| --- |
| license: mit |
| language: |
| - fr |
| task_categories: |
| - token-classification |
| - text-classification |
| tags: |
| - biomedical |
| - clinical |
| - french |
| - gliner |
| - named-entity-recognition |
| - synthetic |
| - distillation |
| - open-vocabulary |
| size_categories: |
| - 10K<n<100K |
| pretty_name: GLiNER2 FR Biomédical — données d'entraînement multi-tâches (v3d) |
| configs: |
| - config_name: default |
| data_files: |
| - split: train |
| path: training_data_v3d_train.jsonl |
| - split: validation |
| path: training_data_v3d_val.jsonl |
| --- |
| |
| # GLiNER2 FR Biomédical — données d'entraînement multi-tâches (v3d) |
|
|
| Données **synthétiques** d'entraînement pour un **GLiNER2 français biomédical généraliste open-vocabulary**, dans la lignée GLiNER / NuNER / GLiNER-biomed (distillation depuis un LLM, **pas** d'entraînement sur du gold de benchmark). |
|
|
| - **Langue** : français |
| - **Domaine** : biomédical / clinique |
| - **Tâches** : NER open-vocab · classifications · extraction structurée (`json_structures`) · relations |
| - **Annotateur** : `Qwen3-235B-A22B-Instruct-2507` (FP8), sortie JSON contrainte par schéma |
| - **Splits** : train **90 472** · validation **3 769** |
| - **Licence** : MIT |
|
|
| ## Format |
|
|
| Une ligne JSON = un document. Format natif GLiNER2 : |
|
|
| ```json |
| { |
| "input": "<texte>", |
| "output": { |
| "entities": {"<type>": ["<mention>", ...], ...}, |
| "classifications": [{"task": "...", "labels": [...], "true_label": [...], "multi_label": bool}], |
| "json_structures": [{"<schema>": {"<champ>": "<valeur>"}}], |
| "relations": [{"<relation>": {"head": "...", "tail": "..."}}] |
| } |
| } |
| ``` |
|
|
| - `entities` est **toujours** présent. Les types sont **open-vocabulary** (lemmes français génériques, granularité L1→L4 proche d'UMLS). Les mentions sont des **sous-chaînes exactes** du texte (grounding vérifié). |
| - `classifications` / `json_structures` / `relations` sont présents **quand le document les supporte** (0 sinon). |
| - **Négatifs** : ~28 % des documents sont non-biomédicaux → `entities` à listes de mentions **vides** (domain-gate, utile pour la précision). |
| - **Classification CIM-10** : sur les documents cliniques, une tâche `chapitre CIM-10` (22 chapitres, multi-label) est ajoutée (≈ 61 k documents). |
|
|
| ## Construction (résumé) |
|
|
| 1. **Corpus sources** : littérature biomédicale FR (HAL, istex), case reports PMC traduits FR, vulgarisation (finewiki-medical), reformulations de nomenclatures (CIM-10 / ATC / CCAM), + ~18 % de notes cliniques « brouillon » (registre télégraphique, abréviations). |
| 2. **Annotation** : appel unique au LLM avec un schéma 6-sections (candidate-spans → entities subset, classifications, json_structures, relations, hard-negatives), densité **modérée naturelle**, domain-gate (ne tagger que le biomédical). |
| 3. **Grounding** : chaque mention / head / tail doit être une sous-chaîne exacte du texte ; anti-raccourci lexical (Levenshtein type↔mention ≥ 3). |
| 4. **Assemblage** : format 4-tâches GLiNER2 ; les labels CIM-10 sont *snappés* sur les 22 chapitres canoniques. |
| |
| ## Usage prévu |
| |
| Entraîner un GLiNER2 FR biomédical **généraliste** (l'utilisateur définit ses types à l'inférence). L'objectif est la **généralisation aux types nouveaux/arbitraires**, pas l'alignement de convention sur un benchmark donné. |
| |
| ## Limites & avertissements |
| |
| - **Données SYNTHÉTIQUES (silver)** : annotations produites par un LLM, **pas** du gold humain. Erreurs et biais de l'annotateur possibles. |
| - **Ne pas** considérer comme une ressource clinique validée. Aucune donnée patient réelle : les textes cliniques sont synthétiques ou dérivés de sources publiques (PMC). |
| - Pensée pour la **recherche** (distillation open-vocab), à évaluer en zero-shot reference-free plutôt que sur les benchmarks NER standards. |
| |
| ## Citation |
| |
| À compléter (paper en préparation). |
| |
