Update README.md

README.md

@@ -1,3 +1,307 @@
----
-license: apache-2.0
----
+---
+license: cc-by-4.0
+task_categories:
+- text-generation
+language:
+- de
+tags:
+- synthetic
+- personas
+- german
+- custom
+- datadesigner-inspired
+size_categories:
+- n<1K
+dataset_info:
+  features:
+  - name: uuid
+    dtype: string
+  - name: professional_persona
+    dtype: string
+  - name: sports_persona
+    dtype: string
+  - name: arts_persona
+    dtype: string
+  - name: travel_persona
+    dtype: string
+  - name: culinary_persona
+    dtype: string
+  - name: persona
+    dtype: string
+  - name: cultural_background
+    dtype: string
+  - name: skills_and_expertise
+    dtype: string
+  - name: skills_and_expertise_list
+    sequence: string
+  - name: hobbies_and_interests
+    dtype: string
+  - name: hobbies_and_interests_list
+    sequence: string
+  - name: career_goals_and_ambitions
+    dtype: string
+  - name: sex
+    dtype: string
+  - name: age
+    dtype: int64
+  - name: marital_status
+    dtype: string
+  - name: education_level
+    dtype: string
+  - name: bachelors_field
+    dtype: string
+  - name: occupation
+    dtype: string
+  - name: city
+    dtype: string
+  - name: state
+    dtype: string
+  - name: zipcode
+    dtype: string
+  - name: country
+    dtype: string
+  - name: language
+    dtype: string
+  - name: persona_region
+    dtype: string
+  - name: profile_tag
+    dtype: string
+  splits:
+  - name: train
+    num_bytes: 70746
+    num_examples: 240
+  download_size: 70746
+  dataset_size: 70746
+configs:
+- config_name: default
+  data_files:
+  - split: train
+    path: data/train-*
+---
+Persona-German
+=========================================================================
+
+<center>
+  <p>
+    <em>Ein deutsches, synthetisches Persona-Dataset im Stil von Nemotron-Personas-Korea</em><br>
+    <em>A German synthetic persona dataset inspired by Nemotron-Personas-Korea</em>
+  </p>
+</center>
+
+# Dataset Overview
+
+Persona-German is a custom synthetic German-language persona dataset built in the style of `nvidia/Nemotron-Personas-Korea`, but adapted for a smaller local dataset release. It contains German persona descriptions together with demographic and geographic context fields so the data can be filtered, conditioned, or expanded for downstream training and evaluation workflows.
+
+The current release contains 240 records stored in 2 parquet files. Each record includes multiple persona views such as professional, sports, arts, travel, culinary, and a concise overall persona summary. Additional attributes such as cultural background, skills, hobbies, goals, age, education, occupation, and location are included to make the personas easier to target in synthetic-data or LLM experiments.
+
+All records in this dataset are synthetic. The generator was written locally and includes a sentence-level deduplication check so the same sentence is not repeated across the persona text fields more than once.
+
+--
+
+Persona-German ist ein benutzerdefiniertes synthetisches deutschsprachiges Persona-Dataset, das sich strukturell an `nvidia/Nemotron-Personas-Korea` orientiert, aber als kleinere lokale Veröffentlichung für deutsche Personas umgesetzt wurde. Es enthält deutsche Personabeschreibungen zusammen mit demografischen und geografischen Kontextfeldern, damit die Daten für Training, Evaluation oder konditionierte Generierung gefiltert und erweitert werden können.
+
+Die aktuelle Version enthält 240 Datensätze in 2 Parquet-Dateien. Jeder Datensatz umfasst mehrere Persona-Perspektiven wie Beruf, Sport, Kunst, Reisen, Kulinarik sowie eine kurze zusammenfassende Persona. Ergänzende Attribute wie kultureller Hintergrund, Fähigkeiten, Interessen, Ziele, Alter, Bildung, Beruf und Wohnort erleichtern die gezielte Nutzung in synthetischen Datenpipelines und LLM-Workflows.
+
+Alle Einträge in diesem Dataset sind künstlich erzeugt. Der lokale Generator enthält außerdem eine Duplikatsprüfung auf Satzebene, sodass derselbe Satz in den Persona-Textfeldern nicht mehrfach vorkommt.
+
+# What Is Not In The Dataset
+
+This dataset is not an official NVIDIA release and is not a replication of the real `Nemotron-Personas-Korea` production pipeline. It does not include family, housing, district-level, or military-status fields because those columns are not present in the generated parquet schema for this local version.
+
+The dataset is also much smaller than the Korean reference dataset and should be treated as a custom seed dataset or scaffold rather than a population-scale release.
+
+--
+
+Dieses Dataset ist keine offizielle NVIDIA-Veröffentlichung und bildet die Produktionspipeline von `Nemotron-Personas-Korea` nicht vollständig nach. Familien-, Wohnungs-, Militärstatus- oder kreisgenaue Regionalfelder sind hier nicht enthalten, weil diese Spalten im tatsächlich erzeugten Parquet-Schema dieser lokalen Version nicht vorkommen.
+
+Außerdem ist das Dataset deutlich kleiner als das koreanische Referenz-Dataset und sollte eher als benutzerdefinierter Startpunkt oder als lokales Persona-Scaffold verstanden werden, nicht als bevölkerungsnahe Großveröffentlichung.
+
+# Data Developer
+
+Custom local dataset created in this workspace.
+
+# Release Date
+
+Released locally on April 26, 2026.
+
+# Dataset Creation Date
+
+April 26, 2026
+
+# License / Terms of Use
+
+This dataset is licensed under the [Creative Commons Attribution 4.0 International License](https://creativecommons.org/licenses/by/4.0/deed.en) (CC BY 4.0).
+
+--
+
+Dieses Dataset steht unter der [Creative Commons Attribution 4.0 International License](https://creativecommons.org/licenses/by/4.0/deed.en) (CC BY 4.0).
+
+# Use Case
+
+This dataset can be used for:
+
+* German persona generation
+* Synthetic data bootstrapping
+* LLM fine-tuning experiments
+* Prompt conditioning and retrieval tests
+* Evaluation of persona diversity in German outputs
+
+--
+
+Dieses Dataset kann unter anderem für folgende Zwecke genutzt werden:
+
+* deutsche Persona-Generierung
+* Bootstrapping synthetischer Daten
+* Fine-Tuning-Experimente für LLMs
+* Prompt-Konditionierung und Retrieval-Tests
+* Evaluation der Persona-Vielfalt in deutschen Modellausgaben
+
+# Data Version
+
+1.0 (04/26/2026)
+
+# Intended Use
+
+Persona-German was created as a compact German counterpart inspired by the structure of `Nemotron-Personas-Korea`. It is intended for experimentation, prototyping, and small-scale dataset development where German-language personas with consistent structure are useful.
+
+Because the dataset is synthetic and relatively small, it should not be treated as a faithful statistical representation of the entire German population. It is better suited to controlled testing, synthetic prompt generation, schema prototyping, and downstream expansion than to demographic research.
+
+The dataset includes only adult personas aged 19 and above.
+
+--
+
+Persona-German wurde als kompakte deutsche Variante im Stil von `Nemotron-Personas-Korea` erstellt. Es ist für Experimente, Prototyping und kleinere Datensatz-Workflows gedacht, in denen strukturierte deutschsprachige Personas hilfreich sind.
+
+Da das Dataset synthetisch und relativ klein ist, sollte es nicht als exakte statistische Abbildung der gesamten deutschen Bevölkerung verstanden werden. Es eignet sich eher für kontrollierte Tests, synthetische Prompt-Erzeugung, Schema-Prototyping und spätere Erweiterungen als für demografische Forschung.
+
+Das Dataset enthält ausschließlich erwachsene Personas ab 19 Jahren.
+
+# Dataset Details
+
+The dataset contains:
+
+* 240 records across 2 parquet files
+* 26 fields: 6 core persona fields, 4 additional persona attribute text fields, 15 demographic and contextual fields, and 1 unique identifier-style tag
+* German-language persona descriptions
+* Adult personas only
+* Sentence-level deduplication across persona text fields
+
+--
+
+Das Dataset enthält:
+
+* 240 Datensätze in 2 Parquet-Dateien
+* 26 Felder: 6 zentrale Persona-Felder, 4 ergänzende textuelle Persona-Attributfelder, 15 demografische und kontextuelle Felder sowie 1 identifier-ähnliches Tag
+* deutschsprachige Personabeschreibungen
+* ausschließlich erwachsene Personas
+* Satzebenen-Deduplizierung über die Persona-Textfelder
+
+# Schema
+
+The dataset includes the following columns:
+
+* `uuid`
+* `professional_persona`
+* `sports_persona`
+* `arts_persona`
+* `travel_persona`
+* `culinary_persona`
+* `persona`
+* `cultural_background`
+* `skills_and_expertise`
+* `skills_and_expertise_list`
+* `hobbies_and_interests`
+* `hobbies_and_interests_list`
+* `career_goals_and_ambitions`
+* `sex`
+* `age`
+* `marital_status`
+* `education_level`
+* `bachelors_field`
+* `occupation`
+* `city`
+* `state`
+* `zipcode`
+* `country`
+* `language`
+* `persona_region`
+* `profile_tag`
+
+# Seed And Generation Notes
+
+The dataset was generated from local templates and controlled attribute pools in `generate_persona_german.py`. It does not claim alignment to official German census distributions. Instead, it follows a structured synthetic generation approach with rotating attribute pools and schema-consistent output suitable for local experimentation.
+
+The generator also validates that no full sentence is repeated across the main persona text fields.
+
+--
+
+Das Dataset wurde aus lokalen Vorlagen und kontrollierten Attribut-Pools in `generate_persona_german.py` erzeugt. Es erhebt keinen Anspruch auf eine exakte Ausrichtung an offiziellen deutschen Bevölkerungsverteilungen. Stattdessen folgt es einem strukturierten synthetischen Generierungsansatz mit rotierenden Attribut-Pools und schema-konsistentem Output für lokale Experimente.
+
+Der Generator validiert außerdem, dass in den zentralen Persona-Textfeldern kein vollständiger Satz doppelt vorkommt.
+
+# How To Use It
+
+```python
+from datasets import load_dataset
+
+persona_german = load_dataset("8F-ai/Persona-German")
+```
+
+If you are loading it locally from files instead of from the Hub:
+
+```python
+from datasets import load_dataset
+
+persona_german = load_dataset(
+    "parquet",
+    data_files={"train": "Persona-German/data/train-*.parquet"},
+)
+```
+
+# Dataset Characterization
+
+## Data Collection Method
+
+* Synthetic
+
+## Labeling Method
+
+* Not applicable
+
+## Dataset Format
+
+* Text
+* Parquet
+
+## Dataset Quantification
+
+* Number of records: 240
+* Number of parquet files: 2
+* Total storage size: 70,746 bytes
+
+# Ethical Considerations
+
+This dataset is fully synthetic, but synthetic personas can still encode design biases from template choices, category pools, and coverage decisions. Users should review the data before using it in production systems or in any application that may affect real people.
+
+The dataset should not be interpreted as a statistically complete or authoritative representation of Germany, German regions, or any demographic group.
+
+--
+
+Dieses Dataset ist vollständig synthetisch, dennoch können auch synthetische Personas Verzerrungen aus Vorlagen, Kategorien und Abdeckungsentscheidungen übernehmen. Vor einem produktiven Einsatz oder vor Anwendungen mit Auswirkungen auf reale Personen sollte der Inhalt daher sorgfältig geprüft werden.
+
+Das Dataset sollte nicht als statistisch vollständige oder autoritative Darstellung Deutschlands, deutscher Regionen oder einzelner Bevölkerungsgruppen interpretiert werden.
+
+# Citation
+
+If you find this dataset useful, you can cite it as:
+
+```bibtex
+@dataset{persona_german_2026,
+  title = {Persona-German},
+  author = {Ill-Ness and Selen Martin},
+  year = {2026},
+  month = {April},
+  note = {Synthetic German persona dataset inspired by Nemotron-Personas-Korea},
+  url = {https://huggingface.co/datasets/8F-ai/Persona-German}
+}
+```