-
Medical Artificial Intelligence text Detection in Multilingual settings (MedA...
Este conjunto de datos se creó recopilando corpus de autoría humana de varios centros de salud pública y generando datos adicionales mediante tres LLM diferentes: GPT-4o, Mistral-7B y Llama3-1. Incluimos textos en inglés, español, alemán y francés del...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
-
Corpus para la identificación de palabras complejas en textos médicos en espa...
[Descripción de los métodos utilizados para la recopilación/generación de datos] Las estadísticas y los métodos del corpus se explican en el siguiente artículo: Federico Ortega-Riba, Leonardo Campillos-Llanos, Doaa Samy (2025) «Lexical Simplification...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
-
CT-EBM-SP - Corpus de ensayos clínicos para la medicina basada en la evidenci...
Colección de 1200 textos (292 173 tokens) sobre estudios de ensayos clínicos y anuncios de ensayos clínicos en español: - 500 resúmenes de revistas publicadas bajo licencia Creative Commons disponibles, por ejemplo, en PubMed o Scientific Electronic...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
-
CT-EBM-SP - Corpus de ensayos clínicos para la medicina basada en la evidenci...
Una colección de 1200 textos (292173 tokens) sobre estudios de ensayos clínicos y anuncios de ensayos clínicos en español: - 500 resúmenes de revistas publicadas bajo una licencia Creative Commons, por ejemplo, disponibles en PubMed o en la Biblioteca...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
-
MedTitles - A multimodal dataset of Spanish medical videos and aligned transc...
MedTitles es un conjunto de datos de 30 horas de vídeos y audios médicos en español, sincronizados con los subtítulos correspondientes. Los vídeos se obtuvieron de proveedores médicos autorizados en línea. Contiene los siguientes datos: Un estándar de...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
-
SimpMedLexSp (Simple Medical Lexicon for Spanish)
A medical lexicon of 14013 pairs of technical word forms and the corresponding simplified synonym or definition. It is aimed at automatic text simplification in Spanish. A subset of the lexicon (4642 term entries) was also normalized to Unified Medical...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
-
CLARA-MeD simplified sentences
This dataset contains 1200 manually simplified sentences (144 019 tokens) from clinical trials in Spanish. A total of 1040 announcements from the European Clinical Trials Register (EudraCT) were analyzed to select sentences with ambiguities or...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
-
Medical Lexicon for Spanish (MedLexSp)
MedLexSp es un léxico médico unificado para el procesamiento del lenguaje natural médico en español. Incluye 100.887 lemas, 302.543 formas flexivas (verbos conjugados y variantes de número/género) y 42.958 Unified Medical Language System (UMLS) Concept...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
-
CLARA-MeD corpus
A collection of 24.298 pairs of professional and simplified texts (>96 million tokens): 1) Drug leaflets and summaries of product characteristics (10 211 pairs of texts, >82M words); 2) Cancer-related information summaries (201 pairs of texts,...
Instituto: Instituto de Lengua, Literatura y Antropología (ILLA), CSIC
