数据集概述
该数据集为CLEF 2025 BioASQ研讨会MultiClinSum共享任务所用，包含英、西、法、葡四种语言的临床病例报告全文与对应摘要对，分黄金标准训练集、大规模训练集和测试集，支持多语言临床文本自动摘要研究。
文件详解
该数据集包含12个ZIP格式压缩文件，按语言和用途分类如下：
- 黄金标准训练集（各语言592对全文与摘要）：
- multiclinsum_gs_train_en.zip：英文黄金标准训练数据
- multiclinsum_gs_train_es.zip：西班牙文黄金标准训练数据
- multiclinsum_gs_train_fr.zip：法文黄金标准训练数据
- multiclinsum_gs_train_pt.zip：葡萄牙文黄金标准训练数据
- 大规模训练集（各语言25902对全文与摘要）：
- multiclinsum_large-scale_train_en.zip：英文大规模训练数据
- multiclinsum_large-scale_train_es.zip：西班牙文大规模训练数据
- multiclinsum_large-scale_train_fr.zip：法文大规模训练数据
- multiclinsum_large-scale_train_pt.zip：葡萄牙文大规模训练数据
- 测试集（仅含全文病例）：
- multiclinsum_test_en.zip：英文测试数据（3396条全文）
- multiclinsum_test_es.zip：西班牙文测试数据（3406条全文）
- multiclinsum_test_fr.zip：法文测试数据（3469条全文）
- multiclinsum_test_pt.zip：葡萄牙文测试数据（3442条全文）
- 内部结构：每个压缩文件包含UTF-8编码的.txt文件，全文与摘要分文件夹存储，摘要文件以_sum后缀标记
数据来源
MultiClinSum共享任务（CLEF 2025 BioASQ研讨会）
适用场景
- 多语言自然语言处理研究：开发与评估临床文本自动摘要模型
- 医学信息学应用：提升临床病例报告的信息提取与总结效率
- 跨语言模型迁移：探索不同语言间临床文本处理的迁移学习效果
- 医疗数据标准化：支持多语言临床文本的结构化与语义分析
