数据集

MedQA-Darija-MultiLingual

Williamsanderson/MedQA-Darija-MultiLingual

查看上游原文 ↗
上游访问:公开 本站服务:可咨询 内容检查:AI 辅助整理并检查 许可证:cc-by-4.0 上游版本:888b36acbeeb

中文简介

Williamsanderson/MedQA-Darija-MultiLingual 是 Williamsanderson 在 Hugging Face 发布的数据集仓库,当前卡片主要关联问答、语音识别、语音合成。本站固定记录上游版本 888b36acbeeb,同步到 99853 个文件,文件元数据合计 106.59 GB;访问状态为“公开”,许可证字段为“cc-by-4.0”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 Williamsanderson/MedQA-Darija-MultiLingual 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息,完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
Williamsanderson/MedQA-Darija-MultiLingual 是 Williamsanderson 在 Hugging Face 发布的数据集仓库,当前卡片主要关联问答、语音识别、语音合成。本站固定记录上游版本 888b36acbeeb,同步到 99853 个文件,文件元数据合计 106.59 GB;访问状态为“公开”,许可证字段为“cc-by-4.0”。

【适用方向】
适合评估语音转写、字幕生成和语音内容结构化任务。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

【版本与规格】
固定版本:888b36acbeeb。 任务标签:问答、语音识别、语音合成。 语言字段:ar, fr, en。 数据集卡名称:MedQA-Darija-MultiLingual。 规模分类:100K<n<1M。 上游页面记录的最近更新时间:2026-05-06。

【文件信息】
上游 API 返回 99853 个文件,文件元数据合计 106.59 GB。 已保存文件清单中的主要扩展名:.mp3 99 个、无扩展名 1 个。 当前较大的文件包括:audio/0896d05d_darija_doctor_ae800e23.mp3(112.08 KB);audio/0896d05d_french_doctor_3960626a.mp3(110.39 KB);audio/0896d05d_english_doctor_8ad41ceb.mp3(94.36 KB)。 仓库文件较多,本站仅保存前 100 条文件元数据;完整清单请查看上游仓库。

【运行或处理环境】
仓库文件元数据合计 106.59 GB。仅按下载、解压和临时文件估算,建议至少预留约 127.91 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

【使用边界】
许可证显示为“cc-by-4.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

MedQA-Darija-MultiLingual The largest open trilingual medical Q&A dataset with directly-playable speech audio for English, French, and Moroccan Darija.** A research dataset for the BRAIN HEALTH initiative, designed for multilingual medical NLP, low-resource speech recognition, healthcare chatbots, and clinical education tools targeting Morocco and the broader Maghreb region. Dataset is currently in **scientific validation phase**. After programmatic validation (Stage 1 LOF outlier detection, Stage 2 Causal-DAG consistency, Stage 3 linguistic & medical NER coverage), it will be reviewed by licensed medical professionals before peer-reviewed publication. At a glance | Property | Value | |---|---| | Total Q&A pairs | **267,627** | | Specialties covered | **71** | | Languages | English · French · Moroccan Darija (Arabic script) | | Audio modality | 6 MP3 per row (Q+A × 3 languages) | | Real-world data | 163,488 pairs (open medical corpus + iCliniq scraped) | | Synthetic data | 104,139 pairs (multi-LLM generated, validated) | | Audio files | ~427k MP3 (~91 GB) on Hugging Face Xet storage | | Total file size | ~94 GB | Configurations `default` — Synthetic (104,139 rows) Trilingual synthetic Q&A generated by multiple LLM providers (Mistral, Cerebras, Groq, GPT-4o-mini, OpenRouter). Every row carries six audio cells (Q+A in EN/FR/Darija), playable directly in the Hugging Face Viewer. `real` — Real-world scraped (163,488 rows) Real medical Q&A scraped from the open medical web. Two sub-sources: **scraped_icliniq** (3,383 rows) — patient questions and licensed-doctor answers from publicly available iCliniq.com pages, manually trilingualized and audio-rendered. **open_medical_corpus** (160,105 rows) — open medical corpora translated trilingually. iCliniq rows appear first in the `real` split; both sub-sources share identical schema with audio columns (audio cells are populated where speech files are available, else `null`). Schema (per row) A single row contains the same medic

公开页仅展示原文摘录;完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合评估语音转写、字幕生成和语音内容结构化任务。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分,避免只依据仓库名称判断数据质量。

规模与格式

固定版本:888b36acbeeb。 任务标签:问答、语音识别、语音合成。 语言字段:ar, fr, en。 数据集卡名称:MedQA-Darija-MultiLingual。 规模分类:100K<n<1M。 上游页面记录的最近更新时间:2026-05-06。

文件说明

上游 API 返回 99853 个文件,文件元数据合计 106.59 GB。 已保存文件清单中的主要扩展名:.mp3 99 个、无扩展名 1 个。 当前较大的文件包括:audio/0896d05d_darija_doctor_ae800e23.mp3(112.08 KB);audio/0896d05d_french_doctor_3960626a.mp3(110.39 KB);audio/0896d05d_english_doctor_8ad41ceb.mp3(94.36 KB)。 仓库文件较多,本站仅保存前 100 条文件元数据;完整清单请查看上游仓库。

上游文件元数据

  • .gitattributes2.45 KB
  • audio/088902e5_english_doctor_ff873044.mp317.72 KB
  • audio/088902e5_english_patient_6cae3426.mp321.09 KB
  • audio/088902e5_french_doctor_4ece3722.mp320.25 KB
  • audio/088902e5_french_patient_bbccf375.mp325.03 KB
  • audio/088c97a2_darija_doctor_134f21f8.mp320.81 KB
  • audio/088c97a2_darija_patient_cbb12c08.mp352.31 KB
  • audio/088c97a2_english_doctor_aacf2e00.mp317.86 KB
  • audio/088c97a2_english_patient_adbae992.mp349.78 KB
  • audio/088c97a2_french_doctor_47d1353b.mp319.41 KB
  • audio/088c97a2_french_patient_cf1611f5.mp338.67 KB
  • audio/0892a0f7_darija_doctor_5489848f.mp324.47 KB

硬件建议

仓库文件元数据合计 106.59 GB。仅按下载、解压和临时文件估算,建议至少预留约 127.91 GB 可用磁盘;实际需求还取决于压缩率、缓存、数据转换和训练副本,正式处理前应以完整文件清单重新测算。

注意事项

许可证显示为“cc-by-4.0”,具体用途限制、附加政策和归属要求仍以上游原文为准。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件,并在合法访问权限、许可证及平台规则允许的前提下,协助海内外下载、完整性校验及网盘或硬盘交付;本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明,不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。