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
-
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)
-
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:
- 使用官方提供的预处理脚本确保数据一致性
- 关注科目分布情况,避免评估偏差
- 理解过滤逻辑的合理性,必要时可调整以适应特定需求
- 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
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0269get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java00AudioFly
AudioFly是一款基于LDM架构的文本转音频生成模型。它能生成采样率为44.1 kHz的高保真音频,且与文本提示高度一致,适用于音效、音乐及多事件音频合成等任务。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
149
1.95 K

deepin linux kernel
C
22
6

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

React Native鸿蒙化仓库
C++
192
274

🎉 (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 kernel ~ openGauss is an open source relational database management system
C++
145
190

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

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

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

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