MedChatZH
קוד פתוחtyang816apache-2.02023-08-19
מאגר שיחות רפואיות בסינית המתמקד ברפואה סינית מסורתית. הוא מיועד למי שרוצה לאמן או לבחון מודלים של שאלות ותשובות בתחום הבריאות עם אוריינטציה לטיפולים מסורתיים.
- 225הורדות בחודש
- 38לייקים
מה זה
המאגר כולל בין מאה אלף למיליון רשומות המיועדות למשימות שאלות ותשובות ברפואה. לפי התיעוד, הנתונים מבוססים על ספרי רפואה סינית ועל שיחות הנחיה רפואיות, ומציגים דיאלוגים שבהם מטופלים שואלים על תסמינים כמו נשירת שיער, עצירות, אקנה או גידולים, והמענה כולל המלצות על צמחי מרפא, דיקור והרגלי חיים.
התוכן מחולק לקבצי אימון ובדיקה בפורמט ג'ייסון, בהם קובץ אימון, קובץ ולידציה וקובץ משולב בשם MedChatZH_mix_2M.json. המפרסמים לא פירטו בכרטיס את אופן הסינון של הרשומות, כיצד נוקו הנתונים, או מה היחס המדויק בין שיחות שנלקחו מספרי לימוד לבין שיחות שנאספו ממקורות אחרים.
מתאים ל
- אימון צ'אטבוט רפואי בסינית
כוונון עדין של מודלי שפה למתן תשובות ראשוניות על שאלות בריאות ורפואה סינית.
- הערכת ידע ברפואה מסורתית
בדיקת יכולת המודל להמליץ על צמחי מרפא, דיקור ותרגול מותאם לפי תסמינים.
- מחקר על בטיחות מידע רפואי
ניתוח הזיות וטעויות עובדתיות במודלי שפה שמתבססים על הנחיות רפואה אלטרנטיבית.
איפה זה נופל
הנתונים קיימים אך ורק בסינית, ללא תרגום וללא שום התאמה לעברית או למערכת הבריאות המערבית. המפרסמים עצמם מזהירים שהתשובות עלולות לכלול טעויות עובדתיות שסותרות את המציאות, ושהמאגר מתקשה לזהות הנחיות מזיקות, מה שעלול לייצר תוכן מסוכן. בנוסף, חסר מידע על גיל הנתונים, ואין סינון רגולטורי לשימוש קליני אמיתי, כך שלא הייתי מעלה מוצר שמסתמך עליהם בלי בדיקה רפואית צמודה.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט לפיתוח מוצר מסחרי?
לא. למרות שבראש העמוד מופיע רישיון Apache 2.0, בהגבלות השימוש החוקרים כתבו במפורש שהמאגר ונגזרותיו נועדו למחקר בלבד ואסורים לשימוש מסחרי. במקרה של סתירה כזו, אסור להסתכן בשימוש מסחרי.
האם יש במאגר נתונים בעברית או באנגלית?
לא. המאגר מוגדר וקיים בשפה הסינית בלבד. אם המטרה שלכם היא לבנות כלי שפונה לקהל ישראלי או לדוברי עברית, הנתונים האלה לא יתאימו לכם ללא תרגום והתאמה תרבותית מלאה.
איך נאספו הנתונים שבמאגר?
החוקרים מציינים שהנתונים נשענים על ספרי רפואה סינית ועל נתוני הנחיות לשיחות רפואיות. עם זאת, הכרטיס אינו מפרט את שמות הספרים המדויקים, את אופן הדגימה או את שלבי הסינון שעברו הטקסטים.
איך טוענים
המאגר פתוח להורדה ישירה ללא צורך בהרשאה מוקדמת או מפתח גישה מיוחד. הנתונים שמורים בחמישה קבצים, והעיקריים שבהם מסודרים כקבצי ג'ייסון סטנדרטיים, כך שניתן לטעון אותם בקלות ישירות דרך ספריית הנתונים של האגינג פייס או באמצעות קריאת קובץ פשוטה בפייתון. הקבצים כוללים פיצול מוכן לאימון ואימות, לצד קובץ מעורבב גדול. לפני שמתחילים כדאי לקחת בחשבון שמדובר בטקסטים ארוכים למדי בסינית, הדורשים בדיקת קידוד מתאים וטיפול נכון בשדות השאלה והתשובה כדי להתאימם למבנה הפרומפט של המודל שלכם.
from datasets import load_dataset
ds = load_dataset("tyang816/MedChatZH")הרישיון
המטאדאטה של המאגר מציין רישיון Apache 2.0, אבל בטקסט עצמו החוקרים כותבים במפורש שהנתונים והנגזרות שלהם מיועדים למחקר בלבד ואסורים לשימוש מסחרי. הסתירה הזו אומרת שאי אפשר לבנות על היתר מסחרי, וכל שימוש במודל שאומן על המאגר מחוץ למחקר אקדמי חושף אתכם להפרת תנאי השימוש שהגדירו היוצרים.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים