---
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).