SINAI/ALIA-es-biomedical-pairs

Dataset Introduction

The ALIA Spanish Biomedical and Healthcare Retrieval Pairs Corpus contains tabular instances designed to train and evaluate retrieval-oriented models (e.g., dense retrievers / embedding encoders) using passage-grounded query data produced with a Qwen3-style prompting workflow integrated in the ALIA encoders pipeline.

It preserves provenance to the original document and chunk while exposing controls such as question type and difficulty (ranging from high_school to phd level).

Dataset Details

Dataset Sources

• Project / organization: SINAI Research Group (Universidad de Jaén) and ALIA resources.
• Generation pipeline code: ALIA-UJA encoders scripts (triplets).
• Base corpus: Derived from SINAI/ALIA-es-biomedical.

Uses

• Training dense retrieval encoders from query–passage pairs.
• Building evaluation sets stratified by question type and difficulty.
• Domain-specific experiments and ablations using source_id and document/chunk identifiers.

Dataset Structure

Data Instances

Each row represents a passage-grounded query instance with identifiers for chunk and document provenance.

Example (schematic):

{
  "id_chunk": "Miscelanea_Roberta-1_9113-1475064",
  "id_passage_query": "Miscelanea_Roberta-1_9113-1475064_1",
  "id_document": "1_9113",
  "passage": "\"Lo que con frecuencia escuchamos sobre las lesiones es que los padres deberían vigilar a sus hijos más de cerca o que las personas deberían tener más cuidado, como si todo fuera una cuestión de decisiones personales. En las conversaciones que escuchamos sobre las lesiones hay sentimientos de culpabilidad y se culpa a alguien, pero hace años que aprendimos que eso es un callejón sin salida; no funciona\", explicó. \"Tenemos que adoptar un enfoque de salud p√∫blica para las lesiones, porque sabemos que funciona\", dijo Smith. Smith espera que los hallazgos de este estudio animen a otros estados a aprobar leyes parecidas para proteger a los niños y adolescentes. El estudio aparece en la edición en línea del 11 de septiembre de la revista Pediatrics. Para más información sobre la seguridad de los ATV, visite la Comisión de Seguridad de los Productos del Consumidor de EE. La sombra, la ropa y los sombreros ofrecen una protección segura para los pequeños, afirma una dermatóloga pediátrica\nVIERNES, 23 de junio de 2017 (HealthDay News) -- ¬øQuiere proteger a sus hijos del c√°ncer de piel a medida que crecen? Asegúrese de que nunca sufran una quemadura solar grave en la niñez. Tan solo una quemadura con ampollas siendo niño o adolescente duplica el riesgo de sufrir melanoma, según la Academia Americana de Dermatología (American Academy of Dermatology, AAD). \"La protección solar es importante en cada etapa de la vida, incluyendo la infancia. La exposición al sol es el factor de riesgo más prevenible del cáncer de piel, incluyendo el melanoma\", dijo la dermatóloga pediátrica Sheila Fallon Friedlander, profesora de pediatría y dermatología en la Universidad de California, en San Diego. \"Tenga productos de protección solar cerca de la puerta de entrada, en su coche y en la bolsa de los pañales para tenerlos siempre preparados cuando salga afuera\", recomendó Fallon Friedlander en un comunicado de prensa de la Academia Americana de Dermatología. Otros consejos de Fallon Friedlander y de la AAD son:\nJunto con la protección solar, mantenga seguro al bebé los días calurosos asegurándose de que no se caliente demasiado y de que beba mucho líquido, aconsejó Fallon Friedlander. Si su bebé se pone quisquilloso, llora en exceso o alguna parte de la piel expuesta se le pone roja, llévelo al interior inmediatamente. UU. tienen más información sobre la seguridad con respeto al sol para los niños y adolescentes. Las desigualdades en los ingresos cuando se es joven parecen tener efectos de por vida, sugiere una investigación\nLUNES, 26 de junio de 2017 (HealthDay News) -- Un nuevo estudio sugiere que crecer siendo pobre le pone en riesgo de insuficiencia cardiaca en la adultez. La insuficiencia cardiaca, una afección progresiva, significa que el corazón no bombea sangre tan bien como debería. Esto provoca fatiga y la falta de aliento, y puede hacer que las actividades diarias sean difíciles de realizar. Los investigadores finlandeses examinaron los ingresos de los hogares de cientos de niños en 1980.",
  "character": "Brittany Craiglow, pediatric dermatologist (Yale)",
  "type": "acquire_knowledge",
  "difficulty": "university",
  "query": "¿Qué evidencia respalda la adopción de un enfoque de salud pública y las medidas de protección solar (sombra, ropa, sombreros) para prevenir lesiones cutáneas graves y reducir el riesgo de melanoma en niños?",
  "source_id": "Miscelanea_Roberta"
}

Data Fields (schema)

Field	Type	Description
id_chunk	string	Identifier for the chunk/passage unit (document segment).
id_passage_query	string	Unique identifier for the generated query from the chunk/passage unit (document segment).
id_document	string	Identifier of the source document (used to group chunks).
passage	string	Passage text used as grounding context for query.
character	string	Character who would ask the question.
type	string	Question type/category defined by the generation pipeline.
difficulty	string	Target educational level of the question: one of high_school, university, or phd.
query	string	Question generated/selected from the passage using the Qwen-based prompting methodology.
source_id	string	Provenance identifier (source/domain/corpus) for filtering and auditability.

Data Statistics

• Total instances: 759,995 instances.
• Columns: 9 (id_chunk, id_passage_query, id_document, passage, character, type, difficulty, query, source_id).

Distribution by Difficulty:

• university: 414,449
• phd: 254,358
• high_school: 91,176

Distribution by Type:

• interpretation: 177,542
• background: 140,156
• summary: 133,446
• acquire_knowledge: 130,653
• consequences: 63,942
• keywords: 53,746
• clarification: 23,242
• procedural: 12,023
• requirements: 10,766
• eligibility: 6,898
• compliance_check: 5,286
• yes_or_no: 1,186
• application_process: 691
• deadline: 379

Distribution by Source:

• Translated_Pubmed: 431,588
• Miscelanea_Roberta: 290,331
• CIMA_AEMPS: 12,564
• Wikipedia_Biomedical: 7,613
• MESINESP_2: 7,084
• Multi_Clin_Sum: 5,491
• MedlinePlus: 1,548
• Prod_Cient_AETSA: 1,062
• And other minor sources like Ministerio_Sanidad_Estrategias, Guia_Salud, AEPCP, BARR_2, AEPED, SPA_Junta_De_Andalucia, Tox_Habits, etc.

Example Usage

from datasets import load_dataset

# Replace with your final dataset repo id on Hugging Face
ds = load_dataset("SINAI/ALIA-es-biomedical-pairs", split="train")

print(ds.keys())
print(ds["query"][0])
print(ds["passage"][0][:200])

# Filter by difficulty level
university_level = ds.filter(lambda x: x['difficulty'] == 'university')
phd_level = ds.filter(lambda x: x['difficulty'] == 'phd')

Dataset Creation

Source Data

The dataset is derived from the SINAI/ALIA-es-biomedical biomedical corpus, which integrates domain-specific biomedical and healthcare sources (clinical summaries, PubMed translations, health agency publications, and related repositories). Documents are segmented into chunks/passages, keeping document-level provenance via id_document and chunk-level provenance via id_chunk.

Data Collection and Processing

• Passages are created via document segmentation (chunking) and linked to id_document/id_chunk for traceability.
• Questions are produced using a Qwen-driven prompt pipeline in the ALIA encoders scripts, with metadata controls such as type and difficulty.
• source_id supports provenance tracking and domain/source-level audits.

Annotations

This dataset is primarily built via automatic or LLM-assisted generation rather than mandatory manual annotation, though downstream filtering/review can be applied depending on the pipeline configuration.

Personal and Sensitive Information

Because the underlying domain is biomedical (and similar clinical/research text sources), instances may include names of medical conditions, medications, organizations, or other entities present in the source material, and additional filtering may be required depending on deployment constraints.

Considerations for Using the Data

Social Impact of Dataset

This dataset can improve access to domain-specific retrieval and QA capabilities in biomedical settings by enabling better model adaptation to specialized registers, medical concepts, and terminology.

Discussion of Biases

• Domain bias: language style and vocabulary are specialized to medicine and biology and may reduce out-of-domain generalization.
• Source bias: the dataset is heavily dominated by Translated_Pubmed and Miscelanea_Roberta sources, which means models may overfit to their specific formatting and phrasing.
• Difficulty bias: the distribution across high_school, university, and phd levels is not uniform (heavily weighted towards university level), potentially skewing model performance toward the most represented level.

Other Known Limitations

• Leakage risk: if splitting is done at chunk-level rather than document-level, near-duplicate context may appear across splits; splitting by id_document is recommended.
• LLM artifacts: synthetic questions may contain stylistic patterns that differ from real user queries, and may require additional filtering for production use.
• Difficulty calibration: the assignment of high_school, university, or phd difficulty levels is model-driven and may not perfectly align with human expert judgments.

Citation

@misc{ALIA-es-biomedical-pairs,
  title={ALIA Spanish Biomedical and Healthcare Retrieval Pairs Corpus},
  author={SINAI Research Group},
  year={2026},
  publisher={HuggingFace},
  howpublished={\url{https://huggingface.co/datasets/SINAI/ALIA-es-biomedical-pairs}}
}

---

Funding

This work is funded by the Ministerio para la Transformación Digital y de la Función Pública - Funded by EU – NextGenerationEU within the framework of the project ALIA.

Acknowledgments

This dataset has been generated thanks to SCAYLE (Centro de Supercomputación de Castilla y León) which provided the needed computational resources on its CALENDULA supercomputing cluster.

---

Contact: ALIA Project - SINAI Research Group - Universidad de Jaén

More Information: SINAI Research Group | ALIA-UJA Project