Medical Question Pairs (Medical Question Pairs (MQP) Dataset)

医学问题对 (MQP) 数据集
该存储库包含由 Curai 的医生手动生成和标记的 3048 个相似和不同的医学问题对的数据集。该数据集在我们的论文中有详细描述。
方法
我们向我们的医生展示了从 HealthTap 公开可用的爬网中随机抽取的 1524 个患者提出的问题的列表。通过提供给贴标者的以下说明，每个问题都会产生一对相似和不同的对：
以不同的方式重写原始问题，同时保持相同的意图。尽可能重组语法并更改不会影响您的反应的医疗细节。
例如“我是 22 岁的女性”可以变成“我 26 岁的女儿”
提出一个相关但不同的问题，对于该问题，原始问题的答案将是错误的或无关紧要的。使用相似的关键词。
第一条指令生成肯定问题对（相似），第二条指令生成否定问题对（不同）。根据上述说明，我们有意构建任务，使得正面问题对在表面指标上看起来非常不同，而负面问题对相反看起来非常相似。这确保了任务不是微不足道的。
数据集格式
数据集的格式为 dr_id、question_1、question_2、label。我们为此任务使用了 11 位不同的医生，因此 dr_id 的范围从 1 到 11。如果问题对相似，则标签为 1，否则为 0。
数据集统计
最终数据集包含 4567 个独特的问题。这些问题中的最小、最大、中值和平均令牌数分别为 4、81、20 和 22.675，表明问题的长度存在合理的差异。最短的问题是纤维腺瘤是恶性的吗？
现成的医疗实体识别器在问题中发现大约 1000 个独特的医疗实体。一些最重要的实体提及是：医生、怀孕、疼痛、持续数周、月经、情绪状态、癌症、视觉功能、头痛、出血、发烧、性交