CLARA-MeD corpus

A collection of 24.298 pairs of professional and simplified texts (>96 million tokens): 1) Drug leaflets and summaries of product characteristics (10 211 pairs of texts, >82M words); 2) Cancer-related information summaries (201 pairs of texts, >3M tokens); and 2) Clinical trials announcements (5748 pairs of texts, 451 690 tokens). The dataset also contains a parallel corpus with a subset of 3800 sentence pairs of professional and laymen variants (149 862 tokens). This is a benchmark for medical text simplification. The latest download of files was in February 2022.本数据集包含24298对专业文本与简化文本（总计超过9600万Token），具体分为三类文本对：1）药品说明书与产品特性摘要文本对（共10211对，词量超8200万）；2）癌症相关信息摘要文本对（共201对，Token量超300万）；3）临床试验公告文本对（共5748对，共计451690个Token）。此外，该数据集还包含一个平行语料库，其中涵盖3800组专业文本与通俗文本的句对子集（共计149862个Token）。本数据集是医疗文本简化任务的基准评测数据集，其文件的最新下载时间为2022年2月。