NextGenerationEU projektas „Nuasmeninimo tekstyno sukūrimas (NUS)“, Nr. 02-100-K-0001.

Apimtis. 41 312 įrašų (13 762 478 žodžiai, 520 904 sakiniai), kiekvienas tekstas anotuotas asmens duomenų (angl. personally identifiable information, PII) atžvilgiu — iš viso 1 487 589 anotacijos. Mokymo imtis — 41 189 įrašai (administraciniai, moksliniai ir žiniasklaidos tekstai), testavimo (validacijos) imtis — 123 įrašai. Duomenys pateikiami JSONL, CoNLL-2003 (BIO) ir TEI P5 XML formatais.

Tekstyno sandara. Asmens duomenų tekstynas priskirtinas specializuotiems lietuvių kalbos tekstynams, skirtiems automatinio asmens duomenų aptikimo ir nuasmeninimo (angl. de-identification) sistemų giliojo mokymo pagrindu apmokymui bei vertinimui. Tekstyną sudaro originalūs lietuvių kalba parengti tekstai kartu su rankiniu būdu pažymėtomis asmens duomenų anotacijomis. Iš viso išskirti 24 anotacijų tipai, suskirstyti į dvi grupes: 16 bendrųjų kategorijų (PER, LOC, ORG, ID_PER, ID_MISC, NUM_PHONE, NUM_CAR, MISC, OCC, EDU, AGE, DATE, TIME, DURATION, VALUE, NAT) ir 8 BDAR specialiosios kategorijos „jautrūs" duomenys (HEALTH, REL, POL, ETH, MAR, FAM, GENDER, SEX). Jautrių duomenų anotacijos sudaro apie 2,84 proc. visų anotacijų, atspindint jų faktinį pasiskirstymą realiuose tekstuose.

Tekstyną sudaro trys skirtingos teminės dalys ir stratifikuota validacijos imtis. Proporcijos pagal žodžių skaičių: 1. administraciniai tekstai — 11 487 490 žodžių (apie 83 proc. tekstyno), 2. moksliniai tekstai — 1 108 602 žodžiai (apie 8 proc.), 3. žiniasklaidos tekstai — 1 107 917 žodžių (apie 8 proc.), 4. validacijos imtis — 58 469 žodžiai (apie 0,4 proc.).

Pagal įrašų skaičių dominuoja administracinė sritis (38 468 įrašai), toliau: žiniasklaida (2 451), moksliniai tekstai (270) ir validacijos imtis (123).

Tekstų šaltiniai. Administracinės dalies tekstai surinkti iš 111 šaltinių — Lietuvos savivaldybių ir valstybės institucijų interneto svetainių (laikotarpis 2001–2025 m.); 3,8 proc. (1 480 įrašų) šios dalies sudaro sintetiniai tekstai, sugeneruoti Gemma 2 27B modeliu ir atitinkamai pažymėti (original_id prefiksas translated_synthetic_admin_texts_*). Mokslinės dalies tekstai paimti iš VDU CRIS (Lituanistikos duomenų bazės) ir atvirosios prieigos Vilniaus universiteto leidyklos žurnalų (laikotarpis 2000–2025 m.). Žiniasklaidos dalies tekstai — Lietuvos nacionalinio transliuotojo LRT.lt portale publikuoti straipsniai (2019–2020 m. archyvas ir 2024–2025 m. svetainės surinkimas). Validacijos imtis — filtruotas pirmiau išvardytų šaltinių poaibis, atspindintis visų trijų dalykinių sričių pasiskirstymą.

Projekto tikslas. Parengti ne mažiau kaip 10 mln. žodžių nuasmeninimo tekstyną, kuriame būtų sužymėtos BDAR aktualios įvardintos esybės (angl. named entities), atspindinčios bendrą asmeninę informaciją apie realaus pasaulio asmenis, tokiu būdu sudarant galimybes tekstyną naudoti automatizuotam duomenų anonimizavimui/ užkodavimui pagal BDAR reikalavimus ir mašininio arba giliojo mokymo technologijų sprendimų apmokymui.

Tekstyno pagrindu parengti giliojo mokymosi sprendimai. Remiantis šio tekstyno duomenimis, parengtas automatinis asmeninės informacijos aptikimo modelis lietuvių kalbai:

1. Nuasmeninimo modelis, paremtas XLM-RoBERTa architektūra: NUS-LT-PII-xlm-roberta-large (https://huggingface.co/VytautoDidziojoUniversitetas/NUS-LT-PII-xlm-roberta-large).

NextGenerationEU projektas „Santraukų tekstynai dirbtiniam intelektui“, Nr. 02-101-K-0001.

Apimtis: 2340 tekstų (1 738 609 žodžiai), kiekvienas tekstas suporuotas su dviem žmonių parengtomis santraukomis: abstraktyvia (iš viso 352 591 žodis) ir ekstraktyvia (iš viso 494 861 žodis). Mokymo imtis – 2240 tekstų, testavimo imtis – 100 tekstų. Duomenys pateikiami CSV, JSON ir XML formatais.

Tekstyno sandara. Santraukų tekstynas priskirtinas specializuotiems lietuvių kalbos tekstynams, skirtiems automatinio santraukų sudarymo (angl. automatic summarisation) sistemų giliojo mokymo pagrindu apmokymui ir vertinimui. Tekstyną sudaro originalūs lietuvių autorių parengti tekstai kartu su žmonių parašytomis abstraktyviomis ir ekstraktyviomis santraukomis. Kiekviena santrauka sudaro ne mažiau kaip 10 proc. originalaus teksto apimties.

Tekstyną sudaro keturios skirtingos dalys: informacinių technologijų (IT), teisės (teisė), medicinos (medicina) ir žiniasklaidos (žiniasklaida). Proporcijos: 1. teisės tekstai – 668 276 žodžiai (apie 38 proc. tekstyno), 2. medicinos tekstai – 371 611 žodžių (apie 21 proc.), 3. žiniasklaidos tekstai – 354 012 žodžių (apie 20 proc.), 4. informacinių technologijų tekstai – 344 710 žodžių (apie 20 proc.).

Pagal tekstų skaičių dominuoja informacinių technologijų sritis (689 tekstai), toliau: žiniasklaida (568), medicina (550) ir teisė (533).

Tekstų šaltiniai. Informacinių technologijų dalies tekstai surinkti iš IT tinklaraščių (pvz., technologijos.lt), studentų bakalauro ir magistro baigiamųjų darbų (pvz., VDU CRIS) bei Vilniaus universiteto IT mokslo žurnalų (zurnalai.vu.lt). Teisės dalies tekstai paimti iš Lietuvos teismų informacinės sistemos LITEKO, Lietuvos Respublikos teisės aktų registro, Lietuvos Aukščiausiojo Teismo jurisprudencijos, teisės publikacijų (pvz., teise.pro) ir mokslinių straipsnių (pvz., elaba.lt). Medicinos dalies tekstai – Valstybės duomenų agentūros parengti anonimizuoti vaistinių dokumentai ir gydytojų diagnozės. Žiniasklaidos dalies tekstai – Lietuvos nacionalinio transliuotojo LRT.lt portale publikuoti straipsniai.

Projekto tikslas. Parengti ir validuoti mišrius lietuvių kalbos tekstų santraukų / abstraktų tekstynus, skirtus automatinio sudarymo giliojo mokymo pagrindu veikiančių sistemų apmokymui. Projektas vykdomas Vytauto Didžiojo universiteto kartu su partneriu Vilniaus universitetu pagal planą „Naujos kartos Lietuva“ (komponentas „Skaitmeninė transformacija ekonomikos augimui“), projekto Nr. 02-101-K-0001.

Tekstyno pagrindu parengti giliojo mokymosi sprendimai. Remiantis šio tekstyno duomenimis, parengti du automatinio santraukų sudarymo modeliai lietuvių kalbai: 1. ekstraktyvaus santraukų sudarymo modelis, paremtas XLM-RoBERTa architektūra: LT-ABS-extractive-xlm-roberta (https://huggingface.co/VytautoDidziojoUniversitetas/LT-ABS-extractive-xlm-roberta); 2. abstraktyvaus santraukų sudarymo modelis, paremtas Gemma 3 12B architektūra: LT-ABS-abstractive-Gemma3-12b (https://huggingface.co/VytautoDidziojoUniversitetas/LT-ABS-abstractive-Gemma3-12b).

NextGenerationEU projektas „Morfologiškai ir sintaksiškai anotuotų tekstynų modeliai apmokymui (auksiniai standartai)“, Nr. 02-098-K-0001.

Dydis: 10 010 420 žodžių; 12 221 575 tekstyno vienetai (žodžiai, skaitmenys, simboliai, skyrybos ženklai); 668 969 sakiniai.

Tekstyno sandara. SIMAS priskirtinas bendriesiems anotuotiems rašomosios kalbos tekstynams. Tekstyną sudaro tekstai, parašyti ir publikuoti 2000–2025 m. laikotarpiu, reprezentuojama originalioji dabartinė bendrinė rašytinė lietuvių kalba. Tekstynas susideda iš keturių skirtingus stilius atspindinčių dalių: grožinės, mokslinės, administracinės literatūros ir periodikos (tai Lietuvos nacionalinio transliuotojo LRT.lt portale publikuoti tekstai). Proporcijos: periodika (įvairiatemiai ir įvairiažanriai straipsniai iš LRT.lt ) – 4 852 550 žodžių (apie 50 proc. tekstyno). Dokumentai sudaro 2 085 581 žodį, mokslinės literatūros tekstai (įvairių mokslo sričių knygos ir straipsniai) sudaro 2 108 574 žodžius (po 20 proc. tekstyno), o grožinės literatūros tekstai – 963 632 žodžius (apie 10 proc. tekstyno). Tekstyne sukaupti tik lietuvių autorių sukurti originalūs grožinio ir mokslinio stiliaus tekstai, vertimų neįtraukta. Visose tekstyno dalyse yra pilni tekstai, o ne tekstų fragmentai.

Anotavimo įrankiai. Tekstynas automatiškai anotuotas morfologiškai ir sintaksiškai, lingvistų peržiūrėtas. Automatiniam morfologiniam anotavimui naudotas įrankis „Morfuoklis“ (https://sitti.vdu.lt/morfuoklis/lt). Automatinei sintaksinei analizei naudotas tarptautinis įrankis UDPipe (https://lindat.mff.cuni.cz/services/udpipe/) , pritaikytas lietuvių kalbai.

Lietuvių kalbos garsynas LIEPA-3 yra skirtas šnekos atpažinimo (ASR, STT) taikymams ir moksliniams tyrimams. Bendra anotuota garsyno trukmė yra 10000 val. Garsyną sudaro garso įrašai FLAC formatu (44.1 kHz, 16 bitų, mono) ir juos atitinkantys anotacijų failai teksto formatu žodžio bei frazių lygmens anotacijose bei Praat TextGrid (https://praat.org/) formatu foneminėse anotacijose. Garsyne įrašyta skaitoma šneka, spontaninė šneka ir lietuviškos tarmės. Garsynas sąlyginai sudalintas į kelis subgarsynus: spontaninės šnekos (SPON - 4900 val.), skaitomos šnekos (READ - 5000 val.), tarmių (DIAL - 100 val.) bei fonemiškai anotuotą garsyną (PHON - 500 val.). Bendras garsyno dydis yra 1,3 TB (ZIP formatas, dalys atsisiuntimui po 10 GB). Garsynas anotuotas fonemų lygmenyje (500 valandų), žodžių (10 000 valandų) ir frazių (10 000 valandų) lygmenyse.

Duomenyne galima rasti šiuos duomenų rinkinius:

• kalbinių ypatybių pasiskirstymo Lietuvos teritorijoje skaitmeniniai internetiniai žemėlapiai, sudaryti kalbos paveldo duomenų pagrindu. Šie duomenys apima ne mažiau kaip 180 erdvinių duomenų rinkinių: a) skenuotų ir geoorientuotų kalbinių ypatybių paplitimo žemėlapių, b) rekonstruotų kalbinių ypatybių paplitimo vektorinių sluoksnių ir c) sumodeliuotų kalbinių ypatybių paplitimo rastrinių sluoksnių https://atviri-duomenys.lki.lt/search?categories=%252Fcategories%252Fkalbin%25C4%2597s%2520ypatyb%25C4%2597s

• šiuolaikinių kalbinių, sociolingvistinių ir mentalinių duomenų skaitmeniniai internetiniai žemėlapiai, kurių pagrindą sudaro ne mažiau kaip 35 erdvinių duomenų sluoksniai, sukurti remiantis statistiniais gyventojų demografijos, socioekonominių rodiklių ir kalbos gyvybingumo duomenimis. Duomenys surinkti atliekant reprezentatyvias sociolingvistines lietuvių kalbos vartosenos, prestižo, nuostatų, percepcijos, kalbos (kalbų) variantiškumo ir kt. apklausas. Išskiriamos šios duomenų grupės: Percepcija: https://atviri-duomenys.lki.lt/search?categories=%252Fcategories%252Fsociolingvistika Etnolingvistika: https://atviri-duomenys.lki.lt/search?categories=%252Fcategories%252Fetnolingvistika Sociolingvistika: https://atviri-duomenys.lki.lt/search?categories=%252Fcategories%252Fsociolingvistika

• Sociodemografiniai žemėlapiai ir jiems kurti panaudoti erdviniai duomenys, parengti remiantis valstybės įstaigų duomenimis: https://atviri-duomenys.lki.lt/search?categories=%252Fcategories%252Fsociodemografija https://get.data.gov.lt/datasets/gov/lki/2011_gyventoju_surasymas/:ns

Bendrąjį lietuvių kalbos paveldo duomenyną sudaro 500 tūkst. vienetų lietuvių kalbos leksikografijos, tarmių ir vardyno medžiagos objektų (kalbos duomenų kortelių). Objektą sudaro skenuotas kortelės vaizdas JPG formatu bei kortelės duomenys XML įraše. Duomenyne skelbiami „Lietuvių kalbos žodyno“ Pagrindinė kartotekos, „Lietuvių kalbos žodyno“ Papildymų kartotekos ir Vietovardžių, surinktų iš gyvosios kalbos, kartotekos duomenys.

Priimtų į I kursą ir studijuojančių studentų skaičius pagal programas išskirti užsieniečiai

Biobankas – moderni aukšto technologinio lygio infrastruktūra, kurioje saugomi standartizuotai surinkti biologiniai žmogaus mėginiai ir su jais susijusi klinikinė informacija, skirta Lietuvos ir pasaulio mokslinei bei industrinei bendruomenei, siekiant plėtoti modernius biomedicininius tyrimus, kurti naujas gydymo bei diagnostikos priemones bei technologijas. Nacionalinio vėžio instituto Biobanko duomenų rinkinyje pateikimi šie su ėminiais ar jų šaltiniais (pacientais) susiję duomenys: ėminio nr., paėmimo data, lytis, amžius, TLK-10 kodas (susirgimo kodas pagal Tarpautinę ligų klasifikaciją (10 leidimas)), pTNM (Ligos išplitimo vertinimas pagal TNM sistemą (patologinis)).

Pilnai nuasmeninti populiaciniai Nacionalinių mokinių pasiekimų patikrinimų (NMPP) duomenys pateikiami pagal metus, savivaldybę, vietovės tipą, institucijos mokomąją kalbą, lytį, amžių, klasę, pasiekimo tipą, lygį, surinktus taškus

Nacionalinio vėžio instituto (toliau – NVI) koordinuojamas Vėžio registras vykdo savo oficialią veiklą vadovaudamasis 2016 m. Lietuvos Respublikos Vyriausybės nutarimu – registruoja susirgimus onkologinėmis ligomis visoje Lietuvos teritorijoje.

Pagrindiniai Vėžio registro prioritetai: duomenų saugumas ir duomenų išsamumas.

Iš asmens sveikatos priežiūros įstaigų į NVI Vėžio registrą siunčiami pranešimai „Apie pirmą kartą nustatytą onkologinės ligos diagnozę“. Visi jie yra peržiūrimi, sukoduojami ir suvedami į informacinę sistemą, o esant netikslumų – tikslinami. Kas metai Vėžio registro specialistai į informacinę sistemą suveda daugiau kaip 20 tūkst. naujų pranešimų, taip pat papildomus duomenis iš Mirčių atvejų ir jų priežasčių valstybės registro.

Duomenys NVI Vėžio registrą pasiekia popierinių ir elektroninių pranešimų forma. Vis daugiau įstaigų rūpinasi savo pacientų asmens duomenų apsaugą ir stengiasi visus duomenų mainus perkelti į saugesnę – elektroninę – erdvę.

Svetainėje www.nvi.lt veikia NVI Vėžio registro elektroninė forma, kuri suteikia galimybę asmens sveikatos priežiūros įstaigoms patogiai ir saugiai pateikti informaciją apie pirmą kartą nustatytas onkologines ligas. Ši elektroninė forma padeda įstaigų atsakingiems darbuotojams ne tik greitai ir saugiai pateikti duomenis registrui, bet ir leidžia peržiūrėti bei kontroliuoti, kokie duomenys buvo pateikti, o esant netikslumų ar atsiradus papildomai informacijai – duomenis patikslinti.

Švietimo teikėjų, turinčių galimybę vykdyti akredituotas neformaliojo vaikų švietimo programas, sąrašas

Duomenys apie užsienio kalbų mokymą spalio 1 d.

Savivaldybės pavaldumo įstaigose (ikimokyklinio ir bendrojo ugdymo) ugdomi vaikai pagal deklaruotą savivaldybę

Mokinių, kurie mokosi užsienio kalbų, amžius

Mokiniai pagal mokymosi kalbas (duomenys apie užsienio kalbų mokymąsi nepateikiami) spalio 1 d.

Jungtinių klasių skaičius pagal savivaldybę, mokyklas ir klasės tipą

Profesinių mokyklų mokiniai

Mokiniai pagal kursus ir mokymo programas spalio 1 d.

Mokinių amžius

Mokyklų sąrašas su vaikų, kurie gyvena toliau nei 3 km nuo mokyklos, skaičiumi .