Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "Observaciones": {
2
  "Observaciones": {
            
3
    "en": "Recommended citation : Styll, Patrick; Campillos-Llanos, 
3
    "en": "Recommended citation : Styll, Patrick; Campillos-Llanos, 
            
4
Leonardo; 2025; Medical Artificial Intelligence text Detection in 
4
Leonardo; 2025; Medical Artificial Intelligence text Detection in 
            
5
Multilingual settings (MedAID-ML) [Dataset]; DIGITAL.CSIC; 
5
Multilingual settings (MedAID-ML) [Dataset]; DIGITAL.CSIC; 
            
6
https://doi.org/10.20350/digitalCSIC/17276",
6
https://doi.org/10.20350/digitalCSIC/17276",
            
7
    "es": "Cita recomendada: Styll, Patrick; Campillos-Llanos, 
7
    "es": "Cita recomendada: Styll, Patrick; Campillos-Llanos, 
            
8
Leonardo; 2025; Medical Artificial Intelligence text Detection in 
8
Leonardo; 2025; Medical Artificial Intelligence text Detection in 
            
9
Multilingual settings (MedAID-ML) [Dataset]; DIGITAL.CSIC; 
9
Multilingual settings (MedAID-ML) [Dataset]; DIGITAL.CSIC; 
            
10
https://doi.org/10.20350/digitalCSIC/17276"
10
https://doi.org/10.20350/digitalCSIC/17276"
            
11
  },
11
  },
            
12
  "author": null,
12
  "author": null,
            
13
  "author_email": null,
13
  "author_email": null,
            
14
  "autor": {
14
  "autor": {
            
15
    "en": [
15
    "en": [
            
16
      "Patrick Styll",
16
      "Patrick Styll",
            
17
      "Leonardo Campillos-Llanos"
17
      "Leonardo Campillos-Llanos"
            
18
    ],
18
    ],
            
19
    "es": [
19
    "es": [
            
20
      "Patrick Styll",
20
      "Patrick Styll",
            
21
      "Leonardo Campillos-Llanos"
21
      "Leonardo Campillos-Llanos"
            
22
    ]
22
    ]
            
23
  },
23
  },
            
24
  "conforms_to": [],
24
  "conforms_to": [],
            
25
  "coverage_new": {
25
  "coverage_new": {
            
26
    "1": {
26
    "1": {
            
27
      "from": "2025-03-15T00:00:00",
27
      "from": "2025-03-15T00:00:00",
            
28
      "to": "2025-03-15T00:00:00"
28
      "to": "2025-03-15T00:00:00"
            
29
    }
29
    }
            
30
  },
30
  },
            
31
  "creator_user_id": "196556b3-e0c4-4c51-a9e6-f51cc752bc37",
31
  "creator_user_id": "196556b3-e0c4-4c51-a9e6-f51cc752bc37",
            
32
  "description": {
32
  "description": {
            
33
    "en": "This dataset was created by gathering human-authored 
33
    "en": "This dataset was created by gathering human-authored 
            
34
corpora from several public health sites and generating additional 
34
corpora from several public health sites and generating additional 
            
35
data via three different LLMs: GPT-4o, Mistral-7B and Llama3-1. We 
35
data via three different LLMs: GPT-4o, Mistral-7B and Llama3-1. We 
            
36
included texts in English, Spanish, German and French data from the 
36
included texts in English, Spanish, German and French data from the 
            
37
biomedical domain. The current version gathers 50% AI-generated and 
37
biomedical domain. The current version gathers 50% AI-generated and 
            
38
50% human-written texts. The following are the data we used:\r\n\r\n- 
38
50% human-written texts. The following are the data we used:\r\n\r\n- 
            
39
Cochrane Library: This is a database of meta-analyses and systematic 
39
Cochrane Library: This is a database of meta-analyses and systematic 
            
40
reviews of updated results of clinical studies. We used abstracts of 
40
reviews of updated results of clinical studies. We used abstracts of 
            
41
systematic reviews in all four languages.\r\n\r\n- European Clinical 
41
systematic reviews in all four languages.\r\n\r\n- European Clinical 
            
42
Trials (EUCT): This agency that supervises and evaluates 
42
Trials (EUCT): This agency that supervises and evaluates 
            
43
pharmaceutical products of the European Union (EU). We downloaded 
43
pharmaceutical products of the European Union (EU). We downloaded 
            
44
parallel data from public assessment reports (EPARs) from 12 new 
44
parallel data from public assessment reports (EPARs) from 12 new 
            
45
medicinal products, and data from clinical trial protocols and 
45
medicinal products, and data from clinical trial protocols and 
            
46
eligibility criteria. We ensured the data were published only from 
46
eligibility criteria. We ensured the data were published only from 
            
47
January 2025 to date. The goal was gathering data that might not have 
47
January 2025 to date. The goal was gathering data that might not have 
            
48
been used to train the LLMs in our experiments.\r\n\r\n- European 
48
been used to train the LLMs in our experiments.\r\n\r\n- European 
            
49
Medicines Agency (EMA): This agency that supervises and evaluates 
49
Medicines Agency (EMA): This agency that supervises and evaluates 
            
50
pharmaceutical products of the European Union (EU). We downloaded 
50
pharmaceutical products of the European Union (EU). We downloaded 
            
51
parallel data from public assessment reports (EPARs) from 12 new 
51
parallel data from public assessment reports (EPARs) from 12 new 
            
52
medicinal products, and data from clinical trial protocols and 
52
medicinal products, and data from clinical trial protocols and 
            
53
eligibility criteria. We ensured the data were published only from 
53
eligibility criteria. We ensured the data were published only from 
            
54
January 2025 to date. The goal was gathering data that might not have 
54
January 2025 to date. The goal was gathering data that might not have 
            
55
been used to train the LLMs in our experiments.\r\n\r\n- European Food 
55
been used to train the LLMs in our experiments.\r\n\r\n- European Food 
            
56
Safety Authority (EFSA): This website provides a comprehensive range 
56
Safety Authority (EFSA): This website provides a comprehensive range 
            
57
of data about food consumption and chemical/biological monitoring 
57
of data about food consumption and chemical/biological monitoring 
            
58
data. We chose only the topics we deem necessary for our goals, 
58
data. We chose only the topics we deem necessary for our goals, 
            
59
therefore including a total of 51 topics. Processing: we manually 
59
therefore including a total of 51 topics. Processing: we manually 
            
60
split articles with a wordcount of above 1350 and manually ensured 
60
split articles with a wordcount of above 1350 and manually ensured 
            
61
their correctness and alignment in all languages.\r\n\r\n- European 
61
their correctness and alignment in all languages.\r\n\r\n- European 
            
62
Vaccination Information Portal (EVIP): it provides up-to-date 
62
Vaccination Information Portal (EVIP): it provides up-to-date 
            
63
information on vaccines and vaccination. The factsheets are available 
63
information on vaccines and vaccination. The factsheets are available 
            
64
in all languages, and consist of 20 texts each.\r\n\r\n- Immunize: 
64
in all languages, and consist of 20 texts each.\r\n\r\n- Immunize: 
            
65
Immunize.org (formerly known as the Immunization Action Coalition) is 
65
Immunize.org (formerly known as the Immunization Action Coalition) is 
            
66
a U.S.-based organization dedicated to providing comprehensive 
66
a U.S.-based organization dedicated to providing comprehensive 
            
67
immunization resources for healthcare professionals and the public. 
67
immunization resources for healthcare professionals and the public. 
            
68
Vaccine Information Sheets (VISs) have been translated into several 
68
Vaccine Information Sheets (VISs) have been translated into several 
            
69
languages, but not all of them contain all VISs. They are given as 
69
languages, but not all of them contain all VISs. They are given as 
            
70
PDFs, with 25 in Spanish, French and English, but only 21 in German. 
70
PDFs, with 25 in Spanish, French and English, but only 21 in German. 
            
71
Only PDFs overlapping in all languages were used.\r\n\r\n- Migration 
71
Only PDFs overlapping in all languages were used.\r\n\r\n- Migration 
            
72
und Gesundheit - German Ministry of Health (BFG): This portal provides 
72
und Gesundheit - German Ministry of Health (BFG): This portal provides 
            
73
multilingual health information tailored for migrants and refugees. 
73
multilingual health information tailored for migrants and refugees. 
            
74
Gesundheit f\u00fcr alle is a PDF file that provides a guide to the 
74
Gesundheit f\u00fcr alle is a PDF file that provides a guide to the 
            
75
German healthcare system, and it is available in Spanish, English and 
75
German healthcare system, and it is available in Spanish, English and 
            
76
German. Processing: Two topics, which were shorter than 100 words, 
76
German. Processing: Two topics, which were shorter than 100 words, 
            
77
were merged with the next one to ensure that context is 
77
were merged with the next one to ensure that context is 
            
78
preserved.\r\n\r\n- Orphadata (INSERM): a comprehensive knowledge base 
78
preserved.\r\n\r\n- Orphadata (INSERM): a comprehensive knowledge base 
            
79
about rare diseases and orphan drugs, in re-usable and high-quality 
79
about rare diseases and orphan drugs, in re-usable and high-quality 
            
80
formats, released in 12 official EU languages. We gathered 
80
formats, released in 12 official EU languages. We gathered 
            
81
definitions, signs and symptoms and phenotypes about 4389 rare 
81
definitions, signs and symptoms and phenotypes about 4389 rare 
            
82
diseases in English, German, Spanish and French. Processing: Since 
82
diseases in English, German, Spanish and French. Processing: Since 
            
83
each definition is roughly the same size and similar format, we simply 
83
each definition is roughly the same size and similar format, we simply 
            
84
group 5 definitions together to make the text per topic 
84
group 5 definitions together to make the text per topic 
            
85
longer.\r\n\r\n- PubMed (National Library of Medicine): we downloaded 
85
longer.\r\n\r\n- PubMed (National Library of Medicine): we downloaded 
            
86
abstracts available in English, Spanish, French and German.\r\n\r\n- 
86
abstracts available in English, Spanish, French and German.\r\n\r\n- 
            
87
Wikipedia: a free, web-based, collaborative multilingual encyclopedia 
87
Wikipedia: a free, web-based, collaborative multilingual encyclopedia 
            
88
project; we selected (bio)medical contents available in English, 
88
project; we selected (bio)medical contents available in English, 
            
89
German, Spanish and French. To ensure that the texts were not 
89
German, Spanish and French. To ensure that the texts were not 
            
90
automatically generated, we only use articles that date back to before 
90
automatically generated, we only use articles that date back to before 
            
91
the release of ChatGPT, i.e. before 30th November 2022. Processing: 
91
the release of ChatGPT, i.e. before 30th November 2022. Processing: 
            
92
some data cleaning was necessary; we also removed all topics with less 
92
some data cleaning was necessary; we also removed all topics with less 
            
93
than 5 words, or split those with more than 9 sentences into equally 
93
than 5 words, or split those with more than 9 sentences into equally 
            
94
long parts. From these split up files, we make sure that they contain 
94
long parts. From these split up files, we make sure that they contain 
            
95
a minimum of 100 words, and we take only those contents or topics that 
95
a minimum of 100 words, and we take only those contents or topics that 
            
96
exist in all three languages.\r\n\r\n[Description of methods used for 
96
exist in all three languages.\r\n\r\n[Description of methods used for 
            
97
collection/generation of data] The corpus statistics and methods are 
97
collection/generation of data] The corpus statistics and methods are 
            
98
explained in the following article: Patrick Styll, Leonardo 
98
explained in the following article: Patrick Styll, Leonardo 
            
99
Campillos-Llanos, Jorge Fern\u00e1ndez-Garc\u00eda, Isabel 
99
Campillos-Llanos, Jorge Fern\u00e1ndez-Garc\u00eda, Isabel 
            
100
Segura-Bedmar (2025) \"MedAID-ML: A Multilingual Dataset of Biomedical 
100
Segura-Bedmar (2025) \"MedAID-ML: A Multilingual Dataset of Biomedical 
            
101
Texts for Detecting AI-Generated Content\". Under 
101
Texts for Detecting AI-Generated Content\". Under 
            
102
review.\r\n\r\n[Methods for processing the data] - Web-scraping of 
102
review.\r\n\r\n[Methods for processing the data] - Web-scraping of 
            
103
data from HTML content and PDF files available on the websites of the 
103
data from HTML content and PDF files available on the websites of the 
            
104
health contents.\r\n- Postprocessing and cleaning of data (e.g., 
104
health contents.\r\n- Postprocessing and cleaning of data (e.g., 
            
105
removal of redundant white spaces or line breaks), and homogeneization 
105
removal of redundant white spaces or line breaks), and homogeneization 
            
106
of text length.\r\n- Generation of corresponding contents by means of 
106
of text length.\r\n- Generation of corresponding contents by means of 
            
107
generative AI using three large language models: GPT-4o, Mistral-7B 
107
generative AI using three large language models: GPT-4o, Mistral-7B 
            
108
and Llama3-1.\r\n- Formating of contents into JSON 
108
and Llama3-1.\r\n- Formating of contents into JSON 
            
109
format.\r\n\r\n[Files] 1) JSON files: These are separated in TRAIN and 
109
format.\r\n\r\n[Files] 1) JSON files: These are separated in TRAIN and 
            
110
TEST. Each file has a list of hashes for each text, and each hash 
110
TEST. Each file has a list of hashes for each text, and each hash 
            
111
contains the following fields:\r\n \u2022 text: the textual 
111
contains the following fields:\r\n \u2022 text: the textual 
            
112
content.\r\n \u2022 data_source: the source repository of the 
112
content.\r\n \u2022 data_source: the source repository of the 
            
113
text.\r\n \u2022 filename: the name of the original file from which 
113
text.\r\n \u2022 filename: the name of the original file from which 
            
114
the data were sourced.\r\n \u2022 source: label indicating if it is a 
114
the data were sourced.\r\n \u2022 source: label indicating if it is a 
            
115
human-written text (HUMAN) or the LLM used to generate the text 
115
human-written text (HUMAN) or the LLM used to generate the text 
            
116
(\"gpt4o\", \"mistral\" or \"llama\").\r\n \u2022 \"language\": The 
116
(\"gpt4o\", \"mistral\" or \"llama\").\r\n \u2022 \"language\": The 
            
117
language code of the text: German (\"de\"), English (\"en\"), Spanish 
117
language code of the text: German (\"de\"), English (\"en\"), Spanish 
            
118
(\"es\") or French (\"fr\").\r\n \u2022 \"target\": a binary label to 
118
(\"es\") or French (\"fr\").\r\n \u2022 \"target\": a binary label to 
            
119
code if the text is written by humans (\"0\") or AI (\"1\").\r\n 
119
code if the text is written by humans (\"0\") or AI (\"1\").\r\n 
            
120
\u2022 \"ratio\": The proportion of the text that was created with AI: 
120
\u2022 \"ratio\": The proportion of the text that was created with AI: 
            
121
\"0.5\" for AI-generated texts, and \"null\" for human 
121
\"0.5\" for AI-generated texts, and \"null\" for human 
            
122
texts.\r\n\r\nThe corpus is made up of 13292 comparable and parallel 
122
texts.\r\n\r\nThe corpus is made up of 13292 comparable and parallel 
            
123
texts in four languages: German, English, Spanish and French. The 
123
texts in four languages: German, English, Spanish and French. The 
            
124
total token count is 3795449 tokens.\r\nThis resource is aimed at 
124
total token count is 3795449 tokens.\r\nThis resource is aimed at 
            
125
training and evaluating models to detect medical texts created by 
125
training and evaluating models to detect medical texts created by 
            
126
means of generative artificial intelligence.",
126
means of generative artificial intelligence.",
            
127
    "es": "Este conjunto de datos se cre\u00f3 recopilando corpus de 
127
    "es": "Este conjunto de datos se cre\u00f3 recopilando corpus de 
            
128
autor\u00eda humana de varios centros de salud p\u00fablica y 
128
autor\u00eda humana de varios centros de salud p\u00fablica y 
            
129
generando datos adicionales mediante tres LLM diferentes: GPT-4o, 
129
generando datos adicionales mediante tres LLM diferentes: GPT-4o, 
            
130
Mistral-7B y Llama3-1. Incluimos textos en ingl\u00e9s, espa\u00f1ol, 
130
Mistral-7B y Llama3-1. Incluimos textos en ingl\u00e9s, espa\u00f1ol, 
            
131
alem\u00e1n y franc\u00e9s del \u00e1mbito biom\u00e9dico. La 
131
alem\u00e1n y franc\u00e9s del \u00e1mbito biom\u00e9dico. La 
            
132
versi\u00f3n actual recopila un 50 % de textos generados por IA y un 
132
versi\u00f3n actual recopila un 50 % de textos generados por IA y un 
            
133
50 % de textos escritos por humanos. A continuaci\u00f3n, se detallan 
133
50 % de textos escritos por humanos. A continuaci\u00f3n, se detallan 
            
134
los datos utilizados:\r\n\r\nBiblioteca Cochrane: Base de datos de 
134
los datos utilizados:\r\n\r\nBiblioteca Cochrane: Base de datos de 
            
135
metaan\u00e1lisis y revisiones sistem\u00e1ticas con resultados 
135
metaan\u00e1lisis y revisiones sistem\u00e1ticas con resultados 
            
136
actualizados de estudios cl\u00ednicos. Se utilizaron res\u00famenes 
136
actualizados de estudios cl\u00ednicos. Se utilizaron res\u00famenes 
            
137
de revisiones sistem\u00e1ticas en los cuatro idiomas.\r\n\r\nEnsayos 
137
de revisiones sistem\u00e1ticas en los cuatro idiomas.\r\n\r\nEnsayos 
            
138
Cl\u00ednicos Europeos (EUCT): Esta agencia supervisa y eval\u00faa 
138
Cl\u00ednicos Europeos (EUCT): Esta agencia supervisa y eval\u00faa 
            
139
los productos farmac\u00e9uticos de la Uni\u00f3n Europea (UE). 
139
los productos farmac\u00e9uticos de la Uni\u00f3n Europea (UE). 
            
140
Descargamos datos paralelos de los informes p\u00fablicos de 
140
Descargamos datos paralelos de los informes p\u00fablicos de 
            
141
evaluaci\u00f3n (EPAR) de 12 nuevos medicamentos, as\u00ed como datos 
141
evaluaci\u00f3n (EPAR) de 12 nuevos medicamentos, as\u00ed como datos 
            
142
de los protocolos de ensayos cl\u00ednicos y los criterios de 
142
de los protocolos de ensayos cl\u00ednicos y los criterios de 
            
143
elegibilidad. Nos aseguramos de que los datos se publicaran 
143
elegibilidad. Nos aseguramos de que los datos se publicaran 
            
144
\u00fanicamente desde enero de 2025 hasta la fecha. El objetivo era 
144
\u00fanicamente desde enero de 2025 hasta la fecha. El objetivo era 
            
145
recopilar datos que podr\u00edan no haberse utilizado para entrenar a 
145
recopilar datos que podr\u00edan no haberse utilizado para entrenar a 
            
146
los LLM en nuestros experimentos.\r\n\r\nAgencia Europea de 
146
los LLM en nuestros experimentos.\r\n\r\nAgencia Europea de 
            
147
Medicamentos (EMA): Esta agencia supervisa y eval\u00faa los productos 
147
Medicamentos (EMA): Esta agencia supervisa y eval\u00faa los productos 
            
148
farmac\u00e9uticos de la Uni\u00f3n Europea (UE). Descargamos datos 
148
farmac\u00e9uticos de la Uni\u00f3n Europea (UE). Descargamos datos 
            
149
paralelos de los informes p\u00fablicos de evaluaci\u00f3n (EPAR) de 
149
paralelos de los informes p\u00fablicos de evaluaci\u00f3n (EPAR) de 
            
150
12 nuevos medicamentos, as\u00ed como datos de los protocolos de 
150
12 nuevos medicamentos, as\u00ed como datos de los protocolos de 
            
151
ensayos cl\u00ednicos y los criterios de elegibilidad. Nos aseguramos 
151
ensayos cl\u00ednicos y los criterios de elegibilidad. Nos aseguramos 
            
152
de que los datos se publicaran \u00fanicamente desde enero de 2025 
152
de que los datos se publicaran \u00fanicamente desde enero de 2025 
            
153
hasta la fecha. El objetivo era recopilar datos que podr\u00edan no 
153
hasta la fecha. El objetivo era recopilar datos que podr\u00edan no 
            
154
haberse utilizado para entrenar a los LLM en nuestros 
154
haberse utilizado para entrenar a los LLM en nuestros 
            
155
experimentos.\r\n\r\nAutoridad Europea de Seguridad Alimentaria 
155
experimentos.\r\n\r\nAutoridad Europea de Seguridad Alimentaria 
            
156
(AESA): Este sitio web ofrece una amplia gama de datos sobre consumo 
156
(AESA): Este sitio web ofrece una amplia gama de datos sobre consumo 
            
157
de alimentos y datos de control qu\u00edmico/biol\u00f3gico. 
157
de alimentos y datos de control qu\u00edmico/biol\u00f3gico. 
            
158
Seleccionamos \u00fanicamente los temas que consideramos necesarios 
158
Seleccionamos \u00fanicamente los temas que consideramos necesarios 
            
159
para nuestros objetivos, por lo que incluimos un total de 51. 
159
para nuestros objetivos, por lo que incluimos un total de 51. 
            
160
Procesamiento: dividimos manualmente los art\u00edculos con m\u00e1s 
160
Procesamiento: dividimos manualmente los art\u00edculos con m\u00e1s 
            
161
de 1350 palabras y verificamos manualmente su correcci\u00f3n y 
161
de 1350 palabras y verificamos manualmente su correcci\u00f3n y 
            
162
alineaci\u00f3n en todos los idiomas.\r\n\r\nPortal Europeo de 
162
alineaci\u00f3n en todos los idiomas.\r\n\r\nPortal Europeo de 
            
163
Informaci\u00f3n sobre Vacunaci\u00f3n (EVIP): Ofrece informaci\u00f3n 
163
Informaci\u00f3n sobre Vacunaci\u00f3n (EVIP): Ofrece informaci\u00f3n 
            
164
actualizada sobre vacunas y vacunaci\u00f3n. Las fichas informativas 
164
actualizada sobre vacunas y vacunaci\u00f3n. Las fichas informativas 
            
165
est\u00e1n disponibles en todos los idiomas y constan de 20 textos 
165
est\u00e1n disponibles en todos los idiomas y constan de 20 textos 
            
166
cada una.\r\n\r\nInmunizar: Immunize.org (anteriormente conocida como 
166
cada una.\r\n\r\nInmunizar: Immunize.org (anteriormente conocida como 
            
167
la Coalici\u00f3n de Acci\u00f3n para la Inmunizaci\u00f3n) es una 
167
la Coalici\u00f3n de Acci\u00f3n para la Inmunizaci\u00f3n) es una 
            
168
organizaci\u00f3n con sede en EE. UU. dedicada a proporcionar recursos 
168
organizaci\u00f3n con sede en EE. UU. dedicada a proporcionar recursos 
            
169
integrales de inmunizaci\u00f3n a profesionales de la salud y al 
169
integrales de inmunizaci\u00f3n a profesionales de la salud y al 
            
170
p\u00fablico en general. Las Hojas de Informaci\u00f3n sobre Vacunas 
170
p\u00fablico en general. Las Hojas de Informaci\u00f3n sobre Vacunas 
            
171
(VIS) se han traducido a varios idiomas, pero no todas contienen todas 
171
(VIS) se han traducido a varios idiomas, pero no todas contienen todas 
            
172
las VIS. Se ofrecen en formato PDF: 25 est\u00e1n en espa\u00f1ol, 
172
las VIS. Se ofrecen en formato PDF: 25 est\u00e1n en espa\u00f1ol, 
            
173
franc\u00e9s e ingl\u00e9s, pero solo 21 en alem\u00e1n. Solo se 
173
franc\u00e9s e ingl\u00e9s, pero solo 21 en alem\u00e1n. Solo se 
            
174
utilizaron PDF que coincid\u00edan en todos los 
174
utilizaron PDF que coincid\u00edan en todos los 
            
175
idiomas.\r\n\r\nMigraci\u00f3n y Salud - Ministerio de Salud de 
175
idiomas.\r\n\r\nMigraci\u00f3n y Salud - Ministerio de Salud de 
            
176
Alemania (BFG): Este portal ofrece informaci\u00f3n sanitaria 
176
Alemania (BFG): Este portal ofrece informaci\u00f3n sanitaria 
            
177
multiling\u00fce adaptada a migrantes y refugiados. \u00abSalud para 
177
multiling\u00fce adaptada a migrantes y refugiados. \u00abSalud para 
            
178
todos\u00bb es un archivo PDF que ofrece una gu\u00eda del sistema 
178
todos\u00bb es un archivo PDF que ofrece una gu\u00eda del sistema 
            
179
sanitario alem\u00e1n, disponible en espa\u00f1ol, ingl\u00e9s y 
179
sanitario alem\u00e1n, disponible en espa\u00f1ol, ingl\u00e9s y 
            
180
alem\u00e1n. Procesamiento: Dos temas, de menos de 100 palabras, se 
180
alem\u00e1n. Procesamiento: Dos temas, de menos de 100 palabras, se 
            
181
fusionaron con el siguiente para garantizar la conservaci\u00f3n del 
181
fusionaron con el siguiente para garantizar la conservaci\u00f3n del 
            
182
contexto.\r\n\r\nOrphadata (INSERM): una base de conocimiento completa 
182
contexto.\r\n\r\nOrphadata (INSERM): una base de conocimiento completa 
            
183
sobre enfermedades raras y medicamentos hu\u00e9rfanos, en formatos 
183
sobre enfermedades raras y medicamentos hu\u00e9rfanos, en formatos 
            
184
reutilizables y de alta calidad, disponible en 12 idiomas oficiales de 
184
reutilizables y de alta calidad, disponible en 12 idiomas oficiales de 
            
185
la UE. Recopilamos definiciones, signos y s\u00edntomas, y fenotipos 
185
la UE. Recopilamos definiciones, signos y s\u00edntomas, y fenotipos 
            
186
de 4389 enfermedades raras en ingl\u00e9s, alem\u00e1n, espa\u00f1ol y 
186
de 4389 enfermedades raras en ingl\u00e9s, alem\u00e1n, espa\u00f1ol y 
            
187
franc\u00e9s. Procesamiento: Dado que cada definici\u00f3n tiene 
187
franc\u00e9s. Procesamiento: Dado que cada definici\u00f3n tiene 
            
188
aproximadamente el mismo tama\u00f1o y formato, simplemente agrupamos 
188
aproximadamente el mismo tama\u00f1o y formato, simplemente agrupamos 
            
189
5 definiciones para ampliar el texto por tema.\r\n\r\nPubMed 
189
5 definiciones para ampliar el texto por tema.\r\n\r\nPubMed 
            
190
(Biblioteca Nacional de Medicina): descargamos res\u00famenes 
190
(Biblioteca Nacional de Medicina): descargamos res\u00famenes 
            
191
disponibles en ingl\u00e9s, espa\u00f1ol, franc\u00e9s y 
191
disponibles en ingl\u00e9s, espa\u00f1ol, franc\u00e9s y 
            
192
alem\u00e1n.\r\n\r\nWikipedia: un proyecto de enciclopedia 
192
alem\u00e1n.\r\n\r\nWikipedia: un proyecto de enciclopedia 
            
193
multiling\u00fce colaborativo, gratuito y basado en la web. 
193
multiling\u00fce colaborativo, gratuito y basado en la web. 
            
194
Seleccionamos contenido (bio)m\u00e9dico disponible en ingl\u00e9s, 
194
Seleccionamos contenido (bio)m\u00e9dico disponible en ingl\u00e9s, 
            
195
alem\u00e1n, espa\u00f1ol y franc\u00e9s. Para garantizar que los 
195
alem\u00e1n, espa\u00f1ol y franc\u00e9s. Para garantizar que los 
            
196
textos no se generaran autom\u00e1ticamente, solo utilizamos 
196
textos no se generaran autom\u00e1ticamente, solo utilizamos 
            
197
art\u00edculos anteriores al lanzamiento de ChatGPT, es decir, 
197
art\u00edculos anteriores al lanzamiento de ChatGPT, es decir, 
            
198
anteriores al 30 de noviembre de 2022. Procesamiento: fue necesaria 
198
anteriores al 30 de noviembre de 2022. Procesamiento: fue necesaria 
            
199
una limpieza de datos; tambi\u00e9n eliminamos todos los temas con 
199
una limpieza de datos; tambi\u00e9n eliminamos todos los temas con 
            
200
menos de 5 palabras o dividimos aquellos con m\u00e1s de 9 oraciones 
200
menos de 5 palabras o dividimos aquellos con m\u00e1s de 9 oraciones 
            
201
en partes de igual longitud. De estos archivos divididos, nos 
201
en partes de igual longitud. De estos archivos divididos, nos 
            
202
aseguramos de que contengan un m\u00ednimo de 100 palabras y solo 
202
aseguramos de que contengan un m\u00ednimo de 100 palabras y solo 
            
203
utilizamos los contenidos o temas disponibles en los tres 
203
utilizamos los contenidos o temas disponibles en los tres 
            
204
idiomas.\r\n\r\n[Descripci\u00f3n de los m\u00e9todos utilizados para 
204
idiomas.\r\n\r\n[Descripci\u00f3n de los m\u00e9todos utilizados para 
            
205
la recopilaci\u00f3n/generaci\u00f3n de datos] Las estad\u00edsticas y 
205
la recopilaci\u00f3n/generaci\u00f3n de datos] Las estad\u00edsticas y 
            
206
los m\u00e9todos del corpus se explican en el siguiente art\u00edculo: 
206
los m\u00e9todos del corpus se explican en el siguiente art\u00edculo: 
            
207
Patrick Styll, Leonardo Campillos-Llanos, Jorge 
207
Patrick Styll, Leonardo Campillos-Llanos, Jorge 
            
208
Fern\u00e1ndez-Garc\u00eda, Isabel Segura-Bedmar (2025) 
208
Fern\u00e1ndez-Garc\u00eda, Isabel Segura-Bedmar (2025) 
            
209
\u00abMedAID-ML: Un conjunto de datos multiling\u00fce de textos 
209
\u00abMedAID-ML: Un conjunto de datos multiling\u00fce de textos 
            
210
biom\u00e9dicos para la detecci\u00f3n de contenido generado por 
210
biom\u00e9dicos para la detecci\u00f3n de contenido generado por 
            
211
IA\u00bb. En revisi\u00f3n.\r\n\r\n[M\u00e9todos de procesamiento de 
211
IA\u00bb. En revisi\u00f3n.\r\n\r\n[M\u00e9todos de procesamiento de 
            
212
los datos] - Web-scraping de datos de contenido HTML y archivos PDF 
212
los datos] - Web-scraping de datos de contenido HTML y archivos PDF 
            
213
disponibles en los sitios web de contenidos de salud. - 
213
disponibles en los sitios web de contenidos de salud. - 
            
214
Postprocesamiento y limpieza de datos (por ejemplo, eliminaci\u00f3n 
214
Postprocesamiento y limpieza de datos (por ejemplo, eliminaci\u00f3n 
            
215
de espacios en blanco redundantes o saltos de l\u00ednea) y 
215
de espacios en blanco redundantes o saltos de l\u00ednea) y 
            
216
homogeneizaci\u00f3n de la longitud del texto. - Generaci\u00f3n de 
216
homogeneizaci\u00f3n de la longitud del texto. - Generaci\u00f3n de 
            
217
contenidos correspondientes mediante IA generativa utilizando tres 
217
contenidos correspondientes mediante IA generativa utilizando tres 
            
218
grandes modelos de lenguaje: GPT-4o, Mistral-7B y Llama3-1. - Formateo 
218
grandes modelos de lenguaje: GPT-4o, Mistral-7B y Llama3-1. - Formateo 
            
219
de contenidos en formato JSON.\r\n\r\n[Archivos] 1) Archivos JSON: Se 
219
de contenidos en formato JSON.\r\n\r\n[Archivos] 1) Archivos JSON: Se 
            
220
dividen en TRAIN y TEST. Cada archivo contiene una lista de hashes 
220
dividen en TRAIN y TEST. Cada archivo contiene una lista de hashes 
            
221
para cada texto, y cada hash contiene los siguientes campos: \u2022 
221
para cada texto, y cada hash contiene los siguientes campos: \u2022 
            
222
text: el contenido textual. \u2022 data_source: el repositorio fuente 
222
text: el contenido textual. \u2022 data_source: el repositorio fuente 
            
223
del texto. \u2022 filename: el nombre del archivo original del que se 
223
del texto. \u2022 filename: el nombre del archivo original del que se 
            
224
obtuvieron los datos. \u2022 source: etiqueta que indica si se trata 
224
obtuvieron los datos. \u2022 source: etiqueta que indica si se trata 
            
225
de un texto escrito por humanos (HUMAN) o del LLM utilizado para 
225
de un texto escrito por humanos (HUMAN) o del LLM utilizado para 
            
226
generarlo (\"gpt4o\", \"mistral\" o \"llama\"). \u2022 \"language\": 
226
generarlo (\"gpt4o\", \"mistral\" o \"llama\"). \u2022 \"language\": 
            
227
el c\u00f3digo de idioma del texto: alem\u00e1n (\"de\"), ingl\u00e9s 
227
el c\u00f3digo de idioma del texto: alem\u00e1n (\"de\"), ingl\u00e9s 
            
228
(\"en\"), espa\u00f1ol (\"es\") o franc\u00e9s (\"fr\"). \u2022 
228
(\"en\"), espa\u00f1ol (\"es\") o franc\u00e9s (\"fr\"). \u2022 
            
229
\"target\": una etiqueta binaria para indicar si el texto fue escrito 
229
\"target\": una etiqueta binaria para indicar si el texto fue escrito 
            
230
por humanos (\"0\") o por IA (\"1\"). \u2022 \"ratio\": la 
230
por humanos (\"0\") o por IA (\"1\"). \u2022 \"ratio\": la 
            
231
proporci\u00f3n del texto creado con IA: \"0,5\" para textos generados 
231
proporci\u00f3n del texto creado con IA: \"0,5\" para textos generados 
            
232
por IA y \"null\" para textos humanos.\r\n\r\nEl corpus consta de 
232
por IA y \"null\" para textos humanos.\r\n\r\nEl corpus consta de 
            
233
13.292 textos comparables y paralelos en cuatro idiomas: alem\u00e1n, 
233
13.292 textos comparables y paralelos en cuatro idiomas: alem\u00e1n, 
            
234
ingl\u00e9s, espa\u00f1ol y franc\u00e9s. El total de tokens es de 
234
ingl\u00e9s, espa\u00f1ol y franc\u00e9s. El total de tokens es de 
            
235
3.795.449. Este recurso est\u00e1 destinado al entrenamiento y la 
235
3.795.449. Este recurso est\u00e1 destinado al entrenamiento y la 
            
236
evaluaci\u00f3n de modelos para la detecci\u00f3n de textos 
236
evaluaci\u00f3n de modelos para la detecci\u00f3n de textos 
            
237
m\u00e9dicos creados mediante inteligencia artificial generativa."
237
m\u00e9dicos creados mediante inteligencia artificial generativa."
            
238
  },
238
  },
            
239
  "groups": [],
239
  "groups": [],
            
240
  "id": "ade96985-70e0-41d8-b69c-003013a24503",
240
  "id": "ade96985-70e0-41d8-b69c-003013a24503",
            
241
  "identifier": "http://hdl.handle.net/10261/389309",
241
  "identifier": "http://hdl.handle.net/10261/389309",
            
242
  "instituto": [
242
  "instituto": [
            
243
    "Instituto de Lengua, Literatura y Antropolog\u00eda (ILLA), CSIC"
243
    "Instituto de Lengua, Literatura y Antropolog\u00eda (ILLA), CSIC"
            
244
  ],
244
  ],
            
245
  "international_spatial_translated": {
245
  "international_spatial_translated": {
            
246
    "en": "Europe",
246
    "en": "Europe",
            
247
    "es": "Europa"
247
    "es": "Europa"
            
248
  },
248
  },
            
249
  "isopen": false,
249
  "isopen": false,
            
250
  "issued_date": "2025-05-14T00:00:00",
250
  "issued_date": "2025-05-14T00:00:00",
            
251
  "language": [
251
  "language": [
            
252
    "es",
252
    "es",
            
253
    "en",
253
    "en",
            
254
    "fr"
254
    "fr"
            
255
  ],
255
  ],
            
256
  "license_id": "https://digital.csic.es/handle/10261/389309",
256
  "license_id": "https://digital.csic.es/handle/10261/389309",
            
257
  "license_title": "https://digital.csic.es/handle/10261/389309",
257
  "license_title": "https://digital.csic.es/handle/10261/389309",
            
258
  "maintainer": null,
258
  "maintainer": null,
            
259
  "maintainer_email": null,
259
  "maintainer_email": null,
            
260
  "metadata_created": "2025-09-09T05:15:08.878441",
260
  "metadata_created": "2025-09-09T05:15:08.878441",
            
n
261
  "metadata_modified": "2025-09-09T05:35:49.834787",
n
261
  "metadata_modified": "2025-09-09T05:36:05.594182",
            
262
  "modified_date": "2025-09-09T07:15:08",
262
  "modified_date": "2025-09-09T07:15:08",
            
263
  "multilingual_tags": {
263
  "multilingual_tags": {
            
264
    "en": [
264
    "en": [
            
265
      "AI-generated Text",
265
      "AI-generated Text",
            
266
      "Generative AI",
266
      "Generative AI",
            
267
      "Biomedical natural language processing",
267
      "Biomedical natural language processing",
            
268
      "Biomedical corpus"
268
      "Biomedical corpus"
            
269
    ],
269
    ],
            
270
    "es": [
270
    "es": [
            
271
      "Textos generacos con IA",
271
      "Textos generacos con IA",
            
272
      "IA generativa",
272
      "IA generativa",
            
273
      "Procesamiento del Lenguaje Natural Biom\u00e9dico",
273
      "Procesamiento del Lenguaje Natural Biom\u00e9dico",
            
274
      "Corpus biom\u00e9dico"
274
      "Corpus biom\u00e9dico"
            
275
    ]
275
    ]
            
276
  },
276
  },
            
277
  "name": 
277
  "name": 
            
278
telligence-text-detection-in-multilingual-settings-medaid-ml-dataset",
278
telligence-text-detection-in-multilingual-settings-medaid-ml-dataset",
            
279
  "notes": null,
279
  "notes": null,
            
280
  "num_resources": 3,
280
  "num_resources": 3,
            
281
  "num_tags": 0,
281
  "num_tags": 0,
            
282
  "organization": {
282
  "organization": {
            
283
    "approval_status": "approved",
283
    "approval_status": "approved",
            
284
    "created": "2025-04-15T15:18:43.186369",
284
    "created": "2025-04-15T15:18:43.186369",
            
285
    "description": "Agencia Estatal Consejo Superior de 
285
    "description": "Agencia Estatal Consejo Superior de 
            
286
Investigaciones Cient\u00edficas",
286
Investigaciones Cient\u00edficas",
            
287
    "id": "e0fb512f-fa1e-43d9-ba1e-22b1f834702e",
287
    "id": "e0fb512f-fa1e-43d9-ba1e-22b1f834702e",
            
288
    "image_url": "2025-04-15-131843.179987csic.png",
288
    "image_url": "2025-04-15-131843.179987csic.png",
            
289
    "is_organization": true,
289
    "is_organization": true,
            
290
    "name": 
290
    "name": 
            
291
agencia-estatal-consejo-superior-de-investigaciones-cientificas-csic",
291
agencia-estatal-consejo-superior-de-investigaciones-cientificas-csic",
            
292
    "state": "active",
292
    "state": "active",
            
293
    "title": "CSIC",
293
    "title": "CSIC",
            
294
    "type": "organization"
294
    "type": "organization"
            
295
  },
295
  },
            
296
  "owner_org": "e0fb512f-fa1e-43d9-ba1e-22b1f834702e",
296
  "owner_org": "e0fb512f-fa1e-43d9-ba1e-22b1f834702e",
            
297
  "private": false,
297
  "private": false,
            
298
  "proyecto": {},
298
  "proyecto": {},
            
299
  "publisher": "b627d71d-2315-4e75-afc9-897da84459f0",
299
  "publisher": "b627d71d-2315-4e75-afc9-897da84459f0",
            
300
  "reference": [
300
  "reference": [
            
301
    "https://doi.org/10.1007/978-3-032-04354-2_5",
301
    "https://doi.org/10.1007/978-3-032-04354-2_5",
            
302
    "https://github.com/Padraig20/MedAID-ML",
302
    "https://github.com/Padraig20/MedAID-ML",
            
303
    "https://doi.org/10.20350/digitalCSIC/17276"
303
    "https://doi.org/10.20350/digitalCSIC/17276"
            
304
  ],
304
  ],
            
305
  "relationships_as_object": [],
305
  "relationships_as_object": [],
            
306
  "relationships_as_subject": [],
306
  "relationships_as_subject": [],
            
307
  "resources": [
307
  "resources": [
            
308
    {
308
    {
            
309
      "cache_last_updated": null,
309
      "cache_last_updated": null,
            
310
      "cache_url": null,
310
      "cache_url": null,
            
n
n
311
      "created": "2025-09-09T05:15:08.882167",
            
312
      "datastore_active": false,
            
313
      "description": null,
            
314
      "format": "txt",
            
315
      "hash": "",
            
316
      "id": "240d64f1-a51b-4893-aae1-944abe275335",
            
317
      "last_modified": null,
            
318
      "metadata_modified": "2025-09-09T05:36:05.597037",
            
319
      "mimetype": null,
            
320
      "mimetype_inner": null,
            
321
      "name": "README.txt",
            
322
      "name_translated": {
            
323
        "en": "README.txt",
            
324
        "es": "README.txt"
            
325
      },
            
326
      "package_id": "ade96985-70e0-41d8-b69c-003013a24503",
            
327
      "position": 0,
            
328
      "resource_identifier": "",
            
329
      "resource_relation": [],
            
330
      "resource_type": null,
            
331
      "size": null,
            
332
      "state": "active",
            
333
      "url": 
            
334
"https://digital.csic.es/bitstream/10261/389309/6/README.txt",
            
335
      "url_type": null
            
336
    },
            
337
    {
            
338
      "cache_last_updated": null,
            
339
      "cache_url": null,
            
311
      "created": "2025-09-09T05:15:08.882163",
340
      "created": "2025-09-09T05:15:08.882163",
            
312
      "datastore_active": false,
341
      "datastore_active": false,
            
313
      "description": null,
342
      "description": null,
            
314
      "format": "json",
343
      "format": "json",
            
315
      "hash": "",
344
      "hash": "",
            
316
      "id": "b79c78c7-4748-4f8f-9661-95d5cfe99125",
345
      "id": "b79c78c7-4748-4f8f-9661-95d5cfe99125",
            
317
      "last_modified": null,
346
      "last_modified": null,
            
n
318
      "metadata_modified": "2025-09-09T05:15:08.876501",
n
347
      "metadata_modified": "2025-09-09T05:36:05.597157",
            
319
      "mimetype": null,
348
      "mimetype": null,
            
320
      "mimetype_inner": null,
349
      "mimetype_inner": null,
            
321
      "name": "dataset_test.json",
350
      "name": "dataset_test.json",
            
322
      "name_translated": {
351
      "name_translated": {
            
323
        "en": "dataset_test.json",
352
        "en": "dataset_test.json",
            
324
        "es": "dataset_test.json"
353
        "es": "dataset_test.json"
            
325
      },
354
      },
            
326
      "package_id": "ade96985-70e0-41d8-b69c-003013a24503",
355
      "package_id": "ade96985-70e0-41d8-b69c-003013a24503",
            
n
327
      "position": 0,
n
356
      "position": 1,
            
328
      "resource_identifier": "",
357
      "resource_identifier": "",
            
329
      "resource_relation": [],
358
      "resource_relation": [],
            
330
      "resource_type": null,
359
      "resource_type": null,
            
331
      "size": null,
360
      "size": null,
            
332
      "state": "active",
361
      "state": "active",
            
333
      "url": 
362
      "url": 
            
334
"https://digital.csic.es/bitstream/10261/389309/1/dataset_test.json",
363
"https://digital.csic.es/bitstream/10261/389309/1/dataset_test.json",
            
335
      "url_type": null
364
      "url_type": null
            
336
    },
365
    },
            
337
    {
366
    {
            
338
      "cache_last_updated": null,
367
      "cache_last_updated": null,
            
339
      "cache_url": null,
368
      "cache_url": null,
            
340
      "created": "2025-09-09T05:15:08.882165",
369
      "created": "2025-09-09T05:15:08.882165",
            
341
      "datastore_active": false,
370
      "datastore_active": false,
            
342
      "description": null,
371
      "description": null,
            
343
      "format": "json",
372
      "format": "json",
            
344
      "hash": "",
373
      "hash": "",
            
345
      "id": "dee0c93c-9756-4efa-ab3b-38b21f604650",
374
      "id": "dee0c93c-9756-4efa-ab3b-38b21f604650",
            
346
      "last_modified": null,
375
      "last_modified": null,
            
n
347
      "metadata_modified": "2025-09-09T05:15:08.876616",
n
376
      "metadata_modified": "2025-09-09T05:36:05.597234",
            
348
      "mimetype": null,
377
      "mimetype": null,
            
349
      "mimetype_inner": null,
378
      "mimetype_inner": null,
            
350
      "name": "dataset_train.json",
379
      "name": "dataset_train.json",
            
351
      "name_translated": {
380
      "name_translated": {
            
352
        "en": "dataset_train.json",
381
        "en": "dataset_train.json",
            
353
        "es": "dataset_train.json"
382
        "es": "dataset_train.json"
            
n
354
      },
n

            
355
      "package_id": "ade96985-70e0-41d8-b69c-003013a24503",

            
356
      "position": 1,

            
357
      "resource_identifier": "",

            
358
      "resource_relation": [],

            
359
      "resource_type": null,

            
360
      "size": null,

            
361
      "state": "active",

            
362
      "url": 

            
363
"https://digital.csic.es/bitstream/10261/389309/2/dataset_train.json",

            
364
      "url_type": null

            
365
    },

            
366
    {

            
367
      "cache_last_updated": null,

            
368
      "cache_url": null,

            
369
      "created": "2025-09-09T05:15:08.882167",

            
370
      "datastore_active": false,

            
371
      "description": null,

            
372
      "format": "txt",

            
373
      "hash": "",

            
374
      "id": "240d64f1-a51b-4893-aae1-944abe275335",

            
375
      "last_modified": null,

            
376
      "metadata_modified": "2025-09-09T05:15:08.876714",

            
377
      "mimetype": null,

            
378
      "mimetype_inner": null,

            
379
      "name": "README.txt",

            
380
      "name_translated": {

            
381
        "en": "README.txt",

            
382
        "es": "README.txt"

            
383
      },
383
      },
            
384
      "package_id": "ade96985-70e0-41d8-b69c-003013a24503",
384
      "package_id": "ade96985-70e0-41d8-b69c-003013a24503",
            
385
      "position": 2,
385
      "position": 2,
            
386
      "resource_identifier": "",
386
      "resource_identifier": "",
            
387
      "resource_relation": [],
387
      "resource_relation": [],
            
388
      "resource_type": null,
388
      "resource_type": null,
            
389
      "size": null,
389
      "size": null,
            
390
      "state": "active",
390
      "state": "active",
            
391
      "url": 
391
      "url": 
            
t
392
"https://digital.csic.es/bitstream/10261/389309/6/README.txt",
t
392
"https://digital.csic.es/bitstream/10261/389309/2/dataset_train.json",
            
393
      "url_type": null
393
      "url_type": null
            
394
    }
394
    }
            
395
  ],
395
  ],
            
396
  "spatial": [],
396
  "spatial": [],
            
397
  "state": "active",
397
  "state": "active",
            
398
  "tags": [],
398
  "tags": [],
            
399
  "theme": [
399
  "theme": [
            
400
    
400
    
            
401
"http://datos.gob.es/kos/sector-publico/sector/ciencia-tecnologia",
401
"http://datos.gob.es/kos/sector-publico/sector/ciencia-tecnologia",
            
402
    "http://datos.gob.es/kos/sector-publico/sector/salud"
402
    "http://datos.gob.es/kos/sector-publico/sector/salud"
            
403
  ],
403
  ],
            
404
  "title": "Medical Artificial Intelligence text Detection in 
404
  "title": "Medical Artificial Intelligence text Detection in 
            
405
Multilingual settings (MedAID-ML)",
405
Multilingual settings (MedAID-ML)",
            
406
  "title_translated": {
406
  "title_translated": {
            
407
    "en": "Medical Artificial Intelligence text Detection in 
407
    "en": "Medical Artificial Intelligence text Detection in 
            
408
Multilingual settings (MedAID-ML)",
408
Multilingual settings (MedAID-ML)",
            
409
    "es": "Medical Artificial Intelligence text Detection in 
409
    "es": "Medical Artificial Intelligence text Detection in 
            
410
Multilingual settings (MedAID-ML)"
410
Multilingual settings (MedAID-ML)"
            
411
  },
411
  },
            
412
  "type": "dataset",
412
  "type": "dataset",
            
413
  "url": null,
413
  "url": null,
            
414
  "version": null
414
  "version": null
            
415
}
415
}