Dataset Card for tw-health-43M

tw-health-43M 是一個台灣健康醫療領域的繁體中文預訓練語料集，包含 48,627 篇文章，總計約 4,366 萬 tokens。涵蓋疾病衛教、醫療新聞、公共衛生政策與健康促進等內容，適用於語言模型在醫療健康領域之持續預訓練。

Dataset Details

Dataset Description

本資料集彙整台灣健康醫療相關之文章，涵蓋內科、外科、兒科、精神科、營養、復健、傳染病防治等多元醫療主題。每篇文章附帶 token 數、字數、來源 URL 與更新日期等元資料。

• Curated by: Liang Hsun Huang
• Language(s) (NLP): Traditional Chinese
• License: CC BY-NC-SA 4.0

Dataset Sources

• Repository: lianghsun/tw-health-43M

Uses

Direct Use

本資料集主要設計用於：

• 語言模型在健康醫療領域之持續預訓練（continued pretraining），提升對台灣醫療用語與衛教知識之理解；
• 建構醫療健康知識檢索系統（RAG）之語料庫；
• 訓練醫療領域之文本分類、摘要或資訊擷取模型。

Out-of-Scope Use

本資料集不適用於下列用途：

• 作為醫療診斷或治療建議之依據，因內容為衛教文章，不替代專業醫療諮詢。
• 直接作為指令微調資料，因不包含問答或對話結構。
• 作為藥物資訊查詢之權威來源。

Dataset Structure

{
  "text": "同樣都難以保持注意力 「無法專心的病」ADD、ADHD有何不同？...",
  "token_count": 726,
  "word_count": 877,
  "url": "https://example.com/article/12345",
  "updated_at": "2024-11-08"
}

欄位	說明
text	文章全文
token_count	文章 token 數
word_count	文章字數
url	文章來源 URL
updated_at	文章更新日期

統計項目	數值
文章數	48,627
總 tokens	~43.66M
平均 tokens/篇	898
平均字數/篇	969
資料期間	2024-11-08 ~ 2024-12-23

Dataset Creation

Curation Rationale

台灣醫療體系使用繁體中文，且有其特有之醫療用語、藥品名稱與健保制度相關術語。現有的醫療語料集多以簡體中文或英文為主，缺乏針對台灣醫療語境之高品質預訓練資料。本資料集提供一個聚焦於台灣醫療知識之語料集。

Source Data

Data Collection and Processing

文章擷取自台灣公開之健康醫療資訊來源。每篇文章保留全文、來源 URL 與更新日期，並計算 token 數與字數。

Who are the source data producers?

文章由醫療專業人員與相關領域之編輯團隊撰寫。

Annotations

Annotation process

本資料集不包含額外標註。

Who are the annotators?

不適用。

Personal and Sensitive Information

本資料集為公開發表之衛教文章，不包含個人醫療紀錄或病患隱私資訊。部分文章可能以匿名方式引用臨床案例。

Bias, Risks, and Limitations

• 資料來源集中於特定類型之健康資訊，可能無法完整代表台灣醫療知識之全貌。
• 文章內容以衛教為主，對於深度學術研究或臨床指引之覆蓋有限。
• 資料擷取期間集中於 2024 年 11–12 月，時間覆蓋較窄。
• 醫療資訊具時效性，部分內容可能隨醫學進展而過時。

Recommendations

建議使用者在醫療應用場景中，搭配最新之醫學文獻與臨床指引進行驗證，並明確標示模型輸出不構成醫療建議。

Citation

@misc{tw-health-43M,
  title        = {tw-health-43M: Taiwan Health and Medical Pre-training Corpus},
  author       = {Liang Hsun Huang},
  year         = {2024},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/tw-health-43M}},
  note         = {48,627 health articles (~43.66M tokens) in Traditional Chinese for medical domain pre-training.}
}

Dataset Card Authors

Liang Hsun Huang

Dataset Card Contact

Liang Hsun Huang