sllm-amazonia-saude-sft

sLLM Amazônia Saúde SFT 是一个专为微调小语言模型（sLLMs）而设计的合成数据集，旨在为巴西亚马逊地区偏远、孤立社区（如河岸社区、逃亡黑奴社区和原住民社区）提供离线临床助手支持。该数据集包含1000个巴西葡萄牙语临床对话，其核心目标是使语言模型适应亚马逊地区的特定语言风格、临床领域和文化背景，并融入区域术语（如rabeta, bubuia, baque, pajé, igarapé）。数据集特别强调安全行为建模，其中18.5%的对话场景专门设计了“拒绝回答”的范例，即当临床专业人员询问的用药剂量信息在提供的上下文中缺失时，助手会基于安全原则明确拒绝并提供指导（如建议查阅官方协议），而非猜测或生成不准确信息。数据构成方面，1000个样本均衡分布在两个支柱领域：P3（土著健康，490个样本）和P5（初级卫生保健，510个样本），共覆盖16个不同的临床场景（每个场景包含56至67个样本）。数据格式采用多轮对话的`messages`结构，包含system、user和assistant角色。总计约405,000个token，平均每个样本包含405个token，助手平均回复轮次为1.8轮。数据集主要用于文本生成任务，特别是面向健康、临床、亚马逊地区语境的小型语言模型的监督微调（SFT）或QLoRA微调，以支持检索增强生成（RAG）等应用场景。需要注意的是，数据集中的临床上下文为合成生成并用于说明目的，在实际生产部署中，建议通过RAG管道替换为巴西统一卫生系统（SUS）的官方协议文本。

sLLM Amazônia Saúde SFT is a synthetic dataset designed for fine-tuning small language models (sLLMs), aimed at providing offline clinical assistant support for remote and isolated communities in the Brazilian Amazon region (such as riverine communities, quilombola communities, and indigenous communities). The dataset contains 1,000 clinical dialogues in Brazilian Portuguese, with the core goal of adapting language models to the specific linguistic style, clinical domain, and cultural context of the Amazon region, incorporating regional terms (e.g., rabeta, bubuia, baque, pajé, igarapé). The dataset emphasizes safety behavior modeling, with 18.5% of dialogue scenarios specifically designed as refusal to answer examples, where the assistant explicitly refuses and provides guidance (such as recommending consulting official protocols) based on safety principles when medication dosage information is missing in the provided context, rather than guessing or generating inaccurate information. In terms of data composition, the 1,000 samples are evenly distributed across two pillar domains: P3 (Indigenous Health, 490 samples) and P5 (Primary Health Care, 510 samples), covering 16 different clinical scenarios (each with 56 to 67 samples). The data format uses a multi-turn dialogue `messages` structure, including system, user, and assistant roles. The total is approximately 405,000 tokens, with an average of 405 tokens per sample and an average of 1.8 assistant response turns per dialogue. The dataset is primarily used for text generation tasks, especially for supervised fine-tuning (SFT) or QLoRA fine-tuning of small language models in health, clinical, and Amazonian contexts, to support applications like retrieval-augmented generation (RAG). It is important to note that the clinical contexts in the dataset are synthetically generated for illustrative purposes; in actual production deployment, it is recommended to replace them with official protocol texts from the Brazilian Unified Health System (SUS) via RAG pipelines.

原始信息汇总

数据集概述：sLLM Amazônia Saúde SFT

该数据集是一个合成的巴西葡萄牙语临床对话数据集，用于对小型语言模型（sLLMs）进行微调（SFT/QLoRA），使其能够作为离线临床助手服务于亚马逊地区偏远社区。

---

基本信息

• 语言: 葡萄牙语 (pt)
• 许可证: MIT
• 任务类别: 文本生成
• 大小: 1,000 个样本 (1K < n < 10K)
• 标签: 健康、临床、亚马逊、sLLM、RAG、SUS、葡萄牙语

---

背景与目标

亚马逊地区的沿河、 quilombola 和原住民社区的卫生专业人员和社区工作者经常在没有网络连接的情况下工作。该数据集旨在使语言模型适应亚马逊地区的风格、语言领域和文化背景，包含区域术语（如 rabeta、bubuia、baque、pajé、igarapé），并具有安全行为（拒绝回答上下文中未提供的剂量信息）。

---

数据集构成

属性	值
样本总数	1,000
支柱划分	P3（原住民健康）= 490；P5（初级保健）= 510
临床场景	16 个（每个场景 56-67 个样本）
拒绝示例数量	185 (18.5%)
令牌总数 / 平均	~405,000 / ~405 每样本
助理平均轮次	1.8（多轮对话）
格式	messages (system/user/assistant)

---

数据结构

每条数据以 messages 格式存储，包含 system、user 和 assistant 三个角色。示例结构如下：

json {"messages": [ {"role": "system", "content": "Você é um assistente clínico OFFLINE..."}, {"role": "user", "content": "..."}, {"role": "assistant", "content": "..."} ]}

---

安全属性

18.5% 的样本属于拒绝场景：当专业人士请求的剂量信息不在已检索到的上下文中时，目标回答会基于理由拒绝请求，并建议查阅官方协议。

---

使用方式

python from datasets import load_dataset ds = load_dataset("admin-lima/sllm-amazonia-saude-sft", split="train")

---

注意事项

数据集中的上下文是合成且仅为说明性的。在生产环境中，应通过 RAG 方式替换为 SUS 的官方文本。

搜集汇总

数据集介绍

构建方式

sllm-amazonia-saude-sft 数据集由 1,000 个模拟临床对话构成，专为在亚马逊河流域、 quilombola 及原住民社区等缺乏网络连接的偏远地区部署离线临床助手而设计。数据构建过程中，精心策划了 16 种临床场景，每个场景包含 56 至 67 个对话示例，确保覆盖丰富多样的临床情境。其中，490 个示例聚焦于原住民健康（P3 支柱），510 个示例关注初级保健（P5 支柱），以此反映地域性健康服务的核心需求。对话采用 system/user/assistant 的标准消息格式，系统角色提示模型作为离线临床助手并融入亚马逊区域特有的文化术语如“rabeta”和“pajé”，用户角色模拟专业人员的健康咨询，而助手角色则生成基于上下文的回应。特别地，18.5% 的对话场景包含拒绝机制，即当用户请求的剂量信息超出检索上下文时，模型会基于安全原则拒绝回答并引导用户查阅官方协议。整个数据集通过合成方式生成，旨在适配小型语言模型（sLLMs）的监督式微调，最终以 Hugging Face 数据集格式发布。

特点

该数据集的核心特点在于其高度贴合亚马逊地区医疗实践的文化敏感性和离线适用性。数据集中融入了丰富的区域特定词汇和表达，例如“bubuia”、“baque”和“igarapé”，使语言模型能够理解并回应地方性的医疗询问。此外，安全设计是另一大特色，19% 的示例为合理拒绝型回应，训练模型在面对缺失信息时避免提供猜测性答案，转而建议参考巴西统一卫生系统协议，从而提升模型在真实部署中的可靠性和合规性。对话采用多轮交互格式，平均助手对话轮次为 1.8，模拟了实际临床交流的连续性，且总 token 数约为 405,000，平均每个示例约 405 个 token，足以捕获丰富的临床语境。该数据集特别关注小型语言模型（sLLMs）的微调，以实现在低算力离线设备上的高效运行，同时保持对亚马逊地区特定健康议题的精准响应能力。

使用方法

使用该数据集时，研究者可通过 Hugging Face Datasets 库便捷加载：首先安装 datasets 库，然后运行 `load_dataset("admin-lima/sllm-amazonia-saude-sft", split="train")` 即可获取训练拆分。数据集内部每个示例均为包含 system、user 和 assistant 角色消息的 JSON 结构，可直接用于监督式微调流程。由于数据集在 system 字段中已嵌入地域文化提示，无需额外预处理即可用于 QLoRA 等高效的参数高效微调方法。建议在实践中将数据集与检索增强生成（RAG）技术结合，通过实时检索巴西统一卫生系统（SUS）的官方文本替换其中合成上下文，以提升模型回答的准确性。此外，训练时需注意 18.5% 的拒绝样本分布，确保模型能充分学习安全拒答行为。最终，微调后的模型可作为离线临床助手部署在边缘设备上，服务于亚马逊地区无网络环境下的初级健康咨询。

背景与挑战

背景概述

在巴西亚马逊河流域的偏远地区，如河畔、 quilombola 与原住民社区，医疗工作者常面临网络连接缺失的严峻挑战，难以获取及时的临床决策支持。为解决这一困境，sllm-amazonia-saude-sft 数据集于 ENANCIB 2026 会议（GT 8 主题）背景下，由研究团队精心构建，旨在为小规模语言模型（sLLMs）提供微调训练素材，使其能作为离线临床助手运行。该数据集包含 1,000 组巴西葡萄牙语合成临床对话，涵盖 16 种临床场景，特别融入了亚马逊地域文化术语与安全拒答机制。其核心研究问题聚焦于如何在无网络环境下，使语言模型准确适配本地医疗语境与官方协议（如 SUS），从而提升初级医疗与土著健康服务的可及性与安全性，对低资源区域智能医疗领域具有重要示范意义。

当前挑战

该数据集面临的核心挑战之一在于解决领域问题：如何在离线且文化多元的偏远社区中，使小模型精准理解并回应当地特有的医疗表述与区域术语，避免因语言偏差导致误诊或信息遗漏。同时，数据构建过程亦遭遇多重困难，例如合成对话需严格遵循 SUS 协议，并确保 18.5% 的拒答场景合理拒绝缺失剂量的请求，导向官方咨询路径，这对数据质量与真实性的平衡提出了高要求。此外，从区域文化命名（如“rabeta”、“pajé”）到多轮对话结构的设计，均需在有限的 1,000 条样本内覆盖足够丰富的临床变体，这对数据集在替代真实 RAG 文本时的泛化能力构成了显著挑战。

常用场景

经典使用场景

在亚马逊河流域偏远地区的医疗实践中，sllm-amazonia-saude-sft数据集为小规模语言模型（sLLMs）的监督式微调提供了独特的临床对话资源。该数据集包含1,000个模拟对话，覆盖16种临床场景，如原发性护理和土著健康，每个场景均融入区域特有词汇与文化背景。其典型使用场景是训练离线医疗辅助系统，使其能够在无网络连接的条件下，准确理解并回应用户的健康咨询。数据集中18.5%的安全拒绝示例进一步强化了模型的可靠性，确保其在不提供缺失剂量信息时能够给出合理指引。

衍生相关工作

该数据集衍生了一系列相关研究工作，包括但不限于基于此数据集的离线医疗对话系统评估、跨区域临床语言的迁移学习研究，以及针对低资源语言的微调策略优化。ENANCIB 2026会议接收的论文探索了sLLM在亚马逊健康领域的应用。其他工作可能涉及扩展对话长度以覆盖更复杂的多轮交互，或增强安全拒绝样本的多样性。这些衍生工作共同推动了将先进NLP技术落地于极端环境下的医疗场景，丰富了可解释性和文化敏感性AI的实证基础。

数据集最近研究

最新研究方向

sLLM Amazônia Saúde SFT数据集聚焦于低资源环境下的小型语言模型在离线临床辅助中的前沿应用，尤其针对巴西亚马逊地区缺乏网络连接的偏远社区（如河畔、 quilombola 和原住民聚落）。该数据集通过合成1,000个临床对话，融入地域性术语和文化语境（如 rabeta、pajé），并引入18.5%的拒绝响应场景以增强模型安全性。其研究方向涵盖基于RAG（检索增强生成）的协议知识注入、QLoRA微调适配，以及多轮对话的少样本学习，旨在推动边缘设备上的开源医疗AI部署。这一工作与全球对数字健康公平性的关注紧密关联，尤其是在热带医学与公共卫生领域的去中心化服务中，为低资源语言（如巴西葡萄牙语）的NLP模型开发树立了实用范例，潜在影响包括提升原发性医疗的可及性与文化敏感性，并促进SUS（巴西统一医疗系统）在偏远地区的智能化转型。