요약

네덜란드어 의료 분야에 필요한 대규모 언어 데이터셋이 구축되었습니다. 연구진은 영어 데이터를 번역하고 일반 텍스트에서 의료 관련 내용을 식별하며 공개 리소스를 통합하는 방식으로 이 코퍼스를 만들었습니다. 결과적으로 약 1억 개의 문서, 350억 토큰 규모의 네덜란드 의료 도메인 언어 코퍼스가 생성되어 Hugging Face를 통해 무료로 제공됩니다.

핵심 포인트

• 네덜란드 NLP 개발을 제한하던 부족한 의료 코퍼스 문제를 해결했습니다.
• 영어 데이터 번역, 텍스트 식별 및 공개 리소스 추출 등 다각적인 방법론을 사용했습니다.
• 최종적으로 약 350억 토큰 규모의 대규모 네덜란드 의료 도메인 언어 코퍼스를 확보했습니다.
• 이 코퍼스는 사전 학습 모델 구축과 다양한 하류 NLP 작업에 활용될 수 있습니다.