mahesh090406/tanglish-health-triage-v1

Tanglish Health Triage Dataset v1 是一个泰米尔纳德邦方言的医疗分诊数据集，使用Tanglish编写，Tanglish是泰米尔语和英语的混合体，用英文字母书写。该数据集旨在用于症状理解、健康风险分类和医疗助理研究。Tanglish Health Triage Dataset v1 is a Tamil Nadu dialect healthcare triage dataset written in Tanglish, a mix of Tamil and English written using English letters. The dataset is designed for symptom understanding, health risk classification, and healthcare assistant research.

搜集汇总

数据集介绍

构建方式

在医疗资源分布不均的背景下，面向印度泰米尔纳德邦农村地区的医疗分诊需求，该数据集以独特的‘Tanglish’语言为载体构建。Tanglish是泰米尔语与英语的混合语体，采用拉丁字母书写，贴合当地民众日常表达习惯。数据集的构建融合了三种途径：手工编写的真实语境健康案例、基于模板生成的合成样本，以及公开的泰米尔-英语语料库转换，以增强语言覆盖。所有样本均不涉及真实患者隐私数据，经过严格匿名化处理，确保数据合规性与可用性。最终形成包含1318条记录的数据集，并按约8:1:1的比例划分为训练集、验证集与测试集，支撑模型训练与评估。

特点

该数据集的核心特点在于其语言与任务的深度耦合。每条记录包含指令（instruction）、输入（input）、输出（output）、语言标记、风险等级、症状描述及来源字段，结构清晰且信息丰富。风险等级划分为LOW、MEDIUM、HIGH、EMERGENCY四个层级，对应从基础家庭护理到紧急医疗救助的递进式分诊决策，贴合真实医疗场景的紧迫性判断。数据来源的多样性赋予了数据集较广的语言变体适应能力，尤其适合低资源语言场景下的自然语言理解与生成任务。此外，数据集明确标注仅供研究与教育使用，避免对专业医疗诊断的替代风险，体现了负责任的构建伦理。

使用方法

该数据集可直接用于训练与评估医疗分诊相关的自然语言处理模型。使用者可利用其结构化的特征字段，对患者的Tanglish症状描述进行风险等级分类，或生成安全的分诊应答。特别适用于构建面向印度农村地区的轻量级健康助手原型，支持小语言模型的微调、低资源语言医疗NLP研究，以及医疗分诊对话机器人的实验。使用时需注意，数据集中的合成样本可能存在局限性，在投入实际部署前应经过人工审核与领域验证。模型输出不得作为临床决策依据，应始终与专业医疗诊断保持明确边界。推荐以HuggingFace Datasets库加载，并结合标准分类或生成框架进行实验。

背景与挑战

背景概述

在全球医疗资源分布不均的背景下，农村地区因语言障碍而难以获得及时、准确的健康分诊服务，这一问题在印度南部泰米尔纳德邦尤为突出。该地区广泛使用泰米尔语与英语混杂的'Tanglish'方言，现有医疗自然语言处理系统多聚焦于标准语言，忽视了此类低资源方言的迫切需求。为此，Mahesh C来自萨蒂亚巴马科技学院，在其2026年度的信息技术学士项目中创建了Tanglish Health Triage v1数据集。该数据集专注于Tanglish方言下的症状理解与健康风险分类，涵盖LOW至EMERGENCY四个风险等级，旨在推动农村健康助手及低资源语言医疗NLP研究。通过提供人工编写的Tanglish健康示例与模板化合成数据，该数据集为方言医疗分诊系统的开发奠定了重要基础，对提升农村地区健康信息可及性具有开创性意义。

当前挑战

该数据集面临的核心领域挑战在于，如何在低资源、高变异的Tanglish方言中实现准确的症状理解与风险分类。Tanglish作为非标准混合语言，缺乏成熟的语法规范和大规模标注语料，使得传统NLP模型难以直接应用。数据构建过程中的挑战尤为显著：首先，人工编写真实且多样化的Tanglish健康描述耗时费力，且需确保不涉及任何真实患者隐私数据；其次，模板化合成方法虽能扩充数据量，但生成的例句可能与实际口语表达存在差异，影响模型泛化能力；此外，风险等级的定义（如HIGH与EMERGENCY的界限）需兼顾医学严谨性与方言表达的模糊性，标注一致性难以保证。这些挑战共同制约了模型在农村部署时的稳健性与安全性。

常用场景

经典使用场景

在印度泰米尔纳德邦的农村地区，大量居民习惯使用掺杂泰米尔语和英语的Tanglish混合语言描述健康症状，但医疗资源匮乏且专业分诊人员不足。该数据集专为低资源语言场景下的医疗分诊设计，核心任务是根据患者用Tanglish表述的症状描述，自动将其分类为LOW（低风险）、MEDIUM（中风险）、HIGH（高风险）或EMERGENCY（紧急）四个严重等级。研究人员可基于此数据集训练轻量级语言模型，构建面向农村医疗的分诊对话系统，实现对常见病症的初步风险评估与就医建议生成。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括基于多语言预训练模型（如mBERT、XLM-R）的Tanglish症状分类器优化，以及利用数据增强技术（回译、模板合成）缓解低资源过拟合问题的实验。部分研究探索了将分诊任务改造为生成式问答，通过指令微调小型模型（如TinyLLaMA、BLOOM）输出分诊建议。此外，有工作对比了纯英语、纯泰米尔语与Tanglish三种语言设置下的分类性能差异，揭示了混合语言对模型理解能力的独特挑战，为低资源医疗NLP的跨领域迁移学习提供了重要基线。

数据集最近研究

最新研究方向

在低资源语言与方言医疗健康领域的交叉前沿，tanglish-health-triage-v1数据集为泰米尔语与英语混合的乡村医疗分诊研究开辟了新的路径。该数据集聚焦于南印度泰米尔纳德邦特有的Tanglish方言，通过症状理解与风险等级（低、中、高、紧急）分类，支持构建面向农村地区的轻量化健康助手。当前研究热点包括利用该数据集微调小型语言模型、开发低资源环境下的医疗分诊聊天机器人，以及探索跨语言症状分类的鲁棒性。其意义不仅在于弥补印度方言医疗AI的数据缺口，更在于推动数字健康公平——让边缘化语言社区能够享受准确、及时的初步医疗风险评估，从而缓解基层医疗资源匮乏的紧迫问题。