RoGov-SQL – Interogare Bilingvă (RO/EN) peste Date Guvernamentale

1. Obiectiv

Vom construi un benchmark bilingv NL→SQL (întrebare în română/engleză → interogare SQL) peste două baze de date relaționale obținute din date guvernamentale deschise (https://data.gov.ro/dataset):

Domeniul Educație – “Rețeaua școlară” + (opțional) alte date de elevi/rezultate.
Domeniul Transport feroviar – “Mersul trenurilor de călători”.

Scop: un corpus reutilizabil pentru cercetare (NL→SQL, LLM-uri, educație).

2. Baze de date (DB) – nivel minim

2.1. Educație – `edu_reteaua_scolara`

Schemă minimă recomandată (ajustați după datele reale):

counties(county_id, county_name)
localities(locality_id, locality_name, county_id)
schools(school_id, name, locality_id, education_level, environment, ownership_type, nr_students)

2.2. Trenuri – `rail_mers_tren`

Schemă minimă recomandată:

stations(station_id, station_name, county_id)
trains(train_id, train_number, operator_name, category)
timetable(id, train_id, station_id, arrival_time, departure_time, day_type)

3. Structura corpusului NL→SQL (RoGov-SQL)

Format recomandat: JSON Lines (1 obiect/linie).

Câmpuri obligatorii:

{
  "id": "edu_001",
  "domain": "education",          // "education" sau "trains"
  "db_id": "edu_reteaua_scolara", // sau "rail_mers_tren"
  "question_ro": "...",
  "question_en": "...",
  "sql": "...",
  "difficulty": 1,                // 1=uşor, 2=mediu, 3=avansat
  "query_type": ["SELECT","JOIN"],
  "tables": ["schools","localities","counties"],
  "expected_result_description_en": "Short English description"
}

4. Organizarea echipelor și livrabile

4.1. Grupuri (20 studenți ≈ 2 × 10)

G1 – Edu Schema & Data
- Curățare date educație, definire și populare schema edu_reteaua_scolara.
G1 – Rail Schema & Data
- Curățare date trenuri, definire și populare schema rail_mers_tren.
G2 – NL→SQL Edu
- Generare întrebări + SQL pentru domeniul Educație (≈200–300 intrări).
G2 – NL→SQL Rail
- Generare întrebări + SQL pentru domeniul Trenuri (≈200–300 intrări).

4.2. Faze

Faza 0 – Specificații
- Nume finale tabele/coloane, format JSON, stil întrebări, convenții.
Faza 1 – Baze de date (G1, G2)
- Scripturi Python pentru curățare CSV/XLSX.
- Fișier .sql (schema + insert-uri) sau CSV-uri + script de încărcare.
Faza 2 – Corpus NL→SQL (G1, G2)
- Instanțiați template-urile de mai jos cu valori reale.
- Pentru fiecare intrare:
  - question_ro, question_en
  - sql verificat (rulează, rezultat nevid)
  - difficulty, query_type, tables
  - expected_result_description_en.
Faza 3 – Validare
- Cross-review: G1 verifică intrările G2 și invers.
- Se rezolvă duplicări, erori SQL, formulări neclare.
Faza 4 – Cod & Documentație
- Scripturi Python pentru:
  - încărcare DB + rulare SQL;
  - validare corpus.
- README cu:
  - descriere domenii, tabele, statistici;
  - instrucțiuni de rulare.

4.3. Livrabile

edu_reteaua_scolara.sql și rail_mers_tren.sql (sau echivalent).
rogov_sql.jsonl (≈400–600 intrări curate).
Scripturi de validare și README.

5. Template-uri de întrebări NL→SQL

Scop: NU inventați de la zero, ci instanțiați template-uri cu valori reale (nume județe, localități, operatori, ore etc.).

5.1. Educație – Nivel 1 (ușor)

E1.1 – SELECT simplu + filtrare pe județ și tip

RO: Listează toate [TIP_UNITATE] din județul [NUME_JUDET].
EN: List all [SCHOOL_TYPE] in [COUNTY_NAME] county.
Tabele: schools, localities, counties.

E1.2 – SELECT simplu + mediu

RO: Listează toate școlile din mediul [MEDIU] din județul [NUME_JUDET].
EN: List all schools located in [ENVIRONMENT] areas in [COUNTY_NAME] county.
Tabele: schools, localities, counties.

E1.3 – Filtrare pe ownership

RO: Listează toate școlile [TIP_PROPRIETATE] din localitatea [NUME_LOCALITATE].
EN: List all [OWNERSHIP_TYPE] schools in [LOCALITY_NAME].
Tabele: schools, localities.

5.2. Educație – Nivel 2 (mediu)

E2.1 – JOIN + mediu + tip

RO: Listează toate [TIP_UNITATE] din județul [NUME_JUDET] care sunt în mediul [MEDIU].
EN: List all [SCHOOL_TYPE] in [COUNTY_NAME] county that are located in [ENVIRONMENT] areas.
Tabele: schools, localities, counties.

Exemplu SQL (Cluj, liceu, urban):

SELECT s.school_id, s.name, l.locality_name
FROM schools s
JOIN localities l ON s.locality_id = l.locality_id
JOIN counties c ON l.county_id = c.county_id
WHERE c.county_name = 'Cluj'
  AND s.education_level = 'liceu'
  AND s.environment = 'urban';

E2.2 – SUM pe nr_students

RO: Care este numărul total de elevi înscriși în [TIP_UNITATE] din județul [NUME_JUDET]?
EN: What is the total number of students enrolled in [SCHOOL_TYPE] in [COUNTY_NAME] county?

E2.3 – GROUP BY localitate

RO: Afișează, pentru județul [NUME_JUDET], numărul total de elevi pe fiecare localitate.
EN: For [COUNTY_NAME] county, show the total number of students per locality.

5.3. Educație – Nivel 3 (avansat)

E3.1 – Top k localități

RO: Afișează primele [K] localități din județul [NUME_JUDET] după numărul total de elevi.
EN: Show the top [K] localities in [COUNTY_NAME] county by total number of students.

E3.2 – HAVING (minim elevi)

RO: Listează localitățile din județul [NUME_JUDET] care au în total peste [N] elevi.
EN: List the localities in [COUNTY_NAME] county that have more than [N] students in total.

E3.3 – Subinterogare (peste media județului)

RO: Listează școlile din județul [NUME_JUDET] al căror număr de elevi este peste media județului.
EN: List the schools in [COUNTY_NAME] county whose number of students is above the county average.

5.4. Trenuri – Nivel 1 (ușor)

T1.1 – Trenuri dintr-o stație

RO: Listează toate trenurile care pleacă din stația [STAȚIE].
EN: List all trains departing from [STATION_NAME].

T1.2 – Trenuri ale unui operator

RO: Listează toate trenurile operate de [OPERATOR].
EN: List all trains operated by [OPERATOR].

T1.3 – Stații într-un județ

RO: Listează toate stațiile de tren din județul [NUME_JUDET].
EN: List all train stations in [COUNTY_NAME] county.

5.5. Trenuri – Nivel 2 (mediu)

T2.1 – Plecări între interval orar

RO: Listează toate trenurile care pleacă din [STAȚIE] între orele [ORA_START] și [ORA_END], ordonate după ora de plecare.
EN: List all trains that depart from [STATION_NAME] between [TIME_START] and [TIME_END], ordered by departure time.

T2.2 – Trenuri către destinație

RO: Listează trenurile care pleacă din [STAȚIE_PLECARE] și ajung în [STAȚIE_SOSIRE].
EN: List the trains that depart from [DEPARTURE_STATION] and arrive at [ARRIVAL_STATION].

T2.3 – COUNT per operator într-o stație

RO: Pentru stația [STAȚIE], afișează numărul de trenuri pe fiecare operator.
EN: For station [STATION_NAME], show the number of trains per operator.

5.6. Trenuri – Nivel 3 (avansat)

T3.1 – Operator + interval orar + destinație

RO: Ce trenuri operate de [OPERATOR] pleacă din stația [STAȚIE_PLECARE] către [STAȚIE_SOSIRE] după ora [ORA]?
EN: Which trains operated by [OPERATOR] depart from [DEPARTURE_STATION] to [ARRIVAL_STATION] after [TIME]?

Exemplu SQL (CFR Călători, București Nord → Brașov, după 18:00):

SELECT DISTINCT t.train_number, t.category, dep.departure_time
FROM trains t
JOIN timetable dep ON t.train_id = dep.train_id
JOIN stations s_dep ON dep.station_id = s_dep.station_id
JOIN timetable arr ON t.train_id = arr.train_id
JOIN stations s_arr ON arr.station_id = s_arr.station_id
WHERE t.operator_name = 'CFR Călători'
  AND s_dep.station_name = 'București Nord'
  AND s_arr.station_name = 'Brașov'
  AND dep.departure_time > '18:00';

T3.2 – COUNT cu tip de zi

RO: Pentru fiecare operator, afișează numărul de trenuri care opresc în stația [STAȚIE] într-o zi de tip [TIP_ZI].
EN: For each operator, show the number of trains that stop at [STATION_NAME] on [DAY_TYPE] days.

T3.3 – Traseu cu două stații (ordine)

RO: Listează trenurile care trec atât prin [STAȚIE_A], cât și prin [STAȚIE_B], în această ordine.
EN: List the trains that pass through both [STATION_A] and [STATION_B], in that order.

6. Exemple complete (orientare)

6.1. Educație – exemplu

{
  "id": "edu_001",
  "domain": "education",
  "db_id": "edu_reteaua_scolara",
  "question_ro": "Listează toate liceele din județul Cluj care sunt în mediul urban.",
  "question_en": "List all high schools in Cluj county that are located in urban areas.",
  "sql": "SELECT s.school_id, s.name, l.locality_name\nFROM schools s\nJOIN localities l ON s.locality_id = l.locality_id\nJOIN counties c ON l.county_id = c.county_id\nWHERE c.county_name = 'Cluj'\n  AND s.education_level = 'liceu'\n  AND s.environment = 'urban';",
  "difficulty": 2,
  "query_type": ["SELECT", "JOIN", "FILTER"],
  "tables": ["schools", "localities", "counties"],
  "expected_result_description_en": "Returns IDs, names, and localities of all schools classified as high schools (liceu) in Cluj county with environment = urban."
}

6.2. Trenuri – exemplu

{
  "id": "rail_103",
  "domain": "trains",
  "db_id": "rail_mers_tren",
  "question_ro": "Ce trenuri operate de CFR Călători pleacă din stația București Nord către Brașov după ora 18:00?",
  "question_en": "Which trains operated by CFR Călători depart from București Nord station to Brașov after 18:00?",
  "sql": "SELECT DISTINCT t.train_number, t.category, dep.departure_time\nFROM trains t\nJOIN timetable dep ON t.train_id = dep.train_id\nJOIN stations s_dep ON dep.station_id = s_dep.station_id\nJOIN timetable arr ON t.train_id = arr.train_id\nJOIN stations s_arr ON arr.station_id = s_arr.station_id\nWHERE t.operator_name = 'CFR Călători'\n  AND s_dep.station_name = 'București Nord'\n  AND s_arr.station_name = 'Brașov'\n  AND dep.departure_time > '18:00';",
  "difficulty": 3,
  "query_type": ["SELECT", "JOIN", "FILTER", "DISTINCT"],
  "tables": ["trains", "timetable", "stations"],
  "expected_result_description_en": "Returns distinct train numbers, categories, and departure times for CFR Călători trains from București Nord to Brașov departing after 18:00."
}

Name		Name	Last commit message	Last commit date
Latest commit History 5 Commits
README.md		README.md

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Uh oh!

Repository files navigation

RoGov-SQL – Interogare Bilingvă (RO/EN) peste Date Guvernamentale

1. Obiectiv

2. Baze de date (DB) – nivel minim

2.1. Educație – `edu_reteaua_scolara`

2.2. Trenuri – `rail_mers_tren`

3. Structura corpusului NL→SQL (RoGov-SQL)

4. Organizarea echipelor și livrabile

4.1. Grupuri (20 studenți ≈ 2 × 10)

4.2. Faze

4.3. Livrabile

5. Template-uri de întrebări NL→SQL

5.1. Educație – Nivel 1 (ușor)

5.2. Educație – Nivel 2 (mediu)

5.3. Educație – Nivel 3 (avansat)

5.4. Trenuri – Nivel 1 (ușor)

5.5. Trenuri – Nivel 2 (mediu)

5.6. Trenuri – Nivel 3 (avansat)

6. Exemple complete (orientare)

6.1. Educație – exemplu

6.2. Trenuri – exemplu

About

Uh oh!

Releases

Packages

unibuc-cs/NLSQLRO

Folders and files

Latest commit

History

Repository files navigation

RoGov-SQL – Interogare Bilingvă (RO/EN) peste Date Guvernamentale

1. Obiectiv

2. Baze de date (DB) – nivel minim

2.1. Educație – edu_reteaua_scolara

2.2. Trenuri – rail_mers_tren

3. Structura corpusului NL→SQL (RoGov-SQL)

4. Organizarea echipelor și livrabile

4.1. Grupuri (20 studenți ≈ 2 × 10)

4.2. Faze

4.3. Livrabile

5. Template-uri de întrebări NL→SQL

5.1. Educație – Nivel 1 (ușor)

5.2. Educație – Nivel 2 (mediu)

5.3. Educație – Nivel 3 (avansat)

5.4. Trenuri – Nivel 1 (ușor)

5.5. Trenuri – Nivel 2 (mediu)

5.6. Trenuri – Nivel 3 (avansat)

6. Exemple complete (orientare)

6.1. Educație – exemplu

6.2. Trenuri – exemplu

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

2.1. Educație – `edu_reteaua_scolara`

2.2. Trenuri – `rail_mers_tren`

Packages