Medic_Chat-Pashto

Medic Chat Pashto 是一个用于监督微调（SFT）的普什图语对话数据集，专注于传统中医（TCM）领域。数据集包含约10,800条用户与医疗助手之间的模拟对话记录，格式为JSONL，每条记录由一系列包含“角色”（如user或assistant）和“内容”的消息组成。对话内容涵盖多种中医主题，包括胃痛、咳嗽、背痛等症状，痰湿证候等综合征，气、阴阳平衡概念，中医诊断与证候分析，中草药及处方建议，以及逐步的医疗推理过程。该数据集旨在支持开发普什图语医疗聊天机器人、专注于中医的推理模型、多语言医疗大语言模型（如用于Ministral、Qwen、LLaMA等模型的SFT训练），以及低资源医学自然语言处理研究。数据集采用CC-BY-NC-4.0许可证，仅限非商业研究和模型训练使用。需要注意的是，数据集内容不构成实际医疗建议，部分翻译可能为半直译，中医诊断并非西方医学的替代方案，且不适合用于临床实践。

Medic Chat Pashto is a Pashto dialogue dataset for supervised fine-tuning (SFT), focusing on the field of Traditional Chinese Medicine (TCM). The dataset contains approximately 10,800 simulated conversation records between users and medical assistants, in JSONL format, with each record consisting of a series of messages containing role (e.g., user or assistant) and content. The dialogue content covers various TCM topics, including symptoms such as stomach pain, cough, and back pain, syndromes like phlegm-dampness, concepts of qi and yin-yang balance, TCM diagnosis and syndrome analysis, herbal medicine and prescription recommendations, and step-by-step medical reasoning processes. This dataset aims to support the development of Pashto medical chatbots, reasoning models focused on TCM, multilingual medical large language models (such as for SFT training with models like Ministral, Qwen, LLaMA), and low-resource medical natural language processing research. The dataset is licensed under CC-BY-NC-4.0, for non-commercial research and model training only. It is important to note that the dataset content does not constitute actual medical advice, some translations may be semi-literal, TCM diagnosis is not a substitute for Western medicine, and it is not suitable for clinical practice.

原始信息汇总

数据集概览：Medic Chat Pashto

• 数据集名称：Medic Chat Pashto
• 语言：普什图语 (Pashto, ps)
• 许可证：CC-BY-NC-4.0（非商业用途）
• 数据集大小：约 10,800 条记录 (10K < n < 100K)
• 任务类别：文本生成、问答
• 数据集格式：JSONL，每条数据包含一个 messages 字段，其值为一个包含 role 和 content 的对话列表。

数据结构

每条样本是一个用户与助手之间的医疗对话。示例如下：

json { "messages": [ {"role": "user", "content": "我有胃痛，请推荐中药。"}, {"role": "assistant", "content": "根据您的症状，似乎..."} ] }

覆盖主题

数据集涵盖以下主题：

• 胃痛、咳嗽、咽喉痛
• 痰湿综合征
• 气、阴阳平衡
• 中医诊断与证候分析
• 中药和方剂推荐
• 逐步医疗推理过程

用途

• 构建普什图语医疗聊天机器人
• 训练以中医为核心的推理模型
• 多语言医疗大语言模型训练
• 针对 Ministral、Qwen、LLaMA 等模型的监督微调
• 低资源医疗自然语言处理研究

限制与注意事项

• 不构成医疗建议
• 部分翻译可能为半直译
• 中医诊断不能替代西医
• 不适合用于临床

引用信息

如使用该数据集，请引用以下文献：

@dataset{medic_chat_pashto_2025, title = {Medic Chat Pashto}, author = {Nassim}, year = {2025}, publisher = {HuggingFace Datasets}, url = {https://huggingface.co/datasets/nassimjp/Medic_Chat-Pashto-sft} }

致谢

• 原始中文医学数据集创建者
• 普什图语翻译与数据集工程：Nassim
• HuggingFace 社区

搜集汇总

数据集介绍

构建方式

Medic_Chat-Pashto数据集通过将原始中文医学对话数据翻译为普什图语构建而成，每条样本均采用JSONL格式存储，包含结构化的`messages`字段，其中交替记录用户与助手之间的多轮医疗咨询对话。这些对话围绕传统中医（TCM）主题展开，涵盖了症状描述、诊断推理、草药推荐及阴阳平衡等核心内容，共计约10.8k条记录。数据构建过程中特别注重对话的自然流畅性，以贴近真实诊疗场景的交互逻辑组织语料，旨在为低资源语言下的监督微调（SFT）提供高质量的训练数据。

特点

该数据集专为低资源语言普什图语的医疗领域设计，聚焦于传统中医知识体系，具有鲜明的领域专精性。其对话结构清晰，每条样本包含完整的角色分工和上下文关联，支持模型学习从症状分析到治疗建议的多步推理。数据集覆盖了消化系统疾病、呼吸系统症状以及中医特有的证候分型，如痰湿、气血与阴阳失调等，同时兼顾了诊断分析和方剂推荐等实用场景，为构建多语言医疗大语言模型提供了稀缺的跨文化医学对齐数据。

使用方法

用户可通过HuggingFace的`datasets`库直接加载该数据集，调用`load_dataset`函数并指定分割为训练集即可获取每条包含`messages`字段的对话样本。该数据可直接用于普什图语医疗聊天机器人的微调训练，也可融入多语言大模型的监督微调流程，特别适用于基于LLaMA、Qwen或Ministral等架构的模型。研究者可利用其对话结构进行序列到序列的生成任务训练，或结合中医推理模板进一步扩展领域能力，但需注意该数据集仅限非商业研究使用，且不可替代临床医学诊断。

背景与挑战

背景概述

在低资源语言的自然语言处理领域，医疗健康信息的数字化与智能化分发长期面临数据匮乏的困境。普什图语（Pashto）作为阿富汗和巴基斯坦地区的重要语言，其医疗对话数据的稀缺严重制约了本地化医疗助理与推理模型的发展。为应对这一挑战，研究人员Nassim于2025年构建了Medic_Chat-Pashto数据集，该数据集基于中医（TCM）主题，包含约10,800条用户与助手之间的聊天式监督微调（SFT）样本。数据集聚焦于腹痛、咳嗽、阴阳失衡等常见病症的中医诊断与草药推荐，旨在为普什图语医疗聊天机器人、多语言医学大语言模型及低资源NLP研究提供基础训练资源，填补了该语言在专业医疗对话数据方面的空白，对推动低资源语言医疗AI的落地具有开创性意义。

当前挑战

该数据集所解决的领域问题核心在于普什图语医疗对话数据的稀缺性，这一挑战阻碍了本地化医疗问答系统的开发，尤其在需要复杂推理的中医诊断场景中，缺乏高质量、结构化的对话样本。构建过程中面临多重困难：原始中文医疗数据的语义精准翻译难度极高，普什图语的语法与表达方式可能导致半字面翻译，影响数据质量；中医特有的辨证论治概念如“气、阴阳”等需在跨语言语境中保持解释一致性；此外，数据集明确标注不适用于临床诊断，如何确保在非专业场景下的安全使用与模型输出的可靠性也是重要考量，且非商业许可（CC-BY-NC-4.0）限制了其在产业界的直接应用。

常用场景

经典使用场景

在低资源语言的自然语言处理研究中，普什图语医学对话数据集（Medic_Chat-Pashto）尤为珍贵，它专为监督式微调（SFT）设计，以结构化的多轮对话形式呈现。该数据集最经典的使用场景是训练普什图语的医疗聊天机器人，通过用户与助手间的问答对，让模型学习如何基于中医（TCM）理论提供诊断建议、草药推荐和证候分析。研究者可将其用于对话式文本生成任务，不仅提升模型在普什图语上的流畅应答能力，还能强化其面向特定医疗领域的推理链条，从而填补低资源语言在专科医疗NLP应用中的空白。

解决学术问题

该数据集的核心学术贡献在于破解了低资源语言与专业医学知识交叉领域的语料稀缺困境。传统中医（TCM）术语和辨证论治理念在普什图语中几乎无公开数据，这严重限制了多语言医疗大语言模型（LLM）的泛化能力。Medic_Chat-Pashto通过提供约10.8k条高质量、带角色标注的对话实例，为研究者搭建了探索跨语言中医知识迁移的基础架构。它使得验证少样本学习、参数高效微调（如LoRA）在低资源医学场景下的有效性成为可能，并推动了面向少数民族语言的负责任AI医疗研究，意义在于让非英语母语群体也能受益于先进的对话式健康服务。

衍生相关工作

围绕Medic_Chat-Pashto已衍生出多项奠基性工作。最直接的成果是配套的'普什图语医疗推理模板'，它提炼了中医思辨的标准化对话模式，便于模型学习从症状到证型的逻辑跃迁。其次，基于该数据集的SFT训练脚本被大量复用于Ministral、Qwen及LLaMA等主流开源架构的普什图语适配中，形成了低资源语言部署的基准流程。此外，该工作还催生了跨语言中医对话数据构建的新范式，即从既有中文语料经专业翻译与清洗，再结合本地语言文化进行微调，这一方法论已被后来者借鉴到阿拉伯语、乌尔都语等同领域语料的建设中。