vidore/syntheticDocQA_healthcare_industry_test

该数据集是一个特定主题的检索基准，涵盖多个领域，评估了更现实的工业应用中的检索。它包括关于医疗保健行业的文档，允许ViDoRe对医疗文档进行基准测试。数据收集部分提到使用爬虫从互联网上收集了1000个PDF文档，并从这些文档中随机抽取了1000页，生成了100个问题和答案。数据整理部分提到使用视觉语言模型生成查询和答案，并由人工注释者进行质量和相关性过滤。

原始信息汇总

数据集概述

数据集信息

• 特征:
  • query: 字符串类型
  • image: 图像类型
  • image_filename: 字符串类型
  • answer: 字符串类型
  • page: 字符串类型
  • model: 字符串类型
  • prompt: 字符串类型
  • source: 字符串类型
• 分割:
  • test: 包含1000个样本，数据大小为357157600.0字节
• 下载大小: 309735309字节
• 数据集大小: 357157600.0字节
• 配置:
  • default: 包含test分割的数据文件路径为data/test-*

数据集属性

• 许可证: MIT
• 语言: 英语
• 规模: 小于1K
• 任务类别:
  • 视觉问答
  • 问答
• 标签:
  • 多模态
  • 检索
  • 文档检索
  • 医疗
  • 医疗行业

数据集描述

该数据集是跨多个领域的特定主题检索基准的一部分，评估在更现实的工业应用中的检索效果。数据集包含关于医疗行业的文档，允许ViDoRe基准测试医疗文档。

数据收集

通过爬虫从互联网上收集了1000个PDF文件，查询词为“医疗行业”。从这些文档中随机抽取了1000页，并关联了100个使用Claude-3 Sonnet生成的问答对。

数据集结构

数据集实例的结构如下： json features:

• name: query dtype: string
• name: image dtype: image
• name: image_filename dtype: string
• name: answer dtype: string
• name: page dtype: string
• name: model dtype: string
• name: prompt dtype: string
• name: source dtype: string

引用信息

如果使用此数据集进行研究，请引用原始数据集： latex @misc{faysse2024colpaliefficientdocumentretrieval, title={ColPali: Efficient Document Retrieval with Vision Language Models}, author={Manuel Faysse and Hugues Sibille and Tony Wu and Gautier Viaud and Céline Hudelot and Pierre Colombo}, year={2024}, eprint={2407.01449}, archivePrefix={arXiv}, primaryClass={cs.IR}, url={https://arxiv.org/abs/2407.01449}, }