TUDB-Labs/medical-qa

---
language:
- en
license: apache-2.0
size_categories:
- 1K<n<10K
task_categories:
- question-answering
dataset_info:
features:
- name: properties
struct:
- name: doi
dtype: string
- name: subject
dtype: string
- name: long_context
dtype: string
- name: question
dtype: string
- name: evaluation_35
dtype: string
- name: raw_context
struct:
- name: abstract
dtype: string
- name: introduction
dtype: string
- name: methods
dtype: string
- name: title
dtype: string
- name: short_answer
dtype: string
- name: short_context
dtype: string
- name: answer_format
struct:
- name: labels
sequence: string
- name: type
dtype: string
- name: raw_reason
dtype: string
- name: raw_answer
dtype: string
splits:
- name: train
num_bytes: 64281926.11785095
num_examples: 6231
- name: test
num_bytes: 7149313.882149047
num_examples: 693
download_size: 36402332
dataset_size: 71431240.0
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
tags:
- medical
---

# Dataset Card for Dataset Name

<!-- Provide a quick summary of the dataset. -->

This dataset card aims to be a base template for new datasets. It has been generated using [this raw template](https://github.com/huggingface/huggingface_hub/blob/main/src/huggingface_hub/templates/datasetcard_template.md?plain=1).

## Dataset Details

### Dataset Description

<!-- Provide a longer summary of what this dataset is. -->

- **Curated by:** [More Information Needed]
- **Funded by [optional]:** [More Information Needed]
- **Shared by [optional]:** [More Information Needed]
- **Language(s) (NLP):** [More Information Needed]
- **License:** [More Information Needed]

### Dataset Sources [optional]

<!-- Provide the basic links for the dataset. -->

- **Repository:** [More Information Needed]
- **Paper [optional]:** [More Information Needed]
- **Demo [optional]:** [More Information Needed]

## Uses

<!-- Address questions around how the dataset is intended to be used. -->

### Direct Use

<!-- This section describes suitable use cases for the dataset. -->

[More Information Needed]

### Out-of-Scope Use

<!-- This section addresses misuse, malicious use, and uses that the dataset will not work well for. -->

[More Information Needed]

## Dataset Structure

<!-- This section provides a description of the dataset fields, and additional information about the dataset structure such as criteria used to create the splits, relationships between data points, etc. -->

[More Information Needed]

## Dataset Creation

### Curation Rationale

<!-- Motivation for the creation of this dataset. -->

[More Information Needed]

### Source Data

<!-- This section describes the source data (e.g. news text and headlines, social media posts, translated sentences, ...). -->

#### Data Collection and Processing

<!-- This section describes the data collection and processing process such as data selection criteria, filtering and normalization methods, tools and libraries used, etc. -->

[More Information Needed]

#### Who are the source data producers?

<!-- This section describes the people or systems who originally created the data. It should also include self-reported demographic or identity information for the source data creators if this information is available. -->

[More Information Needed]

### Annotations [optional]

<!-- If the dataset contains annotations which are not part of the initial data collection, use this section to describe them. -->

#### Annotation process

<!-- This section describes the annotation process such as annotation tools used in the process, the amount of data annotated, annotation guidelines provided to the annotators, interannotator statistics, annotation validation, etc. -->

[More Information Needed]

#### Who are the annotators?

<!-- This section describes the people or systems who created the annotations. -->

[More Information Needed]

#### Personal and Sensitive Information

<!-- State whether the dataset contains data that might be considered personal, sensitive, or private (e.g., data that reveals addresses, uniquely identifiable names or aliases, racial or ethnic origins, sexual orientations, religious beliefs, political opinions, financial or health data, etc.). If efforts were made to anonymize the data, describe the anonymization process. -->

[More Information Needed]

## Bias, Risks, and Limitations

<!-- This section is meant to convey both technical and sociotechnical limitations. -->

[More Information Needed]

### Recommendations

<!-- This section is meant to convey recommendations with respect to the bias, risk, and technical limitations. -->

Users should be made aware of the risks, biases and limitations of the dataset. More information needed for further recommendations.

## Citation [optional]

<!-- If there is a paper or blog post introducing the dataset, the APA and Bibtex information for that should go in this section. -->

**BibTeX:**

[More Information Needed]

**APA:**

[More Information Needed]

## Glossary [optional]

<!-- If relevant, include terms and calculations in this section that can help readers understand the dataset or dataset card. -->

[More Information Needed]

## More Information [optional]

[More Information Needed]

## Dataset Card Authors [optional]

[More Information Needed]

## Dataset Card Contact

[More Information Needed]

---
语言：
- 英语（en）
许可证：Apache 2.0
规模类别：1K < 样本数 < 10K
任务类别：问答（question-answering）
数据集信息（dataset_info）：
特征字段：
- 名称：属性（properties），结构包含：
- 数字对象标识符（doi）：字符串类型（string）
- 主题（subject）：字符串类型（string）
- 名称：长上下文（long_context）：字符串类型（string）
- 名称：问题（question）：字符串类型（string）
- 名称：评估项35（evaluation_35）：字符串类型（string）
- 名称：原始上下文（raw_context），结构包含：
- 摘要（abstract）：字符串类型（string）
- 引言（introduction）：字符串类型（string）
- 方法（methods）：字符串类型（string）
- 标题（title）：字符串类型（string）
- 名称：简短答案（short_answer）：字符串类型（string）
- 名称：短上下文（short_context）：字符串类型（string）
- 名称：答案格式（answer_format），结构包含：
- 标签（labels）：字符串序列
- 类型（type）：字符串类型（string）
- 名称：原始推理依据（raw_reason）：字符串类型（string）
- 名称：原始答案（raw_answer）：字符串类型（string）
划分集：
- 名称：训练集（train），字节数：64281926.11785095，样本数：6231
- 名称：测试集（test），字节数：7149313.882149047，样本数：693
下载大小：36402332字节
数据集总大小：71431240.0字节
配置项：
- 配置名称：默认（default），数据文件：
- 训练集划分：路径为data/train-*
- 测试集划分：路径为data/test-*
标签：医疗（medical）
---

# 数据集卡片（Dataset Card）

<!-- 提供该数据集的简要概述。 -->

本数据集卡片旨在作为新数据集的基础模板，其基于[此原始模板](https://github.com/huggingface/huggingface_hub/blob/main/src/huggingface_hub/templates/datasetcard_template.md?plain=1)生成。

## 数据集详情

### 数据集概述

<!-- 提供该数据集的详细摘要。 -->

- **整理者：** [需补充更多信息]
- **资助方 [可选]：** [需补充更多信息]
- **共享方 [可选]：** [需补充更多信息]
- **自然语言处理所用语言：** [需补充更多信息]
- **许可证：** [需补充更多信息]

### 数据集来源 [可选]

<!-- 提供该数据集的基础链接。 -->

- **代码仓库：** [需补充更多信息]
- **相关论文 [可选]：** [需补充更多信息]
- **演示示例 [可选]：** [需补充更多信息]

## 数据集用途

<!-- 解答关于该数据集预期使用方式的相关问题。 -->

### 直接使用场景

<!-- 此部分描述该数据集适用的使用案例。 -->

[需补充更多信息]

### 禁止/不适配使用场景

<!-- 此部分说明误用、恶意使用，以及该数据集无法良好适配的使用场景。 -->

[需补充更多信息]

## 数据集结构

<!-- 此部分提供数据集字段的详细描述，以及数据集结构的额外信息，例如划分集的创建标准、数据点间的关系等。 -->

[需补充更多信息]

## 数据集构建

### 构建初衷

<!-- 说明创建该数据集的动机。 -->

[需补充更多信息]

### 源数据

<!-- 此部分描述源数据的相关信息，例如新闻文本与标题、社交媒体帖文、翻译语句等。 -->

#### 数据收集与处理流程

<!-- 此部分描述数据收集与处理的过程，例如数据选择标准、过滤与归一化方法、所用工具与库等。 -->

[需补充更多信息]

#### 源数据生产者是谁？

<!-- 此部分描述最初创建该数据的个人或系统。若可获取源数据创建者的自我报告人口统计或身份信息，也应在此处说明。 -->

[需补充更多信息]

### 标注信息 [可选]

<!-- 若数据集包含非初始数据收集阶段的标注信息，请在此部分描述相关内容。 -->

#### 标注流程

<!-- 此部分描述标注过程，例如标注所用工具、标注数据量、提供给标注者的标注指南、标注者间统计数据、标注验证等。 -->

[需补充更多信息]

#### 标注者是谁？

<!-- 此部分描述创建标注信息的个人或系统。 -->

[需补充更多信息]

#### 个人与敏感信息

<!-- 说明该数据集是否包含可被视为个人、敏感或私密的数据（例如：揭示地址、唯一可识别的姓名或别名、种族或族裔起源、性取向、宗教信仰、政治观点、财务或健康数据等）。若已采取措施对数据进行匿名化处理，请说明匿名化流程。 -->

[需补充更多信息]

## 偏差、风险与局限性

<!-- 此部分旨在说明技术与社会技术层面的局限性。 -->

### 相关建议

<!-- 此部分旨在针对偏差、风险与技术局限性提出相关建议。 -->

用户应知晓该数据集存在的风险、偏差与局限性，相关建议需补充更多信息后方可完善。

## 引用信息 [可选]

<!-- 若有介绍该数据集的论文或博客文章，此处应放入其APA与Bibtex格式的引用信息。 -->

**BibTeX格式：**

[需补充更多信息]

**APA格式：**

[需补充更多信息]

## 术语表 [可选]

<!-- 若有需要，请在此部分包含可帮助读者理解数据集或数据集卡片的术语与计算公式。 -->

[需补充更多信息]

## 更多信息 [可选]

[需补充更多信息]

## 数据集卡片撰写者 [可选]

[需补充更多信息]

## 数据集卡片联络方式

[需补充更多信息]

原始信息汇总

数据集概述

基本信息

• 语言: 英语
• 许可证: Apache-2.0
• 大小分类: 1K<n<10K
• 任务分类: 问答

数据集特征

• 属性:
  • doi: 字符串类型
  • subject: 字符串类型
• 长上下文 (long_context): 字符串类型
• 问题 (question): 字符串类型
• 评估指标 (evaluation_35): 字符串类型
• 原始上下文 (raw_context):
  • abstract: 字符串类型
  • introduction: 字符串类型
  • methods: 字符串类型
  • title: 字符串类型
• 简短答案 (short_answer): 字符串类型
• 简短上下文 (short_context): 字符串类型
• 答案格式 (answer_format):
  • labels: 字符串序列
  • type: 字符串类型
• 原始推理 (raw_reason): 字符串类型
• 原始答案 (raw_answer): 字符串类型

数据集分割

• 训练集 (train):
  • 字节数: 64281926.11785095
  • 示例数: 6231
• 测试集 (test):
  • 字节数: 7149313.882149047
  • 示例数: 693

下载和数据集大小

• 下载大小: 36402332
• 数据集大小: 71431240.0

配置

• 默认配置 (default):
  • 训练数据路径: data/train-*
  • 测试数据路径: data/test-*

标签

• 领域: 医学

搜集汇总

背景与挑战

背景概述

这是一个医学问答数据集，由TUDB-Labs发布，包含约6,924行数据，格式为parquet，语言为英语。数据集主要用于问答任务，问题基于医学文献的标题和摘要，涉及二元或三元分类判断，例如判断研究类型、目标人群或是否提及特定关键词，旨在支持医学自然语言处理模型的开发。