DLT-Corpus: Eine großangelegte Textsammlung für den Bereich der Distributed-Ledger-Technologie

DLT-Corpus: A Large-Scale Text Collection for the Distributed Ledger Technology Domain

February 25, 2026

Autoren: Walter Hernandez Cruz, Peter Devine, Nikhil Vadgama, Paolo Tasca, Jiahua Xu

cs.AI

Zusammenfassung

Wir stellen DLT-Corpus vor, die bislang größte domänenspezifische Textsammlung für die Distributed-Ledger-Technology-(DLT-)Forschung: 2,98 Milliarden Tokens aus 22,12 Millionen Dokumenten, die wissenschaftliche Literatur (37.440 Publikationen), Patente des United States Patent and Trademark Office (USPTO) (49.023 Anmeldungen) und Social-Media-Beiträge (22 Millionen Posts) umfassen. Bestehende Natural-Language-Processing-(NLP-)Ressourcen für DLT konzentrieren sich eng auf Kryptowährungspreisforschung und Smart Contracts, wodurch domänenspezifische Sprache trotz einer Marktkapitalisierung von rund 3 Billionen US-Dollar und rascher technologischer Evolution kaum erforscht bleibt. Wir demonstrieren den Nutzen von DLT-Corpus durch die Analyse von Technologieentstehungsmustern und Korrelationen zwischen Markt und Innovation. Die Ergebnisse zeigen, dass Technologien ihren Ursprung in der wissenschaftlichen Literatur haben, bevor sie Patente und soziale Medien erreichen, was traditionellen Technologietransfermustern folgt. Während die Stimmung in den sozialen Medien selbst während Krypto-Wintern überwiegend bullisch bleibt, wachsen wissenschaftliche und patentbezogene Aktivitäten unabhängig von Marktschwankungen und folgen der gesamten Marktexpansion in einem Kreislauf, bei dem Forschung wirtschaftlichem Wachstum vorausgeht und dieses ermöglicht, welches wiederum weitere Innovation finanziert. Wir veröffentlichen öffentlich den vollständigen DLT-Corpus; LedgerBERT, ein domänenangepasstes Modell, das bei einer DLT-spezifischen Named-Entity-Recognition-(NER-)Aufgabe eine Verbesserung von 23 % gegenüber BERT-base erzielt; sowie alle zugehörigen Tools und Codes.

English

We introduce DLT-Corpus, the largest domain-specific text collection for Distributed Ledger Technology (DLT) research to date: 2.98 billion tokens from 22.12 million documents spanning scientific literature (37,440 publications), United States Patent and Trademark Office (USPTO) patents (49,023 filings), and social media (22 million posts). Existing Natural Language Processing (NLP) resources for DLT focus narrowly on cryptocurrencies price prediction and smart contracts, leaving domain-specific language under explored despite the sector's ~$3 trillion market capitalization and rapid technological evolution. We demonstrate DLT-Corpus' utility by analyzing technology emergence patterns and market-innovation correlations. Findings reveal that technologies originate in scientific literature before reaching patents and social media, following traditional technology transfer patterns. While social media sentiment remains overwhelmingly bullish even during crypto winters, scientific and patent activity grow independently of market fluctuations, tracking overall market expansion in a virtuous cycle where research precedes and enables economic growth that funds further innovation. We publicly release the full DLT-Corpus; LedgerBERT, a domain-adapted model achieving 23% improvement over BERT-base on a DLT-specific Named Entity Recognition (NER) task; and all associated tools and code.