turkerberkdonmez/pubmed-summarization-turkish

---
license: unknown
language:
- tr
task_categories:
- summarization
- text-generation
tags:
- medical
- translation
- pubmed
- turkish
size_categories:
- 100K<n<1M
source_datasets:
- ccdv/pubmed-summarization
---

# PubMed Özetleme Veri Seti – Türkçe Özetler (MedGemma 27B)

Bu veri seti, orijinal **[ccdv/pubmed-summarization](https://huggingface.co/datasets/ccdv/pubmed-summarization)** veri setindeki
**abstract (özet) alanlarının MedGemma 27B modeli ile Türkçe’ye çevrilmiş halini** içermektedir.

Bu repoda **yalnızca Türkçe özetler** yer almaktadır.
Orijinal İngilizce makale metinleri ve özetler, `ccdv/pubmed-summarization` veri setinde kalmaya devam eder ve burada tekrar edilmez.

---

## Veri Seti Özeti

- **Kaynak veri seti:** `ccdv/pubmed-summarization`
- **İçerik:** PubMed makale özetlerinin Türkçe çevirileri
- **Kullanılan model:** **MedGemma 27B** (tıbbî dil modeli)
- **Amaçlanan kullanım alanları:** - Türkçe tıbbî özetleme (summarization)
- Türkçe tıbbî dil modelleme
- Klinik metin madenciliği ve NLP çalışmaları
- Tıpta yapay zeka ve XAI araştırmaları için ön-eğitim / ince ayar (fine-tuning) datası

Her satır, bir PubMed makalesine ait abstract (özet) alanının Türkçe çevirisine karşılık gelir.

### Alanlar

- `abstract` — Orijinal abstract (özet) alanının Türkçe çevirisi

Her bölümdeki (train / validation / test) satır sayısı ve sıralama,
`ccdv/pubmed-summarization` veri seti ile birebir uyumludur.
İhtiyaç halinde indeks üzerinden orijinal veri setindeki kayıtlarla eşleştirme yapılabilir.

---

## Veri Bölümleri

Orijinal veri setindeki bölünme yapısı korunmuştur:

| Bölüm | Örnek Sayısı |
|-------------|--------------|
| Train | 119,924 |
| Validation | 6,633 |
| Test | 6,658 |

---

## Çeviri Metodolojisi

1. Başlangıç noktası olarak `ccdv/pubmed-summarization` veri setindeki **abstract** alanı kullanıldı.
2. Her abstract, **MedGemma 27B** modeli ile İngilizce’den Türkçe’ye çevrildi.
3. Çeviri sürecinde:

- Tıbbî terminolojinin mümkün olduğunca korunmasına,
- Cümle yapısının ve anlam bütünlüğünün bozulmamasına,
- Akıcı ve doğal bir Türkçe üretilmesine

dikkat edildi.

4. Temel biçimlendirme (boşluklar, satır sonları vb.) dışında ek bir manuel düzeltme veya filtreleme uygulanmadı.
5. Orijinal makale metinleri (full text) ve İngilizce özetler bu repoda yer almaz; yalnızca Türkçe özet alanı sunulur.

Bu veri seti, özellikle Türkçe tıp alanında veri azlığını gidermeyi ve
tıbba yönelik büyük dil modellerinin Türkçe performansını artırmayı hedefleyen çalışmalarda
yardımcı bir kaynak olarak tasarlanmıştır.

---

## Kullanım Örneği

```python
from datasets import load_dataset

# Türkçe PubMed özet veri setini yükle
ds = load_dataset("turkerberkdonmez/pubmed-summarization-tr")

# Örnek bir kayıt
sample = ds["train"][0]
print(sample["abstract"])
```

---

## Atıf

Bu veri setini çalışmalarınızda kullanırsanız, lütfen aşağıdaki şekilde atıfta bulununuz:

```bibtex
@dataset{pubmed_summarization_tr,
title = {PubMed Summarization Dataset -- Turkish Abstracts (MedGemma 27B)},
author = {D{\"o}nmez, T{\"u}rker Berk},
year = {2025},
howpublished = {Hugging Face: turkerberkdonmez/pubmed-summarization-tr},
note = {Turkish translations of PubMed abstracts generated using MedGemma 27B
from the ccdv/pubmed-summarization dataset}
}
```

许可证：未知
语言：
- 土耳其语
任务类别：
- 摘要生成
- 文本生成
标签：
- 医疗
- 翻译
- PubMed
- 土耳其语
规模类别：
- 10万<n<100万条数据
源数据集：
- ccdv/pubmed-summarization

# PubMed摘要生成数据集——土耳其语摘要（MedGemma 27B）

本数据集包含原始**[ccdv/pubmed-summarization](https://huggingface.co/datasets/ccdv/pubmed-summarization)**数据集中**摘要（abstract）字段经MedGemma 27B模型翻译为土耳其语**的内容。

本仓库仅提供土耳其语摘要。原始英文文献文本及英文摘要仍保留在`ccdv/pubmed-summarization`数据集中，本仓库不再重复收录。

## 数据集概览

- **源数据集：** `ccdv/pubmed-summarization`
- **内容：** PubMed文献摘要的土耳其语译版
- **所用模型：** **MedGemma 27B**（医疗领域大语言模型）
- **目标应用场景：**
- 土耳其语医疗摘要生成（summarization）
- 土耳其语医疗语言建模
- 临床文本挖掘与自然语言处理（Natural Language Processing, NLP）研究
- 医疗领域人工智能与可解释人工智能（eXplainable AI, XAI）研究的预训练/微调（fine-tuning）数据集

每一行对应一篇PubMed文献的摘要（abstract）字段的土耳其语译版。

### 字段说明

- `abstract` — 原始摘要（abstract）字段的土耳其语译版

各拆分子集（训练集/验证集/测试集）的样本数量与排序均与`ccdv/pubmed-summarization`数据集完全一致。如有需要，可通过索引与原始数据集中的样本进行匹配。

## 数据拆分

保留原始数据集的拆分结构：

| 拆分子集 | 样本数量 |
|---------|---------|
| 训练集 | 119,924 |
| 验证集 | 6,633 |
| 测试集 | 6,658 |

## 翻译流程

1. 以`ccdv/pubmed-summarization`数据集中的**abstract**字段作为翻译起始数据源。
2. 所有abstract字段均通过**MedGemma 27B**模型从英语翻译为土耳其语。
3. 翻译过程中遵循以下原则：
- 尽可能保留医疗专业术语；
- 不破坏句子结构与语义完整性；
- 生成流畅自然的土耳其语表达。
4. 除基础格式调整（如空格、换行符等）外，未进行额外的人工修正或过滤操作。
5. 原始文献全文（full text）及英文摘要均未收录于本仓库，仅提供土耳其语摘要字段。

本数据集旨在解决土耳其语医疗领域的数据稀缺问题，同时为提升面向医疗领域的大语言模型土耳其语性能的相关研究提供辅助资源。

## 使用示例

python
from datasets import load_dataset

# 加载土耳其语PubMed摘要数据集
ds = load_dataset("turkerberkdonmez/pubmed-summarization-tr")

# 获取一条训练集样本
sample = ds["train"][0]
print(sample["abstract"])

## 引用要求

若在研究中使用本数据集，请按照以下格式进行引用：

bibtex
@dataset{pubmed_summarization_tr,
title = {PubMed Summarization Dataset -- Turkish Abstracts (MedGemma 27B)},
author = {D{"o"}nmez, T{"u"}rker Berk},
year = {2025},
howpublished = {Hugging Face: turkerberkdonmez/pubmed-summarization-tr},
note = {Turkish translations of PubMed abstracts generated using MedGemma 27B
from the ccdv/pubmed-summarization dataset}
}