popularity on a log scale, with medians.**

![06_popularity.png](./assets/06_popularity.png)

**Phân bố nhãn thực thể được trích xuất (`entities`). — Distribution of extracted entity tags (regex NER).**

![07_entity_tags.png](./assets/07_entity_tags.png)

**Các toà xét xử bận rộn nhất (`toa_an_xet_xu`). — Busiest adjudicating courts by document count.**

![11_top_courts.png](./assets/11_top_courts.png)

## Bản đồ embedding · Embedding landscape

Mỗi điểm là một văn bản; toạ độ là vector embedding 2048-D từ `nvidia/llama-nemotron-embed-1b-v2` chiếu xuống 2D bằng **UMAP**, tô màu theo thuộc tính văn bản. PCA cũng được tính sẵn và lưu trong `reduce-*.parquet` (`pca_x`/`pca_y`). — Each dot is one document; coordinates are the 2D UMAP projection of a 2048-D embedding from `nvidia/llama-nemotron-embed-1b-v2`, coloured by document facets. PCA is also pre-computed in `reduce-*.parquet` (`pca_x`/`pca_y`).

**UMAP — lĩnh vực · case_type**

![embedding-case-type-umap.png](./embedding-case-type-umap.png)

**UMAP — cấp xét xử · doc_subtype**

![embedding-doc-subtype-umap.png](./embedding-doc-subtype-umap.png)

**UMAP — cấp toà · court_level**

![embedding-court-level-umap.png](./embedding-court-level-umap.png)

## Lược đồ · Schemas

The dataset ships **four** Hugging Face configs, all joinable on the
`doc_name` primary key.

### `documents` (default) — one row per judgment

**Identification + structure-derived meta**

| Field | Type | Description |
|---|---|---|
| `doc_name` / `case_id` | string | Stable integer document id (as a string). |
| `source` | string | Always `congbobanan.toaan.gov.vn`. |
| `detail_url` / `pdf_url` | string | Deep links back to the portal page / PDF. |
| `doc_code` | string | E.g. `38/2021/DS-PT` (sequence/year/case-type-procedure). |
| `doc_type` | string | `ban_an` \| `quyet_dinh` \| … |
| `case_type` | string | `dan_su` \| `hinh_su` \| `hon_nhan_gia_dinh` \| `lao_dong` \| `kinh_doanh_thuong_mai` \| `hanh_chinh`. |
| `doc_subtype` | string | `so_tham` \| `phuc_tham` \| `giam_doc_tham` \| `tai_tham`. |
| `year` | int32 | Year extracted from `doc_code`. |
| `title` / `subject` | string | Header line / `V/v …` matter line. |
| `issue_date` | string | ISO 8601 issue date when discoverable. |
| `issuing_authority` | string | Full court name. |
| `court_level` | string | `huyen` \| `tinh` \| `cap_cao` \| `toi_cao`. |
| `jurisdiction` | string | Province / city qualifier. |

**Sidebar metadata (HTML detail-page co-update — see *How built*)**

| Field | Type | Description |
|---|---|---|
| `ban_an_so` | string | Judgment number from the portal sidebar. |
| `ngay` | string | Judgment date (`ngày`). |
| `ten_ban_an` | string | Human-readable judgment title. |
| `ngay_cong_bo` | string | Publication date on the portal. |
| `quan_he_phap_luat` | string | Legal-relationship label. |
| `cap_xet_xu` | string | Adjudication level as labelled by the portal. |
| `loai_vu_viec` | string | Case-matter type as labelled by the portal. |
| `toa_an_xet_xu` | string | Adjudicating court name. |
| `ap_dung_an_le` | string | Whether a precedent (án lệ) was applied (`Có`/`Không`). |
| `dinh_chinh` | string | Correction / erratum note. |
| `thong_tin_vu_viec` | string | Free-text case-information blurb. |
| `tong_binh_chon` | string | Aggregate user-rating string. |
| `luot_xem` / `luot_tai` | int64 | View / download counters. |
| `pdf_filename` | string | Original PDF filename as served. |

Any sidebar field may be `null` on ghost / sparse detail pages.

**Body, stats, provenance, hierarchy**

| Field | Type | Description |
|---|---|---|
| `markdown` | string | NFC-normalised, modern-orthography Vietnamese markdown (page-segmented with `## Page N`). |
| `num_pages` / `num_sections` / `num_paragraphs` / `num_sentences` | int32 | Counts from the structure layer. |
| `char_len` | int32 | Character length of `markdown`. |
| `text_hash` | string | SHA-256 (first 32 hex) of `markdown`. |
| `parser_model` / `parsed_at` | string | Parse-stage provenance. |
| `confidence` | float64 (nullable) | Parser confidence; `null` for the default parser. |
| `structure_json` | string | Full `DocumentStructure` (meta + stats + sections + paragraphs + sentences) as JSON. |
| `extracted_json` | string | Regex NER + statute links (`entities`, `relations`, `statute_refs`) as JSON. |

### `sentences` — one row per sentence

Flattens `section → paragraph → sentence` so consumers can stream and
filter sentences without parsing `structure_json`. Carries join key
`doc_name`, ids (`sentence_id`/`paragraph_id`/`section_id`), promoted
parent filter columns (`case_type`, `doc_type`, `doc_subtype`,
`court_level`, `year`, `cap_xet_xu`, `loai_vu_viec`), location
(`section_kind`, `paragraph_kind`, `paragraph_marker`, `page`,
`index_in_paragraph`, `global_index`, `char_start`, `char_end`), and the
`text` payload.

### `embed` — one row per document

`doc_name`, `text_hash`, `embedding` (list&lt;float32&gt;, **2048-D**),
`embedding_dim`, `embedding_model_id`, `embedding_text_hash`,
`embedding_chunks_used`, `embedding_chunking`. Default embedder:
`nvidia/llama-nemotron-embed-1b-v2`.

### `reduce` — one row per document

| Field | Type | Description |
|---|---|---|
| `doc_name` / `text_hash` | string | Join keys. |
| `pca_x` / `pca_y` | float64 | PCA 2D projection axes. |
| `umap_x` / `umap_y` | float64 | UMAP 2D projection axes. |
| `cluster_id` | int64 | Unused placeholder (all `-1`); clustering is **not provided** in this release. The column is retained for schema stability. |

```python
import json
from datasets import load_dataset

docs = load_dataset("tmquan/congbobanan-toaan-gov-vn", "documents", split="train")
row = docs[0]
print(row["ban_an_so"], row["toa_an_xet_xu"], row["loai_vu_viec"])
refs = json.loads(row["extracted_json"])["statute_refs"]
print(len(refs), "statute references")
```

## Cách thu thập + chuẩn hoá · How the corpus was built

A five-stage NeMo Curator flow
(`download → parse → extract → embed → reduce`) under
[`packages/datasites/congbobanan`](../../packages/datasites/congbobanan).
The precedent / án-lệ site layer stays **off** for this judgment portal.

1. **Download** — enumerates the integer case-ID range and downloads
   each published judgment (PDF, with DOCX / DOC fallbacks).
2. **Parse** — `pypdf` for digital PDFs; a self-hosted OCR VLM for
   image-only scans. Output is NFC-normalised Vietnamese markdown with
   modern orthography. **Only the digital-PDF cohort (Cases A + B) is
   included here**; the OCR-only cohort is excluded from this release.
3. **Extract** — two deterministic layers: *generic* regex/dictionary
   NER (dates, courts, articles) + statute linking
   (`Điều N khoản M Bộ luật …` → `statute_refs`), and *structure*
   segmentation into the five-section template
   (`header → case_summary → findings → decision → footer`),
   paragraphs (marker-classified), and sentences.
4. **Embed** — default model `nvidia/llama-nemotron-embed-1b-v2` (2048-D). The
   embedding recipe is **vector-identical** to the `anle` corpus
   (same model, same sliding-window-chunk + mean-pool contract), so
   embeddings are directly comparable across the two datasets. The full
   set of routable models is in `manifest.json["pipeline"]["embed"]["registry"]`.
5. **Reduce** — **PCA + UMAP** 2D projections (`pca, umap`)
   over the full embedding matrix. No clustering is provided in this
   release: the `cluster_id` column is retained for schema stability but
   is an all-`-1` placeholder.

**HTML metadata co-update.** The sidebar columns (`ban_an_so`, `ngay`,
`ten_ban_an`, `ngay_cong_bo`, `quan_he_phap_luat`, `cap_xet_xu`,
`loai_vu_viec`, `toa_an_xet_xu`, `ap_dung_an_le`, `dinh_chinh`,
`thong_tin_vu_viec`, `tong_binh_chon`, `luot_xem`, `luot_tai`,
`pdf_filename`) do **not** come from the PDF body. The harvester scrapes
them from the portal's HTML detail panel; the parser passes them through
unchanged, making each record a *co-update* of two independent sources
(HTML sidebar + parser output). See `wiki/PARSING.md § 6`.

### Chất lượng & lưu ý · Data-quality caveats

* **Weak / regex labels.** `case_type`, `doc_subtype`, `court_level`,
  `doc_type` and the statute `code` are produced by deterministic regex
  heuristics, not human annotation. The statute `code` in particular is
  pre-populated for only ~1.4% of references; the citation analysis here
  recovers the rest from markdown context (≈94% coverage) but a residual
  `UNKNOWN` band remains.
* **Sidebar null rates.** Any HTML-sidebar field can be `null` on ghost
  or sparse detail pages; do not assume universal coverage.
* **OCR cohort excluded.** Only digital-PDF Cases A + B ship here; the
  image-only OCR cohort is held back, so the corpus skews toward
  machine-readable judgments.
* **Free-text facets.** `quan_he_phap_luat` and `toa_an_xet_xu` are
  high-cardinality free text; the figures show only the head of a long
  tail.

Captured: `2026-06-10T07:02:49.376355+00:00`.

## Nguồn · Source

* Portal: <https://congbobanan.toaan.gov.vn/>
* Publisher: Supreme People's Court of Vietnam (Tòa án nhân dân tối cao)

## Giấy phép · License

Văn bản gốc được Toà án nhân dân tối cao công bố trên cổng thông tin
công cộng. Bản phân phối lại này dùng giấy phép **CC-BY-4.0**; vui lòng
kiểm tra điều khoản sử dụng của trang nguồn trước khi tái phân phối
thương mại. — The source documents are published by the Supreme
People's Court on a public portal. This redistribution is shared under
**CC-BY-4.0**; please check the source-website terms of use before
commercial redistribution.

## Trích dẫn · Citation

```bibtex
@misc{congbobanan_2026,
  title        = {Vietnamese Bản án Corpus (congbobanan.toaan.gov.vn)},
  author       = {TMQuan},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/datasets/tmquan/congbobanan-toaan-gov-vn}},
  note         = {Multi-level mirror (~1.37M Vietnamese court judgments) with hierarchical structure (DocumentMeta + Section + Paragraph + Sentence), statute-citation layer, 2048-D embeddings, and 2D projections.}
}

@misc{congbobanan_toaan_2026,
  title        = {Cổng công bố bản án và quyết định của Toà án},
  author       = {{Công bố bản án — Tòa án nhân dân tối cao}},
  year         = {2026},
  howpublished = {\url{https://congbobanan.toaan.gov.vn/}},
  note         = {Official portal for the publication of Vietnamese court judgments (bản án) + decisions, published by the Supreme People's Court.}
}
```