首页
/ LMOps项目中医学知识探测测试的数据预处理方法解析

LMOps项目中医学知识探测测试的数据预处理方法解析

2025-06-17 12:21:58作者:冯梦姬Eddie

在LMOps项目"Adapting LLM via Reading Comprehension"的研究工作中,医学知识探测测试(Knowledge Probing Test)是一个重要的评估环节。本文将从技术实现角度详细解析该测试的数据预处理方法,帮助研究人员更好地理解和复现这一评估过程。

数据来源与预处理目标

医学知识探测测试使用了MedMCQA数据集作为基础数据源。该数据集包含医学领域的多项选择题,涵盖21个医学专业科目。预处理的核心目标是:从原始训练集中筛选出适合知识探测的标准化问题,并按科目进行分类存储。

关键预处理步骤

  1. 数据过滤标准

    • 排除多选题类型(choice_type为"multi"的条目)
    • 排除包含特定疑问词的问题(如which、what、when等)
    • 排除包含特殊符号的问题(如__、:、?、-等)
  2. 科目分类处理

    • 将过滤后的数据按照21个医学专业科目进行分类
    • 每个科目单独保存为JSONL格式文件
    • 支持设置随机种子以保证数据顺序的可复现性

技术实现细节

预处理脚本采用了Python语言实现,主要使用了json_lines和jsonlines库处理JSONL格式数据。关键函数包括:

  • read_jsonl():读取原始JSONL格式的训练数据
  • filter():实现上述过滤逻辑的判断函数
  • save_jsonl():将处理后的数据按科目保存为新的JSONL文件

脚本通过命令行参数接收输入文件路径、输出目录和随机种子等配置,具有良好的灵活性。

评估指标说明

在知识探测测试中,评估指标采用的是21个科目上的平均准确率。需要注意的是:

  • 不同实现可能产生绝对分数上的微小差异
  • 研究重点应关注通用LLM与经过DAPT训练的LLM之间的相对性能差异
  • 科目平衡性对最终平均结果有重要影响

实践建议

对于希望复现或改进此项研究的开发者,建议:

  1. 使用官方提供的预处理脚本确保数据一致性
  2. 关注科目分布情况,避免评估偏差
  3. 理解过滤逻辑的合理性,必要时可调整以适应特定需求
  4. 记录完整的预处理参数以便结果复现

通过规范化的数据预处理流程,研究者可以更准确地评估语言模型在医学专业领域的知识掌握程度,为后续的领域适应训练提供可靠基准。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
149
1.95 K
kernelkernel
deepin linux kernel
C
22
6
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
981
395
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
932
555
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
519
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0