Shekswess/medical_llama3_instruct_dataset

该数据集是为Llama 3 LLMs的指令监督微调而创建的，结合了两个医学数据集：Medical Meadow Wikidoc和Medquad。Medical Meadow Wikidoc数据集包含从WikiDoc平台提取的问答对，WikiDoc是一个由医学专业人士共同贡献和分享当代医学知识的在线平台。Medquad数据集则包含了来自美国国立卫生研究院（NIH）12个权威来源的47,457个医学问答对，涵盖了广泛的医学主题。

原始信息汇总

数据集概述

语言

• 英语（en）

任务类别

• 问答（question-answering）

数据集信息

特征

• output：字符串类型
• input：字符串类型
• instruction：字符串类型
• prompt：字符串类型

分割

• train：
  • 字节数：72332810
  • 样本数：26357

大小

• 下载大小：29455477
• 数据集大小：72332810

配置

• default：
  • 数据文件：
    • train：data/train-*

标签

• 医学（medical）

数据集来源

• Medical meadow wikidoc
• Medquad

Medical meadow wikidoc

• 来源：WikiDoc，一个在线平台，医学专业人员在此协作贡献和分享当代医学知识。
• 内容：包含问题-答案对，从WikiDoc的“Living Textbook”和“Patient Information”部分提取。
• 处理：使用GTP-3.5-Turbo将段落标题转化为问题，段落内容作为答案。

Medquad

• 来源：National Institutes of Health（NIH）的12个权威来源。
• 内容：包含47,457个医学问题-答案对，涵盖37种不同的问题类型，涉及疾病、药物和医疗程序等。
• 附加信息：XML文件中包含问题类型、问题焦点、同义词、统一医学语言系统（UMLS）的唯一标识符（CUI）和语义类型等注释。
• 分类：问题焦点分为疾病、药物或其他三类，MedlinePlus部分仅关注疾病。