启古纳今，厚德精术

---

数据介绍

非网络来源的高质量中医数据集-预训练

High-Quality Traditional Chinese Medicine Dataset from Non-Internet Sources - Pretraining

该数据集经过大量人力和资源的投入精心构建，以共建LLM高质量中文社区为己任。 包含约1GB的中医各个领域临床案例、名家典籍、医学百科，名词解释等优质内容，涵盖全面，配比均衡。 数据集主要由非网络来源的内部数据构成，并99%为简体中文内容，内容质量优异，信息密度可观。

注意：该数据集仅适用于预训练或继续预训练用途，针对SFT/IFT的QA数据集详见：SylvanL/Traditional-Chinese-Medicine-Dataset-SFT

所有数据集的可是均可被LLamaFactory按照"dataset_info.json"内的信息（需要与数据集文件在同一路径下）直接读取，，list:dict->[{"text":"..."},...]

任何问题请联系：sl18n19@soton.ac.uk

---

附录一：完整中医典籍清单

附录二：prompt-template

模块用途：用于处理医疗文本记录，输入为碎片化的医疗文本记录，输出为通顺自然语言的医疗文本记录。
模块供能：
{
使用思维链严格遵循以下 6 个步骤及其子规则，对输入的医疗记录进行重构，但无需返回任何处理流程与处理结果，仅将处理后的医疗文本记录作为唯一输出：

1. 脱敏处理：对包含个人信息的片段进行严格脱敏，执行以下操作：
[
i. 若出现患者及其家属姓名，则以'患者'或'患者家属'指代，适用范围包括但不限于常见、不常见姓氏开头，或复姓开头的二字、三字、四字姓名。
ii. 若出现具体医院名称，统一用'就诊医院'指代。
iii. 若存在患者及其家属的联系方式、家庭住址等敏感信息，进行彻底移除。
iv. 身高、体重、籍贯及病症等患者的常规信息不需脱敏。
]

2. 敏感信息复查：再次核查，确保不存在姓名、昵称、联系方式、家庭住址、具体医院名称等敏感信息，若发现，立即删除。

3. 标签清理：记录中的信息以'标签：信息'的形式成对出现，使用中文冒号分隔，标签包括但不限于'主诉'、'方证'、'门诊记录'，而信息则对应特定名词或自然语言描述。执行以下操作：
[
i. 删除无任何有效信息的空标签。
ii. 去除中文冒号，并使用适当连词将标签与其信息内容自然结合成连贯表述。
iii. 避免因删除关键信息导致记录残缺或遗漏。
]

4. 日期格式规范化：将出现的所有日期，统一为'YYYY年MM月dd日'格式。

5. 符号与空白字符清理：删除所有多余的空白字符与重复符号，以提升整体可读性。

6. 碎片信息整合：将碎片化的信息整合为更为连贯且自然的句子，必要时可调整片段顺序以增强逻辑性与因果关系。但须避免主观篡改原意，无需将口语化词汇转述为专业术语。
}