项目规格 · 语料
医学语料采买看起来像「多准备一些医学文字」。拆开之后只有两件不同的事：医患问答平台上的单轮问答，以及医学百科式词条。两件都不能代替多轮问诊，也不能代替有授权的教科书原文。本页说明字段、主题分层、授权链、去重和事实审核。条数不在这里公布，沟通规模以数据卡和合同为准。
说明书写明交互形式是单轮：每条数据是一次提问加一次回答，不含追问，不含会话编号，不含上一句。把它叫成问诊对话，会让购买方以为模型见过「先问清诱因、再看检查、最后才下判断」的顺序。单轮回答通常把结论和注意事项写在同一段里，没有时间顺序。多轮里最容易出错的未来信息泄漏，在单轮包里无从检查，所以不能用这一包声称已经覆盖问诊策略。
问诊、报告解读、治疗前后对比和随访在病历规格里，样本单元是一次就诊或一条时间线。百科和问答如果被拷进那个包，字段对不上，也会把公开网页上的句子混进应当脱敏的病历。两个目录必须分开存储，标识也不能复用。
应用目的在说明书里写成充实医学知识底座。知识底座指的是概念、常见注意事项和词条结构能被抽查，不是临床决策，也不是诊疗效果。回答里出现「应当就医」可以保留为原文的一部分，但不能在数据卡里写成模型因此具备分诊能力。
每条问答固定五个字段：数据来源、数据来源链接、问题、回答、主题类型。来源要写到平台或授权改写的责任方，不能只写「网络」。链接要能打开到授权范围内的页面，或指向内部存档编号并附授权文件编号。链接失效时，该条不能靠记忆补写，应当标成无法复核。
主题不是自由标签。说明书给出的分层是：常见病与多发病科普；慢性病管理与用药；症状与急诊识别；儿童、妇女、老年、妊娠等特殊人群；检查与体检解读、预防保健。一条只能有一个主题，避免同一段文字被两个主题各算一次。主题判据写在数据卡里。例如「体检里某项指标偏高怎么办」归检查解读，不归慢病管理，除非正文的主体是长期用药。
来源构成也要分开写：医学问答平台上的真实问答且已脱敏、由医生或医学编辑撰写、以及在授权下改写。改写必须能指回原句和改写说明。没有原句的「改写」与生成没有区别，不进入这一来源类。平台问答若仍含姓名、医院工号或可识别的病情细节，先脱敏再入库；去不净的不入库。
问题应当是用户会问的那一句，而不是把百科定义改成疑问句。回答应当回应那一句，而不是贴上整篇词条。答非所问在字段完整率里看不出来，必须在事实和相关性抽查里单独记。说明书要求医学专业内容经专业人员审核。审核记录至少包括审核人角色、日期和结论，不要求在公开页公布审核人姓名。
每条百科固定五个字段：数据来源、数据来源链接、词条名称、词条内容、主题类型。主题分层是：疾病；症状与体征；检查、治疗与用药；特殊人群；预防保健与生活方式。疾病词条和症状词条不要合成一条。合成之后无法统计长尾症状有没有被疾病词条挤掉。
词条内容要结构化到能直接用于训练，但结构是字段，不是把段落改写成广告。定义、机制、表现、诊断界限、处理原则如果原词条里有，就按原有层次存放。原词条没有的层次不要补写。补写会把编辑的推断写成出处。剂量、禁忌和「不是」一类否定，必须保留原文，不能在压缩时删掉。删除否定是书籍规格里同样禁止的行为，这里提前适用。
百科来源要是已授权的词条或授权改写，而不是把公开网页整页抓取后改个标题。公开百科即使可浏览，也不自动获得再训练和再分发的权利。授权范围要写明能否用于模型训练、能否展示片段、能否再分发。缺任何一项，该条不计入。
说明书给问答和百科各自的主题比例，用来防止只交常见病。比例是沟通时要核对的结构，不是本站库存。常见病占比高是说明书的意图，长尾主题不能为零。特殊人群要能区分儿童、妊娠、老年，而不是合成一个「其他」标签。症状与急诊识别这一类，回答必须包含何时需要线下就医的原文信息；如果原文没有，不要代写，把该条标成「原文未覆盖就医界限」，由购买方决定是否接收。
同一主题内部还要避免只围绕少数病名重复。数据卡用病名或词条名做分布，而不是只用五个主题桶。五个桶都满、病名却只有十个，不符合「充实知识底座」的目的。具体病名清单在数据卡，不在本页罗列，以免被看成已经收录。
说明书把医学事实严重错误写成零容忍，把版权侵权也写成零容忍。两者都不能放进「合格率百分之九十五」里稀释。事实审核看的是：剂量和单位有没有被改、否定有没有被删、诊断界限有没有被说成已经确诊、过时的阈值有没有被写成当前标准却不注明年份。
审核不能只看回答是否通顺。通顺的错误比残缺的原文更危险，因为它会被当成可直接学习的目标。抽查要包含：随机条、每个主题的长尾条、以及含数字的条。含数字的条优先，因为单位和阈值最容易在改写时被换掉。审核发现严重错误，按说明书可以拒绝该批次并要求整改；整改后仍不合格，可以解除合同。这是验收条款，不是本目录已经完成审核的声明。
来源链接和主题标签也要求正确。链接指向另一篇文章、主题放错桶，该条不合格。四个条件同时满足才算一条合格数据：字段完整、来源与分类正确、事实审核通过、去重通过。四者缺一，不按「大部分字段对了」收下。
说明书写明与供应商重复样本去重，也写明与内部历史集或公开集重复的部分不计入验收数量。问答和百科特别容易与公开网页重合。只去掉完全相同的字符串不够。改写几个虚词、调换句子顺序，仍然可能是同一来源。数据卡要说明近重复的判法，以及抽查时如何打开来源链接比对。
更严格的一条是切分。将要进入 Medical Gate 或任何留出评测的题目，不能出现在这一包的训练交付里。同一问题换一种问法仍算同一题。百科词条如果被评测题整段引用，该词条从训练交付中撤下，或评测题从门禁中撤下，二者不能并存。公开榜的分数也不会因为购买了这一包就上升。能报告的只有：在约定的抽查规则下，事实错误和授权缺失有没有被退回。
供应商需要说明文字从哪里来：已获得版权授权的医学出版物电子文本、合规的问答或百科平台、或自有且能证明权利的语料。每条都能回到其中一类，并附文件编号。平台用户协议如果禁止再训练，该平台的内容不能因为「可以浏览」就进入本包。
授权证明完整率按说明书是百分之百。做不到的条直接剔除，不摊进合格率。报价前的样例要同时包含问答和百科，数量以合同为准，用来看格式、授权和事实，不代表其余条已经齐备。样例本身如果含可识别的患者叙述，先脱敏再提交。本页不转载任何示例问答或示例词条，避免把说明书里的举例当成已交付语料。
交付是结构化表格，一条一行，编码和换行固定，便于直接读取。不要把问答和百科放在同一张没有类型列的表里。类型列就是主题之上的子包标记。批次规模和验收工作日按合同。整体验收在全部批次之后。预付款比例、单价和发票不在本页出现。
这一包不做的事同样要写清。不生成「患者可能会问」的假问题来凑主题比例。不把多轮对话压成一问一答充数。不把指南原文拆碎放进百科正文而不附授权。不把药物广告改写成回答。不在回答末尾添加本站或任何厂商的联系方式。不声称这些文字经过了临床验证。
和书籍规格的边界是：书籍保留版本、页码和原书结构，单元是一部书的一个版本；语料的单元是一条问答或一条词条。把教科书章节贴进词条内容，如果没有单独授权，同时违反两页的规则。和病历规格的边界是：病历有就诊时间和轮次，语料没有。看到「医生说」「患者说」交替出现，应当退回病历规格，而不是当作单轮的一条。
能在数据卡上核对的只有这些：子包是否分开、五个字段是否齐全、主题是否按病名散开、授权编号能否打开、近重复和评测留出是否剔除、含数字的条是否有人审记录。除此之外的覆盖率和准确率，本页不写。
进场时先看子包标记。没有标记的行不进入任何一个桶。然后看来源编号能否在授权清单里找到。找不到的行退出，不进入主题统计，避免用无授权的行把某个主题的比例撑起来。接着看字段是否为空。问题只有标题、回答只有「建议就医」、词条只有病名，都算不完整。空字段不使用默认句填充。
完整的行进入近重复比对。比对的对象包括本批、既往批次、购买方声明的历史集，以及数据卡里点名的公开来源。判为重复的行保留审计记录，但不计入条数。留下的行按主题和病名做分布。某个主题远低于约定结构时，不是把其他主题的行改标签，而是把缺口写进批次说明，由购买方决定这一批是否仍接收。
事实抽查在分布冻结之后进行。抽查不能只抽常见病。每个主题至少抽到长尾病名，含数字的行优先。审核意见写成「通过」「退回并写明错在剂量、否定、阈值或答非所问」。退回的行可以修订一次，修订要保留原句和改句。修订后仍错，该行剔除。若严重错误成片出现，按红线处理整批，而不是把错行删掉后仍宣称原批次合格。
最后才生成训练文件。训练文件不包含审核未通过的行，也不包含已标记为评测留出的行。文件内的行号要能回到原始表，以便复查。做不到回链的交付，视为格式不可用。一次性交付不包含周期性更新；质量问题的补发按合同时限响应，不把补发说成数据会自动变新。
这样走完，购买方看到的不是一个总条数，而是：授权清单、主题与病名分布、剔除原因、抽查记录和回链。总条数只有在这些附件都在时才有意义。本页把附件的名字写出来，是为了让数据卡有地方可核，不是为了宣布这些附件已经齐备。
判据要在抽查之前冻结。常见病科普指的是对一种病的一般说明，读者不需要已经确诊。慢病与用药指的是已经在管理中的疾病和药物注意事项，原文要能看出是长期问题，而不是一次急性提问。症状与急诊识别指的是从症状出发，并包含何时离开线上、前往线下的原文信息。特殊人群必须能指出是儿童、妊娠、老年或其他说明书点名的人群，不能用「注意个体差异」代替。检查与体检解读指的是某一项或一组检查的含义，而不是顺带提到体检。
一条跨了两类时，按正文用最多篇幅的那类，并在备注里写另一类，备注不参与计数。禁止为了凑比例把备注改成主题。冻结之后发现某类不足，只能补采，不能改标签。补采的条同样走授权和事实审核，不因为是补的就免审。
词条与问答分开存放之后，还要防止同一事实在两张表里互相改写。问答的答案只能改问句所问的那一件事，不能把百科正文整段贴进去凑完整。词条正文也不能改成问答口吻来提高「可读性」。两张表各有来源链接。来源相同、句子相同，近重复规则仍然适用，保留更完整的那一条，另一条标成重复并退出计数。保留的一条要写明它同时覆盖了哪一条被退出的记录，方便复核，而不是让退出记录消失。
沟通规模以数据卡和合同确认，不是现货库存。本页不构成医疗器械宣传，也不对模型临床疗效作承诺。文献只说明验收应当检查什么，不代表本目录已经测得那些论文里的数字。
索取数据卡 返回数据集目录