quannguyen204/diasynth-vi-elderly-orpo

该数据集名为DiaSynth越南老年人护理—ORPO，是一个用于ORPO微调（偏好对齐）的数据集，专注于越南老年人护理中的安全风险（如电话诈骗、用药错误等）。每条数据是一个单轮对话的三元组(prompt, chosen, rejected)，其中prompt是用户提示，chosen是安全且符合助理角色（使用con自称）的响应，rejected是对同一提示的不安全或偏离角色的响应变体。数据为合成生成（基于大语言模型），未经过人工标注。数据集包含训练集（15,923对）、验证集（331对）和测试集（332对），并进行了预处理，包括Unicode规范化、长度过滤、基于TF-IDF余弦相似度的去重（阈值0.97），以及按风险类别分层分割。使用限制：数据为合成性质，覆盖范围偏向老年人护理领域，不适用于通用偏好对齐。The dataset DiaSynth Vietnamese Elderly Care — ORPO provides preference pairs for ORPO fine-tuning, focused on Vietnamese elderly-care safety hazards. Each record is a single-turn (prompt, chosen, rejected) tuple where chosen is a safe and persona-consistent response and rejected is an unsafe or off-persona variant for the same hazard prompt. Data is synthetic (generated by an LLM) and not human-labeled. It includes train (15,923 pairs), validation (331 pairs), and test (332 pairs) splits, with preprocessing such as NFC Unicode normalization, token length filtering (≤2048), exact and TF-IDF cosine near-deduplication on chosen (threshold=0.97), and stratified splitting by hazard category. Limitations: Synthetic preference data reflects the generator LLMs notion of safety, hazard coverage is biased toward the elderly domain, and it is not suitable for general-purpose preference alignment.

搜集汇总

数据集介绍

构建方式

DiaSynth Vietnamese Elderly Care — ORPO 数据集专为越南语老年护理场景下的安全对齐任务而构建。其核心以单轮对话形式组织偏好对，每条记录包含一个提示词（prompt）以及对应的安全且符合角色一致性的回答（chosen）与不安全或偏离角色的回答（rejected）。数据经由合成生成，并通过NFC Unicode标准化、基于token长度的过滤（确保prompt加最长响应不超过2048个token）、以及精确与TF-IDF余弦相似度相结合的去重处理（阈值设定为0.97）来保证质量。最终按照危害类别进行分层划分，以pair_id为组别确保互斥，按照0.96、0.02和0.02的比例随机划分出训练集、验证集和测试集。

特点

该数据集聚焦于越南语老年护理领域特有的安全隐患，涵盖电话诈骗、用药错误等高危场景，体现了鲜明的领域针对性。其核心特征在于每个样本均以偏好对形式呈现，使模型能直接学习安全与不安全响应的差异，并以明确回答文本而非单一标签形式表达。为确保安全性判断的可靠性，构建时引入了验证器，剔除了18个因内容漂移而失真的样本。此外，数据集中助手角色固定使用“con”自称，保持了与SFT阶段一致的角色设定，强化了多轮对话中的身份一致性。

使用方法

该数据集专为基于ORPO（Odds Ratio Preference Optimization）算法的微调而设计，适合配合Hugging Face TRL库中的ORPOTrainer使用。建议在完成SFT阶段后，以贝叶斯系数β=0.1作为超参数进行偏好对齐训练，重点提升模型在老年护理危险场景下的安全性与角色保持能力。使用时可直接加载包含prompt、chosen和rejected字段的样本，按标准ORPO流程处理。需要注意的是，此数据集为合成偏好数据，并非人类标注的金标准，且危害覆盖偏向老年领域，不宜直接用于通用偏好对齐任务。

背景与挑战

背景概述

DiaSynth Vietnamese Elderly Care — ORPO 数据集由研究团队于近期创建，聚焦于越南语老年护理场景下的对话安全偏好对齐。该数据集针对语言模型在老年护理领域中可能遭遇的诈骗电话、用药错误等安全隐患，构建了单轮对话的偏好三元组（提示、安全回复、不安全回复），旨在通过ORPO微调方法增强模型的安全性与角色一致性。作为面向低资源语言与特定领域的合成数据集，其发布为越南语自然语言处理的安全对齐研究提供了重要基准，推动了面向边缘群体的语言模型安全评估与发展。

当前挑战

该数据集面临的核心挑战包括：1）领域问题层面，老年护理场景中的安全隐患识别与回应需兼顾语言模型的角色一致性（如自称“con”）与安全性，传统通用对齐方法难以适配此类文化敏感型交互；2）构建过程中，采用合成数据生成偏好对，依赖于生成模型的安全判断标准，缺乏人工标注的黄金标准，可能导致安全边界偏差；此外，数据构建中因内容漂移丢弃了18对样本，且危害类别集中于老年领域，限制了向通用偏好对齐的迁移能力。

常用场景

经典使用场景

在越南语老年护理这一高度专业化且敏感的领域，安全对齐与人格一致性是构建可信对话系统的核心挑战。diasynth-vi-elderly-orpo数据集专为ORPO（在线偏好优化）微调设计，提供了15,923个单轮偏好对，每个样本包含一个提示、一个安全且符合助手人格（自称'con'）的响应（chosen）以及一个不安全或偏离人格的响应（rejected）。其经典使用场景在于，通过ORPOTrainer在β=0.1超参数下进行偏好对齐，使模型在应对电话诈骗、用药错误等老年护理安全风险时，能始终生成既安全又贴合使用者习惯的回复，从而显著提升对话系统的可靠性。

衍生相关工作

该数据集衍生了一系列聚焦于低资源语言安全对齐的经典工作。首先，它催生了基于多粒度过滤的合成数据清洗流水线，如结合TF-IDF余弦去重与NFC Unicode规一化，降低了噪声对偏好质量的影响。其次，研究者借鉴其分层分区策略，开发了针对越南语医疗咨询的DiaSynth-SFT对话数据集，用于监督微调初始模型。更深远的影响是，该数据集的hazard_category标签体系被整合进越南国家安全对话基准的评估框架，用以评测不同语言模型在79类老年护理安全风险上的表现，推动了该领域从“能用”到“安全可靠”的质变。

数据集最近研究

最新研究方向

在越南语老年人护理领域，数据集diasynth-vi-elderly-orpo聚焦于安全偏好对齐的前沿研究，通过构建合成偏好对（chosen/rejected）来优化大语言模型对电话诈骗、用药错误等场景的响应安全性。该数据集采用ORPO方法进行微调，结合角色一致性设计（助手自称“con”），旨在提升模型在老年护理高风险交互中的安全性与可信度。这一方向呼应了当前AI伦理与老龄化社会交叉的热点议题，推动了多语言、低资源场景下安全对齐技术的进展，为构建文化适配的可靠老年护理AI系统提供了关键资源。