DLT-Corpus: Uma Coleção de Textos em Larga Escala para o Domínio da Tecnologia de Ledger Distribuído
DLT-Corpus: A Large-Scale Text Collection for the Distributed Ledger Technology Domain
February 25, 2026
Autores: Walter Hernandez Cruz, Peter Devine, Nikhil Vadgama, Paolo Tasca, Jiahua Xu
cs.AI
Resumo
Apresentamos o DLT-Corpus, a maior coleção de textos de domínio específico para pesquisa em Tecnologia de Ledger Distribuído (DLT) até à data: 2,98 mil milhões de tokens provenientes de 22,12 milhões de documentos, abrangendo literatura científica (37.440 publicações), patentes do United States Patent and Trademark Office (USPTO) (49.023 registos) e redes sociais (22 milhões de publicações). Os recursos existentes de Processamento de Linguagem Natural (PLN) para DLT focam-se estreitamente na previsão do preço de criptomoedas e em contratos inteligentes, deixando a linguagem específica do domínio subexplorada, apesar da capitalização de mercado do setor de aproximadamente 3 biliões de dólares e da sua rápida evolução tecnológica.
Demonstramos a utilidade do DLT-Corpus através da análise de padrões de emergência tecnológica e correlações entre mercado e inovação. Os resultados revelam que as tecnologias têm origem na literatura científica antes de chegarem às patentes e redes sociais, seguindo os padrões tradicionais de transferência de tecnologia. Enquanto o sentimento nas redes sociais se mantém esmagadoramente optimista, mesmo durante os "invernos" das criptomoedas, a atividade científica e de patentes cresce independentemente das flutuações do mercado, acompanhando a expansão geral do mercado num ciclo virtuoso em que a investigação precede e possibilita o crescimento económico, que por sua vez financia mais inovação.
Disponibilizamos publicamente o DLT-Corpus completo; o LedgerBERT, um modelo adaptado ao domínio que alcança uma melhoria de 23% face ao BERT-base numa tarefa de Reconhecimento de Entidades Mencionadas (REM) específica para DLT; e todas as ferramentas e códigos associados.
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.