Persona-100k

Dataset massif de 100 000 profils synthétiques réalistes, structuré pour entraîner des modèles IA sur des tâches de personnalisation, d’équité ou d'interaction conversationnelle.

Télécharger le dataset

Taille

100 000 entrées au format JSONL (504 Mo)

Licence

Apache 2.0

Description

‍

Persona-100k est un jeu de données textuelles contenant 100 000 profils synthétiques, chacun décrit par plus de 70 attributs. Ces personas couvrent des aspects variés tels que les données personnelles, la profession, les préférences culturelles, les habitudes de vie, ou encore les traits de personnalité. Le dataset est entièrement en anglais, au format .jsonl.

‍

À quoi sert ce dataset ?

‍

Entraîner des modèles LLM personnalisés, capables de générer des réponses adaptées à un profil utilisateur donné
Évaluer l’équité des modèles selon des caractéristiques démographiques simulées
Simuler des utilisateurs réalistes dans des chatbots ou agents conversationnels

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Absolument. Il est possible d’ajouter des couches d’annotation (étiquettes émotionnelles, intentions, scores d’engagement), d’adapter les personas à d’autres langues, ou d’enrichir chaque profil avec des textes simulés (reviews, dialogues, biographies). Ce dataset est une excellente base pour la génération augmentée ou l’alignement comportemental.

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐⭐⭐⭐ (Très facile – format JSONL lisible et structuré)
🧼 Besoin de nettoyage	⭐⭐⭐⭐⭐ (Aucun – données prêtes à l’emploi)
🏷️ Richesse des annotations	⭐⭐⭐⭐⭐ (Excellente – plus de 70 champs par persona)
📜 Licence commerciale	✅ Oui (Apache 2.0)
👨‍💻 Idéal pour les débutants	🌟 Oui – accessible et immédiatement exploitable
🔁 Réutilisable en fine-tuning	🎯 Idéal pour entraînement de modèles personnalisés
🌍 Diversité culturelle	⚡ Bonne – profils variés simulés selon données démographiques