斯里兰卡文档数据集：面向法律、新闻与政策的大规模、多语言资源

我们 presented了一套开放、机器可读的文档数据集，覆盖斯里兰卡的议会过程、法律判决、政府出版物、新闻和旅游统计。该集合目前包含269,194个文档(79.5 GB)，涵盖26个数据集中的 Sinhala、Tamil和English。数据集每日更新，并在GitHub和Hugging Face上镜像。这些资源旨在支持计算语言学、法律分析、社会政治研究和多语言自然语言处理。我们描述了数据来源、收集管道、格式以及潜在用例，同时讨论了许可证和伦理考虑。本手稿版本为v2026-05-15-0811。