sha
stringlengths 40
40
| text
stringlengths 1
13.4M
| id
stringlengths 2
117
| tags
listlengths 1
7.91k
| created_at
stringlengths 25
25
| metadata
stringlengths 2
875k
| last_modified
stringlengths 25
25
| arxiv
listlengths 0
25
| languages
listlengths 0
7.91k
| tags_str
stringlengths 17
159k
| text_str
stringlengths 1
447k
| text_lists
listlengths 0
352
| processed_texts
listlengths 1
353
| tokens_length
listlengths 1
353
| input_texts
listlengths 1
40
|
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
d2c08ffc06f0201d866cbac043e89a518f3474e3 | # Dataset Card for "rebecca_morris"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Chunt0/rebecca_morris | [
"region:us"
]
| 2023-11-08T01:31:06+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "text", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 65952378.0, "num_examples": 125}], "download_size": 62173195, "dataset_size": 65952378.0}} | 2023-11-08T03:16:07+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "rebecca_morris"
More Information needed | [
"# Dataset Card for \"rebecca_morris\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"rebecca_morris\"\n\nMore Information needed"
]
| [
6,
16
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"rebecca_morris\"\n\nMore Information needed"
]
|
c66ca9d39f85278dce83c98b4c4212f9a1d0fcc8 | # Dataset Card for "emrqaQA_risk_train"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | hippocrates/emrqaQA_risk_train | [
"region:us"
]
| 2023-11-08T01:54:43+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "valid", "path": "data/valid-*"}]}], "dataset_info": {"features": [{"name": "id", "dtype": "int64"}, {"name": "conversations", "list": [{"name": "from", "dtype": "string"}, {"name": "value", "dtype": "string"}]}, {"name": "text", "dtype": "string"}, {"name": "label", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 32922109, "num_examples": 52467}, {"name": "valid", "num_bytes": 5505022, "num_examples": 8359}], "download_size": 3101626, "dataset_size": 38427131}} | 2023-11-08T01:58:33+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "emrqaQA_risk_train"
More Information needed | [
"# Dataset Card for \"emrqaQA_risk_train\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"emrqaQA_risk_train\"\n\nMore Information needed"
]
| [
6,
19
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"emrqaQA_risk_train\"\n\nMore Information needed"
]
|
8dd8004489e0612ffae161af09b1736b93c780e4 | # Dataset Card for "DocVQA_LayoutLM_features"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Sharka/DocVQA_LayoutLM_features | [
"region:us"
]
| 2023-11-08T01:56:35+00:00 | {"dataset_info": {"features": [{"name": "input_ids", "sequence": "int64"}, {"name": "bbox", "dtype": {"array2_d": {"shape": [512, 4], "dtype": "int64"}}}, {"name": "attention_mask", "sequence": "int64"}, {"name": "image", "dtype": {"array3_d": {"shape": [3, 224, 224], "dtype": "int64"}}}, {"name": "start_positions", "dtype": "int64"}, {"name": "end_positions", "dtype": "int64"}], "splits": [{"name": "train", "num_bytes": 47090682920, "num_examples": 38174}, {"name": "validation", "num_bytes": 6225878260, "num_examples": 5047}], "download_size": 2454149213, "dataset_size": 53316561180}} | 2023-11-08T02:12:02+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "DocVQA_LayoutLM_features"
More Information needed | [
"# Dataset Card for \"DocVQA_LayoutLM_features\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"DocVQA_LayoutLM_features\"\n\nMore Information needed"
]
| [
6,
22
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"DocVQA_LayoutLM_features\"\n\nMore Information needed"
]
|
e8c6fa3747b3207aa8d643a907884365fe5b171b | # Dataset Card for "emrqaQA_relation_train"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | hippocrates/emrqaQA_relation_train | [
"region:us"
]
| 2023-11-08T01:57:39+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "valid", "path": "data/valid-*"}]}], "dataset_info": {"features": [{"name": "id", "dtype": "string"}, {"name": "conversations", "list": [{"name": "from", "dtype": "string"}, {"name": "value", "dtype": "string"}]}, {"name": "text", "dtype": "string"}, {"name": "label", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 24091796, "num_examples": 40512}, {"name": "valid", "num_bytes": 6379940, "num_examples": 10119}], "download_size": 2578068, "dataset_size": 30471736}} | 2023-11-08T01:57:48+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "emrqaQA_relation_train"
More Information needed | [
"# Dataset Card for \"emrqaQA_relation_train\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"emrqaQA_relation_train\"\n\nMore Information needed"
]
| [
6,
20
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"emrqaQA_relation_train\"\n\nMore Information needed"
]
|
113fa2aef5f8138617664d2195e351d7c8e61601 | # Dataset Card for "emrqaQA_risk_test"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | hippocrates/emrqaQA_risk_test | [
"region:us"
]
| 2023-11-08T02:01:10+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "test", "path": "data/test-*"}]}], "dataset_info": {"features": [{"name": "id", "dtype": "int64"}, {"name": "conversations", "list": [{"name": "from", "dtype": "string"}, {"name": "value", "dtype": "string"}]}, {"name": "text", "dtype": "string"}, {"name": "label", "dtype": "string"}], "splits": [{"name": "test", "num_bytes": 4577053, "num_examples": 8259}], "download_size": 430139, "dataset_size": 4577053}} | 2023-11-08T02:01:14+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "emrqaQA_risk_test"
More Information needed | [
"# Dataset Card for \"emrqaQA_risk_test\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"emrqaQA_risk_test\"\n\nMore Information needed"
]
| [
6,
18
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"emrqaQA_risk_test\"\n\nMore Information needed"
]
|
00218ebf05294952e0b96554667caeecca272573 | # Dataset Card for "emrqaQA_relation_test"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | hippocrates/emrqaQA_relation_test | [
"region:us"
]
| 2023-11-08T02:01:33+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "test", "path": "data/test-*"}]}], "dataset_info": {"features": [{"name": "id", "dtype": "string"}, {"name": "conversations", "list": [{"name": "from", "dtype": "string"}, {"name": "value", "dtype": "string"}]}, {"name": "text", "dtype": "string"}, {"name": "label", "dtype": "string"}], "splits": [{"name": "test", "num_bytes": 4300041, "num_examples": 7666}], "download_size": 370912, "dataset_size": 4300041}} | 2023-11-08T02:01:37+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "emrqaQA_relation_test"
More Information needed | [
"# Dataset Card for \"emrqaQA_relation_test\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"emrqaQA_relation_test\"\n\nMore Information needed"
]
| [
6,
19
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"emrqaQA_relation_test\"\n\nMore Information needed"
]
|
e7d715420ea60f825f0ae467ed3139e2b4d47062 | # Dataset Card for "emrqaQA_medication_test"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | hippocrates/emrqaQA_medication_test | [
"region:us"
]
| 2023-11-08T02:01:50+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "test", "path": "data/test-*"}]}], "dataset_info": {"features": [{"name": "id", "dtype": "int64"}, {"name": "conversations", "list": [{"name": "from", "dtype": "string"}, {"name": "value", "dtype": "string"}]}, {"name": "text", "dtype": "string"}, {"name": "label", "dtype": "string"}], "splits": [{"name": "test", "num_bytes": 4301957, "num_examples": 10866}], "download_size": 374144, "dataset_size": 4301957}} | 2023-11-08T02:01:52+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "emrqaQA_medication_test"
More Information needed | [
"# Dataset Card for \"emrqaQA_medication_test\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"emrqaQA_medication_test\"\n\nMore Information needed"
]
| [
6,
19
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"emrqaQA_medication_test\"\n\nMore Information needed"
]
|
56585dec5a2885405dd845eb51eb8bdbf8faf39b | # Dataset Card for "meta_math_meta_math_qa_50k"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | dim/meta_math_meta_math_qa_50k | [
"region:us"
]
| 2023-11-08T02:13:30+00:00 | {"dataset_info": {"features": [{"name": "type", "dtype": "string"}, {"name": "query", "dtype": "string"}, {"name": "response", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 36521241.01265823, "num_examples": 50000}], "download_size": 17896236, "dataset_size": 36521241.01265823}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T13:16:28+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "meta_math_meta_math_qa_50k"
More Information needed | [
"# Dataset Card for \"meta_math_meta_math_qa_50k\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"meta_math_meta_math_qa_50k\"\n\nMore Information needed"
]
| [
6,
22
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"meta_math_meta_math_qa_50k\"\n\nMore Information needed"
]
|
795f56275d3a4305f20a7c571a1c9b779b38f302 |
# Dataset Card for Evaluation run of TheBloke/guanaco-33B-GPTQ
## Dataset Description
- **Homepage:**
- **Repository:** https://huggingface.co/TheBloke/guanaco-33B-GPTQ
- **Paper:**
- **Leaderboard:** https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard
- **Point of Contact:** [email protected]
### Dataset Summary
Dataset automatically created during the evaluation run of model [TheBloke/guanaco-33B-GPTQ](https://huggingface.co/TheBloke/guanaco-33B-GPTQ) on the [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard).
The dataset is composed of 3 configuration, each one coresponding to one of the evaluated task.
The dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The "train" split is always pointing to the latest results.
An additional configuration "results" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard)).
To load the details from a run, you can for instance do the following:
```python
from datasets import load_dataset
data = load_dataset("open-llm-leaderboard/details_TheBloke__guanaco-33B-GPTQ_public",
"harness_winogrande_5",
split="train")
```
## Latest results
These are the [latest results from run 2023-11-08T02:14:39.195892](https://huggingface.co/datasets/open-llm-leaderboard/details_TheBloke__guanaco-33B-GPTQ_public/blob/main/results_2023-11-08T02-14-39.195892.json)(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the "latest" split for each eval):
```python
{
"all": {
"em": 0.0035654362416107383,
"em_stderr": 0.0006104082299890425,
"f1": 0.05981019295302028,
"f1_stderr": 0.0013198104887474009,
"acc": 0.5132679261811913,
"acc_stderr": 0.011604513216322042
},
"harness|drop|3": {
"em": 0.0035654362416107383,
"em_stderr": 0.0006104082299890425,
"f1": 0.05981019295302028,
"f1_stderr": 0.0013198104887474009
},
"harness|gsm8k|5": {
"acc": 0.23805913570887036,
"acc_stderr": 0.011731278748420901
},
"harness|winogrande|5": {
"acc": 0.7884767166535123,
"acc_stderr": 0.011477747684223183
}
}
```
### Supported Tasks and Leaderboards
[More Information Needed]
### Languages
[More Information Needed]
## Dataset Structure
### Data Instances
[More Information Needed]
### Data Fields
[More Information Needed]
### Data Splits
[More Information Needed]
## Dataset Creation
### Curation Rationale
[More Information Needed]
### Source Data
#### Initial Data Collection and Normalization
[More Information Needed]
#### Who are the source language producers?
[More Information Needed]
### Annotations
#### Annotation process
[More Information Needed]
#### Who are the annotators?
[More Information Needed]
### Personal and Sensitive Information
[More Information Needed]
## Considerations for Using the Data
### Social Impact of Dataset
[More Information Needed]
### Discussion of Biases
[More Information Needed]
### Other Known Limitations
[More Information Needed]
## Additional Information
### Dataset Curators
[More Information Needed]
### Licensing Information
[More Information Needed]
### Citation Information
[More Information Needed]
### Contributions
[More Information Needed] | open-llm-leaderboard/details_TheBloke__guanaco-33B-GPTQ | [
"region:us"
]
| 2023-11-08T02:14:57+00:00 | {"pretty_name": "Evaluation run of TheBloke/guanaco-33B-GPTQ", "dataset_summary": "Dataset automatically created during the evaluation run of model [TheBloke/guanaco-33B-GPTQ](https://huggingface.co/TheBloke/guanaco-33B-GPTQ) on the [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard).\n\nThe dataset is composed of 3 configuration, each one coresponding to one of the evaluated task.\n\nThe dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The \"train\" split is always pointing to the latest results.\n\nAn additional configuration \"results\" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard)).\n\nTo load the details from a run, you can for instance do the following:\n```python\nfrom datasets import load_dataset\ndata = load_dataset(\"open-llm-leaderboard/details_TheBloke__guanaco-33B-GPTQ_public\",\n\t\"harness_winogrande_5\",\n\tsplit=\"train\")\n```\n\n## Latest results\n\nThese are the [latest results from run 2023-11-08T02:14:39.195892](https://huggingface.co/datasets/open-llm-leaderboard/details_TheBloke__guanaco-33B-GPTQ_public/blob/main/results_2023-11-08T02-14-39.195892.json)(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the \"latest\" split for each eval):\n\n```python\n{\n \"all\": {\n \"em\": 0.0035654362416107383,\n \"em_stderr\": 0.0006104082299890425,\n \"f1\": 0.05981019295302028,\n \"f1_stderr\": 0.0013198104887474009,\n \"acc\": 0.5132679261811913,\n \"acc_stderr\": 0.011604513216322042\n },\n \"harness|drop|3\": {\n \"em\": 0.0035654362416107383,\n \"em_stderr\": 0.0006104082299890425,\n \"f1\": 0.05981019295302028,\n \"f1_stderr\": 0.0013198104887474009\n },\n \"harness|gsm8k|5\": {\n \"acc\": 0.23805913570887036,\n \"acc_stderr\": 0.011731278748420901\n },\n \"harness|winogrande|5\": {\n \"acc\": 0.7884767166535123,\n \"acc_stderr\": 0.011477747684223183\n }\n}\n```", "repo_url": "https://huggingface.co/TheBloke/guanaco-33B-GPTQ", "leaderboard_url": "https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard", "point_of_contact": "[email protected]", "configs": [{"config_name": "harness_drop_3", "data_files": [{"split": "2023_11_08T02_14_39.195892", "path": ["**/details_harness|drop|3_2023-11-08T02-14-39.195892.parquet"]}, {"split": "latest", "path": ["**/details_harness|drop|3_2023-11-08T02-14-39.195892.parquet"]}]}, {"config_name": "harness_gsm8k_5", "data_files": [{"split": "2023_11_08T02_14_39.195892", "path": ["**/details_harness|gsm8k|5_2023-11-08T02-14-39.195892.parquet"]}, {"split": "latest", "path": ["**/details_harness|gsm8k|5_2023-11-08T02-14-39.195892.parquet"]}]}, {"config_name": "harness_winogrande_5", "data_files": [{"split": "2023_11_08T02_14_39.195892", "path": ["**/details_harness|winogrande|5_2023-11-08T02-14-39.195892.parquet"]}, {"split": "latest", "path": ["**/details_harness|winogrande|5_2023-11-08T02-14-39.195892.parquet"]}]}, {"config_name": "results", "data_files": [{"split": "2023_11_08T02_14_39.195892", "path": ["results_2023-11-08T02-14-39.195892.parquet"]}, {"split": "latest", "path": ["results_2023-11-08T02-14-39.195892.parquet"]}]}]} | 2023-11-08T02:15:06+00:00 | []
| []
| TAGS
#region-us
|
# Dataset Card for Evaluation run of TheBloke/guanaco-33B-GPTQ
## Dataset Description
- Homepage:
- Repository: URL
- Paper:
- Leaderboard: URL
- Point of Contact: clementine@URL
### Dataset Summary
Dataset automatically created during the evaluation run of model TheBloke/guanaco-33B-GPTQ on the Open LLM Leaderboard.
The dataset is composed of 3 configuration, each one coresponding to one of the evaluated task.
The dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The "train" split is always pointing to the latest results.
An additional configuration "results" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the Open LLM Leaderboard).
To load the details from a run, you can for instance do the following:
## Latest results
These are the latest results from run 2023-11-08T02:14:39.195892(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the "latest" split for each eval):
### Supported Tasks and Leaderboards
### Languages
## Dataset Structure
### Data Instances
### Data Fields
### Data Splits
## Dataset Creation
### Curation Rationale
### Source Data
#### Initial Data Collection and Normalization
#### Who are the source language producers?
### Annotations
#### Annotation process
#### Who are the annotators?
### Personal and Sensitive Information
## Considerations for Using the Data
### Social Impact of Dataset
### Discussion of Biases
### Other Known Limitations
## Additional Information
### Dataset Curators
### Licensing Information
### Contributions
| [
"# Dataset Card for Evaluation run of TheBloke/guanaco-33B-GPTQ",
"## Dataset Description\n\n- Homepage: \n- Repository: URL\n- Paper: \n- Leaderboard: URL\n- Point of Contact: clementine@URL",
"### Dataset Summary\n\nDataset automatically created during the evaluation run of model TheBloke/guanaco-33B-GPTQ on the Open LLM Leaderboard.\n\nThe dataset is composed of 3 configuration, each one coresponding to one of the evaluated task.\n\nThe dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The \"train\" split is always pointing to the latest results.\n\nAn additional configuration \"results\" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the Open LLM Leaderboard).\n\nTo load the details from a run, you can for instance do the following:",
"## Latest results\n\nThese are the latest results from run 2023-11-08T02:14:39.195892(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the \"latest\" split for each eval):",
"### Supported Tasks and Leaderboards",
"### Languages",
"## Dataset Structure",
"### Data Instances",
"### Data Fields",
"### Data Splits",
"## Dataset Creation",
"### Curation Rationale",
"### Source Data",
"#### Initial Data Collection and Normalization",
"#### Who are the source language producers?",
"### Annotations",
"#### Annotation process",
"#### Who are the annotators?",
"### Personal and Sensitive Information",
"## Considerations for Using the Data",
"### Social Impact of Dataset",
"### Discussion of Biases",
"### Other Known Limitations",
"## Additional Information",
"### Dataset Curators",
"### Licensing Information",
"### Contributions"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for Evaluation run of TheBloke/guanaco-33B-GPTQ",
"## Dataset Description\n\n- Homepage: \n- Repository: URL\n- Paper: \n- Leaderboard: URL\n- Point of Contact: clementine@URL",
"### Dataset Summary\n\nDataset automatically created during the evaluation run of model TheBloke/guanaco-33B-GPTQ on the Open LLM Leaderboard.\n\nThe dataset is composed of 3 configuration, each one coresponding to one of the evaluated task.\n\nThe dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The \"train\" split is always pointing to the latest results.\n\nAn additional configuration \"results\" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the Open LLM Leaderboard).\n\nTo load the details from a run, you can for instance do the following:",
"## Latest results\n\nThese are the latest results from run 2023-11-08T02:14:39.195892(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the \"latest\" split for each eval):",
"### Supported Tasks and Leaderboards",
"### Languages",
"## Dataset Structure",
"### Data Instances",
"### Data Fields",
"### Data Splits",
"## Dataset Creation",
"### Curation Rationale",
"### Source Data",
"#### Initial Data Collection and Normalization",
"#### Who are the source language producers?",
"### Annotations",
"#### Annotation process",
"#### Who are the annotators?",
"### Personal and Sensitive Information",
"## Considerations for Using the Data",
"### Social Impact of Dataset",
"### Discussion of Biases",
"### Other Known Limitations",
"## Additional Information",
"### Dataset Curators",
"### Licensing Information",
"### Contributions"
]
| [
6,
22,
31,
171,
66,
10,
4,
6,
6,
5,
5,
5,
7,
4,
10,
10,
5,
5,
9,
8,
8,
7,
8,
7,
5,
6,
6,
5
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for Evaluation run of TheBloke/guanaco-33B-GPTQ## Dataset Description\n\n- Homepage: \n- Repository: URL\n- Paper: \n- Leaderboard: URL\n- Point of Contact: clementine@URL### Dataset Summary\n\nDataset automatically created during the evaluation run of model TheBloke/guanaco-33B-GPTQ on the Open LLM Leaderboard.\n\nThe dataset is composed of 3 configuration, each one coresponding to one of the evaluated task.\n\nThe dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The \"train\" split is always pointing to the latest results.\n\nAn additional configuration \"results\" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the Open LLM Leaderboard).\n\nTo load the details from a run, you can for instance do the following:## Latest results\n\nThese are the latest results from run 2023-11-08T02:14:39.195892(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the \"latest\" split for each eval):### Supported Tasks and Leaderboards### Languages## Dataset Structure### Data Instances### Data Fields### Data Splits## Dataset Creation### Curation Rationale### Source Data#### Initial Data Collection and Normalization#### Who are the source language producers?### Annotations#### Annotation process#### Who are the annotators?### Personal and Sensitive Information## Considerations for Using the Data### Social Impact of Dataset### Discussion of Biases### Other Known Limitations## Additional Information### Dataset Curators### Licensing Information### Contributions"
]
|
2878f2cc68c9f95ba9d4fdb36bb0bcf35a289eae | # Dataset Card for "lmsys_chatbot_arena_conversations"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | dim/lmsys_chatbot_arena_conversations | [
"region:us"
]
| 2023-11-08T02:26:33+00:00 | {"dataset_info": {"features": [{"name": "question_id", "dtype": "string"}, {"name": "model_a", "dtype": "string"}, {"name": "model_b", "dtype": "string"}, {"name": "winner", "dtype": "string"}, {"name": "judge", "dtype": "string"}, {"name": "conversation_a", "list": [{"name": "content", "dtype": "string"}, {"name": "role", "dtype": "string"}]}, {"name": "conversation_b", "list": [{"name": "content", "dtype": "string"}, {"name": "role", "dtype": "string"}]}, {"name": "turn", "dtype": "int64"}, {"name": "anony", "dtype": "bool"}, {"name": "language", "dtype": "string"}, {"name": "tstamp", "dtype": "float64"}, {"name": "openai_moderation", "struct": [{"name": "categories", "struct": [{"name": "harassment", "dtype": "bool"}, {"name": "harassment/threatening", "dtype": "bool"}, {"name": "hate", "dtype": "bool"}, {"name": "hate/threatening", "dtype": "bool"}, {"name": "self-harm", "dtype": "bool"}, {"name": "self-harm/instructions", "dtype": "bool"}, {"name": "self-harm/intent", "dtype": "bool"}, {"name": "sexual", "dtype": "bool"}, {"name": "sexual/minors", "dtype": "bool"}, {"name": "violence", "dtype": "bool"}, {"name": "violence/graphic", "dtype": "bool"}]}, {"name": "category_scores", "struct": [{"name": "harassment", "dtype": "float64"}, {"name": "harassment/threatening", "dtype": "float64"}, {"name": "hate", "dtype": "float64"}, {"name": "hate/threatening", "dtype": "float64"}, {"name": "self-harm", "dtype": "float64"}, {"name": "self-harm/instructions", "dtype": "float64"}, {"name": "self-harm/intent", "dtype": "float64"}, {"name": "sexual", "dtype": "float64"}, {"name": "sexual/minors", "dtype": "float64"}, {"name": "violence", "dtype": "float64"}, {"name": "violence/graphic", "dtype": "float64"}]}, {"name": "flagged", "dtype": "bool"}]}, {"name": "toxic_chat_tag", "struct": [{"name": "roberta-large", "struct": [{"name": "flagged", "dtype": "bool"}, {"name": "probability", "dtype": "float64"}]}, {"name": "t5-large", "struct": [{"name": "flagged", "dtype": "bool"}, {"name": "score", "dtype": "float64"}]}]}], "splits": [{"name": "train", "num_bytes": 81159839, "num_examples": 33000}], "download_size": 41573740, "dataset_size": 81159839}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T02:26:43+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "lmsys_chatbot_arena_conversations"
More Information needed | [
"# Dataset Card for \"lmsys_chatbot_arena_conversations\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"lmsys_chatbot_arena_conversations\"\n\nMore Information needed"
]
| [
6,
21
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"lmsys_chatbot_arena_conversations\"\n\nMore Information needed"
]
|
f903ba67d1757421832e3b2e9b298aad2db613d8 | # Dataset Card for "ubuntu_irc_kummerfeld_ft_20_window_last_5_pseudo"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | timyangyazhou/ubuntu_irc_kummerfeld_ft_20_window_last_5_pseudo | [
"region:us"
]
| 2023-11-08T02:32:01+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "dev", "path": "data/dev-*"}, {"split": "test", "path": "data/test-*"}]}], "dataset_info": {"features": [{"name": "canon_name", "dtype": "string"}, {"name": "id", "dtype": "int64"}, {"name": "parents", "sequence": "int64"}, {"name": "children", "sequence": "int64"}, {"name": "messages", "sequence": "string"}, {"name": "prediction", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 81419322, "num_examples": 63982}, {"name": "dev", "num_bytes": 3052013, "num_examples": 2397}, {"name": "test", "num_bytes": 6263006, "num_examples": 4783}], "download_size": 0, "dataset_size": 90734341}} | 2023-11-18T11:05:23+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "ubuntu_irc_kummerfeld_ft_20_window_last_5_pseudo"
More Information needed | [
"# Dataset Card for \"ubuntu_irc_kummerfeld_ft_20_window_last_5_pseudo\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"ubuntu_irc_kummerfeld_ft_20_window_last_5_pseudo\"\n\nMore Information needed"
]
| [
6,
32
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"ubuntu_irc_kummerfeld_ft_20_window_last_5_pseudo\"\n\nMore Information needed"
]
|
2d6c79c4f81791c3687035da63cabc33ea569800 | # Dataset Card for "lmsys_chatbot_arena_conversations_gpt4_gpt-3.5-turbo_claudy"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | dim/lmsys_chatbot_arena_conversations_gpt4_gpt35turbo_claudy | [
"region:us"
]
| 2023-11-08T02:39:58+00:00 | {"dataset_info": {"features": [{"name": "question_id", "dtype": "string"}, {"name": "model_a_b", "dtype": "string"}, {"name": "conversation", "list": [{"name": "content", "dtype": "string"}, {"name": "role", "dtype": "string"}]}, {"name": "model_name", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 17026152, "num_examples": 12798}], "download_size": 8990072, "dataset_size": 17026152}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T02:40:02+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "lmsys_chatbot_arena_conversations_gpt4_gpt-3.5-turbo_claudy"
More Information needed | [
"# Dataset Card for \"lmsys_chatbot_arena_conversations_gpt4_gpt-3.5-turbo_claudy\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"lmsys_chatbot_arena_conversations_gpt4_gpt-3.5-turbo_claudy\"\n\nMore Information needed"
]
| [
6,
37
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"lmsys_chatbot_arena_conversations_gpt4_gpt-3.5-turbo_claudy\"\n\nMore Information needed"
]
|
913f8c9b2b0fa2699b6cfacfed99a5b8eddc3a8b | # Dataset Card for "norquinal_claude_multiround_chat_30k"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | dim/norquinal_claude_multiround_chat_30k | [
"region:us"
]
| 2023-11-08T02:43:09+00:00 | {"dataset_info": {"features": [{"name": "conversations", "list": [{"name": "from", "dtype": "string"}, {"name": "value", "dtype": "string"}]}, {"name": "id", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 176848427, "num_examples": 32170}], "download_size": 95127719, "dataset_size": 176848427}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T02:43:45+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "norquinal_claude_multiround_chat_30k"
More Information needed | [
"# Dataset Card for \"norquinal_claude_multiround_chat_30k\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"norquinal_claude_multiround_chat_30k\"\n\nMore Information needed"
]
| [
6,
24
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"norquinal_claude_multiround_chat_30k\"\n\nMore Information needed"
]
|
527f7beb52a03d2e6df2d28779ae0e48441b8859 | # Dataset Card for "quran_hasanat_hadith_datasets0"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | kheder/quran_hasanat_hadith_datasets0 | [
"region:us"
]
| 2023-11-08T02:50:19+00:00 | {"dataset_info": {"features": [{"name": "who-i-am", "dtype": "string"}, {"name": "quran/hasanat", "list": [{"name": "id", "dtype": "int64"}, {"name": "name", "dtype": "string"}, {"name": "total_hasanat", "dtype": "int64"}, {"name": "total_verses", "dtype": "int64"}, {"name": "translation", "dtype": "string"}, {"name": "transliteration", "dtype": "string"}, {"name": "type", "dtype": "string"}, {"name": "verses", "list": [{"name": "hasanat", "dtype": "int64"}, {"name": "id", "dtype": "int64"}, {"name": "text", "dtype": "string"}, {"name": "translation", "dtype": "string"}]}]}, {"name": "hadith", "list": {"list": [{"name": "chain_indx", "dtype": "string"}, {"name": "chapter", "dtype": "string"}, {"name": "chapter_no", "dtype": "string"}, {"name": "hadith_id", "dtype": "string"}, {"name": "hadith_no", "dtype": "string"}, {"name": "id", "dtype": "string"}, {"name": "source", "dtype": "string"}, {"name": "text_ar", "dtype": "string"}, {"name": "text_en", "dtype": "string"}]}}], "splits": [{"name": "train", "num_bytes": 44047246, "num_examples": 2}], "download_size": 16587703, "dataset_size": 44047246}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T02:50:33+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "quran_hasanat_hadith_datasets0"
More Information needed | [
"# Dataset Card for \"quran_hasanat_hadith_datasets0\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"quran_hasanat_hadith_datasets0\"\n\nMore Information needed"
]
| [
6,
22
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"quran_hasanat_hadith_datasets0\"\n\nMore Information needed"
]
|
778da3e3651a5f41040a20fe45cbe77809f45f13 | # Dataset Card for "validation_2000_cutoff_llama_first10results"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Rewcifer/validation_2000_cutoff_llama_first10results | [
"region:us"
]
| 2023-11-08T02:52:24+00:00 | {"dataset_info": {"features": [{"name": "text", "dtype": "string"}, {"name": "generated_texts", "dtype": "string"}, {"name": "prompts", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 82377, "num_examples": 10}], "download_size": 38297, "dataset_size": 82377}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T02:52:27+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "validation_2000_cutoff_llama_first10results"
More Information needed | [
"# Dataset Card for \"validation_2000_cutoff_llama_first10results\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"validation_2000_cutoff_llama_first10results\"\n\nMore Information needed"
]
| [
6,
28
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"validation_2000_cutoff_llama_first10results\"\n\nMore Information needed"
]
|
35af890b44371d287bae41a0c3ece8cb673b93cf | # About
This dataset is for detecting the drivable area and lane lines on the roads. Images are generated using stable diffusion model and images are annotated using labelme annotator.
For more info on the project we worked see this git [repo](https://github.com/balnarendrasapa/road-detection)
# Dataset
The dataset is structured into three distinct partitions: Train, Test, and Validation. The Train split comprises 80% of the dataset, containing both the input images and their corresponding labels. Meanwhile, the Test and Validation splits each contain 10% of the data, with a similar structure, consisting of image data and label information. Within each of these splits, there are three folders:
- Images: This folder contains the original images, serving as the raw input data for the task at hand.
- Segments: Here, you can access the labels specifically designed for Drivable Area Segmentation, crucial for understanding road structure and drivable areas.
- Lane: This folder contains labels dedicated to Lane Detection, assisting in identifying and marking lanes on the road.
# Downloading the dataset
```python
from datasets import load_dataset
dataset = load_dataset("bnsapa/road-detection")
``` | bnsapa/road-detection | [
"task_categories:image-to-image",
"size_categories:n<1K",
"license:gpl-3.0",
"region:us"
]
| 2023-11-08T02:54:56+00:00 | {"license": "gpl-3.0", "size_categories": ["n<1K"], "task_categories": ["image-to-image"], "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "test", "path": "data/test-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "segment", "dtype": "image"}, {"name": "lane", "dtype": "image"}], "splits": [{"name": "train", "num_bytes": 72551321.0, "num_examples": 160}, {"name": "test", "num_bytes": 8756556.0, "num_examples": 20}, {"name": "validation", "num_bytes": 9100529.0, "num_examples": 20}], "download_size": 90167475, "dataset_size": 90408406.0}} | 2023-11-09T22:07:35+00:00 | []
| []
| TAGS
#task_categories-image-to-image #size_categories-n<1K #license-gpl-3.0 #region-us
| # About
This dataset is for detecting the drivable area and lane lines on the roads. Images are generated using stable diffusion model and images are annotated using labelme annotator.
For more info on the project we worked see this git repo
# Dataset
The dataset is structured into three distinct partitions: Train, Test, and Validation. The Train split comprises 80% of the dataset, containing both the input images and their corresponding labels. Meanwhile, the Test and Validation splits each contain 10% of the data, with a similar structure, consisting of image data and label information. Within each of these splits, there are three folders:
- Images: This folder contains the original images, serving as the raw input data for the task at hand.
- Segments: Here, you can access the labels specifically designed for Drivable Area Segmentation, crucial for understanding road structure and drivable areas.
- Lane: This folder contains labels dedicated to Lane Detection, assisting in identifying and marking lanes on the road.
# Downloading the dataset
| [
"# About\n\nThis dataset is for detecting the drivable area and lane lines on the roads. Images are generated using stable diffusion model and images are annotated using labelme annotator.\n\nFor more info on the project we worked see this git repo",
"# Dataset\n\nThe dataset is structured into three distinct partitions: Train, Test, and Validation. The Train split comprises 80% of the dataset, containing both the input images and their corresponding labels. Meanwhile, the Test and Validation splits each contain 10% of the data, with a similar structure, consisting of image data and label information. Within each of these splits, there are three folders:\n\n- Images: This folder contains the original images, serving as the raw input data for the task at hand.\n\n- Segments: Here, you can access the labels specifically designed for Drivable Area Segmentation, crucial for understanding road structure and drivable areas.\n\n- Lane: This folder contains labels dedicated to Lane Detection, assisting in identifying and marking lanes on the road.",
"# Downloading the dataset"
]
| [
"TAGS\n#task_categories-image-to-image #size_categories-n<1K #license-gpl-3.0 #region-us \n",
"# About\n\nThis dataset is for detecting the drivable area and lane lines on the roads. Images are generated using stable diffusion model and images are annotated using labelme annotator.\n\nFor more info on the project we worked see this git repo",
"# Dataset\n\nThe dataset is structured into three distinct partitions: Train, Test, and Validation. The Train split comprises 80% of the dataset, containing both the input images and their corresponding labels. Meanwhile, the Test and Validation splits each contain 10% of the data, with a similar structure, consisting of image data and label information. Within each of these splits, there are three folders:\n\n- Images: This folder contains the original images, serving as the raw input data for the task at hand.\n\n- Segments: Here, you can access the labels specifically designed for Drivable Area Segmentation, crucial for understanding road structure and drivable areas.\n\n- Lane: This folder contains labels dedicated to Lane Detection, assisting in identifying and marking lanes on the road.",
"# Downloading the dataset"
]
| [
36,
56,
183,
6
]
| [
"passage: TAGS\n#task_categories-image-to-image #size_categories-n<1K #license-gpl-3.0 #region-us \n# About\n\nThis dataset is for detecting the drivable area and lane lines on the roads. Images are generated using stable diffusion model and images are annotated using labelme annotator.\n\nFor more info on the project we worked see this git repo# Dataset\n\nThe dataset is structured into three distinct partitions: Train, Test, and Validation. The Train split comprises 80% of the dataset, containing both the input images and their corresponding labels. Meanwhile, the Test and Validation splits each contain 10% of the data, with a similar structure, consisting of image data and label information. Within each of these splits, there are three folders:\n\n- Images: This folder contains the original images, serving as the raw input data for the task at hand.\n\n- Segments: Here, you can access the labels specifically designed for Drivable Area Segmentation, crucial for understanding road structure and drivable areas.\n\n- Lane: This folder contains labels dedicated to Lane Detection, assisting in identifying and marking lanes on the road.# Downloading the dataset"
]
|
7c22a2d7b2459dc1dd8294e29c37bdefa242368e | # Dataset Card for "hubert_layer9-librispeech-asr100h"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | cmu-mlsp/hubert_layer9-librispeech-asr100h | [
"region:us"
]
| 2023-11-08T02:56:11+00:00 | {"dataset_info": {"features": [{"name": "file", "dtype": "string"}, {"name": "audio", "dtype": {"audio": {"sampling_rate": 24000}}}, {"name": "text", "dtype": "string"}, {"name": "speaker_id", "dtype": "int64"}, {"name": "chapter_id", "dtype": "int64"}, {"name": "id", "dtype": "string"}, {"name": "audio_codes", "sequence": "string"}], "splits": [{"name": "train", "num_bytes": 17519233058.625, "num_examples": 28539}, {"name": "validation", "num_bytes": 938649953.125, "num_examples": 2703}, {"name": "test", "num_bytes": 941348688.5, "num_examples": 2620}], "download_size": 18862891148, "dataset_size": 19399231700.25}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}, {"split": "test", "path": "data/test-*"}]}]} | 2023-11-10T22:05:41+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "hubert_layer9-librispeech-asr100h"
More Information needed | [
"# Dataset Card for \"hubert_layer9-librispeech-asr100h\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"hubert_layer9-librispeech-asr100h\"\n\nMore Information needed"
]
| [
6,
25
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"hubert_layer9-librispeech-asr100h\"\n\nMore Information needed"
]
|
b2934295c9ef195abdb54a2cd0c594c814fa3215 | # Dataset Card for "validation_2000_cutoff_llama_formatted"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Rewcifer/validation_2000_cutoff_llama_formatted | [
"region:us"
]
| 2023-11-08T03:05:50+00:00 | {"dataset_info": {"features": [{"name": "labels_and_findings", "dtype": "string"}, {"name": "prompts", "dtype": "string"}, {"name": "true_findings", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 113806806, "num_examples": 14551}], "download_size": 26372198, "dataset_size": 113806806}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T03:05:52+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "validation_2000_cutoff_llama_formatted"
More Information needed | [
"# Dataset Card for \"validation_2000_cutoff_llama_formatted\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"validation_2000_cutoff_llama_formatted\"\n\nMore Information needed"
]
| [
6,
24
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"validation_2000_cutoff_llama_formatted\"\n\nMore Information needed"
]
|
d8abf945630f121d3d57e763d54fca92ee20437c | # Dataset Card for "dataset_010"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | kheder/dataset_010 | [
"region:us"
]
| 2023-11-08T03:08:18+00:00 | {"dataset_info": {"features": [{"name": "who-i-am", "dtype": "string"}, {"name": "quran/hasanat", "list": [{"name": "id", "dtype": "int64"}, {"name": "name", "dtype": "string"}, {"name": "total_hasanat", "dtype": "int64"}, {"name": "total_verses", "dtype": "int64"}, {"name": "translation", "dtype": "string"}, {"name": "transliteration", "dtype": "string"}, {"name": "type", "dtype": "string"}, {"name": "verses", "list": [{"name": "hasanat", "dtype": "int64"}, {"name": "id", "dtype": "int64"}, {"name": "text", "dtype": "string"}, {"name": "translation", "dtype": "string"}]}]}, {"name": "hadith", "list": {"list": [{"name": "chain_indx", "dtype": "string"}, {"name": "chapter", "dtype": "string"}, {"name": "chapter_no", "dtype": "string"}, {"name": "hadith_id", "dtype": "string"}, {"name": "hadith_no", "dtype": "string"}, {"name": "id", "dtype": "string"}, {"name": "source", "dtype": "string"}, {"name": "text_ar", "dtype": "string"}, {"name": "text_en", "dtype": "string"}]}}], "splits": [{"name": "train", "num_bytes": 44047246, "num_examples": 2}], "download_size": 16587703, "dataset_size": 44047246}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T03:08:32+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "dataset_010"
More Information needed | [
"# Dataset Card for \"dataset_010\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"dataset_010\"\n\nMore Information needed"
]
| [
6,
14
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"dataset_010\"\n\nMore Information needed"
]
|
22123b309fdd49fd8f6717370c460c12558abb7d | # Dataset Card for "disinfectants_general_qa"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Jonglee/disinfectants_general_qa | [
"region:us"
]
| 2023-11-08T03:09:07+00:00 | {"dataset_info": {"features": [{"name": "Questions", "dtype": "string"}, {"name": "Answers", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 44677, "num_examples": 100}], "download_size": 27086, "dataset_size": 44677}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T03:09:10+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "disinfectants_general_qa"
More Information needed | [
"# Dataset Card for \"disinfectants_general_qa\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"disinfectants_general_qa\"\n\nMore Information needed"
]
| [
6,
17
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"disinfectants_general_qa\"\n\nMore Information needed"
]
|
e626b41c06ab840c22bee2115fca3c2fcc8a3618 | # Dataset Card for "orca-processes"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | thangvip/orca-processes | [
"region:us"
]
| 2023-11-08T03:11:05+00:00 | {"dataset_info": {"features": [{"name": "id", "dtype": "string"}, {"name": "system_prompt", "dtype": "string"}, {"name": "question", "dtype": "string"}, {"name": "response", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 31950704.438731268, "num_examples": 32860}], "download_size": 11256640, "dataset_size": 31950704.438731268}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T03:11:09+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "orca-processes"
More Information needed | [
"# Dataset Card for \"orca-processes\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"orca-processes\"\n\nMore Information needed"
]
| [
6,
15
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"orca-processes\"\n\nMore Information needed"
]
|
4462bb0bf4eefc863a6168a7a04c32f26e7cb426 | # Dataset Card for "wavlm-large_layer21-librispeech-asr100h"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | cmu-mlsp/wavlm-large_layer21-librispeech-asr100h | [
"region:us"
]
| 2023-11-08T03:14:55+00:00 | {"dataset_info": {"features": [{"name": "file", "dtype": "string"}, {"name": "audio", "dtype": {"audio": {"sampling_rate": 24000}}}, {"name": "text", "dtype": "string"}, {"name": "speaker_id", "dtype": "int64"}, {"name": "chapter_id", "dtype": "int64"}, {"name": "id", "dtype": "string"}, {"name": "audio_codes", "sequence": "string"}], "splits": [{"name": "train", "num_bytes": 17518738129.625, "num_examples": 28539}, {"name": "validation", "num_bytes": 938627900.125, "num_examples": 2703}, {"name": "test", "num_bytes": 941323793.5, "num_examples": 2620}], "download_size": 18863507508, "dataset_size": 19398689823.25}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}, {"split": "test", "path": "data/test-*"}]}]} | 2023-11-10T23:15:08+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "wavlm-large_layer21-librispeech-asr100h"
More Information needed | [
"# Dataset Card for \"wavlm-large_layer21-librispeech-asr100h\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"wavlm-large_layer21-librispeech-asr100h\"\n\nMore Information needed"
]
| [
6,
29
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"wavlm-large_layer21-librispeech-asr100h\"\n\nMore Information needed"
]
|
eacf4c81676aeaea4b88fda5d3814a0f3efb6cb3 | # Dataset Card for "dolphin_mqa_details_vi"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | nguyenthanhdo/dolphin_mqa_details_vi | [
"region:us"
]
| 2023-11-08T04:09:40+00:00 | {"dataset_info": {"features": [{"name": "instruction", "dtype": "string"}, {"name": "input", "dtype": "string"}, {"name": "output", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 28509274, "num_examples": 15037}], "download_size": 12692096, "dataset_size": 28509274}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T04:09:46+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "dolphin_mqa_details_vi"
More Information needed | [
"# Dataset Card for \"dolphin_mqa_details_vi\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"dolphin_mqa_details_vi\"\n\nMore Information needed"
]
| [
6,
21
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"dolphin_mqa_details_vi\"\n\nMore Information needed"
]
|
d56fdc21cdedb3c3b9c388b652601af980725936 | # Dataset Card for "patrick_nation"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Chunt0/patrick_nation | [
"region:us"
]
| 2023-11-08T04:33:41+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "text", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 8533138.0, "num_examples": 40}], "download_size": 8531948, "dataset_size": 8533138.0}} | 2023-11-08T04:33:43+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "patrick_nation"
More Information needed | [
"# Dataset Card for \"patrick_nation\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"patrick_nation\"\n\nMore Information needed"
]
| [
6,
15
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"patrick_nation\"\n\nMore Information needed"
]
|
92ad50676e274c8051b972964f7764e163140281 | # Dataset Card for "pile-python-filtered"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | BEE-spoke-data/pile-python-filtered | [
"task_categories:text-generation",
"license:odc-by",
"region:us"
]
| 2023-11-08T05:04:48+00:00 | {"license": "odc-by", "task_categories": ["text-generation"], "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}, {"split": "test", "path": "data/test-*"}]}, {"config_name": "has_docstrings", "data_files": [{"split": "train", "path": "has_docstrings/train-*"}, {"split": "validation", "path": "has_docstrings/validation-*"}, {"split": "test", "path": "has_docstrings/test-*"}]}], "dataset_info": [{"config_name": "default", "features": [{"name": "nwo", "dtype": "string"}, {"name": "path", "dtype": "string"}, {"name": "argument_list", "dtype": "string"}, {"name": "docstring", "dtype": "string"}, {"name": "text", "dtype": "string"}, {"name": "url", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 834335419.9145663, "num_examples": 408136}, {"name": "validation", "num_bytes": 63184327.15895734, "num_examples": 30882}, {"name": "test", "num_bytes": 62899316.37869843, "num_examples": 30729}], "download_size": 386173746, "dataset_size": 960419063.4522221}, {"config_name": "has_docstrings", "features": [{"name": "nwo", "dtype": "string"}, {"name": "path", "dtype": "string"}, {"name": "argument_list", "dtype": "string"}, {"name": "docstring", "dtype": "string"}, {"name": "text", "dtype": "string"}, {"name": "url", "dtype": "string"}, {"name": "has_docstrings", "dtype": "bool"}, {"name": "docstring_length", "dtype": "int64"}], "splits": [{"name": "train", "num_bytes": 517384575.6126078, "num_examples": 322194}, {"name": "validation", "num_bytes": 40036384.81430104, "num_examples": 24821}, {"name": "test", "num_bytes": 39295850.91641201, "num_examples": 24680}], "download_size": 321440112, "dataset_size": 596716811.3433208}]} | 2024-01-26T07:14:32+00:00 | []
| []
| TAGS
#task_categories-text-generation #license-odc-by #region-us
| # Dataset Card for "pile-python-filtered"
More Information needed | [
"# Dataset Card for \"pile-python-filtered\"\n\nMore Information needed"
]
| [
"TAGS\n#task_categories-text-generation #license-odc-by #region-us \n",
"# Dataset Card for \"pile-python-filtered\"\n\nMore Information needed"
]
| [
25,
18
]
| [
"passage: TAGS\n#task_categories-text-generation #license-odc-by #region-us \n# Dataset Card for \"pile-python-filtered\"\n\nMore Information needed"
]
|
c776352ec647cd85917123b31b315b83995bb853 | # Dataset Card for "DKK-nli"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | seongs1024/DKK-nli | [
"region:us"
]
| 2023-11-08T05:34:13+00:00 | {"dataset_info": {"features": [{"name": "premise", "dtype": "string"}, {"name": "hypothesis", "dtype": "string"}, {"name": "label", "dtype": "int64"}], "splits": [{"name": "train", "num_bytes": 90009601, "num_examples": 601712}, {"name": "validation", "num_bytes": 1613552, "num_examples": 7954}], "download_size": 27452285, "dataset_size": 91623153}} | 2023-11-08T08:31:49+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "DKK-nli"
More Information needed | [
"# Dataset Card for \"DKK-nli\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"DKK-nli\"\n\nMore Information needed"
]
| [
6,
15
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"DKK-nli\"\n\nMore Information needed"
]
|
e6028df09a468bfaf529bb9858ec21994e847171 | # Dataset Card for "dataset_2000_complexquestion"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | presencesw/dataset_2000_complexquestion | [
"region:us"
]
| 2023-11-08T05:57:27+00:00 | {"dataset_info": {"features": [{"name": "entities", "sequence": "null"}, {"name": "triples", "sequence": "null"}, {"name": "answer", "dtype": "string"}, {"name": "complex_question", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 175875, "num_examples": 2000}], "download_size": 80882, "dataset_size": 175875}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T06:04:45+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "dataset_2000_complexquestion"
More Information needed | [
"# Dataset Card for \"dataset_2000_complexquestion\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"dataset_2000_complexquestion\"\n\nMore Information needed"
]
| [
6,
19
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"dataset_2000_complexquestion\"\n\nMore Information needed"
]
|
3c64d949a9f6b7a5a138cb734627589d74129505 | # Dataset Card for "eval_vl"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | MinGue/eval_vl | [
"region:us"
]
| 2023-11-08T06:26:33+00:00 | {"dataset_info": {"features": [{"name": "idx", "dtype": "int64"}, {"name": "dataset", "dtype": "string"}, {"name": "file_name", "dtype": "string"}, {"name": "query", "dtype": "string"}, {"name": "passages", "sequence": "string"}, {"name": "passage_count", "dtype": "int64"}, {"name": "answer_gpt", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 1344796, "num_examples": 600}], "download_size": 521467, "dataset_size": 1344796}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T06:26:38+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "eval_vl"
More Information needed | [
"# Dataset Card for \"eval_vl\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"eval_vl\"\n\nMore Information needed"
]
| [
6,
14
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"eval_vl\"\n\nMore Information needed"
]
|
1e56ee420016e76a4aece9208cca3ba7d3e58944 | # Dataset Card for "find_first_sent_train_50_eval_20"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_first_sent_train_50_eval_20 | [
"region:us"
]
| 2023-11-08T06:28:46+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 150110, "num_examples": 120}, {"name": "validation", "num_bytes": 18588, "num_examples": 20}], "download_size": 0, "dataset_size": 168698}} | 2023-11-08T06:31:02+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_first_sent_train_50_eval_20"
More Information needed | [
"# Dataset Card for \"find_first_sent_train_50_eval_20\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_first_sent_train_50_eval_20\"\n\nMore Information needed"
]
| [
6,
26
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_first_sent_train_50_eval_20\"\n\nMore Information needed"
]
|
767691b1ba0d3268d64347b578d1b8dfbcea7e41 | # Dataset Card for "find_second_sent_train_50_eval_20"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_second_sent_train_50_eval_20 | [
"region:us"
]
| 2023-11-08T06:28:55+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 148379, "num_examples": 120}, {"name": "validation", "num_bytes": 18682, "num_examples": 20}], "download_size": 0, "dataset_size": 167061}} | 2023-11-08T06:31:06+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_second_sent_train_50_eval_20"
More Information needed | [
"# Dataset Card for \"find_second_sent_train_50_eval_20\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_second_sent_train_50_eval_20\"\n\nMore Information needed"
]
| [
6,
25
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_second_sent_train_50_eval_20\"\n\nMore Information needed"
]
|
bd82762bb7763d67351c19298bf47944aef85b37 | # Dataset Card for "find_last_sent_train_50_eval_20"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_last_sent_train_50_eval_20 | [
"region:us"
]
| 2023-11-08T06:29:04+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 148655, "num_examples": 120}, {"name": "validation", "num_bytes": 18835, "num_examples": 20}], "download_size": 0, "dataset_size": 167490}} | 2023-11-08T06:31:10+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_last_sent_train_50_eval_20"
More Information needed | [
"# Dataset Card for \"find_last_sent_train_50_eval_20\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_last_sent_train_50_eval_20\"\n\nMore Information needed"
]
| [
6,
25
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_last_sent_train_50_eval_20\"\n\nMore Information needed"
]
|
0dd0bdd6b81c650400f6858d8c90adcbfc40bd91 | # Dataset Card for "find_first_sent_train_50_eval_40"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_first_sent_train_50_eval_40 | [
"region:us"
]
| 2023-11-08T06:29:28+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 182048, "num_examples": 140}, {"name": "validation", "num_bytes": 39025, "num_examples": 40}], "download_size": 0, "dataset_size": 221073}} | 2023-11-08T06:31:31+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_first_sent_train_50_eval_40"
More Information needed | [
"# Dataset Card for \"find_first_sent_train_50_eval_40\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_first_sent_train_50_eval_40\"\n\nMore Information needed"
]
| [
6,
26
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_first_sent_train_50_eval_40\"\n\nMore Information needed"
]
|
950417ebb3d839f02885c6615c44cc0aa519532a | # Dataset Card for "find_second_sent_train_50_eval_40"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_second_sent_train_50_eval_40 | [
"region:us"
]
| 2023-11-08T06:29:35+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 180317, "num_examples": 140}, {"name": "validation", "num_bytes": 39419, "num_examples": 40}], "download_size": 0, "dataset_size": 219736}} | 2023-11-08T06:31:35+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_second_sent_train_50_eval_40"
More Information needed | [
"# Dataset Card for \"find_second_sent_train_50_eval_40\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_second_sent_train_50_eval_40\"\n\nMore Information needed"
]
| [
6,
25
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_second_sent_train_50_eval_40\"\n\nMore Information needed"
]
|
584b625dd5d715e26270d5000a453acbf95570cf | # Dataset Card for "find_last_sent_train_50_eval_40"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_last_sent_train_50_eval_40 | [
"region:us"
]
| 2023-11-08T06:29:41+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 180593, "num_examples": 140}, {"name": "validation", "num_bytes": 39604, "num_examples": 40}], "download_size": 0, "dataset_size": 220197}} | 2023-11-08T06:31:40+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_last_sent_train_50_eval_40"
More Information needed | [
"# Dataset Card for \"find_last_sent_train_50_eval_40\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_last_sent_train_50_eval_40\"\n\nMore Information needed"
]
| [
6,
25
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_last_sent_train_50_eval_40\"\n\nMore Information needed"
]
|
5e4a03f400a1be68a8ca739f5a1018d98c6f481b | # Dataset Card for "find_first_sent_train_100_eval_40"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_first_sent_train_100_eval_40 | [
"region:us"
]
| 2023-11-08T06:30:33+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 311845, "num_examples": 240}, {"name": "validation", "num_bytes": 39966, "num_examples": 40}], "download_size": 0, "dataset_size": 351811}} | 2023-11-20T06:20:22+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_first_sent_train_100_eval_40"
More Information needed | [
"# Dataset Card for \"find_first_sent_train_100_eval_40\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_first_sent_train_100_eval_40\"\n\nMore Information needed"
]
| [
6,
26
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_first_sent_train_100_eval_40\"\n\nMore Information needed"
]
|
5c9f77a35d8b6c1dcce7e3a18f487d4421b0bf4d | # Dataset Card for WEB_QUESTIONS
## Licensing Information
The data is distributed under the [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) license.
## Source Data Citation INformation
```
@inproceedings{berant-etal-2013-semantic,
title = "Semantic Parsing on {F}reebase from Question-Answer Pairs",
author = "Berant, Jonathan and
Chou, Andrew and
Frostig, Roy and
Liang, Percy",
booktitle = "Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing",
month = oct,
year = "2013",
address = "Seattle, Washington, USA",
publisher = "Association for Computational Linguistics",
url = "https://www.aclweb.org/anthology/D13-1160",
pages = "1533--1544",
} | KETI-AIR/kor_web_questions | [
"task_categories:question-answering",
"task_ids:open-domain-qa",
"size_categories:1K<n<10K",
"language:ko",
"license:cc-by-4.0",
"region:us"
]
| 2023-11-08T06:32:03+00:00 | {"language": ["ko"], "license": ["cc-by-4.0"], "size_categories": ["1K<n<10K"], "task_categories": ["question-answering"], "task_ids": ["open-domain-qa"], "pretty_name": "WebQuestions", "dataset_info": {"features": [{"name": "url", "dtype": "string"}, {"name": "question", "dtype": "string"}, {"name": "answers", "sequence": "string"}, {"name": "data_index_by_user", "dtype": "int32"}], "splits": [{"name": "train", "num_bytes": 622410, "num_examples": 3778}, {"name": "test", "num_bytes": 337300, "num_examples": 2032}], "download_size": 486333, "dataset_size": 959710}} | 2023-11-15T01:17:34+00:00 | []
| [
"ko"
]
| TAGS
#task_categories-question-answering #task_ids-open-domain-qa #size_categories-1K<n<10K #language-Korean #license-cc-by-4.0 #region-us
| # Dataset Card for WEB_QUESTIONS
## Licensing Information
The data is distributed under the CC BY 4.0 license.
## Source Data Citation INformation
'''
@inproceedings{berant-etal-2013-semantic,
title = "Semantic Parsing on {F}reebase from Question-Answer Pairs",
author = "Berant, Jonathan and
Chou, Andrew and
Frostig, Roy and
Liang, Percy",
booktitle = "Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing",
month = oct,
year = "2013",
address = "Seattle, Washington, USA",
publisher = "Association for Computational Linguistics",
url = "URL
pages = "1533--1544",
} | [
"# Dataset Card for WEB_QUESTIONS",
"## Licensing Information\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation\n'''\n@inproceedings{berant-etal-2013-semantic,\n title = \"Semantic Parsing on {F}reebase from Question-Answer Pairs\",\n author = \"Berant, Jonathan and\n Chou, Andrew and\n Frostig, Roy and\n Liang, Percy\",\n booktitle = \"Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing\",\n month = oct,\n year = \"2013\",\n address = \"Seattle, Washington, USA\",\n publisher = \"Association for Computational Linguistics\",\n url = \"URL\n pages = \"1533--1544\",\n}"
]
| [
"TAGS\n#task_categories-question-answering #task_ids-open-domain-qa #size_categories-1K<n<10K #language-Korean #license-cc-by-4.0 #region-us \n",
"# Dataset Card for WEB_QUESTIONS",
"## Licensing Information\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation\n'''\n@inproceedings{berant-etal-2013-semantic,\n title = \"Semantic Parsing on {F}reebase from Question-Answer Pairs\",\n author = \"Berant, Jonathan and\n Chou, Andrew and\n Frostig, Roy and\n Liang, Percy\",\n booktitle = \"Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing\",\n month = oct,\n year = \"2013\",\n address = \"Seattle, Washington, USA\",\n publisher = \"Association for Computational Linguistics\",\n url = \"URL\n pages = \"1533--1544\",\n}"
]
| [
56,
10,
17,
148
]
| [
"passage: TAGS\n#task_categories-question-answering #task_ids-open-domain-qa #size_categories-1K<n<10K #language-Korean #license-cc-by-4.0 #region-us \n# Dataset Card for WEB_QUESTIONS## Licensing Information\nThe data is distributed under the CC BY 4.0 license.## Source Data Citation INformation\n'''\n@inproceedings{berant-etal-2013-semantic,\n title = \"Semantic Parsing on {F}reebase from Question-Answer Pairs\",\n author = \"Berant, Jonathan and\n Chou, Andrew and\n Frostig, Roy and\n Liang, Percy\",\n booktitle = \"Proceedings of the 2013 Conference on Empirical Methods in Natural Language Processing\",\n month = oct,\n year = \"2013\",\n address = \"Seattle, Washington, USA\",\n publisher = \"Association for Computational Linguistics\",\n url = \"URL\n pages = \"1533--1544\",\n}"
]
|
9d10f57eb49d41fda3e72274505f1a5cb0f660c9 | # Dataset Card for "find_second_sent_train_100_eval_40"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_second_sent_train_100_eval_40 | [
"region:us"
]
| 2023-11-08T06:32:47+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 310428, "num_examples": 240}, {"name": "validation", "num_bytes": 38893, "num_examples": 40}], "download_size": 0, "dataset_size": 349321}} | 2023-11-20T06:20:26+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_second_sent_train_100_eval_40"
More Information needed | [
"# Dataset Card for \"find_second_sent_train_100_eval_40\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_second_sent_train_100_eval_40\"\n\nMore Information needed"
]
| [
6,
25
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_second_sent_train_100_eval_40\"\n\nMore Information needed"
]
|
5646c03c7428aa5f409f551d04bb598dfe89ee67 | # Dataset Card for "find_last_sent_train_100_eval_40"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | tyzhu/find_last_sent_train_100_eval_40 | [
"region:us"
]
| 2023-11-08T06:32:55+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}], "dataset_info": {"features": [{"name": "inputs", "dtype": "string"}, {"name": "targets", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 310819, "num_examples": 240}, {"name": "validation", "num_bytes": 39780, "num_examples": 40}], "download_size": 0, "dataset_size": 350599}} | 2023-11-20T06:20:30+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "find_last_sent_train_100_eval_40"
More Information needed | [
"# Dataset Card for \"find_last_sent_train_100_eval_40\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"find_last_sent_train_100_eval_40\"\n\nMore Information needed"
]
| [
6,
25
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"find_last_sent_train_100_eval_40\"\n\nMore Information needed"
]
|
f81632a76cd4e428438c8a868479dfbde1950326 | # Dataset Card for Quarel
## Licensing Information
The data is distributed under the [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) license.
## Source Data Citation INformation
```
@inproceedings{quarel_v1,
title={QuaRel: A Dataset and Models for Answering Questions about Qualitative Relationships},
author={Oyvind Tafjord, Peter Clark, Matt Gardner, Wen-tau Yih, Ashish Sabharwal},
year={2018},
journal={arXiv:1805.05377v1}
}
``` | KETI-AIR/kor_quarel | [
"language:ko",
"license:cc-by-4.0",
"region:us"
]
| 2023-11-08T06:36:14+00:00 | {"language": ["ko"], "license": ["cc-by-4.0"], "pretty_name": "QUAREL", "dataset_info": {"features": [{"name": "data_index_by_user", "dtype": "int32"}, {"name": "id", "dtype": "string"}, {"name": "answer_index", "dtype": "int32"}, {"name": "logical_forms", "sequence": "string"}, {"name": "logical_form_pretty", "dtype": "string"}, {"name": "world_literals", "struct": [{"name": "world1", "sequence": "string"}, {"name": "world2", "sequence": "string"}]}, {"name": "question", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 1191886, "num_examples": 1941}, {"name": "validation", "num_bytes": 171905, "num_examples": 278}, {"name": "test", "num_bytes": 342838, "num_examples": 552}], "download_size": 615579, "dataset_size": 1706629}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}, {"split": "test", "path": "data/test-*"}]}]} | 2023-12-06T01:21:21+00:00 | []
| [
"ko"
]
| TAGS
#language-Korean #license-cc-by-4.0 #region-us
| # Dataset Card for Quarel
## Licensing Information
The data is distributed under the CC BY 4.0 license.
## Source Data Citation INformation
| [
"# Dataset Card for Quarel",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation"
]
| [
"TAGS\n#language-Korean #license-cc-by-4.0 #region-us \n",
"# Dataset Card for Quarel",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation"
]
| [
20,
7,
17,
8
]
| [
"passage: TAGS\n#language-Korean #license-cc-by-4.0 #region-us \n# Dataset Card for Quarel## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.## Source Data Citation INformation"
]
|
d9cb140a7f011da71cfe5bfa3cb2b874e463bf35 |
# Dataset Card for QASC
## Licensing Information
The data is distributed under the [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) license.
## Source Data Citation INformation
```
@article{allenai:qasc,
author = {Tushar Khot and Peter Clark and Michal Guerquin and Peter Jansen and Ashish Sabharwal},
title = {QASC: A Dataset for Question Answering via Sentence Composition},
journal = {arXiv:1910.11473v2},
year = {2020},
}
``` | KETI-AIR/kor_qasc | [
"task_categories:question-answering",
"task_categories:multiple-choice",
"task_ids:extractive-qa",
"task_ids:multiple-choice-qa",
"size_categories:1K<n<10K",
"language:ko",
"license:cc-by-4.0",
"region:us"
]
| 2023-11-08T06:41:46+00:00 | {"language": ["ko"], "license": "cc-by-4.0", "size_categories": ["1K<n<10K"], "task_categories": ["question-answering", "multiple-choice"], "task_ids": ["extractive-qa", "multiple-choice-qa"], "dataset_info": {"features": [{"name": "data_index_by_user", "dtype": "int32"}, {"name": "question", "dtype": "string"}, {"name": "choices", "struct": [{"name": "text", "sequence": "string"}, {"name": "label", "sequence": "string"}]}, {"name": "answerKey", "dtype": "string"}, {"name": "fact1", "dtype": "string"}, {"name": "fact2", "dtype": "string"}, {"name": "combinedfact", "dtype": "string"}, {"name": "formatted_question", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 5345733, "num_examples": 8134}, {"name": "validation", "num_bytes": 600701, "num_examples": 926}, {"name": "test", "num_bytes": 404309, "num_examples": 920}], "download_size": 2385940, "dataset_size": 6350743}} | 2023-11-15T01:21:25+00:00 | []
| [
"ko"
]
| TAGS
#task_categories-question-answering #task_categories-multiple-choice #task_ids-extractive-qa #task_ids-multiple-choice-qa #size_categories-1K<n<10K #language-Korean #license-cc-by-4.0 #region-us
|
# Dataset Card for QASC
## Licensing Information
The data is distributed under the CC BY 4.0 license.
## Source Data Citation INformation
| [
"# Dataset Card for QASC",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation"
]
| [
"TAGS\n#task_categories-question-answering #task_categories-multiple-choice #task_ids-extractive-qa #task_ids-multiple-choice-qa #size_categories-1K<n<10K #language-Korean #license-cc-by-4.0 #region-us \n",
"# Dataset Card for QASC",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation"
]
| [
80,
8,
17,
8
]
| [
"passage: TAGS\n#task_categories-question-answering #task_categories-multiple-choice #task_ids-extractive-qa #task_ids-multiple-choice-qa #size_categories-1K<n<10K #language-Korean #license-cc-by-4.0 #region-us \n# Dataset Card for QASC## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.## Source Data Citation INformation"
]
|
b7ca186e78f441a0a0d0c73f4310fd12c9915916 |
# Dataset Card for ROPES
## Licensing Information
The data is distributed under the [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) license.
## Source Data Citation INformation
```
@inproceedings{Lin2019ReasoningOP,
title={Reasoning Over Paragraph Effects in Situations},
author={Kevin Lin and Oyvind Tafjord and Peter Clark and Matt Gardner},
booktitle={MRQA@EMNLP},
year={2019}
} | KETI-AIR/kor_ropes | [
"task_categories:question-answering",
"task_ids:extractive-qa",
"size_categories:10K<n<100K",
"language:ko",
"license:cc-by-4.0",
"region:us"
]
| 2023-11-08T06:44:49+00:00 | {"language": ["ko"], "license": ["cc-by-4.0"], "size_categories": ["10K<n<100K"], "task_categories": ["question-answering"], "task_ids": ["extractive-qa"], "pretty_name": "ROPES", "dataset_info": {"features": [{"name": "data_index_by_user", "dtype": "int32"}, {"name": "background", "dtype": "string"}, {"name": "situation", "dtype": "string"}, {"name": "question", "dtype": "string"}, {"name": "answers", "sequence": [{"name": "text", "dtype": "string"}]}], "splits": [{"name": "train", "num_bytes": 13608462, "num_examples": 10924}, {"name": "validation", "num_bytes": 1864822, "num_examples": 1688}, {"name": "test", "num_bytes": 2158508, "num_examples": 1710}], "download_size": 1465973, "dataset_size": 17631792}} | 2023-11-15T01:22:37+00:00 | []
| [
"ko"
]
| TAGS
#task_categories-question-answering #task_ids-extractive-qa #size_categories-10K<n<100K #language-Korean #license-cc-by-4.0 #region-us
|
# Dataset Card for ROPES
## Licensing Information
The data is distributed under the CC BY 4.0 license.
## Source Data Citation INformation
'''
@inproceedings{Lin2019ReasoningOP,
title={Reasoning Over Paragraph Effects in Situations},
author={Kevin Lin and Oyvind Tafjord and Peter Clark and Matt Gardner},
booktitle={MRQA@EMNLP},
year={2019}
} | [
"# Dataset Card for ROPES",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation\n\n'''\n@inproceedings{Lin2019ReasoningOP,\n title={Reasoning Over Paragraph Effects in Situations},\n author={Kevin Lin and Oyvind Tafjord and Peter Clark and Matt Gardner},\n booktitle={MRQA@EMNLP},\n year={2019}\n}"
]
| [
"TAGS\n#task_categories-question-answering #task_ids-extractive-qa #size_categories-10K<n<100K #language-Korean #license-cc-by-4.0 #region-us \n",
"# Dataset Card for ROPES",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation\n\n'''\n@inproceedings{Lin2019ReasoningOP,\n title={Reasoning Over Paragraph Effects in Situations},\n author={Kevin Lin and Oyvind Tafjord and Peter Clark and Matt Gardner},\n booktitle={MRQA@EMNLP},\n year={2019}\n}"
]
| [
55,
8,
17,
81
]
| [
"passage: TAGS\n#task_categories-question-answering #task_ids-extractive-qa #size_categories-10K<n<100K #language-Korean #license-cc-by-4.0 #region-us \n# Dataset Card for ROPES## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.## Source Data Citation INformation\n\n'''\n@inproceedings{Lin2019ReasoningOP,\n title={Reasoning Over Paragraph Effects in Situations},\n author={Kevin Lin and Oyvind Tafjord and Peter Clark and Matt Gardner},\n booktitle={MRQA@EMNLP},\n year={2019}\n}"
]
|
8a2bbb6095d0107626d394058686281e060873a7 |
# Dataset Card for cosmos_qa
## Licensing Information
The data is distributed under the [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) license.
## Source Data Citation INformation
```
@inproceedings{huang-etal-2019-cosmos,
title = "Cosmos {QA}: Machine Reading Comprehension with Contextual Commonsense Reasoning",
author = "Huang, Lifu and
Le Bras, Ronan and
Bhagavatula, Chandra and
Choi, Yejin",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP)",
month = nov,
year = "2019",
address = "Hong Kong, China",
publisher = "Association for Computational Linguistics",
url = "https://www.aclweb.org/anthology/D19-1243",
doi = "10.18653/v1/D19-1243",
pages = "2391--2401",
}
``` | KETI-AIR/kor_cosmos_qa | [
"size_categories:10K<n<100K",
"language:ko",
"license:cc-by-4.0",
"region:us"
]
| 2023-11-08T06:48:59+00:00 | {"language": ["ko"], "license": ["cc-by-4.0"], "size_categories": ["10K<n<100K"], "pretty_name": "CosmosQA", "dataset_info": {"features": [{"name": "data_index_by_user", "dtype": "int32"}, {"name": "context", "dtype": "string"}, {"name": "question", "dtype": "string"}, {"name": "answer0", "dtype": "string"}, {"name": "answer1", "dtype": "string"}, {"name": "answer2", "dtype": "string"}, {"name": "answer3", "dtype": "string"}, {"name": "label", "dtype": "int32"}], "splits": [{"name": "train", "num_bytes": 20787557, "num_examples": 25262}, {"name": "validation", "num_bytes": 2246371, "num_examples": 2985}, {"name": "test", "num_bytes": 6186162, "num_examples": 6963}], "download_size": 11150870, "dataset_size": 29220090}} | 2023-11-15T01:23:57+00:00 | []
| [
"ko"
]
| TAGS
#size_categories-10K<n<100K #language-Korean #license-cc-by-4.0 #region-us
|
# Dataset Card for cosmos_qa
## Licensing Information
The data is distributed under the CC BY 4.0 license.
## Source Data Citation INformation
| [
"# Dataset Card for cosmos_qa",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation"
]
| [
"TAGS\n#size_categories-10K<n<100K #language-Korean #license-cc-by-4.0 #region-us \n",
"# Dataset Card for cosmos_qa",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation INformation"
]
| [
32,
9,
17,
8
]
| [
"passage: TAGS\n#size_categories-10K<n<100K #language-Korean #license-cc-by-4.0 #region-us \n# Dataset Card for cosmos_qa## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.## Source Data Citation INformation"
]
|
39a7ba4b08bdee0c2fb2ab0db465522c9e528897 |
# Dataset Card for wiki_hop
## Licensing Information
The data is distributed under the [CC BY SA 3.0](https://creativecommons.org/licenses/by-sa/3.0/deed.en) license.
## Source Data Citation Information
```
@article{DBLP:journals/corr/abs-1710-06481,
author = {Johannes Welbl and
Pontus Stenetorp and
Sebastian Riedel},
title = {Constructing Datasets for Multi-hop Reading Comprehension Across Documents},
journal = {CoRR},
volume = {abs/1710.06481},
year = {2017},
url = {http://arxiv.org/abs/1710.06481},
eprinttype = {arXiv},
eprint = {1710.06481},
timestamp = {Mon, 13 Aug 2018 16:46:34 +0200},
biburl = {https://dblp.org/rec/journals/corr/abs-1710-06481.bib},
bibsource = {dblp computer science bibliography, https://dblp.org}
}
``` | KETI-AIR/kor_wiki_hop | [
"task_categories:question-answering",
"task_ids:extractive-qa",
"multilinguality:monolingual",
"size_categories:10K<n<100K",
"source_datasets:original",
"language:ko",
"license:cc-by-sa-3.0",
"arxiv:1710.06481",
"region:us"
]
| 2023-11-08T07:03:36+00:00 | {"language": ["ko"], "license": ["cc-by-sa-3.0"], "multilinguality": ["monolingual"], "size_categories": ["10K<n<100K"], "source_datasets": ["original"], "task_categories": ["question-answering"], "task_ids": ["extractive-qa"], "paperswithcode_id": "wikihop", "pretty_name": "WikiHop", "dataset_info": {"features": [{"name": "data_index_by_user", "dtype": "int32"}, {"name": "question", "dtype": "string"}, {"name": "answer", "dtype": "string"}, {"name": "candidates", "sequence": "string"}, {"name": "supports", "sequence": "string"}, {"name": "annotations", "sequence": {"sequence": "string"}}], "splits": [{"name": "train", "num_bytes": 351647702, "num_examples": 43738}, {"name": "validation", "num_bytes": 44492664, "num_examples": 5129}], "download_size": 221782303, "dataset_size": 396140366}} | 2023-11-15T01:23:19+00:00 | [
"1710.06481"
]
| [
"ko"
]
| TAGS
#task_categories-question-answering #task_ids-extractive-qa #multilinguality-monolingual #size_categories-10K<n<100K #source_datasets-original #language-Korean #license-cc-by-sa-3.0 #arxiv-1710.06481 #region-us
|
# Dataset Card for wiki_hop
## Licensing Information
The data is distributed under the CC BY SA 3.0 license.
## Source Data Citation Information
| [
"# Dataset Card for wiki_hop",
"## Licensing Information\n\nThe data is distributed under the CC BY SA 3.0 license.",
"## Source Data Citation Information"
]
| [
"TAGS\n#task_categories-question-answering #task_ids-extractive-qa #multilinguality-monolingual #size_categories-10K<n<100K #source_datasets-original #language-Korean #license-cc-by-sa-3.0 #arxiv-1710.06481 #region-us \n",
"# Dataset Card for wiki_hop",
"## Licensing Information\n\nThe data is distributed under the CC BY SA 3.0 license.",
"## Source Data Citation Information"
]
| [
82,
8,
18,
6
]
| [
"passage: TAGS\n#task_categories-question-answering #task_ids-extractive-qa #multilinguality-monolingual #size_categories-10K<n<100K #source_datasets-original #language-Korean #license-cc-by-sa-3.0 #arxiv-1710.06481 #region-us \n# Dataset Card for wiki_hop## Licensing Information\n\nThe data is distributed under the CC BY SA 3.0 license.## Source Data Citation Information"
]
|
71070865af53c9c570ea77318b102468cb5a4abb |
The dataset consists of 1000 randomly selected rows from the original [alpaca-gpt4](https://huggingface.co/datasets/vicgalle/alpaca-gpt4) dataset. | aigeek0x0/alpaca-gpt4-1000 | [
"license:cc-by-nc-4.0",
"region:us"
]
| 2023-11-08T07:11:45+00:00 | {"license": "cc-by-nc-4.0"} | 2023-11-15T00:37:55+00:00 | []
| []
| TAGS
#license-cc-by-nc-4.0 #region-us
|
The dataset consists of 1000 randomly selected rows from the original alpaca-gpt4 dataset. | []
| [
"TAGS\n#license-cc-by-nc-4.0 #region-us \n"
]
| [
17
]
| [
"passage: TAGS\n#license-cc-by-nc-4.0 #region-us \n"
]
|
621be982bfaaecba5a3714d3916a3dd8d3c3804b | # Dataset Card for quartz
## Licensing Information
The data is distributed under the [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) license.
## Source Data Citation Information
```
@InProceedings{quartz,
author = {Oyvind Tafjord and Matt Gardner and Kevin Lin and Peter Clark},
title = {"QUARTZ: An Open-Domain Dataset of Qualitative Relationship
Questions"},
year = {"2019"},
} | KETI-AIR/kor_quartz | [
"language:ko",
"license:cc-by-4.0",
"region:us"
]
| 2023-11-08T07:13:34+00:00 | {"language": ["ko"], "license": "cc-by-4.0", "dataset_info": {"features": [{"name": "data_index_by_user", "dtype": "int32"}, {"name": "question", "dtype": "string"}, {"name": "choices", "struct": [{"name": "text", "sequence": "string"}, {"name": "label", "sequence": "string"}]}, {"name": "answerKey", "dtype": "string"}, {"name": "para", "dtype": "string"}, {"name": "para_id", "dtype": "string"}, {"name": "para_anno", "struct": [{"name": "effect_prop", "dtype": "string"}, {"name": "cause_dir_str", "dtype": "string"}, {"name": "effect_dir_str", "dtype": "string"}, {"name": "cause_dir_sign", "dtype": "string"}, {"name": "effect_dir_sign", "dtype": "string"}, {"name": "cause_prop", "dtype": "string"}]}, {"name": "question_anno", "struct": [{"name": "more_effect_dir", "dtype": "string"}, {"name": "less_effect_dir", "dtype": "string"}, {"name": "less_cause_prop", "dtype": "string"}, {"name": "more_effect_prop", "dtype": "string"}, {"name": "less_effect_prop", "dtype": "string"}, {"name": "less_cause_dir", "dtype": "string"}]}], "splits": [{"name": "train", "num_bytes": 1326969, "num_examples": 2696}, {"name": "validation", "num_bytes": 192332, "num_examples": 384}, {"name": "test", "num_bytes": 385569, "num_examples": 784}], "download_size": 618394, "dataset_size": 1904870}} | 2023-11-15T01:18:53+00:00 | []
| [
"ko"
]
| TAGS
#language-Korean #license-cc-by-4.0 #region-us
| # Dataset Card for quartz
## Licensing Information
The data is distributed under the CC BY 4.0 license.
## Source Data Citation Information
'''
@InProceedings{quartz,
author = {Oyvind Tafjord and Matt Gardner and Kevin Lin and Peter Clark},
title = {"QUARTZ: An Open-Domain Dataset of Qualitative Relationship
Questions"},
year = {"2019"},
} | [
"# Dataset Card for quartz",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation Information\n\n'''\n@InProceedings{quartz,\n author = {Oyvind Tafjord and Matt Gardner and Kevin Lin and Peter Clark},\n title = {\"QUARTZ: An Open-Domain Dataset of Qualitative Relationship\nQuestions\"},\n year = {\"2019\"},\n}"
]
| [
"TAGS\n#language-Korean #license-cc-by-4.0 #region-us \n",
"# Dataset Card for quartz",
"## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.",
"## Source Data Citation Information\n\n'''\n@InProceedings{quartz,\n author = {Oyvind Tafjord and Matt Gardner and Kevin Lin and Peter Clark},\n title = {\"QUARTZ: An Open-Domain Dataset of Qualitative Relationship\nQuestions\"},\n year = {\"2019\"},\n}"
]
| [
20,
7,
17,
73
]
| [
"passage: TAGS\n#language-Korean #license-cc-by-4.0 #region-us \n# Dataset Card for quartz## Licensing Information\n\nThe data is distributed under the CC BY 4.0 license.## Source Data Citation Information\n\n'''\n@InProceedings{quartz,\n author = {Oyvind Tafjord and Matt Gardner and Kevin Lin and Peter Clark},\n title = {\"QUARTZ: An Open-Domain Dataset of Qualitative Relationship\nQuestions\"},\n year = {\"2019\"},\n}"
]
|
d698090a79725efeeaaef69dd7484b3ad124e379 | # Dataset Card for "seizure_eeg_iirFilter_greyscale_224x224_6secWindow_adjusted"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | JLB-JLB/seizure_eeg_iirFilter_greyscale_224x224_6secWindow_adjusted | [
"region:us"
]
| 2023-11-08T07:27:16+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "dev", "path": "data/dev-*"}, {"split": "eval", "path": "data/eval-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "epoch", "dtype": "int64"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "bckg", "1": "seiz"}}}}], "splits": [{"name": "train", "num_bytes": 2846269198.9138107, "num_examples": 93962}, {"name": "dev", "num_bytes": 12108190175.63, "num_examples": 390190}, {"name": "eval", "num_bytes": 456877061.87851226, "num_examples": 14910}], "download_size": 14973759819, "dataset_size": 15411336436.422321}} | 2023-11-08T07:45:42+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "seizure_eeg_iirFilter_greyscale_224x224_6secWindow_adjusted"
More Information needed | [
"# Dataset Card for \"seizure_eeg_iirFilter_greyscale_224x224_6secWindow_adjusted\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"seizure_eeg_iirFilter_greyscale_224x224_6secWindow_adjusted\"\n\nMore Information needed"
]
| [
6,
41
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"seizure_eeg_iirFilter_greyscale_224x224_6secWindow_adjusted\"\n\nMore Information needed"
]
|
56cb08b68db6d1cee603f8e504ef9ecd3d096293 |
# Dataset Card for squad_v2
## Licensing Information
The data is distributed under the [CC BY SA 4.0](https://creativecommons.org/licenses/by-sa/4.0/deed.en) license.
## Source Data Citation Information
```
@article{2016arXiv160605250R,
author = {{Rajpurkar}, Pranav and {Zhang}, Jian and {Lopyrev},
Konstantin and {Liang}, Percy},
title = "{SQuAD: 100,000+ Questions for Machine Comprehension of Text}",
journal = {arXiv e-prints},
year = 2016,
eid = {arXiv:1606.05250},
pages = {arXiv:1606.05250},
archivePrefix = {arXiv},
eprint = {1606.05250},
} | KETI-AIR/kor_squad_v2 | [
"task_categories:question-answering",
"task_ids:open-domain-qa",
"task_ids:extractive-qa",
"language:ko",
"license:cc-by-sa-4.0",
"arxiv:1606.05250",
"region:us"
]
| 2023-11-08T07:28:12+00:00 | {"language": ["ko"], "license": "cc-by-sa-4.0", "task_categories": ["question-answering"], "task_ids": ["open-domain-qa", "extractive-qa"], "dataset_info": {"features": [{"name": "data_index_by_user", "dtype": "int32"}, {"name": "title", "dtype": "string"}, {"name": "context", "dtype": "string"}, {"name": "question", "dtype": "string"}, {"name": "answers", "struct": [{"name": "text", "sequence": "string"}, {"name": "answer_start", "sequence": "int32"}]}], "splits": [{"name": "train", "num_bytes": 127009200, "num_examples": 130319}, {"name": "validation", "num_bytes": 12410838, "num_examples": 11873}], "download_size": 19086608, "dataset_size": 139420038}} | 2023-11-15T01:19:19+00:00 | [
"1606.05250"
]
| [
"ko"
]
| TAGS
#task_categories-question-answering #task_ids-open-domain-qa #task_ids-extractive-qa #language-Korean #license-cc-by-sa-4.0 #arxiv-1606.05250 #region-us
|
# Dataset Card for squad_v2
## Licensing Information
The data is distributed under the CC BY SA 4.0 license.
## Source Data Citation Information
'''
@article{2016arXiv160605250R,
author = {{Rajpurkar}, Pranav and {Zhang}, Jian and {Lopyrev},
Konstantin and {Liang}, Percy},
title = "{SQuAD: 100,000+ Questions for Machine Comprehension of Text}",
journal = {arXiv e-prints},
year = 2016,
eid = {arXiv:1606.05250},
pages = {arXiv:1606.05250},
archivePrefix = {arXiv},
eprint = {1606.05250},
} | [
"# Dataset Card for squad_v2",
"## Licensing Information\n\nThe data is distributed under the CC BY SA 4.0 license.",
"## Source Data Citation Information\n\n'''\n@article{2016arXiv160605250R,\n author = {{Rajpurkar}, Pranav and {Zhang}, Jian and {Lopyrev},\n Konstantin and {Liang}, Percy},\n title = \"{SQuAD: 100,000+ Questions for Machine Comprehension of Text}\",\n journal = {arXiv e-prints},\n year = 2016,\n eid = {arXiv:1606.05250},\n pages = {arXiv:1606.05250},\narchivePrefix = {arXiv},\n eprint = {1606.05250},\n}"
]
| [
"TAGS\n#task_categories-question-answering #task_ids-open-domain-qa #task_ids-extractive-qa #language-Korean #license-cc-by-sa-4.0 #arxiv-1606.05250 #region-us \n",
"# Dataset Card for squad_v2",
"## Licensing Information\n\nThe data is distributed under the CC BY SA 4.0 license.",
"## Source Data Citation Information\n\n'''\n@article{2016arXiv160605250R,\n author = {{Rajpurkar}, Pranav and {Zhang}, Jian and {Lopyrev},\n Konstantin and {Liang}, Percy},\n title = \"{SQuAD: 100,000+ Questions for Machine Comprehension of Text}\",\n journal = {arXiv e-prints},\n year = 2016,\n eid = {arXiv:1606.05250},\n pages = {arXiv:1606.05250},\narchivePrefix = {arXiv},\n eprint = {1606.05250},\n}"
]
| [
65,
10,
18,
142
]
| [
"passage: TAGS\n#task_categories-question-answering #task_ids-open-domain-qa #task_ids-extractive-qa #language-Korean #license-cc-by-sa-4.0 #arxiv-1606.05250 #region-us \n# Dataset Card for squad_v2## Licensing Information\n\nThe data is distributed under the CC BY SA 4.0 license.## Source Data Citation Information\n\n'''\n@article{2016arXiv160605250R,\n author = {{Rajpurkar}, Pranav and {Zhang}, Jian and {Lopyrev},\n Konstantin and {Liang}, Percy},\n title = \"{SQuAD: 100,000+ Questions for Machine Comprehension of Text}\",\n journal = {arXiv e-prints},\n year = 2016,\n eid = {arXiv:1606.05250},\n pages = {arXiv:1606.05250},\narchivePrefix = {arXiv},\n eprint = {1606.05250},\n}"
]
|
010566c590ecd28ef9971cccc8720744813b39f9 | # Dataset Card for "autotrain-data-8a00-9wrj-ig4m"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | AYUNTAMIENTOVERA/autotrain-data-8a00-9wrj-ig4m | [
"region:us"
]
| 2023-11-08T07:34:12+00:00 | {"dataset_info": {"features": [{"name": "id", "dtype": "int64"}, {"name": "grupo", "dtype": "string"}, {"name": "intencion", "dtype": "string"}, {"name": "entrenada", "dtype": "int64"}, {"name": "revision", "dtype": "string"}, {"name": "burbuja1", "dtype": "string"}, {"name": "enlace1", "dtype": "string"}, {"name": "burbuja2", "dtype": "string"}, {"name": "enlace2", "dtype": "string"}, {"name": "burbuja3", "dtype": "string"}, {"name": "enlace3", "dtype": "string"}, {"name": "ejemplos", "dtype": "string"}, {"name": "observaciones", "dtype": "float64"}, {"name": "autotrain_text", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 164025, "num_examples": 264}, {"name": "validation", "num_bytes": 164025, "num_examples": 264}], "download_size": 174744, "dataset_size": 328050}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "validation", "path": "data/validation-*"}]}]} | 2023-11-08T07:34:13+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "autotrain-data-8a00-9wrj-ig4m"
More Information needed | [
"# Dataset Card for \"autotrain-data-8a00-9wrj-ig4m\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"autotrain-data-8a00-9wrj-ig4m\"\n\nMore Information needed"
]
| [
6,
25
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"autotrain-data-8a00-9wrj-ig4m\"\n\nMore Information needed"
]
|
2c517432a254429c101a7bf523fd28229d39927a |
# Dataset Card for anli
## Licensing Information
[cc-4 Attribution-NonCommercial](https://github.com/facebookresearch/anli/blob/main/LICENSE)
## Source Data Citation INformation
```
@InProceedings{nie2019adversarial,
title={Adversarial NLI: A New Benchmark for Natural Language Understanding},
author={Nie, Yixin
and Williams, Adina
and Dinan, Emily
and Bansal, Mohit
and Weston, Jason
and Kiela, Douwe},
booktitle = "Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics",
year = "2020",
publisher = "Association for Computational Linguistics",
} | KETI-AIR/kor_anli | [
"task_categories:text-classification",
"task_ids:natural-language-inference",
"task_ids:multi-input-text-classification",
"size_categories:100K<n<1M",
"language:ko",
"license:cc-by-nc-4.0",
"region:us"
]
| 2023-11-08T07:39:41+00:00 | {"language": ["ko"], "license": ["cc-by-nc-4.0"], "size_categories": ["100K<n<1M"], "task_categories": ["text-classification"], "task_ids": ["natural-language-inference", "multi-input-text-classification"], "paperswithcode_id": "anli", "pretty_name": "Adversarial NLI", "dataset_info": {"features": [{"name": "data_index_by_user", "dtype": "int32"}, {"name": "premise", "dtype": "string"}, {"name": "hypothesis", "dtype": "string"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "entailment", "1": "neutral", "2": "contradiction"}}}}, {"name": "reason", "dtype": "string"}], "splits": [{"name": "train_r1", "num_bytes": 8505556, "num_examples": 16946}, {"name": "train_r2", "num_bytes": 22521662, "num_examples": 45460}, {"name": "train_r3", "num_bytes": 48605206, "num_examples": 100459}, {"name": "dev_r1", "num_bytes": 628891, "num_examples": 1000}, {"name": "dev_r2", "num_bytes": 613763, "num_examples": 1000}, {"name": "dev_r3", "num_bytes": 740840, "num_examples": 1200}, {"name": "test_r1", "num_bytes": 626555, "num_examples": 1000}, {"name": "test_r2", "num_bytes": 633241, "num_examples": 1000}, {"name": "test_r3", "num_bytes": 736887, "num_examples": 1200}], "download_size": 23386318, "dataset_size": 83612601}} | 2023-11-15T01:18:06+00:00 | []
| [
"ko"
]
| TAGS
#task_categories-text-classification #task_ids-natural-language-inference #task_ids-multi-input-text-classification #size_categories-100K<n<1M #language-Korean #license-cc-by-nc-4.0 #region-us
|
# Dataset Card for anli
## Licensing Information
cc-4 Attribution-NonCommercial
## Source Data Citation INformation
'''
@InProceedings{nie2019adversarial,
title={Adversarial NLI: A New Benchmark for Natural Language Understanding},
author={Nie, Yixin
and Williams, Adina
and Dinan, Emily
and Bansal, Mohit
and Weston, Jason
and Kiela, Douwe},
booktitle = "Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics",
year = "2020",
publisher = "Association for Computational Linguistics",
} | [
"# Dataset Card for anli",
"## Licensing Information\n\ncc-4 Attribution-NonCommercial",
"## Source Data Citation INformation\n\n'''\n@InProceedings{nie2019adversarial,\n title={Adversarial NLI: A New Benchmark for Natural Language Understanding},\n author={Nie, Yixin\n and Williams, Adina\n and Dinan, Emily\n and Bansal, Mohit\n and Weston, Jason\n and Kiela, Douwe},\n booktitle = \"Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics\",\n year = \"2020\",\n publisher = \"Association for Computational Linguistics\",\n}"
]
| [
"TAGS\n#task_categories-text-classification #task_ids-natural-language-inference #task_ids-multi-input-text-classification #size_categories-100K<n<1M #language-Korean #license-cc-by-nc-4.0 #region-us \n",
"# Dataset Card for anli",
"## Licensing Information\n\ncc-4 Attribution-NonCommercial",
"## Source Data Citation INformation\n\n'''\n@InProceedings{nie2019adversarial,\n title={Adversarial NLI: A New Benchmark for Natural Language Understanding},\n author={Nie, Yixin\n and Williams, Adina\n and Dinan, Emily\n and Bansal, Mohit\n and Weston, Jason\n and Kiela, Douwe},\n booktitle = \"Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics\",\n year = \"2020\",\n publisher = \"Association for Computational Linguistics\",\n}"
]
| [
73,
7,
14,
127
]
| [
"passage: TAGS\n#task_categories-text-classification #task_ids-natural-language-inference #task_ids-multi-input-text-classification #size_categories-100K<n<1M #language-Korean #license-cc-by-nc-4.0 #region-us \n# Dataset Card for anli## Licensing Information\n\ncc-4 Attribution-NonCommercial## Source Data Citation INformation\n\n'''\n@InProceedings{nie2019adversarial,\n title={Adversarial NLI: A New Benchmark for Natural Language Understanding},\n author={Nie, Yixin\n and Williams, Adina\n and Dinan, Emily\n and Bansal, Mohit\n and Weston, Jason\n and Kiela, Douwe},\n booktitle = \"Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics\",\n year = \"2020\",\n publisher = \"Association for Computational Linguistics\",\n}"
]
|
7a7c738d6b42eded525bb7fa55a6c60e457b4057 | # Dataset Card for "OpenOrca-processes-QA-vi"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | nlplabtdtu/OpenOrca-processes-QA-vi | [
"region:us"
]
| 2023-11-08T07:58:22+00:00 | {"dataset_info": {"features": [{"name": "id", "dtype": "string"}, {"name": "system_prompt", "dtype": "string"}, {"name": "question", "dtype": "string"}, {"name": "response", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 36733040, "num_examples": 32860}], "download_size": 12971853, "dataset_size": 36733040}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T09:03:32+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "OpenOrca-processes-QA-vi"
More Information needed | [
"# Dataset Card for \"OpenOrca-processes-QA-vi\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"OpenOrca-processes-QA-vi\"\n\nMore Information needed"
]
| [
6,
20
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"OpenOrca-processes-QA-vi\"\n\nMore Information needed"
]
|
98ac08091845477b0b45cb09078263e63f838a94 | # Dataset Card for Nexdata/Non-safety_and_inductive_Prompt_data
## Description
Non-safety and inductive Prompt data, about 500,000 in total, this dataset can be used for tasks such as LLM training, chatgpt
For more details, please refer to the link: https://www.nexdata.ai/datasets/1349?source=Huggingface
# Specifications
## Data content
Non-safety and inductive Prompt data
## Data size
About 500,000
## Collecting type
volience,politically sensitive,bad language,porn,induce
## Collecting method
written by professional annotators
## Storage format
txt
## Language
Chinese
# Licensing Information
Commercial License | Nexdata/Non-safety_and_inductive_Prompt_data | [
"task_categories:text-generation",
"task_categories:zero-shot-classification",
"language:zh",
"region:us"
]
| 2023-11-08T08:02:36+00:00 | {"language": ["zh"], "task_categories": ["text-generation", "zero-shot-classification"]} | 2024-01-26T08:54:05+00:00 | []
| [
"zh"
]
| TAGS
#task_categories-text-generation #task_categories-zero-shot-classification #language-Chinese #region-us
| # Dataset Card for Nexdata/Non-safety_and_inductive_Prompt_data
## Description
Non-safety and inductive Prompt data, about 500,000 in total, this dataset can be used for tasks such as LLM training, chatgpt
For more details, please refer to the link: URL
# Specifications
## Data content
Non-safety and inductive Prompt data
## Data size
About 500,000
## Collecting type
volience,politically sensitive,bad language,porn,induce
## Collecting method
written by professional annotators
## Storage format
txt
## Language
Chinese
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Non-safety_and_inductive_Prompt_data",
"## Description\nNon-safety and inductive Prompt data, about 500,000 in total, this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\nNon-safety and inductive Prompt data",
"## Data size\nAbout 500,000",
"## Collecting type\nvolience,politically sensitive,bad language,porn,induce",
"## Collecting method\nwritten by professional annotators",
"## Storage format\ntxt",
"## Language\nChinese",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-text-generation #task_categories-zero-shot-classification #language-Chinese #region-us \n",
"# Dataset Card for Nexdata/Non-safety_and_inductive_Prompt_data",
"## Description\nNon-safety and inductive Prompt data, about 500,000 in total, this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\nNon-safety and inductive Prompt data",
"## Data size\nAbout 500,000",
"## Collecting type\nvolience,politically sensitive,bad language,porn,induce",
"## Collecting method\nwritten by professional annotators",
"## Storage format\ntxt",
"## Language\nChinese",
"# Licensing Information\nCommercial License"
]
| [
35,
25,
49,
3,
14,
6,
18,
10,
5,
3,
9
]
| [
"passage: TAGS\n#task_categories-text-generation #task_categories-zero-shot-classification #language-Chinese #region-us \n# Dataset Card for Nexdata/Non-safety_and_inductive_Prompt_data## Description\nNon-safety and inductive Prompt data, about 500,000 in total, this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL# Specifications## Data content\nNon-safety and inductive Prompt data## Data size\nAbout 500,000## Collecting type\nvolience,politically sensitive,bad language,porn,induce## Collecting method\nwritten by professional annotators## Storage format\ntxt## Language\nChinese# Licensing Information\nCommercial License"
]
|
f00053cd9dfa679f1e3cd3b3c76205d5c1fd03bf | # Dataset Card for Nexdata/Unsupervised_Text_Data_For_Literary_Subjects
## Description
Subjects content data, about 1T in total; each piece of subjects' content contains title,text,author,date,subject,keyword; this dataset can be used for tasks such as LLM training, chatgpt
For more details, please refer to the link: https://www.nexdata.ai/datasets/1310?source=Huggingface
# Specifications
## Data content
News content data，about 79 subjects
## Data size
About 1TB
## Data fields
Text data with title,text,author,date,subject,keyword
## Collection method
Using keywords to retrieve data from massive databases, and the keywords are the subject and keyword
## Storage format
json
## Language
Chinese
# Licensing Information
Commercial License | Nexdata/Unsupervised_Text_Data_For_Literary_Subjects | [
"task_categories:conversational",
"language:zh",
"region:us"
]
| 2023-11-08T08:05:07+00:00 | {"language": ["zh"], "task_categories": ["conversational"]} | 2023-11-10T07:21:54+00:00 | []
| [
"zh"
]
| TAGS
#task_categories-conversational #language-Chinese #region-us
| # Dataset Card for Nexdata/Unsupervised_Text_Data_For_Literary_Subjects
## Description
Subjects content data, about 1T in total; each piece of subjects' content contains title,text,author,date,subject,keyword; this dataset can be used for tasks such as LLM training, chatgpt
For more details, please refer to the link: URL
# Specifications
## Data content
News content data，about 79 subjects
## Data size
About 1TB
## Data fields
Text data with title,text,author,date,subject,keyword
## Collection method
Using keywords to retrieve data from massive databases, and the keywords are the subject and keyword
## Storage format
json
## Language
Chinese
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Unsupervised_Text_Data_For_Literary_Subjects",
"## Description\nSubjects content data, about 1T in total; each piece of subjects' content contains title,text,author,date,subject,keyword; this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\nNews content data，about 79 subjects",
"## Data size\nAbout 1TB",
"## Data fields\nText data with title,text,author,date,subject,keyword",
"## Collection method\nUsing keywords to retrieve data from massive databases, and the keywords are the subject and keyword",
"## Storage format\njson",
"## Language\nChinese",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-conversational #language-Chinese #region-us \n",
"# Dataset Card for Nexdata/Unsupervised_Text_Data_For_Literary_Subjects",
"## Description\nSubjects content data, about 1T in total; each piece of subjects' content contains title,text,author,date,subject,keyword; this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\nNews content data，about 79 subjects",
"## Data size\nAbout 1TB",
"## Data fields\nText data with title,text,author,date,subject,keyword",
"## Collection method\nUsing keywords to retrieve data from massive databases, and the keywords are the subject and keyword",
"## Storage format\njson",
"## Language\nChinese",
"# Licensing Information\nCommercial License"
]
| [
21,
27,
67,
3,
11,
6,
22,
26,
5,
3,
9
]
| [
"passage: TAGS\n#task_categories-conversational #language-Chinese #region-us \n# Dataset Card for Nexdata/Unsupervised_Text_Data_For_Literary_Subjects## Description\nSubjects content data, about 1T in total; each piece of subjects' content contains title,text,author,date,subject,keyword; this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL# Specifications## Data content\nNews content data，about 79 subjects## Data size\nAbout 1TB## Data fields\nText data with title,text,author,date,subject,keyword## Collection method\nUsing keywords to retrieve data from massive databases, and the keywords are the subject and keyword## Storage format\njson## Language\nChinese# Licensing Information\nCommercial License"
]
|
dc3e42fe22b0e29b2faf6f90fa022f4520996e35 | # Dataset Card for Nexdata/Chinese_News_Text_Data
## Description
News content data, about 35G in total; each piece of news comment content contains ID, time, news title and news body; this dataset can be used for tasks such as LLM training, chatgpt
For more details, please refer to the link: https://www.nexdata.ai/datasets/1258?source=Huggingface
# Specifications
## Data content
News content data
## Data size
About 35G
## Data fields
id,time,title,body
## Collecting time
February 1,991 - July 2,017
## Storage format
json
## Language
Chinese
## The amount of data
The amount of neutral data is not less than 1.6 hours; the amount of data with filler word is not less than 0.4 hours; and the remaining six types of emotional data is not less than 1.67 hours each
# Licensing Information
Commercial License | Nexdata/Chinese_News_Text_Data | [
"task_categories:conversational",
"language:zh",
"region:us"
]
| 2023-11-08T08:06:42+00:00 | {"language": ["zh"], "task_categories": ["conversational"]} | 2023-11-10T07:21:38+00:00 | []
| [
"zh"
]
| TAGS
#task_categories-conversational #language-Chinese #region-us
| # Dataset Card for Nexdata/Chinese_News_Text_Data
## Description
News content data, about 35G in total; each piece of news comment content contains ID, time, news title and news body; this dataset can be used for tasks such as LLM training, chatgpt
For more details, please refer to the link: URL
# Specifications
## Data content
News content data
## Data size
About 35G
## Data fields
id,time,title,body
## Collecting time
February 1,991 - July 2,017
## Storage format
json
## Language
Chinese
## The amount of data
The amount of neutral data is not less than 1.6 hours; the amount of data with filler word is not less than 0.4 hours; and the remaining six types of emotional data is not less than 1.67 hours each
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Chinese_News_Text_Data",
"## Description\nNews content data, about 35G in total; each piece of news comment content contains ID, time, news title and news body; this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\nNews content data",
"## Data size\nAbout 35G",
"## Data fields\nid,time,title,body",
"## Collecting time\nFebruary 1,991 - July 2,017",
"## Storage format\njson",
"## Language\nChinese",
"## The amount of data\nThe amount of neutral data is not less than 1.6 hours; the amount of data with filler word is not less than 0.4 hours; and the remaining six types of emotional data is not less than 1.67 hours each",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-conversational #language-Chinese #region-us \n",
"# Dataset Card for Nexdata/Chinese_News_Text_Data",
"## Description\nNews content data, about 35G in total; each piece of news comment content contains ID, time, news title and news body; this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\nNews content data",
"## Data size\nAbout 35G",
"## Data fields\nid,time,title,body",
"## Collecting time\nFebruary 1,991 - July 2,017",
"## Storage format\njson",
"## Language\nChinese",
"## The amount of data\nThe amount of neutral data is not less than 1.6 hours; the amount of data with filler word is not less than 0.4 hours; and the remaining six types of emotional data is not less than 1.67 hours each",
"# Licensing Information\nCommercial License"
]
| [
21,
17,
59,
3,
6,
6,
11,
11,
5,
3,
50,
9
]
| [
"passage: TAGS\n#task_categories-conversational #language-Chinese #region-us \n# Dataset Card for Nexdata/Chinese_News_Text_Data## Description\nNews content data, about 35G in total; each piece of news comment content contains ID, time, news title and news body; this dataset can be used for tasks such as LLM training, chatgpt\n\nFor more details, please refer to the link: URL# Specifications## Data content\nNews content data## Data size\nAbout 35G## Data fields\nid,time,title,body## Collecting time\nFebruary 1,991 - July 2,017## Storage format\njson## Language\nChinese## The amount of data\nThe amount of neutral data is not less than 1.6 hours; the amount of data with filler word is not less than 0.4 hours; and the remaining six types of emotional data is not less than 1.67 hours each# Licensing Information\nCommercial License"
]
|
db0d55a9a20cd130265fcbaf316111e901533b77 | # Dataset Card for Nexdata/Multi-Round_Interpersonal_Dialogues_Text_Data
## Description
This database is the interactive text corpus of real users on the mobile phone. The database itself has been desensitized to ensure of no private information of the user's (A and B are the codes to replace the sender and receiver, and sensitive information such as cellphone number and user name are replaced with '* * *'). This database can be used for tasks such as natural language understanding.
For more details, please refer to the link: https://www.nexdata.ai/datasets/150?source=Huggingface
# Specifications
## Data content
text corpus of multi-round interpersonal dialogues in the real world.
## Data size
830,276 groups.
## Collecting period
the year 2,015
## Storage format
txt
## Language
Chinese
## Applications
semantic parsing of multi-round dialogues in smart customer service and intelligent interaction scenarios.
# Licensing Information
Commercial License | Nexdata/Multi-Round_Interpersonal_Dialogues_Text_Data | [
"language:zh",
"region:us"
]
| 2023-11-08T08:08:11+00:00 | {"language": ["zh"]} | 2023-11-10T07:19:51+00:00 | []
| [
"zh"
]
| TAGS
#language-Chinese #region-us
| # Dataset Card for Nexdata/Multi-Round_Interpersonal_Dialogues_Text_Data
## Description
This database is the interactive text corpus of real users on the mobile phone. The database itself has been desensitized to ensure of no private information of the user's (A and B are the codes to replace the sender and receiver, and sensitive information such as cellphone number and user name are replaced with '* * *'). This database can be used for tasks such as natural language understanding.
For more details, please refer to the link: URL
# Specifications
## Data content
text corpus of multi-round interpersonal dialogues in the real world.
## Data size
830,276 groups.
## Collecting period
the year 2,015
## Storage format
txt
## Language
Chinese
## Applications
semantic parsing of multi-round dialogues in smart customer service and intelligent interaction scenarios.
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Multi-Round_Interpersonal_Dialogues_Text_Data",
"## Description\nThis database is the interactive text corpus of real users on the mobile phone. The database itself has been desensitized to ensure of no private information of the user's (A and B are the codes to replace the sender and receiver, and sensitive information such as cellphone number and user name are replaced with '* * *'). This database can be used for tasks such as natural language understanding.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\ntext corpus of multi-round interpersonal dialogues in the real world.",
"## Data size\n830,276 groups.",
"## Collecting period\nthe year 2,015",
"## Storage format\ntxt",
"## Language\nChinese",
"## Applications\nsemantic parsing of multi-round dialogues in smart customer service and intelligent interaction scenarios.",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#language-Chinese #region-us \n",
"# Dataset Card for Nexdata/Multi-Round_Interpersonal_Dialogues_Text_Data",
"## Description\nThis database is the interactive text corpus of real users on the mobile phone. The database itself has been desensitized to ensure of no private information of the user's (A and B are the codes to replace the sender and receiver, and sensitive information such as cellphone number and user name are replaced with '* * *'). This database can be used for tasks such as natural language understanding.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\ntext corpus of multi-round interpersonal dialogues in the real world.",
"## Data size\n830,276 groups.",
"## Collecting period\nthe year 2,015",
"## Storage format\ntxt",
"## Language\nChinese",
"## Applications\nsemantic parsing of multi-round dialogues in smart customer service and intelligent interaction scenarios.",
"# Licensing Information\nCommercial License"
]
| [
11,
25,
98,
3,
18,
10,
8,
5,
3,
23,
9
]
| [
"passage: TAGS\n#language-Chinese #region-us \n# Dataset Card for Nexdata/Multi-Round_Interpersonal_Dialogues_Text_Data## Description\nThis database is the interactive text corpus of real users on the mobile phone. The database itself has been desensitized to ensure of no private information of the user's (A and B are the codes to replace the sender and receiver, and sensitive information such as cellphone number and user name are replaced with '* * *'). This database can be used for tasks such as natural language understanding.\n\nFor more details, please refer to the link: URL# Specifications## Data content\ntext corpus of multi-round interpersonal dialogues in the real world.## Data size\n830,276 groups.## Collecting period\nthe year 2,015## Storage format\ntxt## Language\nChinese## Applications\nsemantic parsing of multi-round dialogues in smart customer service and intelligent interaction scenarios.# Licensing Information\nCommercial License"
]
|
2d8a0be16fe0b8689bad4d66f0ae55fe656ce92b | # Dataset Card for Nexdata/Chinese_Medical_Question_Answering_Data
## Description
The data contains 203,029 groups Chinese question answering data between doctors and patients of different diseases.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1086?source=Huggingface
# Specifications
## Data content
203,029 Chinese question & answering data between doctors and patients;
## Storage format
json
## Language
Chinese
## Collection time
May 2,020
## Application scenario
intelligence medical diagnosis; question answering
# Licensing Information
Commercial License | Nexdata/Chinese_Medical_Question_Answering_Data | [
"task_categories:question-answering",
"language:zh",
"region:us"
]
| 2023-11-08T08:10:28+00:00 | {"language": ["zh"], "task_categories": ["question-answering"]} | 2023-11-10T07:18:08+00:00 | []
| [
"zh"
]
| TAGS
#task_categories-question-answering #language-Chinese #region-us
| # Dataset Card for Nexdata/Chinese_Medical_Question_Answering_Data
## Description
The data contains 203,029 groups Chinese question answering data between doctors and patients of different diseases.
For more details, please refer to the link: URL
# Specifications
## Data content
203,029 Chinese question & answering data between doctors and patients;
## Storage format
json
## Language
Chinese
## Collection time
May 2,020
## Application scenario
intelligence medical diagnosis; question answering
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Chinese_Medical_Question_Answering_Data",
"## Description\nThe data contains 203,029 groups Chinese question answering data between doctors and patients of different diseases.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\n203,029 Chinese question & answering data between doctors and patients;",
"## Storage format\njson",
"## Language\nChinese",
"## Collection time\nMay 2,020",
"## Application scenario\nintelligence medical diagnosis; question answering",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-question-answering #language-Chinese #region-us \n",
"# Dataset Card for Nexdata/Chinese_Medical_Question_Answering_Data",
"## Description\nThe data contains 203,029 groups Chinese question answering data between doctors and patients of different diseases.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\n203,029 Chinese question & answering data between doctors and patients;",
"## Storage format\njson",
"## Language\nChinese",
"## Collection time\nMay 2,020",
"## Application scenario\nintelligence medical diagnosis; question answering",
"# Licensing Information\nCommercial License"
]
| [
23,
23,
36,
3,
18,
5,
3,
6,
13,
9
]
| [
"passage: TAGS\n#task_categories-question-answering #language-Chinese #region-us \n# Dataset Card for Nexdata/Chinese_Medical_Question_Answering_Data## Description\nThe data contains 203,029 groups Chinese question answering data between doctors and patients of different diseases.\n\nFor more details, please refer to the link: URL# Specifications## Data content\n203,029 Chinese question & answering data between doctors and patients;## Storage format\njson## Language\nChinese## Collection time\nMay 2,020## Application scenario\nintelligence medical diagnosis; question answering# Licensing Information\nCommercial License"
]
|
177013d08eb4e195745c12e74cfee64fe5aea5f5 | # Dataset Card for Nexdata/Minnan_Dialect_Pronunciation_Dictionary
## Description
Each entry consists of three parts: words, pinyin, and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research, and development of pronunciation recognition technology, etc.
For more details, please refer to the link: https://www.nexdata.ai/datasets/51?source=Huggingface
# Specifications
## Format
txt
## Content
87,166 Minnan dialect words and corresponding phonetic symbols.
## Language
Minnan dialect
## Application scenario
speech recognition
# Licensing Information
Commercial License | Nexdata/Minnan_Dialect_Pronunciation_Dictionary | [
"task_categories:automatic-speech-recognition",
"region:us"
]
| 2023-11-08T08:11:55+00:00 | {"task_categories": ["automatic-speech-recognition"]} | 2023-11-10T07:17:04+00:00 | []
| []
| TAGS
#task_categories-automatic-speech-recognition #region-us
| # Dataset Card for Nexdata/Minnan_Dialect_Pronunciation_Dictionary
## Description
Each entry consists of three parts: words, pinyin, and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research, and development of pronunciation recognition technology, etc.
For more details, please refer to the link: URL
# Specifications
## Format
txt
## Content
87,166 Minnan dialect words and corresponding phonetic symbols.
## Language
Minnan dialect
## Application scenario
speech recognition
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Minnan_Dialect_Pronunciation_Dictionary",
"## Description\nEach entry consists of three parts: words, pinyin, and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research, and development of pronunciation recognition technology, etc.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\ntxt",
"## Content\n87,166 Minnan dialect words and corresponding phonetic symbols.",
"## Language\nMinnan dialect",
"## Application scenario\nspeech recognition",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-automatic-speech-recognition #region-us \n",
"# Dataset Card for Nexdata/Minnan_Dialect_Pronunciation_Dictionary",
"## Description\nEach entry consists of three parts: words, pinyin, and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research, and development of pronunciation recognition technology, etc.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\ntxt",
"## Content\n87,166 Minnan dialect words and corresponding phonetic symbols.",
"## Language\nMinnan dialect",
"## Application scenario\nspeech recognition",
"# Licensing Information\nCommercial License"
]
| [
22,
24,
59,
3,
4,
17,
5,
5,
9
]
| [
"passage: TAGS\n#task_categories-automatic-speech-recognition #region-us \n# Dataset Card for Nexdata/Minnan_Dialect_Pronunciation_Dictionary## Description\nEach entry consists of three parts: words, pinyin, and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research, and development of pronunciation recognition technology, etc.\n\nFor more details, please refer to the link: URL# Specifications## Format\ntxt## Content\n87,166 Minnan dialect words and corresponding phonetic symbols.## Language\nMinnan dialect## Application scenario\nspeech recognition# Licensing Information\nCommercial License"
]
|
db9d99abbd9cffa014b0acf930b563f4326e3174 | # Dataset Card for Nexdata/Cantonese_Pronunciation_Dictionary
## Description
This pronunciation dictionary collects words with dialect characteristics in Guangdong cantonese regions. Each entry consists of three parts: words, pinyin and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research and development of pronunciation recognition technology, etc.
For more details, please refer to the link: https://www.nexdata.ai/datasets/55?source=Huggingface
# Specifications
## Data Size
80,279 entries
## Content
Cantonese Pronunciation Dictionary collects Cantonese vocabulary and pronunciation
# Licensing Information
Commercial License | Nexdata/Cantonese_Pronunciation_Dictionary | [
"task_categories:automatic-speech-recognition",
"region:us"
]
| 2023-11-08T08:13:30+00:00 | {"task_categories": ["automatic-speech-recognition"]} | 2023-11-10T07:17:36+00:00 | []
| []
| TAGS
#task_categories-automatic-speech-recognition #region-us
| # Dataset Card for Nexdata/Cantonese_Pronunciation_Dictionary
## Description
This pronunciation dictionary collects words with dialect characteristics in Guangdong cantonese regions. Each entry consists of three parts: words, pinyin and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research and development of pronunciation recognition technology, etc.
For more details, please refer to the link: URL
# Specifications
## Data Size
80,279 entries
## Content
Cantonese Pronunciation Dictionary collects Cantonese vocabulary and pronunciation
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Cantonese_Pronunciation_Dictionary",
"## Description\nThis pronunciation dictionary collects words with dialect characteristics in Guangdong cantonese regions. Each entry consists of three parts: words, pinyin and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research and development of pronunciation recognition technology, etc.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data Size\n80,279 entries",
"## Content\nCantonese Pronunciation Dictionary collects Cantonese vocabulary and pronunciation",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-automatic-speech-recognition #region-us \n",
"# Dataset Card for Nexdata/Cantonese_Pronunciation_Dictionary",
"## Description\nThis pronunciation dictionary collects words with dialect characteristics in Guangdong cantonese regions. Each entry consists of three parts: words, pinyin and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research and development of pronunciation recognition technology, etc.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data Size\n80,279 entries",
"## Content\nCantonese Pronunciation Dictionary collects Cantonese vocabulary and pronunciation",
"# Licensing Information\nCommercial License"
]
| [
22,
21,
80,
3,
8,
20,
9
]
| [
"passage: TAGS\n#task_categories-automatic-speech-recognition #region-us \n# Dataset Card for Nexdata/Cantonese_Pronunciation_Dictionary## Description\nThis pronunciation dictionary collects words with dialect characteristics in Guangdong cantonese regions. Each entry consists of three parts: words, pinyin and tones. The dictionary can be used to provide pronunciation reference for sound recording personnel, research and development of pronunciation recognition technology, etc.\n\nFor more details, please refer to the link: URL# Specifications## Data Size\n80,279 entries## Content\nCantonese Pronunciation Dictionary collects Cantonese vocabulary and pronunciation# Licensing Information\nCommercial License"
]
|
bc97e031b0a84094f94189e4424887d5a3c193e5 | # Dataset Card for Nexdata/Mandarin_Pronunciation_Dictionary
## Description
The data contains 570,060 entries. All words and pronunciations are produced by linguists. It can be used in the research and development of Mandarin ASR technology.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1094?source=Huggingface
# Specifications
## Format
TXT
## Data content
570,060 Mandarin words and corresponding pinyin
## Language
Mandarin
## Application scenario
speech recognition
# Licensing Information
Commercial License | Nexdata/Mandarin_Pronunciation_Dictionary | [
"task_categories:automatic-speech-recognition",
"language:zh",
"region:us"
]
| 2023-11-08T08:14:47+00:00 | {"language": ["zh"], "task_categories": ["automatic-speech-recognition"]} | 2023-11-10T07:16:45+00:00 | []
| [
"zh"
]
| TAGS
#task_categories-automatic-speech-recognition #language-Chinese #region-us
| # Dataset Card for Nexdata/Mandarin_Pronunciation_Dictionary
## Description
The data contains 570,060 entries. All words and pronunciations are produced by linguists. It can be used in the research and development of Mandarin ASR technology.
For more details, please refer to the link: URL
# Specifications
## Format
TXT
## Data content
570,060 Mandarin words and corresponding pinyin
## Language
Mandarin
## Application scenario
speech recognition
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Mandarin_Pronunciation_Dictionary",
"## Description\nThe data contains 570,060 entries. All words and pronunciations are produced by linguists. It can be used in the research and development of Mandarin ASR technology.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\nTXT",
"## Data content\n570,060 Mandarin words and corresponding pinyin",
"## Language\nMandarin",
"## Application scenario\nspeech recognition",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-automatic-speech-recognition #language-Chinese #region-us \n",
"# Dataset Card for Nexdata/Mandarin_Pronunciation_Dictionary",
"## Description\nThe data contains 570,060 entries. All words and pronunciations are produced by linguists. It can be used in the research and development of Mandarin ASR technology.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\nTXT",
"## Data content\n570,060 Mandarin words and corresponding pinyin",
"## Language\nMandarin",
"## Application scenario\nspeech recognition",
"# Licensing Information\nCommercial License"
]
| [
27,
21,
50,
3,
4,
14,
4,
5,
9
]
| [
"passage: TAGS\n#task_categories-automatic-speech-recognition #language-Chinese #region-us \n# Dataset Card for Nexdata/Mandarin_Pronunciation_Dictionary## Description\nThe data contains 570,060 entries. All words and pronunciations are produced by linguists. It can be used in the research and development of Mandarin ASR technology.\n\nFor more details, please refer to the link: URL# Specifications## Format\nTXT## Data content\n570,060 Mandarin words and corresponding pinyin## Language\nMandarin## Application scenario\nspeech recognition# Licensing Information\nCommercial License"
]
|
8e1bafa1807d2d7c33fed7e81e8982c3362a1c88 | # Dataset Card for Nexdata/Japanese_Pronunciation_Dictionary
## Description
The data contains 101,702 entries. All words and pronunciations are produced by Japanese linguists. It can be used in the research and development of Japanese ASR technology.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1088?source=Huggingface
# Specifications
## Format
TXT
## Data content
101,702 Japanese words and corresponding hiragana characters
## Language
Japanese
## Application scenario
speech recognition
# Licensing Information
Commercial License | Nexdata/Japanese_Pronunciation_Dictionary | [
"task_categories:automatic-speech-recognition",
"language:ja",
"region:us"
]
| 2023-11-08T08:16:14+00:00 | {"language": ["ja"], "task_categories": ["automatic-speech-recognition"]} | 2023-11-10T07:16:29+00:00 | []
| [
"ja"
]
| TAGS
#task_categories-automatic-speech-recognition #language-Japanese #region-us
| # Dataset Card for Nexdata/Japanese_Pronunciation_Dictionary
## Description
The data contains 101,702 entries. All words and pronunciations are produced by Japanese linguists. It can be used in the research and development of Japanese ASR technology.
For more details, please refer to the link: URL
# Specifications
## Format
TXT
## Data content
101,702 Japanese words and corresponding hiragana characters
## Language
Japanese
## Application scenario
speech recognition
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Japanese_Pronunciation_Dictionary",
"## Description\nThe data contains 101,702 entries. All words and pronunciations are produced by Japanese linguists. It can be used in the research and development of Japanese ASR technology.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\nTXT",
"## Data content\n101,702 Japanese words and corresponding hiragana characters",
"## Language\nJapanese",
"## Application scenario\nspeech recognition",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-automatic-speech-recognition #language-Japanese #region-us \n",
"# Dataset Card for Nexdata/Japanese_Pronunciation_Dictionary",
"## Description\nThe data contains 101,702 entries. All words and pronunciations are produced by Japanese linguists. It can be used in the research and development of Japanese ASR technology.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\nTXT",
"## Data content\n101,702 Japanese words and corresponding hiragana characters",
"## Language\nJapanese",
"## Application scenario\nspeech recognition",
"# Licensing Information\nCommercial License"
]
| [
28,
21,
50,
3,
4,
15,
3,
5,
9
]
| [
"passage: TAGS\n#task_categories-automatic-speech-recognition #language-Japanese #region-us \n# Dataset Card for Nexdata/Japanese_Pronunciation_Dictionary## Description\nThe data contains 101,702 entries. All words and pronunciations are produced by Japanese linguists. It can be used in the research and development of Japanese ASR technology.\n\nFor more details, please refer to the link: URL# Specifications## Format\nTXT## Data content\n101,702 Japanese words and corresponding hiragana characters## Language\nJapanese## Application scenario\nspeech recognition# Licensing Information\nCommercial License"
]
|
ec83136a706e6f2291f6b5b5ce34980320f63ef8 | # Dataset Card for "bw_spec_cls_10"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | arieg/bw_spec_cls_10 | [
"region:us"
]
| 2023-11-08T08:17:11+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "10", "1": "140", "2": "141", "3": "190", "4": "193", "5": "194", "6": "197", "7": "2", "8": "200", "9": "5"}}}}], "splits": [{"name": "train", "num_bytes": 56695272.0, "num_examples": 1000}], "download_size": 56580452, "dataset_size": 56695272.0}} | 2023-11-08T08:17:17+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "bw_spec_cls_10"
More Information needed | [
"# Dataset Card for \"bw_spec_cls_10\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"bw_spec_cls_10\"\n\nMore Information needed"
]
| [
6,
18
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"bw_spec_cls_10\"\n\nMore Information needed"
]
|
d4603d016dc5a776d540a4ac9a21c08d1179e2e8 | # Dataset Card for Nexdata/English_Pronunciation_Dictionary
## Description
The data contains 500,113 entries. All words and pronunciations are produced by English linguists. It can be used in the research and development of English ASR technology.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1095?source=Huggingface
# Specifications
## Format
txt
## Data content
500,113 English words and corresponding phonetic transcriptions
## Language
English
## Application scenario
speech recognition
# Licensing Information
Commercial License | Nexdata/English_Pronunciation_Dictionary | [
"task_categories:automatic-speech-recognition",
"language:en",
"region:us"
]
| 2023-11-08T08:17:32+00:00 | {"language": ["en"], "task_categories": ["automatic-speech-recognition"]} | 2023-11-10T07:16:06+00:00 | []
| [
"en"
]
| TAGS
#task_categories-automatic-speech-recognition #language-English #region-us
| # Dataset Card for Nexdata/English_Pronunciation_Dictionary
## Description
The data contains 500,113 entries. All words and pronunciations are produced by English linguists. It can be used in the research and development of English ASR technology.
For more details, please refer to the link: URL
# Specifications
## Format
txt
## Data content
500,113 English words and corresponding phonetic transcriptions
## Language
English
## Application scenario
speech recognition
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/English_Pronunciation_Dictionary",
"## Description\nThe data contains 500,113 entries. All words and pronunciations are produced by English linguists. It can be used in the research and development of English ASR technology.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\ntxt",
"## Data content\n500,113 English words and corresponding phonetic transcriptions",
"## Language\nEnglish",
"## Application scenario\nspeech recognition",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-automatic-speech-recognition #language-English #region-us \n",
"# Dataset Card for Nexdata/English_Pronunciation_Dictionary",
"## Description\nThe data contains 500,113 entries. All words and pronunciations are produced by English linguists. It can be used in the research and development of English ASR technology.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\ntxt",
"## Data content\n500,113 English words and corresponding phonetic transcriptions",
"## Language\nEnglish",
"## Application scenario\nspeech recognition",
"# Licensing Information\nCommercial License"
]
| [
26,
19,
50,
3,
4,
16,
3,
5,
9
]
| [
"passage: TAGS\n#task_categories-automatic-speech-recognition #language-English #region-us \n# Dataset Card for Nexdata/English_Pronunciation_Dictionary## Description\nThe data contains 500,113 entries. All words and pronunciations are produced by English linguists. It can be used in the research and development of English ASR technology.\n\nFor more details, please refer to the link: URL# Specifications## Format\ntxt## Data content\n500,113 English words and corresponding phonetic transcriptions## Language\nEnglish## Application scenario\nspeech recognition# Licensing Information\nCommercial License"
]
|
b5689f064a2d6f125b59252a3a1ca3d481b2ab1f | # Dataset Card for Nexdata/Korean_Pronunciation_Dictionary
## Description
The data contains 444,202 entries. All words and pronunciations are produced by Korean linguists. It can be used in the research and development of Korean ASR technology.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1221?source=Huggingface
# Specifications
## Format
txt
## Content
444,202 Korean words and corresponding phonetic symbols.
## Language
Korean
## Application scenarios
speech recognition, speech synthesis.
# Licensing Information
Commercial License | Nexdata/Korean_Pronunciation_Dictionary | [
"task_categories:automatic-speech-recognition",
"language:ko",
"region:us"
]
| 2023-11-08T08:18:47+00:00 | {"language": ["ko"], "task_categories": ["automatic-speech-recognition"]} | 2023-11-10T07:16:18+00:00 | []
| [
"ko"
]
| TAGS
#task_categories-automatic-speech-recognition #language-Korean #region-us
| # Dataset Card for Nexdata/Korean_Pronunciation_Dictionary
## Description
The data contains 444,202 entries. All words and pronunciations are produced by Korean linguists. It can be used in the research and development of Korean ASR technology.
For more details, please refer to the link: URL
# Specifications
## Format
txt
## Content
444,202 Korean words and corresponding phonetic symbols.
## Language
Korean
## Application scenarios
speech recognition, speech synthesis.
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Korean_Pronunciation_Dictionary",
"## Description\nThe data contains 444,202 entries. All words and pronunciations are produced by Korean linguists. It can be used in the research and development of Korean ASR technology.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\ntxt",
"## Content\n444,202 Korean words and corresponding phonetic symbols.",
"## Language\nKorean",
"## Application scenarios\nspeech recognition, speech synthesis.",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-automatic-speech-recognition #language-Korean #region-us \n",
"# Dataset Card for Nexdata/Korean_Pronunciation_Dictionary",
"## Description\nThe data contains 444,202 entries. All words and pronunciations are produced by Korean linguists. It can be used in the research and development of Korean ASR technology.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\ntxt",
"## Content\n444,202 Korean words and corresponding phonetic symbols.",
"## Language\nKorean",
"## Application scenarios\nspeech recognition, speech synthesis.",
"# Licensing Information\nCommercial License"
]
| [
27,
20,
51,
3,
4,
16,
3,
12,
9
]
| [
"passage: TAGS\n#task_categories-automatic-speech-recognition #language-Korean #region-us \n# Dataset Card for Nexdata/Korean_Pronunciation_Dictionary## Description\nThe data contains 444,202 entries. All words and pronunciations are produced by Korean linguists. It can be used in the research and development of Korean ASR technology.\n\nFor more details, please refer to the link: URL# Specifications## Format\ntxt## Content\n444,202 Korean words and corresponding phonetic symbols.## Language\nKorean## Application scenarios\nspeech recognition, speech synthesis.# Licensing Information\nCommercial License"
]
|
0b2554a048d186f10cd657d7f738ac0b8b63948b | # Dataset Card for "allergy_type"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Eitanli/allergy_type | [
"region:us"
]
| 2023-11-08T08:21:13+00:00 | {"dataset_info": {"features": [{"name": "id", "dtype": "int64"}, {"name": "recipe", "dtype": "string"}, {"name": "allergy_type", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 87345218, "num_examples": 60000}], "download_size": 44224668, "dataset_size": 87345218}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-09T22:08:27+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "allergy_type"
More Information needed | [
"# Dataset Card for \"allergy_type\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"allergy_type\"\n\nMore Information needed"
]
| [
6,
14
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"allergy_type\"\n\nMore Information needed"
]
|
23034b046c303be24a03ebbac37e5ba464185f26 | # Dataset Card for "100-sample"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | IndonesiaAI/100-sample | [
"region:us"
]
| 2023-11-08T08:37:32+00:00 | {"dataset_info": {"features": [{"name": "qid", "dtype": "int64"}, {"name": "question", "dtype": "string"}, {"name": "date", "dtype": "string"}, {"name": "metadata", "sequence": "string"}, {"name": "response_j", "dtype": "string"}, {"name": "response_k", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 266536, "num_examples": 100}], "download_size": 183808, "dataset_size": 266536}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T08:37:33+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "100-sample"
More Information needed | [
"# Dataset Card for \"100-sample\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"100-sample\"\n\nMore Information needed"
]
| [
6,
14
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"100-sample\"\n\nMore Information needed"
]
|
04146f3b0283fc833e32f920d1c298e078e53205 | # Dataset Card for "1000-sample"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | IndonesiaAI/1000-sample | [
"region:us"
]
| 2023-11-08T08:43:44+00:00 | {"dataset_info": {"features": [{"name": "qid", "dtype": "int64"}, {"name": "question", "dtype": "string"}, {"name": "date", "dtype": "string"}, {"name": "metadata", "sequence": "string"}, {"name": "response_j", "dtype": "string"}, {"name": "response_k", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 266536, "num_examples": 100}], "download_size": 183818, "dataset_size": 266536}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T08:51:24+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "1000-sample"
More Information needed | [
"# Dataset Card for \"1000-sample\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"1000-sample\"\n\nMore Information needed"
]
| [
6,
14
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"1000-sample\"\n\nMore Information needed"
]
|
d6d452a5c9e3dfd8f778a214830e5cf8cc445b2d | # Dataset Card for "character-profiles-romance-prepare"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | yuancj/character-profiles-romance-prepare | [
"region:us"
]
| 2023-11-08T08:54:21+00:00 | {"dataset_info": {"features": [], "splits": [{"name": "train", "num_bytes": 0, "num_examples": 0}], "download_size": 0, "dataset_size": 0}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T08:56:34+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "character-profiles-romance-prepare"
More Information needed | [
"# Dataset Card for \"character-profiles-romance-prepare\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"character-profiles-romance-prepare\"\n\nMore Information needed"
]
| [
6,
22
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"character-profiles-romance-prepare\"\n\nMore Information needed"
]
|
43f964d8d27383cc253a4deb21ae9fe124868088 | # Dataset Card for "creator"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | mhenrichsen/creator | [
"region:us"
]
| 2023-11-08T09:20:23+00:00 | {"dataset_info": {"features": [{"name": "id", "dtype": "int64"}, {"name": "conversations", "list": [{"name": "from", "dtype": "string"}, {"name": "value", "dtype": "string"}]}], "splits": [{"name": "train", "num_bytes": 184006, "num_examples": 1000}], "download_size": 10392, "dataset_size": 184006}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-12-12T20:46:44+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "creator"
More Information needed | [
"# Dataset Card for \"creator\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"creator\"\n\nMore Information needed"
]
| [
6,
12
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"creator\"\n\nMore Information needed"
]
|
b2df119d685a1907ba5d8212a4031fe9f8935990 | # Dataset Card for "character-profiles-romance-output"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | baixue6269/character-profiles-romance-output | [
"region:us"
]
| 2023-11-08T09:28:13+00:00 | {"dataset_info": {"features": [{"name": "name", "dtype": "string"}, {"name": "categories", "sequence": "string"}, {"name": "personalities", "sequence": "string"}, {"name": "description", "dtype": "string"}, {"name": "conversation", "list": [{"name": "content", "dtype": "string"}, {"name": "role", "dtype": "string"}]}], "splits": [{"name": "train", "num_bytes": 103050, "num_examples": 10}], "download_size": 67798, "dataset_size": 103050}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T10:00:39+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "character-profiles-romance-output"
More Information needed | [
"# Dataset Card for \"character-profiles-romance-output\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"character-profiles-romance-output\"\n\nMore Information needed"
]
| [
6,
22
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"character-profiles-romance-output\"\n\nMore Information needed"
]
|
d334866cc19f9f0c1f70e219e0d01433c1bedc23 | # Dataset Card for "audio_test"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | ducha07/vn_news_audio | [
"region:us"
]
| 2023-11-08T09:33:59+00:00 | {"dataset_info": {"features": [{"name": "audio", "dtype": "audio"}, {"name": "Unnamed: 0", "dtype": "int64"}, {"name": "start_time", "dtype": "float64"}, {"name": "end_time", "dtype": "float64"}, {"name": "transcription", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 573339872.698, "num_examples": 14907}], "download_size": 556319244, "dataset_size": 573339872.698}} | 2023-11-09T05:00:39+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "audio_test"
More Information needed | [
"# Dataset Card for \"audio_test\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"audio_test\"\n\nMore Information needed"
]
| [
6,
14
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"audio_test\"\n\nMore Information needed"
]
|
1bd8dd103bfe8ce28ed5aca2dc5859c2f0954120 | # Dataset Card for "character-profiles-romance-prepare2"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | yuancj/character-profiles-romance-prepare2 | [
"region:us"
]
| 2023-11-08T09:34:07+00:00 | {"dataset_info": {"features": [{"name": "name", "dtype": "string"}, {"name": "categories", "sequence": "string"}, {"name": "personalities", "sequence": "string"}, {"name": "description", "dtype": "string"}, {"name": "conversation", "list": [{"name": "content", "dtype": "string"}, {"name": "role", "dtype": "string"}]}], "splits": [{"name": "train", "num_bytes": 20485, "num_examples": 2}], "download_size": 30036, "dataset_size": 20485}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T11:25:53+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "character-profiles-romance-prepare2"
More Information needed | [
"# Dataset Card for \"character-profiles-romance-prepare2\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"character-profiles-romance-prepare2\"\n\nMore Information needed"
]
| [
6,
23
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"character-profiles-romance-prepare2\"\n\nMore Information needed"
]
|
64a48a099da3a365df68fa9de313224f4258108c | # Dataset Card for "bw_spec_cls_80"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | arieg/bw_spec_cls_80 | [
"region:us"
]
| 2023-11-08T09:58:43+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "10", "1": "1039", "2": "1040", "3": "1082", "4": "1083", "5": "1102", "6": "1193", "7": "1195", "8": "1196", "9": "1197", "10": "1270", "11": "1276", "12": "1277", "13": "1278", "14": "140", "15": "141", "16": "1417", "17": "1427", "18": "1443", "19": "1482", "20": "1510", "21": "1544", "22": "1642", "23": "1644", "24": "1649", "25": "1661", "26": "1663", "27": "1666", "28": "1673", "29": "1680", "30": "1681", "31": "1682", "32": "1683", "33": "1684", "34": "1685", "35": "190", "36": "193", "37": "194", "38": "197", "39": "2", "40": "200", "41": "203", "42": "204", "43": "207", "44": "210", "45": "211", "46": "212", "47": "213", "48": "255", "49": "256", "50": "368", "51": "424", "52": "5", "53": "534", "54": "540", "55": "546", "56": "574", "57": "615", "58": "620", "59": "621", "60": "625", "61": "666", "62": "667", "63": "676", "64": "694", "65": "695", "66": "714", "67": "715", "68": "716", "69": "718", "70": "777", "71": "814", "72": "821", "73": "822", "74": "825", "75": "853", "76": "897", "77": "995", "78": "997", "79": "998"}}}}], "splits": [{"name": "train", "num_bytes": 89716674.4, "num_examples": 1600}], "download_size": 87975685, "dataset_size": 89716674.4}} | 2023-11-08T09:58:53+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "bw_spec_cls_80"
More Information needed | [
"# Dataset Card for \"bw_spec_cls_80\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"bw_spec_cls_80\"\n\nMore Information needed"
]
| [
6,
18
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"bw_spec_cls_80\"\n\nMore Information needed"
]
|
cf5cd0c6359aae9d9a4dcb3c7f797e73b9918d14 |
# Dataset with Conways Game of Life
[Wikipedia - Game of life](https://en.wikipedia.org/wiki/Conway%27s_Game_of_Life)
This dataset contains 42300 items in total. There are 9 curriculums each containing 4700 items.
The images are between `3x3` and `14x14`.
Each item in this dataset is a markdown file.
The markdown file has these sections: `Input`, `Output without wrap`, `Output with wrap`, `Status`.
Each of the `Input` images are unique.
The `Perform N steps` has these variants:
- When it's `Perform 1 step` then one iteration is performed, easy.
- When it's `Perform 2 steps` then two iterations are performed, hard.
| neoneye/gameoflife-v1 | [
"task_categories:image-to-image",
"size_categories:10K<n<100K",
"language:en",
"license:mit",
"region:us"
]
| 2023-11-08T10:02:15+00:00 | {"language": ["en"], "license": "mit", "size_categories": ["10K<n<100K"], "task_categories": ["image-to-image"]} | 2023-11-08T10:56:10+00:00 | []
| [
"en"
]
| TAGS
#task_categories-image-to-image #size_categories-10K<n<100K #language-English #license-mit #region-us
|
# Dataset with Conways Game of Life
Wikipedia - Game of life
This dataset contains 42300 items in total. There are 9 curriculums each containing 4700 items.
The images are between '3x3' and '14x14'.
Each item in this dataset is a markdown file.
The markdown file has these sections: 'Input', 'Output without wrap', 'Output with wrap', 'Status'.
Each of the 'Input' images are unique.
The 'Perform N steps' has these variants:
- When it's 'Perform 1 step' then one iteration is performed, easy.
- When it's 'Perform 2 steps' then two iterations are performed, hard.
| [
"# Dataset with Conways Game of Life\n\nWikipedia - Game of life\n\nThis dataset contains 42300 items in total. There are 9 curriculums each containing 4700 items.\n\nThe images are between '3x3' and '14x14'.\n\nEach item in this dataset is a markdown file.\n\nThe markdown file has these sections: 'Input', 'Output without wrap', 'Output with wrap', 'Status'.\n\nEach of the 'Input' images are unique.\n\nThe 'Perform N steps' has these variants:\n- When it's 'Perform 1 step' then one iteration is performed, easy.\n- When it's 'Perform 2 steps' then two iterations are performed, hard."
]
| [
"TAGS\n#task_categories-image-to-image #size_categories-10K<n<100K #language-English #license-mit #region-us \n",
"# Dataset with Conways Game of Life\n\nWikipedia - Game of life\n\nThis dataset contains 42300 items in total. There are 9 curriculums each containing 4700 items.\n\nThe images are between '3x3' and '14x14'.\n\nEach item in this dataset is a markdown file.\n\nThe markdown file has these sections: 'Input', 'Output without wrap', 'Output with wrap', 'Status'.\n\nEach of the 'Input' images are unique.\n\nThe 'Perform N steps' has these variants:\n- When it's 'Perform 1 step' then one iteration is performed, easy.\n- When it's 'Perform 2 steps' then two iterations are performed, hard."
]
| [
39,
165
]
| [
"passage: TAGS\n#task_categories-image-to-image #size_categories-10K<n<100K #language-English #license-mit #region-us \n# Dataset with Conways Game of Life\n\nWikipedia - Game of life\n\nThis dataset contains 42300 items in total. There are 9 curriculums each containing 4700 items.\n\nThe images are between '3x3' and '14x14'.\n\nEach item in this dataset is a markdown file.\n\nThe markdown file has these sections: 'Input', 'Output without wrap', 'Output with wrap', 'Status'.\n\nEach of the 'Input' images are unique.\n\nThe 'Perform N steps' has these variants:\n- When it's 'Perform 1 step' then one iteration is performed, easy.\n- When it's 'Perform 2 steps' then two iterations are performed, hard."
]
|
4a752628c8b0939f35f6cecfc30a6cf29274380e | From:
@article{10.1038/s42256-022-00580-7,
year = {2022},
title = {{Large-scale chemical language representations capture molecular structure and properties}},
author = {Ross, Jerret and Belgodere, Brian and Chenthamarakshan, Vijil and Padhi, Inkit and Mroueh, Youssef and Das, Payel},
journal = {Nature Machine Intelligence},
doi = {10.1038/s42256-022-00580-7},
abstract = {{Models based on machine learning can enable accurate and fast molecular property predictions, which is of interest in drug discovery and material design. Various supervised machine learning models have demonstrated promising performance, but the vast chemical space and the limited availability of property labels make supervised learning challenging. Recently, unsupervised transformer-based language models pretrained on a large unlabelled corpus have produced state-of-the-art results in many downstream natural language processing tasks. Inspired by this development, we present molecular embeddings obtained by training an efficient transformer encoder model, MoLFormer, which uses rotary positional embeddings. This model employs a linear attention mechanism, coupled with highly distributed training, on SMILES sequences of 1.1 billion unlabelled molecules from the PubChem and ZINC datasets. We show that the learned molecular representation outperforms existing baselines, including supervised and self-supervised graph neural networks and language models, on several downstream tasks from ten benchmark datasets. They perform competitively on two others. Further analyses, specifically through the lens of attention, demonstrate that MoLFormer trained on chemical SMILES indeed learns the spatial relationships between atoms within a molecule. These results provide encouraging evidence that large-scale molecular language models can capture sufficient chemical and structural information to predict various distinct molecular properties, including quantum-chemical properties. Large language models have recently emerged with extraordinary capabilities, and these methods can be applied to model other kinds of sequence, such as string representations of molecules. Ross and colleagues have created a transformer-based model, trained on a large dataset of molecules, which provides good results on property prediction tasks.}},
pages = {1256--1264},
number = {12},
volume = {4}
} | rebe121314/SMILES_vocab | [
"region:us"
]
| 2023-11-08T10:04:13+00:00 | {} | 2023-11-08T10:06:39+00:00 | []
| []
| TAGS
#region-us
| From:
@article{10.1038/s42256-022-00580-7,
year = {2022},
title = {{Large-scale chemical language representations capture molecular structure and properties}},
author = {Ross, Jerret and Belgodere, Brian and Chenthamarakshan, Vijil and Padhi, Inkit and Mroueh, Youssef and Das, Payel},
journal = {Nature Machine Intelligence},
doi = {10.1038/s42256-022-00580-7},
abstract = {{Models based on machine learning can enable accurate and fast molecular property predictions, which is of interest in drug discovery and material design. Various supervised machine learning models have demonstrated promising performance, but the vast chemical space and the limited availability of property labels make supervised learning challenging. Recently, unsupervised transformer-based language models pretrained on a large unlabelled corpus have produced state-of-the-art results in many downstream natural language processing tasks. Inspired by this development, we present molecular embeddings obtained by training an efficient transformer encoder model, MoLFormer, which uses rotary positional embeddings. This model employs a linear attention mechanism, coupled with highly distributed training, on SMILES sequences of 1.1 billion unlabelled molecules from the PubChem and ZINC datasets. We show that the learned molecular representation outperforms existing baselines, including supervised and self-supervised graph neural networks and language models, on several downstream tasks from ten benchmark datasets. They perform competitively on two others. Further analyses, specifically through the lens of attention, demonstrate that MoLFormer trained on chemical SMILES indeed learns the spatial relationships between atoms within a molecule. These results provide encouraging evidence that large-scale molecular language models can capture sufficient chemical and structural information to predict various distinct molecular properties, including quantum-chemical properties. Large language models have recently emerged with extraordinary capabilities, and these methods can be applied to model other kinds of sequence, such as string representations of molecules. Ross and colleagues have created a transformer-based model, trained on a large dataset of molecules, which provides good results on property prediction tasks.}},
pages = {1256--1264},
number = {12},
volume = {4}
} | []
| [
"TAGS\n#region-us \n"
]
| [
6
]
| [
"passage: TAGS\n#region-us \n"
]
|
b166d3dd7b50d3f08e3705644505f5975d0deea5 | # Dataset Card for "xlsum_data-temario_results"
rouge= {'rouge1': 0.12886566520740067, 'rouge2': 0.0401378002982877, 'rougeL': 0.08139771961618532, 'rougeLsum': 0.08139771961618532}
bert= {'precision': 0.6117284238130789, 'recall': 0.7258543477407315, 'f1': 0.663668632374408}
mover = 0.5370672509069591 | arthurmluz/xlsum_data-temario_results | [
"region:us"
]
| 2023-11-08T10:16:38+00:00 | {"dataset_info": {"features": [{"name": "id", "dtype": "string"}, {"name": "url", "dtype": "string"}, {"name": "title", "dtype": "string"}, {"name": "summary", "dtype": "string"}, {"name": "text", "dtype": "string"}, {"name": "gen_summary", "dtype": "string"}, {"name": "rouge", "struct": [{"name": "rouge1", "dtype": "float64"}, {"name": "rouge2", "dtype": "float64"}, {"name": "rougeL", "dtype": "float64"}, {"name": "rougeLsum", "dtype": "float64"}]}, {"name": "bert", "struct": [{"name": "f1", "sequence": "float64"}, {"name": "hashcode", "dtype": "string"}, {"name": "precision", "sequence": "float64"}, {"name": "recall", "sequence": "float64"}]}, {"name": "moverScore", "dtype": "float64"}], "splits": [{"name": "validation", "num_bytes": 38054181, "num_examples": 7175}], "download_size": 23719525, "dataset_size": 38054181}, "configs": [{"config_name": "default", "data_files": [{"split": "validation", "path": "data/validation-*"}]}]} | 2023-11-13T20:18:40+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "xlsum_data-temario_results"
rouge= {'rouge1': 0.12886566520740067, 'rouge2': 0.0401378002982877, 'rougeL': 0.08139771961618532, 'rougeLsum': 0.08139771961618532}
bert= {'precision': 0.6117284238130789, 'recall': 0.7258543477407315, 'f1': 0.663668632374408}
mover = 0.5370672509069591 | [
"# Dataset Card for \"xlsum_data-temario_results\"\n\nrouge= {'rouge1': 0.12886566520740067, 'rouge2': 0.0401378002982877, 'rougeL': 0.08139771961618532, 'rougeLsum': 0.08139771961618532}\n\nbert= {'precision': 0.6117284238130789, 'recall': 0.7258543477407315, 'f1': 0.663668632374408}\n\nmover = 0.5370672509069591"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"xlsum_data-temario_results\"\n\nrouge= {'rouge1': 0.12886566520740067, 'rouge2': 0.0401378002982877, 'rougeL': 0.08139771961618532, 'rougeLsum': 0.08139771961618532}\n\nbert= {'precision': 0.6117284238130789, 'recall': 0.7258543477407315, 'f1': 0.663668632374408}\n\nmover = 0.5370672509069591"
]
| [
6,
134
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"xlsum_data-temario_results\"\n\nrouge= {'rouge1': 0.12886566520740067, 'rouge2': 0.0401378002982877, 'rougeL': 0.08139771961618532, 'rougeLsum': 0.08139771961618532}\n\nbert= {'precision': 0.6117284238130789, 'recall': 0.7258543477407315, 'f1': 0.663668632374408}\n\nmover = 0.5370672509069591"
]
|
bbf481678d558606b3254f47fd846a5a049bc41c | # Dataset Card for "chaiverse_lora_testing_IO"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | ebony59/chaiverse_lora_testing_fandom_IO | [
"region:us"
]
| 2023-11-08T10:29:48+00:00 | {"dataset_info": {"features": [{"name": "input_text", "dtype": "string"}, {"name": "output_text", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 149058.0, "num_examples": 100}], "download_size": 96520, "dataset_size": 149058.0}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T10:29:50+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "chaiverse_lora_testing_IO"
More Information needed | [
"# Dataset Card for \"chaiverse_lora_testing_IO\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"chaiverse_lora_testing_IO\"\n\nMore Information needed"
]
| [
6,
21
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"chaiverse_lora_testing_IO\"\n\nMore Information needed"
]
|
2a25846b689505cf0932744bfb87f74ad9012642 | # Dataset Card for "bw_spec_cls_80_00"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | arieg/bw_spec_cls_80_00 | [
"region:us"
]
| 2023-11-08T10:36:48+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "10", "1": "1039", "2": "1040", "3": "1082", "4": "1083", "5": "1102", "6": "1193", "7": "1195", "8": "1196", "9": "1197", "10": "1270", "11": "1276", "12": "1277", "13": "1278", "14": "140", "15": "141", "16": "1417", "17": "1427", "18": "1443", "19": "1482", "20": "1510", "21": "1544", "22": "1642", "23": "1644", "24": "1649", "25": "1661", "26": "1663", "27": "1666", "28": "1673", "29": "1680", "30": "1681", "31": "1682", "32": "1683", "33": "1684", "34": "1685", "35": "190", "36": "193", "37": "194", "38": "197", "39": "2", "40": "200", "41": "203", "42": "204", "43": "207", "44": "210", "45": "211", "46": "212", "47": "213", "48": "255", "49": "256", "50": "368", "51": "424", "52": "5", "53": "534", "54": "540", "55": "546", "56": "574", "57": "615", "58": "620", "59": "621", "60": "625", "61": "666", "62": "667", "63": "676", "64": "694", "65": "695", "66": "714", "67": "715", "68": "716", "69": "718", "70": "777", "71": "814", "72": "821", "73": "822", "74": "825", "75": "853", "76": "897", "77": "995", "78": "997", "79": "998"}}}}], "splits": [{"name": "train", "num_bytes": 89804439.2, "num_examples": 1600}], "download_size": 88034240, "dataset_size": 89804439.2}} | 2023-11-08T10:36:55+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "bw_spec_cls_80_00"
More Information needed | [
"# Dataset Card for \"bw_spec_cls_80_00\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"bw_spec_cls_80_00\"\n\nMore Information needed"
]
| [
6,
20
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"bw_spec_cls_80_00\"\n\nMore Information needed"
]
|
2453a17b88e7f0698870346fa60c4d6b94dd1576 | # Dataset Card for "orca-unanswerable"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | nguyenthanhdo/orca-unanswerable | [
"region:us"
]
| 2023-11-08T10:41:38+00:00 | {"dataset_info": {"features": [{"name": "id", "dtype": "string"}, {"name": "instruction", "dtype": "string"}, {"name": "input", "dtype": "string"}, {"name": "output", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 46528256.6562878, "num_examples": 27280}], "download_size": 33519705, "dataset_size": 46528256.6562878}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-08T10:41:44+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "orca-unanswerable"
More Information needed | [
"# Dataset Card for \"orca-unanswerable\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"orca-unanswerable\"\n\nMore Information needed"
]
| [
6,
17
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"orca-unanswerable\"\n\nMore Information needed"
]
|
996994452f4b5cddf923835fbe9441d9acb10e26 | # Dataset Card for "bw_spec_cls_80_01"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | arieg/bw_spec_cls_80_01 | [
"region:us"
]
| 2023-11-08T10:46:04+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "1686", "1": "1687", "2": "1688", "3": "1689", "4": "1701", "5": "1702", "6": "1703", "7": "1704", "8": "1706", "9": "1720", "10": "1732", "11": "1733", "12": "1735", "13": "1736", "14": "1883", "15": "1891", "16": "1924", "17": "1925", "18": "1929", "19": "1930", "20": "2096", "21": "2097", "22": "2099", "23": "3270", "24": "3271", "25": "3272", "26": "3273", "27": "3274", "28": "3492", "29": "3532", "30": "3533", "31": "3534", "32": "3535", "33": "3537", "34": "3538", "35": "3573", "36": "3598", "37": "3707", "38": "3708", "39": "3720", "40": "3721", "41": "3722", "42": "3724", "43": "3725", "44": "3761", "45": "3762", "46": "3763", "47": "3765", "48": "3766", "49": "3775", "50": "3776", "51": "3777", "52": "3778", "53": "3779", "54": "3832", "55": "3833", "56": "3840", "57": "3880", "58": "3895", "59": "3896", "60": "3904", "61": "3905", "62": "3906", "63": "3908", "64": "3909", "65": "3910", "66": "3911", "67": "3912", "68": "3913", "69": "3920", "70": "3921", "71": "3950", "72": "4013", "73": "4017", "74": "4037", "75": "4066", "76": "4067", "77": "4068", "78": "4069", "79": "4070"}}}}], "splits": [{"name": "train", "num_bytes": 89597136.0, "num_examples": 1600}], "download_size": 91111484, "dataset_size": 89597136.0}} | 2023-11-08T10:46:13+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "bw_spec_cls_80_01"
More Information needed | [
"# Dataset Card for \"bw_spec_cls_80_01\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"bw_spec_cls_80_01\"\n\nMore Information needed"
]
| [
6,
20
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"bw_spec_cls_80_01\"\n\nMore Information needed"
]
|
c71217d4b7b2c421bd51bbc80c576b43d365c066 | # Dataset Card for Nexdata/English-Japanese_Parallel_Corpus_Data
## Description
The 850,000 English Japanese Parallel Corpus Data is a bilingual text is stored in text format. It covers multiple fields such as tourism, medical treatment, daily life, news, etc. average English sentence 23 words. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine translation.rn
For more details, please refer to the link: https://www.nexdata.ai/datasets/1186?source=Huggingface
# Specifications
## Storage format
TXT
## Data content
English-Japanese Parallel Corpus Data
## Data size
0.85 million pairs of English-Japanese Parallel Corpus Data. The English sentences contain 23 words on average.
## Language
English, Japanese
## Accuracy rate
90%
## Application scenario
machine translation
# Licensing Information
Commercial License | Nexdata/English-Japanese_Parallel_Corpus_Data | [
"task_categories:translation",
"language:en",
"language:ja",
"region:us"
]
| 2023-11-08T10:47:40+00:00 | {"language": ["en", "ja"], "task_categories": ["translation"]} | 2023-11-10T07:15:01+00:00 | []
| [
"en",
"ja"
]
| TAGS
#task_categories-translation #language-English #language-Japanese #region-us
| # Dataset Card for Nexdata/English-Japanese_Parallel_Corpus_Data
## Description
The 850,000 English Japanese Parallel Corpus Data is a bilingual text is stored in text format. It covers multiple fields such as tourism, medical treatment, daily life, news, etc. average English sentence 23 words. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine URL
For more details, please refer to the link: URL
# Specifications
## Storage format
TXT
## Data content
English-Japanese Parallel Corpus Data
## Data size
0.85 million pairs of English-Japanese Parallel Corpus Data. The English sentences contain 23 words on average.
## Language
English, Japanese
## Accuracy rate
90%
## Application scenario
machine translation
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/English-Japanese_Parallel_Corpus_Data",
"## Description\nThe 850,000 English Japanese Parallel Corpus Data is a bilingual text is stored in text format. It covers multiple fields such as tourism, medical treatment, daily life, news, etc. average English sentence 23 words. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine URL\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nEnglish-Japanese Parallel Corpus Data",
"## Data size\n0.85 million pairs of English-Japanese Parallel Corpus Data. The English sentences contain 23 words on average.",
"## Language\nEnglish, Japanese",
"## Accuracy rate\n90%",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-translation #language-English #language-Japanese #region-us \n",
"# Dataset Card for Nexdata/English-Japanese_Parallel_Corpus_Data",
"## Description\nThe 850,000 English Japanese Parallel Corpus Data is a bilingual text is stored in text format. It covers multiple fields such as tourism, medical treatment, daily life, news, etc. average English sentence 23 words. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine URL\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nEnglish-Japanese Parallel Corpus Data",
"## Data size\n0.85 million pairs of English-Japanese Parallel Corpus Data. The English sentences contain 23 words on average.",
"## Language\nEnglish, Japanese",
"## Accuracy rate\n90%",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
25,
23,
92,
3,
5,
11,
29,
5,
6,
5,
9
]
| [
"passage: TAGS\n#task_categories-translation #language-English #language-Japanese #region-us \n# Dataset Card for Nexdata/English-Japanese_Parallel_Corpus_Data## Description\nThe 850,000 English Japanese Parallel Corpus Data is a bilingual text is stored in text format. It covers multiple fields such as tourism, medical treatment, daily life, news, etc. average English sentence 23 words. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine URL\n\nFor more details, please refer to the link: URL# Specifications## Storage format\nTXT## Data content\nEnglish-Japanese Parallel Corpus Data## Data size\n0.85 million pairs of English-Japanese Parallel Corpus Data. The English sentences contain 23 words on average.## Language\nEnglish, Japanese## Accuracy rate\n90%## Application scenario\nmachine translation# Licensing Information\nCommercial License"
]
|
e892970f94423eb6d9a93c15635e8bf875687753 | # Dataset Card for Nexdata/English-Korean_Parallel_Corpus_Data
## Description
English and Korean parallel corpus, 1340,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.
For more details, please refer to the link: https://www.nexdata.ai/datasets/154?source=Huggingface
# Specifications
## Storage format
TXT
## Data content
English-Korean Parallel Corpus Data
## Data size
1.34 million pairs of English-Korean Parallel Corpus Data
## Language
English,Korean
## Application scenario
machine translation
## Accuracy rate
90%
# Licensing Information
Commercial License | Nexdata/English-Korean_Parallel_Corpus_Data | [
"task_categories:translation",
"language:en",
"language:ko",
"region:us"
]
| 2023-11-08T10:49:12+00:00 | {"language": ["en", "ko"], "task_categories": ["translation"]} | 2023-11-10T07:13:51+00:00 | []
| [
"en",
"ko"
]
| TAGS
#task_categories-translation #language-English #language-Korean #region-us
| # Dataset Card for Nexdata/English-Korean_Parallel_Corpus_Data
## Description
English and Korean parallel corpus, 1340,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.
For more details, please refer to the link: URL
# Specifications
## Storage format
TXT
## Data content
English-Korean Parallel Corpus Data
## Data size
1.34 million pairs of English-Korean Parallel Corpus Data
## Language
English,Korean
## Application scenario
machine translation
## Accuracy rate
90%
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/English-Korean_Parallel_Corpus_Data",
"## Description\nEnglish and Korean parallel corpus, 1340,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nEnglish-Korean Parallel Corpus Data",
"## Data size\n1.34 million pairs of English-Korean Parallel Corpus Data",
"## Language\nEnglish,Korean",
"## Application scenario\nmachine translation",
"## Accuracy rate\n90%",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-translation #language-English #language-Korean #region-us \n",
"# Dataset Card for Nexdata/English-Korean_Parallel_Corpus_Data",
"## Description\nEnglish and Korean parallel corpus, 1340,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nEnglish-Korean Parallel Corpus Data",
"## Data size\n1.34 million pairs of English-Korean Parallel Corpus Data",
"## Language\nEnglish,Korean",
"## Application scenario\nmachine translation",
"## Accuracy rate\n90%",
"# Licensing Information\nCommercial License"
]
| [
24,
22,
61,
3,
5,
10,
16,
6,
5,
6,
9
]
| [
"passage: TAGS\n#task_categories-translation #language-English #language-Korean #region-us \n# Dataset Card for Nexdata/English-Korean_Parallel_Corpus_Data## Description\nEnglish and Korean parallel corpus, 1340,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL# Specifications## Storage format\nTXT## Data content\nEnglish-Korean Parallel Corpus Data## Data size\n1.34 million pairs of English-Korean Parallel Corpus Data## Language\nEnglish,Korean## Application scenario\nmachine translation## Accuracy rate\n90%# Licensing Information\nCommercial License"
]
|
3e4d8c75fe1b2429e0b26d42231416b8be32b0ce | # Dataset Card for Nexdata/Japanese-English_Parallel_Corpus_Data
## Description
Japanese and English parallel corpus, 380,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.
For more details, please refer to the link: https://www.nexdata.ai/datasets/153?source=Huggingface
# Specifications
## Storage format
TXT
## Data content
Japanese-English Parallel Corpus Data
## Data size
0.38 million pairs of Japanese-English Parallel Corpus Data
## Language
Japanese, English
## Application scenario
machine translation
# Licensing Information
Commercial License | Nexdata/Japanese-English_Parallel_Corpus_Data | [
"task_categories:translation",
"language:ja",
"region:us"
]
| 2023-11-08T10:50:47+00:00 | {"language": ["ja"], "task_categories": ["translation"]} | 2023-11-10T07:13:07+00:00 | []
| [
"ja"
]
| TAGS
#task_categories-translation #language-Japanese #region-us
| # Dataset Card for Nexdata/Japanese-English_Parallel_Corpus_Data
## Description
Japanese and English parallel corpus, 380,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.
For more details, please refer to the link: URL
# Specifications
## Storage format
TXT
## Data content
Japanese-English Parallel Corpus Data
## Data size
0.38 million pairs of Japanese-English Parallel Corpus Data
## Language
Japanese, English
## Application scenario
machine translation
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Japanese-English_Parallel_Corpus_Data",
"## Description\nJapanese and English parallel corpus, 380,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nJapanese-English Parallel Corpus Data",
"## Data size\n0.38 million pairs of Japanese-English Parallel Corpus Data",
"## Language\nJapanese, English",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-translation #language-Japanese #region-us \n",
"# Dataset Card for Nexdata/Japanese-English_Parallel_Corpus_Data",
"## Description\nJapanese and English parallel corpus, 380,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nJapanese-English Parallel Corpus Data",
"## Data size\n0.38 million pairs of Japanese-English Parallel Corpus Data",
"## Language\nJapanese, English",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
21,
23,
61,
3,
5,
9,
15,
5,
5,
9
]
| [
"passage: TAGS\n#task_categories-translation #language-Japanese #region-us \n# Dataset Card for Nexdata/Japanese-English_Parallel_Corpus_Data## Description\nJapanese and English parallel corpus, 380,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL# Specifications## Storage format\nTXT## Data content\nJapanese-English Parallel Corpus Data## Data size\n0.38 million pairs of Japanese-English Parallel Corpus Data## Language\nJapanese, English## Application scenario\nmachine translation# Licensing Information\nCommercial License"
]
|
39bce3e50d55c02687ea7f1b5c7f842fe19521bf | # Dataset Card for Nexdata/Chinese-English_Parallel_Corpus_Data
## Description
3,060,000 sets of parallel translation corpus between Chinese and English. It is stored in txt files. It covers files like travel, medicine, daily and TV play. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in text data file as well as used in machine translation.
For more details, please refer to the link: https://www.nexdata.ai/datasets/147?source=Huggingface
# Specifications
## Storage format
TXT
## Data content
Chinese-English Parallel Corpus Data
## Data size
3.06 million pairs of Chinese-English Parallel Corpus Data. The Chinese sentences contain 4-25 characters
## Language
Chinese, English
## Application scenario
machine translation
# Licensing Information
Commercial License | Nexdata/Chinese-English_Parallel_Corpus_Data | [
"task_categories:translation",
"language:zh",
"language:en",
"region:us"
]
| 2023-11-08T10:52:13+00:00 | {"language": ["zh", "en"], "task_categories": ["translation"]} | 2023-11-10T07:13:30+00:00 | []
| [
"zh",
"en"
]
| TAGS
#task_categories-translation #language-Chinese #language-English #region-us
| # Dataset Card for Nexdata/Chinese-English_Parallel_Corpus_Data
## Description
3,060,000 sets of parallel translation corpus between Chinese and English. It is stored in txt files. It covers files like travel, medicine, daily and TV play. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in text data file as well as used in machine translation.
For more details, please refer to the link: URL
# Specifications
## Storage format
TXT
## Data content
Chinese-English Parallel Corpus Data
## Data size
3.06 million pairs of Chinese-English Parallel Corpus Data. The Chinese sentences contain 4-25 characters
## Language
Chinese, English
## Application scenario
machine translation
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Chinese-English_Parallel_Corpus_Data",
"## Description\n3,060,000 sets of parallel translation corpus between Chinese and English. It is stored in txt files. It covers files like travel, medicine, daily and TV play. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in text data file as well as used in machine translation.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nChinese-English Parallel Corpus Data",
"## Data size\n3.06 million pairs of Chinese-English Parallel Corpus Data. The Chinese sentences contain 4-25 characters",
"## Language\nChinese, English",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-translation #language-Chinese #language-English #region-us \n",
"# Dataset Card for Nexdata/Chinese-English_Parallel_Corpus_Data",
"## Description\n3,060,000 sets of parallel translation corpus between Chinese and English. It is stored in txt files. It covers files like travel, medicine, daily and TV play. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in text data file as well as used in machine translation.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nChinese-English Parallel Corpus Data",
"## Data size\n3.06 million pairs of Chinese-English Parallel Corpus Data. The Chinese sentences contain 4-25 characters",
"## Language\nChinese, English",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
24,
22,
87,
3,
5,
9,
24,
5,
5,
9
]
| [
"passage: TAGS\n#task_categories-translation #language-Chinese #language-English #region-us \n# Dataset Card for Nexdata/Chinese-English_Parallel_Corpus_Data## Description\n3,060,000 sets of parallel translation corpus between Chinese and English. It is stored in txt files. It covers files like travel, medicine, daily and TV play. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in text data file as well as used in machine translation.\n\nFor more details, please refer to the link: URL# Specifications## Storage format\nTXT## Data content\nChinese-English Parallel Corpus Data## Data size\n3.06 million pairs of Chinese-English Parallel Corpus Data. The Chinese sentences contain 4-25 characters## Language\nChinese, English## Application scenario\nmachine translation# Licensing Information\nCommercial License"
]
|
52a1c3f2b0dba5a447e716fa7e2be63ad1ac7622 | # Dataset Card for Nexdata/Traditional_Chinese_Oral_Message_Data
## Description
Traditional Chinese SMS corpus, 10 million in total, real traditional Chinese spoken language text data; only contains text messages; the content is stored in txt format; the data set can be used for natural language understanding and related tasks.
For more details, please refer to the link: https://www.nexdata.ai/datasets/182?source=Huggingface
# Specifications
## Data content
Traditional Chinese SMS corpus text data
## Data size
10 million
## Collecting period
The year 2,014
## Storage format
txt
## Language
Chinese
# Licensing Information
Commercial License | Nexdata/Traditional_Chinese_Oral_Message_Data | [
"task_categories:conversational",
"language:zh",
"region:us"
]
| 2023-11-08T10:53:38+00:00 | {"language": ["zh"], "task_categories": ["conversational"]} | 2023-11-10T07:12:42+00:00 | []
| [
"zh"
]
| TAGS
#task_categories-conversational #language-Chinese #region-us
| # Dataset Card for Nexdata/Traditional_Chinese_Oral_Message_Data
## Description
Traditional Chinese SMS corpus, 10 million in total, real traditional Chinese spoken language text data; only contains text messages; the content is stored in txt format; the data set can be used for natural language understanding and related tasks.
For more details, please refer to the link: URL
# Specifications
## Data content
Traditional Chinese SMS corpus text data
## Data size
10 million
## Collecting period
The year 2,014
## Storage format
txt
## Language
Chinese
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Traditional_Chinese_Oral_Message_Data",
"## Description\nTraditional Chinese SMS corpus, 10 million in total, real traditional Chinese spoken language text data; only contains text messages; the content is stored in txt format; the data set can be used for natural language understanding and related tasks.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\nTraditional Chinese SMS corpus text data",
"## Data size\n10 million",
"## Collecting period\nThe year 2,014",
"## Storage format\ntxt",
"## Language\nChinese",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-conversational #language-Chinese #region-us \n",
"# Dataset Card for Nexdata/Traditional_Chinese_Oral_Message_Data",
"## Description\nTraditional Chinese SMS corpus, 10 million in total, real traditional Chinese spoken language text data; only contains text messages; the content is stored in txt format; the data set can be used for natural language understanding and related tasks.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\nTraditional Chinese SMS corpus text data",
"## Data size\n10 million",
"## Collecting period\nThe year 2,014",
"## Storage format\ntxt",
"## Language\nChinese",
"# Licensing Information\nCommercial License"
]
| [
21,
24,
64,
3,
10,
5,
8,
5,
3,
9
]
| [
"passage: TAGS\n#task_categories-conversational #language-Chinese #region-us \n# Dataset Card for Nexdata/Traditional_Chinese_Oral_Message_Data## Description\nTraditional Chinese SMS corpus, 10 million in total, real traditional Chinese spoken language text data; only contains text messages; the content is stored in txt format; the data set can be used for natural language understanding and related tasks.\n\nFor more details, please refer to the link: URL# Specifications## Data content\nTraditional Chinese SMS corpus text data## Data size\n10 million## Collecting period\nThe year 2,014## Storage format\ntxt## Language\nChinese# Licensing Information\nCommercial License"
]
|
f4ae90e499a512a09315a0d7c9a8374ee08d94fa |
---
# Dataset Card for Nexdata/Cantonese_Script_Data
## Description
Cantonese textual data, 82 million pieces in total; data is collected from Cantonese script text; data set can be used for natural language understanding, knowledge base construction and other tasks.
For more details, please refer to the link: https://www.nexdata.ai/datasets/188?source=Huggingface
# Specifications
## Data content
82 million Cantonese script texts
## Data size
82 million Cantonese script texts
## Collecting period
The year 2,015
## Storage format
txt
## Language
Cantonese
# Licensing Information
Commercial License | Nexdata/Cantonese_Script_Data | [
"region:us"
]
| 2023-11-08T10:55:02+00:00 | {} | 2023-11-10T07:11:31+00:00 | []
| []
| TAGS
#region-us
|
---
# Dataset Card for Nexdata/Cantonese_Script_Data
## Description
Cantonese textual data, 82 million pieces in total; data is collected from Cantonese script text; data set can be used for natural language understanding, knowledge base construction and other tasks.
For more details, please refer to the link: URL
# Specifications
## Data content
82 million Cantonese script texts
## Data size
82 million Cantonese script texts
## Collecting period
The year 2,015
## Storage format
txt
## Language
Cantonese
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Cantonese_Script_Data",
"## Description\nCantonese textual data, 82 million pieces in total; data is collected from Cantonese script text; data set can be used for natural language understanding, knowledge base construction and other tasks.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\n82 million Cantonese script texts",
"## Data size\n82 million Cantonese script texts",
"## Collecting period\nThe year 2,015",
"## Storage format\ntxt",
"## Language\nCantonese",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for Nexdata/Cantonese_Script_Data",
"## Description\nCantonese textual data, 82 million pieces in total; data is collected from Cantonese script text; data set can be used for natural language understanding, knowledge base construction and other tasks.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Data content\n82 million Cantonese script texts",
"## Data size\n82 million Cantonese script texts",
"## Collecting period\nThe year 2,015",
"## Storage format\ntxt",
"## Language\nCantonese",
"# Licensing Information\nCommercial License"
]
| [
6,
16,
55,
3,
11,
11,
8,
5,
5,
9
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for Nexdata/Cantonese_Script_Data## Description\nCantonese textual data, 82 million pieces in total; data is collected from Cantonese script text; data set can be used for natural language understanding, knowledge base construction and other tasks.\n\nFor more details, please refer to the link: URL# Specifications## Data content\n82 million Cantonese script texts## Data size\n82 million Cantonese script texts## Collecting period\nThe year 2,015## Storage format\ntxt## Language\nCantonese# Licensing Information\nCommercial License"
]
|
14cb866e554161e8000eca3b5df525738ad8d03f | # Dataset Card for "bw_spec_cls_80_02"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | arieg/bw_spec_cls_80_02 | [
"region:us"
]
| 2023-11-08T10:55:16+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "4071", "1": "4072", "2": "4073", "3": "4074", "4": "4075", "5": "4076", "6": "4077", "7": "4078", "8": "4079", "9": "4080", "10": "4091", "11": "4092", "12": "4093", "13": "4094", "14": "4095", "15": "4096", "16": "4097", "17": "4098", "18": "4099", "19": "4100", "20": "4101", "21": "4102", "22": "4103", "23": "4232", "24": "4233", "25": "4234", "26": "4235", "27": "4236", "28": "4239", "29": "4450", "30": "4507", "31": "4508", "32": "4509", "33": "4510", "34": "4511", "35": "4519", "36": "4520", "37": "4521", "38": "4522", "39": "4682", "40": "4684", "41": "4685", "42": "4688", "43": "4777", "44": "4778", "45": "4779", "46": "4780", "47": "4781", "48": "4782", "49": "4784", "50": "4785", "51": "4786", "52": "4787", "53": "4788", "54": "4799", "55": "4835", "56": "4836", "57": "4838", "58": "4846", "59": "4848", "60": "4849", "61": "5006", "62": "5156", "63": "5157", "64": "5158", "65": "5159", "66": "5169", "67": "5170", "68": "5171", "69": "5264", "70": "5268", "71": "5376", "72": "5381", "73": "5521", "74": "5879", "75": "5936", "76": "5940", "77": "6329", "78": "6330", "79": "6332"}}}}], "splits": [{"name": "train", "num_bytes": 91635203.2, "num_examples": 1600}], "download_size": 90024456, "dataset_size": 91635203.2}} | 2023-11-08T10:55:24+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "bw_spec_cls_80_02"
More Information needed | [
"# Dataset Card for \"bw_spec_cls_80_02\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"bw_spec_cls_80_02\"\n\nMore Information needed"
]
| [
6,
20
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"bw_spec_cls_80_02\"\n\nMore Information needed"
]
|
c85c1c38774f4bd6319283f7f1d0d23d0acbcc76 | # Dataset Card for Nexdata/English_Intention_Annotation_Data_in_Interactive_Scenes
## Description
84,516 Sentences - English Intention Annotation Data in Interactive Scenes, annotated with intent classes, including slot and slot value information; the intent field includes music, weather, date, schedule, home equipment, etc.; it is applied to intent recognition research and related fields.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1154?source=Huggingface
# Specifications
## Content
intent-type single sentence annotation data
## ContentLabel Content
Manually write sentences with corresponding intentions and make intent annotations
## Storage Format
Excel
## Language
English
## Data Size
84,516 Sentences
## Application scenario
intention understanding in speech interaction
# Licensing Information
Commercial License | Nexdata/English_Intention_Annotation_Data_in_Interactive_Scenes | [
"task_categories:text-classification",
"language:en",
"region:us"
]
| 2023-11-08T10:56:30+00:00 | {"language": ["en"], "task_categories": ["text-classification"]} | 2023-11-10T07:09:51+00:00 | []
| [
"en"
]
| TAGS
#task_categories-text-classification #language-English #region-us
| # Dataset Card for Nexdata/English_Intention_Annotation_Data_in_Interactive_Scenes
## Description
84,516 Sentences - English Intention Annotation Data in Interactive Scenes, annotated with intent classes, including slot and slot value information; the intent field includes music, weather, date, schedule, home equipment, etc.; it is applied to intent recognition research and related fields.
For more details, please refer to the link: URL
# Specifications
## Content
intent-type single sentence annotation data
## ContentLabel Content
Manually write sentences with corresponding intentions and make intent annotations
## Storage Format
Excel
## Language
English
## Data Size
84,516 Sentences
## Application scenario
intention understanding in speech interaction
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/English_Intention_Annotation_Data_in_Interactive_Scenes",
"## Description\n84,516 Sentences - English Intention Annotation Data in Interactive Scenes, annotated with intent classes, including slot and slot value information; the intent field includes music, weather, date, schedule, home equipment, etc.; it is applied to intent recognition research and related fields.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Content\nintent-type single sentence annotation data",
"## ContentLabel Content\nManually write sentences with corresponding intentions and make intent annotations",
"## Storage Format\nExcel",
"## Language\nEnglish",
"## Data Size\n84,516 Sentences",
"## Application scenario\nintention understanding in speech interaction",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-text-classification #language-English #region-us \n",
"# Dataset Card for Nexdata/English_Intention_Annotation_Data_in_Interactive_Scenes",
"## Description\n84,516 Sentences - English Intention Annotation Data in Interactive Scenes, annotated with intent classes, including slot and slot value information; the intent field includes music, weather, date, schedule, home equipment, etc.; it is applied to intent recognition research and related fields.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Content\nintent-type single sentence annotation data",
"## ContentLabel Content\nManually write sentences with corresponding intentions and make intent annotations",
"## Storage Format\nExcel",
"## Language\nEnglish",
"## Data Size\n84,516 Sentences",
"## Application scenario\nintention understanding in speech interaction",
"# Licensing Information\nCommercial License"
]
| [
21,
27,
75,
3,
10,
21,
4,
3,
8,
8,
9
]
| [
"passage: TAGS\n#task_categories-text-classification #language-English #region-us \n# Dataset Card for Nexdata/English_Intention_Annotation_Data_in_Interactive_Scenes## Description\n84,516 Sentences - English Intention Annotation Data in Interactive Scenes, annotated with intent classes, including slot and slot value information; the intent field includes music, weather, date, schedule, home equipment, etc.; it is applied to intent recognition research and related fields.\n\nFor more details, please refer to the link: URL# Specifications## Content\nintent-type single sentence annotation data## ContentLabel Content\nManually write sentences with corresponding intentions and make intent annotations## Storage Format\nExcel## Language\nEnglish## Data Size\n84,516 Sentences## Application scenario\nintention understanding in speech interaction# Licensing Information\nCommercial License"
]
|
4e06b924e38f79f48f87ef099c2f6a0bc523b9d6 | # Dataset Card for Nexdata/English-Russian_Parallel_Corpus_Data
## Description
English and Russian parallel corpus, 1,080,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1161?source=Huggingface
# Specifications
## Storage format
TXT
## Data content
English-Russian Parallel Corpus Data
## Data size
1.08 million pairs of English-Russian Parallel Corpus Data
## Language
English,Russian
## Application scenario
machine translation
# Licensing Information
Commercial License | Nexdata/English-Russian_Parallel_Corpus_Data | [
"task_categories:translation",
"language:ru",
"language:en",
"region:us"
]
| 2023-11-08T10:58:47+00:00 | {"language": ["ru", "en"], "task_categories": ["translation"]} | 2023-11-10T07:06:43+00:00 | []
| [
"ru",
"en"
]
| TAGS
#task_categories-translation #language-Russian #language-English #region-us
| # Dataset Card for Nexdata/English-Russian_Parallel_Corpus_Data
## Description
English and Russian parallel corpus, 1,080,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.
For more details, please refer to the link: URL
# Specifications
## Storage format
TXT
## Data content
English-Russian Parallel Corpus Data
## Data size
1.08 million pairs of English-Russian Parallel Corpus Data
## Language
English,Russian
## Application scenario
machine translation
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/English-Russian_Parallel_Corpus_Data",
"## Description\nEnglish and Russian parallel corpus, 1,080,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nEnglish-Russian Parallel Corpus Data",
"## Data size\n1.08 million pairs of English-Russian Parallel Corpus Data",
"## Language\nEnglish,Russian",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-translation #language-Russian #language-English #region-us \n",
"# Dataset Card for Nexdata/English-Russian_Parallel_Corpus_Data",
"## Description\nEnglish and Russian parallel corpus, 1,080,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nEnglish-Russian Parallel Corpus Data",
"## Data size\n1.08 million pairs of English-Russian Parallel Corpus Data",
"## Language\nEnglish,Russian",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
24,
22,
61,
3,
5,
10,
16,
6,
5,
9
]
| [
"passage: TAGS\n#task_categories-translation #language-Russian #language-English #region-us \n# Dataset Card for Nexdata/English-Russian_Parallel_Corpus_Data## Description\nEnglish and Russian parallel corpus, 1,080,000 groups in total; excluded political, porn, personal information and other sensitive vocabulary; it can be a base corpus for text-based data analysis, used in machine translation and other fields.\n\nFor more details, please refer to the link: URL# Specifications## Storage format\nTXT## Data content\nEnglish-Russian Parallel Corpus Data## Data size\n1.08 million pairs of English-Russian Parallel Corpus Data## Language\nEnglish,Russian## Application scenario\nmachine translation# Licensing Information\nCommercial License"
]
|
a6473ae6c27849c3d78da7f5630bf5fa652f26df | # Dataset Card for "holiday"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Thefoodprocessor/holiday | [
"region:us"
]
| 2023-11-08T10:59:17+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "id", "dtype": "int64"}, {"name": "recipe", "dtype": "string"}, {"name": "holiday", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 107496782, "num_examples": 74465}], "download_size": 54257690, "dataset_size": 107496782}} | 2023-11-13T10:46:05+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "holiday"
More Information needed | [
"# Dataset Card for \"holiday\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"holiday\"\n\nMore Information needed"
]
| [
6,
12
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"holiday\"\n\nMore Information needed"
]
|
0ddd9e88ab90c231a92667633066d02eb3eb5d60 | # Dataset Card for Nexdata/Chinese-Japanese_Parallel_Corpus_Data
## Description
9.83 Million Pairs of Sentences - Chinese-Japanese Parallel Corpus Data be stored in txt format. It covers multiple fields including general, IT, news, patent, and international engine. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine translation.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1069?source=Huggingface
# Specifications
## Format
TXT
## Data content
Chinese-Japanese parallel corpus
## Data size
9.83 million pairs of Chinese-Japanese Parallel Corpus Data.
## Language
Chinese, Japanese
## Applications
machine translation
## Accuracy rate
90%
# Licensing Information
Commercial License | Nexdata/Chinese-Japanese_Parallel_Corpus_Data | [
"task_categories:translation",
"language:ja",
"language:zh",
"region:us"
]
| 2023-11-08T11:00:00+00:00 | {"language": ["ja", "zh"], "task_categories": ["translation"]} | 2023-11-10T07:23:13+00:00 | []
| [
"ja",
"zh"
]
| TAGS
#task_categories-translation #language-Japanese #language-Chinese #region-us
| # Dataset Card for Nexdata/Chinese-Japanese_Parallel_Corpus_Data
## Description
9.83 Million Pairs of Sentences - Chinese-Japanese Parallel Corpus Data be stored in txt format. It covers multiple fields including general, IT, news, patent, and international engine. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine translation.
For more details, please refer to the link: URL
# Specifications
## Format
TXT
## Data content
Chinese-Japanese parallel corpus
## Data size
9.83 million pairs of Chinese-Japanese Parallel Corpus Data.
## Language
Chinese, Japanese
## Applications
machine translation
## Accuracy rate
90%
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Chinese-Japanese_Parallel_Corpus_Data",
"## Description\n9.83 Million Pairs of Sentences - Chinese-Japanese Parallel Corpus Data be stored in txt format. It covers multiple fields including general, IT, news, patent, and international engine. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine translation.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\nTXT",
"## Data content\nChinese-Japanese parallel corpus",
"## Data size\n9.83 million pairs of Chinese-Japanese Parallel Corpus Data.",
"## Language\nChinese, Japanese",
"## Applications\nmachine translation",
"## Accuracy rate\n90%",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-translation #language-Japanese #language-Chinese #region-us \n",
"# Dataset Card for Nexdata/Chinese-Japanese_Parallel_Corpus_Data",
"## Description\n9.83 Million Pairs of Sentences - Chinese-Japanese Parallel Corpus Data be stored in txt format. It covers multiple fields including general, IT, news, patent, and international engine. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine translation.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Format\nTXT",
"## Data content\nChinese-Japanese parallel corpus",
"## Data size\n9.83 million pairs of Chinese-Japanese Parallel Corpus Data.",
"## Language\nChinese, Japanese",
"## Applications\nmachine translation",
"## Accuracy rate\n90%",
"# Licensing Information\nCommercial License"
]
| [
26,
24,
89,
3,
4,
10,
18,
5,
5,
6,
9
]
| [
"passage: TAGS\n#task_categories-translation #language-Japanese #language-Chinese #region-us \n# Dataset Card for Nexdata/Chinese-Japanese_Parallel_Corpus_Data## Description\n9.83 Million Pairs of Sentences - Chinese-Japanese Parallel Corpus Data be stored in txt format. It covers multiple fields including general, IT, news, patent, and international engine. The data desensitization and quality checking had been done. It can be used as a basic corpus for text data analysis in fields such as machine translation.\n\nFor more details, please refer to the link: URL# Specifications## Format\nTXT## Data content\nChinese-Japanese parallel corpus## Data size\n9.83 million pairs of Chinese-Japanese Parallel Corpus Data.## Language\nChinese, Japanese## Applications\nmachine translation## Accuracy rate\n90%# Licensing Information\nCommercial License"
]
|
95f1bfe18e7365bf288f696837c3b06afb060bd4 | # Dataset Card for Nexdata/Chinese-Korean_Parallel_Corpus_Data
## Description
12,820,000 sets of parallel translation corpus between China and Korea, which are stored in txt files. It covers many fields including spoken language, traveling, news, and finance. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in the text data files as well as used in machine translation.
For more details, please refer to the link: https://www.nexdata.ai/datasets/1200?source=Huggingface
# Specifications
## Storage format
TXT
## Data content
Chinese-Korean Parallel Corpus Data
## Data size
12.82 million pairs of Chinese-Korean Parallel Corpus Data. The Chinese sentences contain 25.7 characters on average.
## Language
Chinese, Korean
## Accuracy rate
90%
## Application scenario
machine translation
# Licensing Information
Commercial License | Nexdata/Chinese-Korean_Parallel_Corpus_Data | [
"task_categories:translation",
"language:ko",
"region:us"
]
| 2023-11-08T11:01:33+00:00 | {"language": ["ko"], "task_categories": ["translation"]} | 2023-11-10T07:05:57+00:00 | []
| [
"ko"
]
| TAGS
#task_categories-translation #language-Korean #region-us
| # Dataset Card for Nexdata/Chinese-Korean_Parallel_Corpus_Data
## Description
12,820,000 sets of parallel translation corpus between China and Korea, which are stored in txt files. It covers many fields including spoken language, traveling, news, and finance. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in the text data files as well as used in machine translation.
For more details, please refer to the link: URL
# Specifications
## Storage format
TXT
## Data content
Chinese-Korean Parallel Corpus Data
## Data size
12.82 million pairs of Chinese-Korean Parallel Corpus Data. The Chinese sentences contain 25.7 characters on average.
## Language
Chinese, Korean
## Accuracy rate
90%
## Application scenario
machine translation
# Licensing Information
Commercial License | [
"# Dataset Card for Nexdata/Chinese-Korean_Parallel_Corpus_Data",
"## Description\n12,820,000 sets of parallel translation corpus between China and Korea, which are stored in txt files. It covers many fields including spoken language, traveling, news, and finance. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in the text data files as well as used in machine translation.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nChinese-Korean Parallel Corpus Data",
"## Data size\n12.82 million pairs of Chinese-Korean Parallel Corpus Data. The Chinese sentences contain 25.7 characters on average.",
"## Language\nChinese, Korean",
"## Accuracy rate\n90%",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
"TAGS\n#task_categories-translation #language-Korean #region-us \n",
"# Dataset Card for Nexdata/Chinese-Korean_Parallel_Corpus_Data",
"## Description\n12,820,000 sets of parallel translation corpus between China and Korea, which are stored in txt files. It covers many fields including spoken language, traveling, news, and finance. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in the text data files as well as used in machine translation.\n\nFor more details, please refer to the link: URL",
"# Specifications",
"## Storage format\nTXT",
"## Data content\nChinese-Korean Parallel Corpus Data",
"## Data size\n12.82 million pairs of Chinese-Korean Parallel Corpus Data. The Chinese sentences contain 25.7 characters on average.",
"## Language\nChinese, Korean",
"## Accuracy rate\n90%",
"## Application scenario\nmachine translation",
"# Licensing Information\nCommercial License"
]
| [
20,
23,
94,
3,
5,
10,
28,
5,
6,
5,
9
]
| [
"passage: TAGS\n#task_categories-translation #language-Korean #region-us \n# Dataset Card for Nexdata/Chinese-Korean_Parallel_Corpus_Data## Description\n12,820,000 sets of parallel translation corpus between China and Korea, which are stored in txt files. It covers many fields including spoken language, traveling, news, and finance. Data cleaning, desensitization, and quality inspection have been carried out. It can be used as the basic corpus database in the text data files as well as used in machine translation.\n\nFor more details, please refer to the link: URL# Specifications## Storage format\nTXT## Data content\nChinese-Korean Parallel Corpus Data## Data size\n12.82 million pairs of Chinese-Korean Parallel Corpus Data. The Chinese sentences contain 25.7 characters on average.## Language\nChinese, Korean## Accuracy rate\n90%## Application scenario\nmachine translation# Licensing Information\nCommercial License"
]
|
a1b8e0c6c2dc7a8e70cc8086cfd169da458a92e9 | # Dataset Card for "cuisine_type"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | Thefoodprocessor/cuisine_type | [
"region:us"
]
| 2023-11-08T11:01:51+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "id", "dtype": "int64"}, {"name": "recipe", "dtype": "string"}, {"name": "cuisine_type", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 107643157, "num_examples": 74465}], "download_size": 54311214, "dataset_size": 107643157}} | 2023-11-08T11:01:57+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "cuisine_type"
More Information needed | [
"# Dataset Card for \"cuisine_type\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"cuisine_type\"\n\nMore Information needed"
]
| [
6,
15
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"cuisine_type\"\n\nMore Information needed"
]
|
fc9675d107bd130c5580cac1b88e16cc5561d52e | # Dataset Card for "chaiverse_lora_testing_fandom_IO"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | ChaiML/chaiverse_lora_testing_fandom_IO | [
"region:us"
]
| 2023-11-08T11:02:18+00:00 | {"dataset_info": {"features": [{"name": "input_text", "dtype": "string"}, {"name": "output_text", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 149058, "num_examples": 100}], "download_size": 96520, "dataset_size": 149058}} | 2023-11-08T11:02:20+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "chaiverse_lora_testing_fandom_IO"
More Information needed | [
"# Dataset Card for \"chaiverse_lora_testing_fandom_IO\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"chaiverse_lora_testing_fandom_IO\"\n\nMore Information needed"
]
| [
6,
24
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"chaiverse_lora_testing_fandom_IO\"\n\nMore Information needed"
]
|
755a9ec678ab7b98b2566301e822b8d653f0b716 | # Dataset Card for "bw_spec_cls_80_03"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | arieg/bw_spec_cls_80_03 | [
"region:us"
]
| 2023-11-08T11:04:28+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "6342", "1": "6354", "2": "6357", "3": "6360", "4": "6366", "5": "6367", "6": "6370", "7": "6373", "8": "6379", "9": "6381", "10": "6382", "11": "6383", "12": "6387", "13": "6389", "14": "6393", "15": "6394", "16": "6396", "17": "6406", "18": "6407", "19": "6439", "20": "6440", "21": "6442", "22": "6443", "23": "6448", "24": "6459", "25": "6469", "26": "6517", "27": "6519", "28": "6603", "29": "6605", "30": "6606", "31": "6607", "32": "6608", "33": "6609", "34": "6610", "35": "6611", "36": "6674", "37": "6675", "38": "6677", "39": "6679", "40": "6680", "41": "6684", "42": "6776", "43": "6778", "44": "6788", "45": "6802", "46": "6803", "47": "6854", "48": "6855", "49": "6856", "50": "6857", "51": "7481", "52": "7482", "53": "7483", "54": "7487", "55": "7488", "56": "7489", "57": "7490", "58": "7491", "59": "7492", "60": "7495", "61": "7526", "62": "7527", "63": "7528", "64": "7529", "65": "7548", "66": "7554", "67": "7709", "68": "7710", "69": "7711", "70": "7712", "71": "7713", "72": "7872", "73": "8056", "74": "8208", "75": "8256", "76": "8259", "77": "8261", "78": "8345", "79": "8357"}}}}], "splits": [{"name": "train", "num_bytes": 89110585.6, "num_examples": 1600}], "download_size": 88647318, "dataset_size": 89110585.6}} | 2023-11-08T11:04:35+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "bw_spec_cls_80_03"
More Information needed | [
"# Dataset Card for \"bw_spec_cls_80_03\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"bw_spec_cls_80_03\"\n\nMore Information needed"
]
| [
6,
20
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"bw_spec_cls_80_03\"\n\nMore Information needed"
]
|
014e98dd6e1e0e8739e0a66a93fd05903b56d961 | # Dataset Card for "check_other_demand_dataset_v2"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | quocanh34/check_other_demand_dataset_v2 | [
"region:us"
]
| 2023-11-08T11:06:39+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "test", "path": "data/test-*"}]}], "dataset_info": {"features": [{"name": "text", "dtype": "string"}, {"name": "label", "dtype": "int64"}], "splits": [{"name": "train", "num_bytes": 7411.640211640211, "num_examples": 170}, {"name": "test", "num_bytes": 828.3597883597884, "num_examples": 19}], "download_size": 5399, "dataset_size": 8240.0}} | 2023-11-08T11:06:45+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "check_other_demand_dataset_v2"
More Information needed | [
"# Dataset Card for \"check_other_demand_dataset_v2\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"check_other_demand_dataset_v2\"\n\nMore Information needed"
]
| [
6,
22
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"check_other_demand_dataset_v2\"\n\nMore Information needed"
]
|
5d46d5cbfab84e192d2cdb0ffd6e5f914e98921b | # Dataset Card for "bw_spec_cls_80_04"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | arieg/bw_spec_cls_80_04 | [
"region:us"
]
| 2023-11-08T11:13:33+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "label", "dtype": {"class_label": {"names": {"0": "10186", "1": "10192", "2": "10374", "3": "10375", "4": "10376", "5": "10377", "6": "10435", "7": "10458", "8": "10521", "9": "10527", "10": "10535", "11": "10541", "12": "10575", "13": "10577", "14": "10668", "15": "10669", "16": "10670", "17": "10671", "18": "10672", "19": "10673", "20": "10674", "21": "10675", "22": "10676", "23": "10677", "24": "10693", "25": "10694", "26": "10695", "27": "10696", "28": "10697", "29": "10698", "30": "10699", "31": "10805", "32": "10806", "33": "10807", "34": "10808", "35": "10809", "36": "10810", "37": "10983", "38": "11198", "39": "11199", "40": "11206", "41": "11234", "42": "11237", "43": "11239", "44": "11242", "45": "11261", "46": "11262", "47": "11264", "48": "11268", "49": "11298", "50": "11299", "51": "11306", "52": "11333", "53": "11334", "54": "11544", "55": "11638", "56": "11671", "57": "11672", "58": "11673", "59": "11674", "60": "11675", "61": "8363", "62": "8372", "63": "8416", "64": "9152", "65": "9307", "66": "9476", "67": "9477", "68": "9491", "69": "9505", "70": "9511", "71": "9512", "72": "9513", "73": "9678", "74": "9721", "75": "9846", "76": "9887", "77": "9888", "78": "9918", "79": "9962"}}}}], "splits": [{"name": "train", "num_bytes": 84536471.2, "num_examples": 1600}], "download_size": 84865672, "dataset_size": 84536471.2}} | 2023-11-08T11:13:40+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "bw_spec_cls_80_04"
More Information needed | [
"# Dataset Card for \"bw_spec_cls_80_04\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"bw_spec_cls_80_04\"\n\nMore Information needed"
]
| [
6,
20
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"bw_spec_cls_80_04\"\n\nMore Information needed"
]
|
ba68d6d5068dc2494ada96bd0f794f232c3bacf4 |
# Catalan Common Voice v13 - metadata annotated version
## Table of Contents
- [Dataset Card Creation Guide](#dataset-card-creation-guide)
- [Table of Contents](#table-of-contents)
- [Dataset Description](#dataset-description)
- [Dataset Summary](#dataset-summary)
- [Supported Tasks and Leaderboards](#supported-tasks-and-leaderboards)
- [Languages](#languages)
- [Dataset Structure](#dataset-structure)
- [Data Instances](#data-instances)
- [Data Fields](#data-fields)
- [Data Splits](#data-splits)
- [Dataset Creation](#dataset-creation)
- [Curation Rationale](#curation-rationale)
- [Source Data](#source-data)
- [Initial Data Collection and Normalization](#initial-data-collection-and-normalization)
- [Who are the source language producers?](#who-are-the-source-language-producers)
- [Annotations](#annotations)
- [Annotation process](#annotation-process)
- [Who are the annotators?](#who-are-the-annotators)
- [Personal and Sensitive Information](#personal-and-sensitive-information)
- [Considerations for Using the Data](#considerations-for-using-the-data)
- [Social Impact of Dataset](#social-impact-of-dataset)
- [Discussion of Biases](#discussion-of-biases)
- [Other Known Limitations](#other-known-limitations)
- [Additional Information](#additional-information)
- [Dataset Curators](#dataset-curators)
- [Licensing Information](#licensing-information)
- [Citation Information](#citation-information)
- [Contributions](#contributions)
## Dataset Description
- **Homepage:** [Add homepage URL here if available (unless it's a GitHub repository)]()
- **Repository:** [If the dataset is hosted on github or has a github homepage, add URL here]()
- **Paper:** [If the dataset was introduced by a paper or there was a paper written describing the dataset, add URL here (landing page for Arxiv paper preferred)]()
- **Leaderboard:** [If the dataset supports an active leaderboard, add link here]()
- **Point of Contact:** [If known, name and email of at least one person the reader can contact for questions about the dataset.]()
### Dataset Summary
This is a version of the [Catalan sentences of the Common Voice corpus (v13)](https://huggingface.co/datasets/mozilla-foundation/common_voice_13_0/tree/main/transcript/ca) with the metadata (gender and accent) of the speakers with more than 1200 seconds recorded annotated by a team of experts. The overall quality of the recordings has also been annotated for this speakers.
### Supported Tasks and Leaderboards
Automatic Speech Recognition
### Languages
The dataset is in Catalan (ca).
## Dataset Structure
### Data Instances
```
{
'client_id': '69dafb41ddc0ea2785719305fdc5c8d79c4b2829d9f3325bda707dcaa553f95c5fbf4b072970d9004d3e31543fcb2c55e252dc904c4fb5aee2a5e5500df90967',
'path': 'common_voice_ca_19909748.mp3',
'sentence': 'En el carrer de l'església es troben bona part dels edificis importants de la vila.',
'up_votes': 2,
'down_votes': 0,
'age': 'thirties',
'gender': 'male',
'accent': 'balear',
'variant': '',
'locale': 'ca',
'segment': '',
'annotated_gender': 'H',
'annotated_gender_agreement': '100.0',
'annotated_accent': 'Balear',
'annotated_accent_agreement': '100.0',
'mean quality': '4.0',
'stdev quality': '0.0'
}
```
### Data Fields
Most of the data fields come from the original [Common Voice corpus](https://huggingface.co/datasets/mozilla-foundation/common_voice_13_0/tree/main/transcript/ca):
- `client_id`(string): An id for which client (voice) made the recording
- `path`(string): The path to the audio file
- `sentence`(string): The sentence the user was prompted to speak
- `up_votes`(int64): How many upvotes the audio file has received from reviewers
- `down_votes`(int64): How many downvotes the audio file has received from reviewers
- `age`(string): Self-reported age of the speaker (e.g. teens, twenties, fifties)
- `gender`(string): Self-reported gender of the speaker
- `accent`(string): Self-reported accent of the speaker
- `locale`(string): The locale of the speaker
- `segment`(string): Usually an empty field
In this corpus, we have added the following fields:
- `annotated_gender`(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)
- `annotated_gender_agreement` (float): Agreement whithin the annotaion team about the gender of the speaker.
- `annotated_accent` (string): Annotated Gender by the experts team. The accents considered are:
- `annotated_accent_agreement` (float): Agreement whithin the annotaion team about the accent of the speaker.
- `mean quality` (float): Mean annotated quality of the speakers' recording.
- `stdev quality` (float): Deviation in the quality annotation between annotators.
### Data Splits
Same splits than in the original [Common Voice corpus](https://huggingface.co/datasets/mozilla-foundation/common_voice_13_0/tree/main/transcript/ca) corpus are kept:
| split | sentences | annotated sentences |
|-----------------|-------------:|--------------------:|
| dev.tsv | 16374 | 0 |
| invalidated.tsv | 85578 | 8444 |
| other.tsv | 491863 | 151116 |
| test.tsv | 16380 | 0 |
| train.tsv | 1042957 | 174097 |
| <b>Total</b> |<b>1653152</b>| <b>333657</b>|
## Dataset Creation
### Curation Rationale
Throughout the year 2022, a campaign was carried out to promote the Common Voice corpus among the Catalan-speaking population, which was a resounding success. However, not all participants included their demographic information (age, gender, and accent), and in some cases, they were found to be unable to self-define their accent correctly.
In order to obtain a balanced corpus with reliable information, we have seen the need to ask a group of experts from the University of Barcelona for an accurate annotation.
We hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan.
### Source Data
The original data comes from the [Catalan sentences of the Common Voice corpus](https://huggingface.co/datasets/mozilla-foundation/common_voice_13_0/tree/main/transcript/ca).
#### Initial Data Collection and Normalization
Starting with [version 13 of the Common Voice corpus](https://huggingface.co/datasets/mozilla-foundation/common_voice_13_0/tree/main/transcript/ca), we selected IDs with more than 1400 recorded seconds. A team of three expert linguists from the University of Barcelona scored, for each of the selected IDs:
- if all the recordings correspond to the same person.
- the gender of the speaker
- the accent of the speaker
- the quality of the recording
They did a first round annotation, commented their different opinions and then, a second round. For this version of the corpus we used the annotations from the second round, and selected the IDs (263) where there was agreement between the annotators that correspond to a single person.
The full original annotations can be found at [Zenodo](posar link).
#### Who are the source language producers?
The original data comes from the [Catalan sentences of the Common Voice corpus](https://huggingface.co/datasets/mozilla-foundation/common_voice_13_0/tree/main/transcript/ca).
### Annotations
From the original data in the [Common Voice corpus](https://huggingface.co/datasets/mozilla-foundation/common_voice_13_0/tree/main/transcript/ca) the following fields have been added:
- `annotated_gender`(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)
- `annotated_gender_agreement` (float): Agreement within the annotation team about the gender of the speaker.
- `annotated_accent` (string): Annotated Gender by the experts team. The accents considered are:
- `annotated_accent_agreement` (float): Agreement within the annotation team about the accent of the speaker.
- `mean quality` (float): Mean annotated quality of the speakers' recording.
- `stdev quality` (float): Deviation in the quality annotation between annotators.
#### Annotation process
273 speaker ID have been annotated. However, 10 of them have been discarded because they didn't correspond to an only person.
The selected 263 speakers ID correspond to a total of 333.657 sentences (20,18% of the total).
#### Who are the annotators?
The annotation was entrusted to the [CLiC (Centre de Llenguatge i Computació)](https://clic.ub.edu/en/que-es-clic) team from the University of Barcelona.
They selected a group of three annotators (two men and one woman), who received a scholarship to do this work.
The annotation team was composed of:
* 2 male annotators, aged 18-25, L1 Catalan, students in the Catalan Philology degree.
* 1 female annotator, aged 18-25, L1 Catalan, student in the Modern Languages and Literatures degree, with a focus on Catalan.
* 1 female supervisor, aged 40-50, L1 Catalan, graduate in Physics and Linguistics, Ph.D. in Signal Theory and Communications.
To do the annotation they used a Google Drive spreadsheet
### Personal and Sensitive Information
The dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.
## Considerations for Using the Data
### Social Impact of Dataset
The dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.
We hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan
### Discussion of Biases
Most of the voices of the common voice in Catalan correspond to men with a central accent between 40 and 60 years old. The aim of this dataset is to provide information that allows to minimize the biases that this could cause.
Regarding the content of the recorded sentences, we consider that the Common Voice validation system is efficient in removing those that could produce toxic content.
### Other Known Limitations
[N/A]
## Additional Information
### Dataset Curators
Language Technologies Unit at the Barcelona Supercomputing Center ([email protected])
This work has been promoted and financed by the Generalitat de Catalunya through the [Aina project](https://projecteaina.cat/).
### Licensing Information
This work is licensed under a [CC0 International License](https://creativecommons.org/publicdomain/zero/1.0/)
### Citation Information
DOI []
### Contributions
The annotation was entrusted to the [STeL](https://stel2.ub.edu/el-servei) team from the University of Barcelona. | projecte-aina/annotated_catalan_common_voice | [
"task_categories:automatic-speech-recognition",
"task_categories:audio-classification",
"task_categories:audio-to-audio",
"task_ids:audio-language-identification",
"annotations_creators:expert-generated",
"language_creators:found",
"multilinguality:monolingual",
"size_categories:1M<n<10M",
"source_datasets:extended|common_voice",
"language:ca",
"license:cc0-1.0",
"region:us"
]
| 2023-11-08T11:29:26+00:00 | {"annotations_creators": ["expert-generated"], "language_creators": ["found"], "language": ["ca"], "license": ["cc0-1.0"], "multilinguality": ["monolingual"], "size_categories": ["1M<n<10M"], "source_datasets": ["extended|common_voice"], "task_categories": ["automatic-speech-recognition", "audio-classification", "audio-to-audio"], "task_ids": ["audio-language-identification"], "pretty_name": "\nannotated_catalan_common_voice", "tags": []} | 2024-02-12T16:55:20+00:00 | []
| [
"ca"
]
| TAGS
#task_categories-automatic-speech-recognition #task_categories-audio-classification #task_categories-audio-to-audio #task_ids-audio-language-identification #annotations_creators-expert-generated #language_creators-found #multilinguality-monolingual #size_categories-1M<n<10M #source_datasets-extended|common_voice #language-Catalan #license-cc0-1.0 #region-us
| Catalan Common Voice v13 - metadata annotated version
=====================================================
Table of Contents
-----------------
* Dataset Card Creation Guide
+ Table of Contents
+ Dataset Description
- Dataset Summary
- Supported Tasks and Leaderboards
- Languages
+ Dataset Structure
- Data Instances
- Data Fields
- Data Splits
+ Dataset Creation
- Curation Rationale
- Source Data
* Initial Data Collection and Normalization
* Who are the source language producers?
- Annotations
* Annotation process
* Who are the annotators?
- Personal and Sensitive Information
+ Considerations for Using the Data
- Social Impact of Dataset
- Discussion of Biases
- Other Known Limitations
+ Additional Information
- Dataset Curators
- Licensing Information
- Citation Information
- Contributions
Dataset Description
-------------------
* Homepage: Add homepage URL here if available (unless it's a GitHub repository)
* Repository: If the dataset is hosted on github or has a github homepage, add URL here
* Paper: If the dataset was introduced by a paper or there was a paper written describing the dataset, add URL here (landing page for Arxiv paper preferred)
* Leaderboard: If the dataset supports an active leaderboard, add link here
* Point of Contact: If known, name and email of at least one person the reader can contact for questions about the dataset.
### Dataset Summary
This is a version of the Catalan sentences of the Common Voice corpus (v13) with the metadata (gender and accent) of the speakers with more than 1200 seconds recorded annotated by a team of experts. The overall quality of the recordings has also been annotated for this speakers.
### Supported Tasks and Leaderboards
Automatic Speech Recognition
### Languages
The dataset is in Catalan (ca).
Dataset Structure
-----------------
### Data Instances
### Data Fields
Most of the data fields come from the original Common Voice corpus:
* 'client\_id'(string): An id for which client (voice) made the recording
* 'path'(string): The path to the audio file
* 'sentence'(string): The sentence the user was prompted to speak
* 'up\_votes'(int64): How many upvotes the audio file has received from reviewers
* 'down\_votes'(int64): How many downvotes the audio file has received from reviewers
* 'age'(string): Self-reported age of the speaker (e.g. teens, twenties, fifties)
* 'gender'(string): Self-reported gender of the speaker
* 'accent'(string): Self-reported accent of the speaker
* 'locale'(string): The locale of the speaker
* 'segment'(string): Usually an empty field
In this corpus, we have added the following fields:
* 'annotated\_gender'(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)
* 'annotated\_gender\_agreement' (float): Agreement whithin the annotaion team about the gender of the speaker.
* 'annotated\_accent' (string): Annotated Gender by the experts team. The accents considered are:
* 'annotated\_accent\_agreement' (float): Agreement whithin the annotaion team about the accent of the speaker.
* 'mean quality' (float): Mean annotated quality of the speakers' recording.
* 'stdev quality' (float): Deviation in the quality annotation between annotators.
### Data Splits
Same splits than in the original Common Voice corpus corpus are kept:
Dataset Creation
----------------
### Curation Rationale
Throughout the year 2022, a campaign was carried out to promote the Common Voice corpus among the Catalan-speaking population, which was a resounding success. However, not all participants included their demographic information (age, gender, and accent), and in some cases, they were found to be unable to self-define their accent correctly.
In order to obtain a balanced corpus with reliable information, we have seen the need to ask a group of experts from the University of Barcelona for an accurate annotation.
We hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan.
### Source Data
The original data comes from the Catalan sentences of the Common Voice corpus.
#### Initial Data Collection and Normalization
Starting with version 13 of the Common Voice corpus, we selected IDs with more than 1400 recorded seconds. A team of three expert linguists from the University of Barcelona scored, for each of the selected IDs:
* if all the recordings correspond to the same person.
* the gender of the speaker
* the accent of the speaker
* the quality of the recording
They did a first round annotation, commented their different opinions and then, a second round. For this version of the corpus we used the annotations from the second round, and selected the IDs (263) where there was agreement between the annotators that correspond to a single person.
The full original annotations can be found at Zenodo.
#### Who are the source language producers?
The original data comes from the Catalan sentences of the Common Voice corpus.
### Annotations
From the original data in the Common Voice corpus the following fields have been added:
* 'annotated\_gender'(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)
* 'annotated\_gender\_agreement' (float): Agreement within the annotation team about the gender of the speaker.
* 'annotated\_accent' (string): Annotated Gender by the experts team. The accents considered are:
* 'annotated\_accent\_agreement' (float): Agreement within the annotation team about the accent of the speaker.
* 'mean quality' (float): Mean annotated quality of the speakers' recording.
* 'stdev quality' (float): Deviation in the quality annotation between annotators.
#### Annotation process
273 speaker ID have been annotated. However, 10 of them have been discarded because they didn't correspond to an only person.
The selected 263 speakers ID correspond to a total of 333.657 sentences (20,18% of the total).
#### Who are the annotators?
The annotation was entrusted to the CLiC (Centre de Llenguatge i Computació) team from the University of Barcelona.
They selected a group of three annotators (two men and one woman), who received a scholarship to do this work.
The annotation team was composed of:
* 2 male annotators, aged 18-25, L1 Catalan, students in the Catalan Philology degree.
* 1 female annotator, aged 18-25, L1 Catalan, student in the Modern Languages and Literatures degree, with a focus on Catalan.
* 1 female supervisor, aged 40-50, L1 Catalan, graduate in Physics and Linguistics, Ph.D. in Signal Theory and Communications.
To do the annotation they used a Google Drive spreadsheet
### Personal and Sensitive Information
The dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.
Considerations for Using the Data
---------------------------------
### Social Impact of Dataset
The dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.
We hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan
### Discussion of Biases
Most of the voices of the common voice in Catalan correspond to men with a central accent between 40 and 60 years old. The aim of this dataset is to provide information that allows to minimize the biases that this could cause.
Regarding the content of the recorded sentences, we consider that the Common Voice validation system is efficient in removing those that could produce toxic content.
### Other Known Limitations
[N/A]
Additional Information
----------------------
### Dataset Curators
Language Technologies Unit at the Barcelona Supercomputing Center (langtech@URL)
This work has been promoted and financed by the Generalitat de Catalunya through the Aina project.
### Licensing Information
This work is licensed under a CC0 International License
DOI []
### Contributions
The annotation was entrusted to the STeL team from the University of Barcelona.
| [
"### Dataset Summary\n\n\nThis is a version of the Catalan sentences of the Common Voice corpus (v13) with the metadata (gender and accent) of the speakers with more than 1200 seconds recorded annotated by a team of experts. The overall quality of the recordings has also been annotated for this speakers.",
"### Supported Tasks and Leaderboards\n\n\nAutomatic Speech Recognition",
"### Languages\n\n\nThe dataset is in Catalan (ca).\n\n\nDataset Structure\n-----------------",
"### Data Instances",
"### Data Fields\n\n\nMost of the data fields come from the original Common Voice corpus:\n\n\n* 'client\\_id'(string): An id for which client (voice) made the recording\n* 'path'(string): The path to the audio file\n* 'sentence'(string): The sentence the user was prompted to speak\n* 'up\\_votes'(int64): How many upvotes the audio file has received from reviewers\n* 'down\\_votes'(int64): How many downvotes the audio file has received from reviewers\n* 'age'(string): Self-reported age of the speaker (e.g. teens, twenties, fifties)\n* 'gender'(string): Self-reported gender of the speaker\n* 'accent'(string): Self-reported accent of the speaker\n* 'locale'(string): The locale of the speaker\n* 'segment'(string): Usually an empty field\n\n\nIn this corpus, we have added the following fields:\n\n\n* 'annotated\\_gender'(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)\n* 'annotated\\_gender\\_agreement' (float): Agreement whithin the annotaion team about the gender of the speaker.\n* 'annotated\\_accent' (string): Annotated Gender by the experts team. The accents considered are:\n* 'annotated\\_accent\\_agreement' (float): Agreement whithin the annotaion team about the accent of the speaker.\n* 'mean quality' (float): Mean annotated quality of the speakers' recording.\n* 'stdev quality' (float): Deviation in the quality annotation between annotators.",
"### Data Splits\n\n\nSame splits than in the original Common Voice corpus corpus are kept:\n\n\n\nDataset Creation\n----------------",
"### Curation Rationale\n\n\nThroughout the year 2022, a campaign was carried out to promote the Common Voice corpus among the Catalan-speaking population, which was a resounding success. However, not all participants included their demographic information (age, gender, and accent), and in some cases, they were found to be unable to self-define their accent correctly.\n\n\nIn order to obtain a balanced corpus with reliable information, we have seen the need to ask a group of experts from the University of Barcelona for an accurate annotation.\n\n\nWe hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan.",
"### Source Data\n\n\nThe original data comes from the Catalan sentences of the Common Voice corpus.",
"#### Initial Data Collection and Normalization\n\n\nStarting with version 13 of the Common Voice corpus, we selected IDs with more than 1400 recorded seconds. A team of three expert linguists from the University of Barcelona scored, for each of the selected IDs:\n\n\n* if all the recordings correspond to the same person.\n* the gender of the speaker\n* the accent of the speaker\n* the quality of the recording\n\n\nThey did a first round annotation, commented their different opinions and then, a second round. For this version of the corpus we used the annotations from the second round, and selected the IDs (263) where there was agreement between the annotators that correspond to a single person.\n\n\nThe full original annotations can be found at Zenodo.",
"#### Who are the source language producers?\n\n\nThe original data comes from the Catalan sentences of the Common Voice corpus.",
"### Annotations\n\n\nFrom the original data in the Common Voice corpus the following fields have been added:\n\n\n* 'annotated\\_gender'(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)\n* 'annotated\\_gender\\_agreement' (float): Agreement within the annotation team about the gender of the speaker.\n* 'annotated\\_accent' (string): Annotated Gender by the experts team. The accents considered are:\n* 'annotated\\_accent\\_agreement' (float): Agreement within the annotation team about the accent of the speaker.\n* 'mean quality' (float): Mean annotated quality of the speakers' recording.\n* 'stdev quality' (float): Deviation in the quality annotation between annotators.",
"#### Annotation process\n\n\n273 speaker ID have been annotated. However, 10 of them have been discarded because they didn't correspond to an only person.\n\n\nThe selected 263 speakers ID correspond to a total of 333.657 sentences (20,18% of the total).",
"#### Who are the annotators?\n\n\nThe annotation was entrusted to the CLiC (Centre de Llenguatge i Computació) team from the University of Barcelona.\nThey selected a group of three annotators (two men and one woman), who received a scholarship to do this work.\n\n\nThe annotation team was composed of:\n\n\n* 2 male annotators, aged 18-25, L1 Catalan, students in the Catalan Philology degree.\n* 1 female annotator, aged 18-25, L1 Catalan, student in the Modern Languages and Literatures degree, with a focus on Catalan.\n* 1 female supervisor, aged 40-50, L1 Catalan, graduate in Physics and Linguistics, Ph.D. in Signal Theory and Communications.\n\n\nTo do the annotation they used a Google Drive spreadsheet",
"### Personal and Sensitive Information\n\n\nThe dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.\n\n\nConsiderations for Using the Data\n---------------------------------",
"### Social Impact of Dataset\n\n\nThe dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.\n\n\nWe hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan",
"### Discussion of Biases\n\n\nMost of the voices of the common voice in Catalan correspond to men with a central accent between 40 and 60 years old. The aim of this dataset is to provide information that allows to minimize the biases that this could cause.\n\n\nRegarding the content of the recorded sentences, we consider that the Common Voice validation system is efficient in removing those that could produce toxic content.",
"### Other Known Limitations\n\n\n[N/A]\n\n\nAdditional Information\n----------------------",
"### Dataset Curators\n\n\nLanguage Technologies Unit at the Barcelona Supercomputing Center (langtech@URL)\n\n\nThis work has been promoted and financed by the Generalitat de Catalunya through the Aina project.",
"### Licensing Information\n\n\nThis work is licensed under a CC0 International License\n\n\nDOI []",
"### Contributions\n\n\nThe annotation was entrusted to the STeL team from the University of Barcelona."
]
| [
"TAGS\n#task_categories-automatic-speech-recognition #task_categories-audio-classification #task_categories-audio-to-audio #task_ids-audio-language-identification #annotations_creators-expert-generated #language_creators-found #multilinguality-monolingual #size_categories-1M<n<10M #source_datasets-extended|common_voice #language-Catalan #license-cc0-1.0 #region-us \n",
"### Dataset Summary\n\n\nThis is a version of the Catalan sentences of the Common Voice corpus (v13) with the metadata (gender and accent) of the speakers with more than 1200 seconds recorded annotated by a team of experts. The overall quality of the recordings has also been annotated for this speakers.",
"### Supported Tasks and Leaderboards\n\n\nAutomatic Speech Recognition",
"### Languages\n\n\nThe dataset is in Catalan (ca).\n\n\nDataset Structure\n-----------------",
"### Data Instances",
"### Data Fields\n\n\nMost of the data fields come from the original Common Voice corpus:\n\n\n* 'client\\_id'(string): An id for which client (voice) made the recording\n* 'path'(string): The path to the audio file\n* 'sentence'(string): The sentence the user was prompted to speak\n* 'up\\_votes'(int64): How many upvotes the audio file has received from reviewers\n* 'down\\_votes'(int64): How many downvotes the audio file has received from reviewers\n* 'age'(string): Self-reported age of the speaker (e.g. teens, twenties, fifties)\n* 'gender'(string): Self-reported gender of the speaker\n* 'accent'(string): Self-reported accent of the speaker\n* 'locale'(string): The locale of the speaker\n* 'segment'(string): Usually an empty field\n\n\nIn this corpus, we have added the following fields:\n\n\n* 'annotated\\_gender'(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)\n* 'annotated\\_gender\\_agreement' (float): Agreement whithin the annotaion team about the gender of the speaker.\n* 'annotated\\_accent' (string): Annotated Gender by the experts team. The accents considered are:\n* 'annotated\\_accent\\_agreement' (float): Agreement whithin the annotaion team about the accent of the speaker.\n* 'mean quality' (float): Mean annotated quality of the speakers' recording.\n* 'stdev quality' (float): Deviation in the quality annotation between annotators.",
"### Data Splits\n\n\nSame splits than in the original Common Voice corpus corpus are kept:\n\n\n\nDataset Creation\n----------------",
"### Curation Rationale\n\n\nThroughout the year 2022, a campaign was carried out to promote the Common Voice corpus among the Catalan-speaking population, which was a resounding success. However, not all participants included their demographic information (age, gender, and accent), and in some cases, they were found to be unable to self-define their accent correctly.\n\n\nIn order to obtain a balanced corpus with reliable information, we have seen the need to ask a group of experts from the University of Barcelona for an accurate annotation.\n\n\nWe hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan.",
"### Source Data\n\n\nThe original data comes from the Catalan sentences of the Common Voice corpus.",
"#### Initial Data Collection and Normalization\n\n\nStarting with version 13 of the Common Voice corpus, we selected IDs with more than 1400 recorded seconds. A team of three expert linguists from the University of Barcelona scored, for each of the selected IDs:\n\n\n* if all the recordings correspond to the same person.\n* the gender of the speaker\n* the accent of the speaker\n* the quality of the recording\n\n\nThey did a first round annotation, commented their different opinions and then, a second round. For this version of the corpus we used the annotations from the second round, and selected the IDs (263) where there was agreement between the annotators that correspond to a single person.\n\n\nThe full original annotations can be found at Zenodo.",
"#### Who are the source language producers?\n\n\nThe original data comes from the Catalan sentences of the Common Voice corpus.",
"### Annotations\n\n\nFrom the original data in the Common Voice corpus the following fields have been added:\n\n\n* 'annotated\\_gender'(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)\n* 'annotated\\_gender\\_agreement' (float): Agreement within the annotation team about the gender of the speaker.\n* 'annotated\\_accent' (string): Annotated Gender by the experts team. The accents considered are:\n* 'annotated\\_accent\\_agreement' (float): Agreement within the annotation team about the accent of the speaker.\n* 'mean quality' (float): Mean annotated quality of the speakers' recording.\n* 'stdev quality' (float): Deviation in the quality annotation between annotators.",
"#### Annotation process\n\n\n273 speaker ID have been annotated. However, 10 of them have been discarded because they didn't correspond to an only person.\n\n\nThe selected 263 speakers ID correspond to a total of 333.657 sentences (20,18% of the total).",
"#### Who are the annotators?\n\n\nThe annotation was entrusted to the CLiC (Centre de Llenguatge i Computació) team from the University of Barcelona.\nThey selected a group of three annotators (two men and one woman), who received a scholarship to do this work.\n\n\nThe annotation team was composed of:\n\n\n* 2 male annotators, aged 18-25, L1 Catalan, students in the Catalan Philology degree.\n* 1 female annotator, aged 18-25, L1 Catalan, student in the Modern Languages and Literatures degree, with a focus on Catalan.\n* 1 female supervisor, aged 40-50, L1 Catalan, graduate in Physics and Linguistics, Ph.D. in Signal Theory and Communications.\n\n\nTo do the annotation they used a Google Drive spreadsheet",
"### Personal and Sensitive Information\n\n\nThe dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.\n\n\nConsiderations for Using the Data\n---------------------------------",
"### Social Impact of Dataset\n\n\nThe dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.\n\n\nWe hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan",
"### Discussion of Biases\n\n\nMost of the voices of the common voice in Catalan correspond to men with a central accent between 40 and 60 years old. The aim of this dataset is to provide information that allows to minimize the biases that this could cause.\n\n\nRegarding the content of the recorded sentences, we consider that the Common Voice validation system is efficient in removing those that could produce toxic content.",
"### Other Known Limitations\n\n\n[N/A]\n\n\nAdditional Information\n----------------------",
"### Dataset Curators\n\n\nLanguage Technologies Unit at the Barcelona Supercomputing Center (langtech@URL)\n\n\nThis work has been promoted and financed by the Generalitat de Catalunya through the Aina project.",
"### Licensing Information\n\n\nThis work is licensed under a CC0 International License\n\n\nDOI []",
"### Contributions\n\n\nThe annotation was entrusted to the STeL team from the University of Barcelona."
]
| [
130,
71,
16,
20,
6,
406,
25,
136,
19,
159,
25,
200,
62,
180,
52,
61,
91,
19,
43,
21,
24
]
| [
"passage: TAGS\n#task_categories-automatic-speech-recognition #task_categories-audio-classification #task_categories-audio-to-audio #task_ids-audio-language-identification #annotations_creators-expert-generated #language_creators-found #multilinguality-monolingual #size_categories-1M<n<10M #source_datasets-extended|common_voice #language-Catalan #license-cc0-1.0 #region-us \n### Dataset Summary\n\n\nThis is a version of the Catalan sentences of the Common Voice corpus (v13) with the metadata (gender and accent) of the speakers with more than 1200 seconds recorded annotated by a team of experts. The overall quality of the recordings has also been annotated for this speakers.### Supported Tasks and Leaderboards\n\n\nAutomatic Speech Recognition### Languages\n\n\nThe dataset is in Catalan (ca).\n\n\nDataset Structure\n-----------------### Data Instances",
"passage: ### Data Fields\n\n\nMost of the data fields come from the original Common Voice corpus:\n\n\n* 'client\\_id'(string): An id for which client (voice) made the recording\n* 'path'(string): The path to the audio file\n* 'sentence'(string): The sentence the user was prompted to speak\n* 'up\\_votes'(int64): How many upvotes the audio file has received from reviewers\n* 'down\\_votes'(int64): How many downvotes the audio file has received from reviewers\n* 'age'(string): Self-reported age of the speaker (e.g. teens, twenties, fifties)\n* 'gender'(string): Self-reported gender of the speaker\n* 'accent'(string): Self-reported accent of the speaker\n* 'locale'(string): The locale of the speaker\n* 'segment'(string): Usually an empty field\n\n\nIn this corpus, we have added the following fields:\n\n\n* 'annotated\\_gender'(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)\n* 'annotated\\_gender\\_agreement' (float): Agreement whithin the annotaion team about the gender of the speaker.\n* 'annotated\\_accent' (string): Annotated Gender by the experts team. The accents considered are:\n* 'annotated\\_accent\\_agreement' (float): Agreement whithin the annotaion team about the accent of the speaker.\n* 'mean quality' (float): Mean annotated quality of the speakers' recording.\n* 'stdev quality' (float): Deviation in the quality annotation between annotators.### Data Splits\n\n\nSame splits than in the original Common Voice corpus corpus are kept:\n\n\n\nDataset Creation\n----------------### Curation Rationale\n\n\nThroughout the year 2022, a campaign was carried out to promote the Common Voice corpus among the Catalan-speaking population, which was a resounding success. However, not all participants included their demographic information (age, gender, and accent), and in some cases, they were found to be unable to self-define their accent correctly.\n\n\nIn order to obtain a balanced corpus with reliable information, we have seen the need to ask a group of experts from the University of Barcelona for an accurate annotation.\n\n\nWe hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan.### Source Data\n\n\nThe original data comes from the Catalan sentences of the Common Voice corpus.#### Initial Data Collection and Normalization\n\n\nStarting with version 13 of the Common Voice corpus, we selected IDs with more than 1400 recorded seconds. A team of three expert linguists from the University of Barcelona scored, for each of the selected IDs:\n\n\n* if all the recordings correspond to the same person.\n* the gender of the speaker\n* the accent of the speaker\n* the quality of the recording\n\n\nThey did a first round annotation, commented their different opinions and then, a second round. For this version of the corpus we used the annotations from the second round, and selected the IDs (263) where there was agreement between the annotators that correspond to a single person.\n\n\nThe full original annotations can be found at Zenodo.#### Who are the source language producers?\n\n\nThe original data comes from the Catalan sentences of the Common Voice corpus.",
"passage: ### Annotations\n\n\nFrom the original data in the Common Voice corpus the following fields have been added:\n\n\n* 'annotated\\_gender'(string): Annotated Gender by the experts team. It can be 'H' (male) or 'D' (female)\n* 'annotated\\_gender\\_agreement' (float): Agreement within the annotation team about the gender of the speaker.\n* 'annotated\\_accent' (string): Annotated Gender by the experts team. The accents considered are:\n* 'annotated\\_accent\\_agreement' (float): Agreement within the annotation team about the accent of the speaker.\n* 'mean quality' (float): Mean annotated quality of the speakers' recording.\n* 'stdev quality' (float): Deviation in the quality annotation between annotators.#### Annotation process\n\n\n273 speaker ID have been annotated. However, 10 of them have been discarded because they didn't correspond to an only person.\n\n\nThe selected 263 speakers ID correspond to a total of 333.657 sentences (20,18% of the total).#### Who are the annotators?\n\n\nThe annotation was entrusted to the CLiC (Centre de Llenguatge i Computació) team from the University of Barcelona.\nThey selected a group of three annotators (two men and one woman), who received a scholarship to do this work.\n\n\nThe annotation team was composed of:\n\n\n* 2 male annotators, aged 18-25, L1 Catalan, students in the Catalan Philology degree.\n* 1 female annotator, aged 18-25, L1 Catalan, student in the Modern Languages and Literatures degree, with a focus on Catalan.\n* 1 female supervisor, aged 40-50, L1 Catalan, graduate in Physics and Linguistics, Ph.D. in Signal Theory and Communications.\n\n\nTo do the annotation they used a Google Drive spreadsheet### Personal and Sensitive Information\n\n\nThe dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.\n\n\nConsiderations for Using the Data\n---------------------------------### Social Impact of Dataset\n\n\nThe dataset consists of people who have donated their voice online. You agree to not attempt to determine the identity of speakers in the Common Voice dataset.\n\n\nWe hope that this corpus will be a useful contribution to the development of ASR tasks in Catalan### Discussion of Biases\n\n\nMost of the voices of the common voice in Catalan correspond to men with a central accent between 40 and 60 years old. The aim of this dataset is to provide information that allows to minimize the biases that this could cause.\n\n\nRegarding the content of the recorded sentences, we consider that the Common Voice validation system is efficient in removing those that could produce toxic content.### Other Known Limitations\n\n\n[N/A]\n\n\nAdditional Information\n----------------------"
]
|
4acd7eb4f17c212236364608942a76152d34af36 | ### Human: Objectifs · Connaitre les règles de prescription et de surveillance des antiagrégants plaquettaires, des anticoagulants (héparines, antivitamine K, anticoagulants oraux directs) et des thrombolytiques Planifier la conduite devant une hémorragie grave liée aux antithrombosants ### ASSISTANT: Q: Quels sont les objectifs de la prescription des antithrombosants ? (x2) R:"✅ Connaître les règles de prescription et de surveillance des antiagrégants plaquettaires, des anticoagulants (héparines, antivitamine K, anticoagulants oraux directs) et des thrombolytiques " Q: Qu'est-ce qu'il faut planifier en cas d'une hémorragie grave liée aux antithrombosants ? R: ✅ Planifier la conduite à tenir ### Human: I. INTRODUCTION • - Les antithrombosants préviennent la formation et/ou l'extension de caillots sanguins (thrombus), ou facilitent leur dissolution s'ils sont présents. Ils bloquent la «< cascade de la coagulation » responsable de la formation du thrombus. Selon leurs sites d'action, on distingue : - - les antiagrégants plaquettaires (AAP), les anticoagulants, les thrombolytiques (ou fibrinolytiques). Les complications hémorragiques représentent leur principale complication. Leurs principales indications sont : - - traitement et prévention de la maladie thromboembolique veineuse (MTEV): thrombose veineuse profonde (TVP), embolie pulmonaire (EP) la fibrillation atriale (FA) les prothèses valvulaires cardiaques mécaniques les syndromes coronariens aigus (SCA) les accidents vasculaires cérébraux (AVC) l'ischémie artérielle des membres ### ASSISTANT: Q: Que font les antithrombosants ? R: "✅ Ils préviennent la formation et/ou l'extension de caillots sanguins (thrombus), ou facilitent leur dissolution s'ils sont présents. " Q: Quelle est la fonction des antiagrégants plaquettaires (AAP) ? R: ✅ Ils agissent en tant qu'antithrombosants en bloquant la formation du thrombus au niveau des plaquettes sanguines. Q: Quels sont les types d'antithrombosants selon leurs sites d'action ? R: ✅ Les antiagrégants plaquettaires (AAP), les anticoagulants et les thrombolytiques (ou fibrinolytiques). " Q: Quelles sont les principales indications des antithrombosants ?,R: ✅ Les principales indications sont le traitement et la prévention de la maladie thromboembolique veineuse (MTEV) telles que la thrombose veineuse profonde (TVP) et l'embolie pulmonaire (EP), la fibrillation atriale (FA), les prothèses valvulaires cardiaques mécaniques, les syndromes coronariens aigus (SCA) et les accidents vasculaires cérébraux (AVC), ainsi que l'ischémie artérielle des membres. " Q: Quelle est la principale complication des antithrombosants ? R: ✅ Les complications hémorragiques représentent leur principale complication. ### Human: II. ANTIAGREGANTS PLAQUETTAIRES • Les plaquettes participent à la formation du thrombus blanc (clou plaquettaire) qui se constitue au contact d'une rupture de plaque d'athérome. Ce thrombus est à l'origine d'accidents ischémiques graves comme les SCA et les AVC ischémiques. Les AAP inhibent l'hémostase primaire. Ils sont indiqués dans les maladies athérothrombotiques. Selon leurs sites d'action, on distingue, les inhibiteurs : de la voie du thromboxane A2 (TxA2) dont la cible est la cyclo- oxygenase 1 (COX1), de la voie de l'adénosine diphosphate ('ADP) avec pour cibles les récepteurs P2Y12, des récepteurs plaquettaires du fibrinogène : la glycoprotéine llb-llla (GP IIb-Illa). 472 Cardiologie ### ASSISTANT: Q: Quel est le rôle des plaquettes dans la formation du thrombus ? (x1),R: ✅ Les plaquettes participent à la formation du thrombus blanc (clou plaquettaire) qui se constitue au contact d'une rupture de plaque d'athérome. Q: Quels sont les accidents ischémiques graves causés par le thrombus ? (x2),R: ✅ Les SCA (syndromes coronariens aigus) ✅ Les AVC ischémiques Q: Quelle est l'indication des AAP (antiagrégants plaquettaires) ? (x1),R: ✅ Ils sont indiqués dans les maladies athérothrombotiques. Q: Quels sont les différents inhibiteurs d'antiagrégants plaquettaires selon leurs cibles d'action ? (x3),"R: ✅ Inhibiteurs de la voie du thromboxane A2 (TxA2) ciblant la cyclo-oxygenase 1 (COX1) ✅ Inhibiteurs de la voie de l'adénosine diphosphate (ADP) ciblant les récepteurs P2Y12 ✅ Inhibiteurs des récepteurs plaquettaires du fibrinogène, la glycoprotéine llb-llla (GP IIb-Illa) " ### Human: 1. Inhibiteur de la voie du thromboxane A2 · s'agit de l'acide acetylsalicylique (aspirine), qui est un inhibiteur irréversible de la COX1. • • Son administration est orale (comprimés, poudre) et intraveineuse (IV). Ande arachi con qu: -cyclo-crygmae Prostaglance H2 Thrember: A2 Frostacycm: (FG) A faible dose (75 – 500 mg/j). l'aspirine inhibe la conversion de l'acide arachidonique en TXA2. En revanche, au-delà de 1 g/jour, l'effet antiagréguant est moins important, remplacé par l'effet anti-inflammatoire dû à l'inhibition préférentielle de la COX2 Varocconcoco Agrige plagen: Visdlena Inhaltson de l'agregan in plapattu:s] Les plaquettes étant dépourvues de noyau, elles ne peuvent pas resynthétiser la Human: COX1. De ce fait, après l'interruption de l'aspirine, l'effet inhibiteur persiste jusqu'au renouvellement des plaquettes (10 jours environ). Indications Cardiopathies ischémiques Allergie à l'aspirine AVC ischémique AOMI Contre-indications Complications Maladies hémorragiques Allergie Hémorragie Complications digestives Troubles neurologiques Syndrome de Widal* AOMI: Artériopathie obliterante des membres inférieurs : AVC accident vasculaire cérébral. Syndrome de Widal: asthme + polypose nasale + allergie à l'aspirine • ### ASSISTANT: Q: Quel est l'inhibiteur de la voie du thromboxane A2 ?,R: ✅ L'acide acétylsalicylique (aspirine) Q: Comment s'administre l'acide acétylsalicylique ?,"R: ✅ Son administration est orale (comprimés, poudre) et intraveineuse (IV) " Q: Qu'est-ce que l'aspirine inhibe à faible dose ?,"R: ✅ À faible dose, l'aspirine inhibe la conversion de l'acide arachidonique en TXA2 " Q: Quel est l'effet de l'aspirine au-delà de 1g/jour ?,"R: ✅ Au-delà de 1g/jour, l'effet antiagrégant est moins important, remplacé par l'effet anti-inflammatoire dû à l'inhibition préférentielle de la COX2 " Q: Pourquoi l'effet inhibiteur de l'aspirine persiste-t-il après son interruption ?,"R: ✅ Les plaquettes ne peuvent pas resynthétiser la COX1, donc après l'interruption de l'aspirine, l'effet inhibiteur persiste jusqu'au renouvellement des plaquettes (environ 10 jours) " Q: Quelles sont les indications de l'acide acétylsalicylique ?,"R: ✅ Cardiopathies ischémiques, allergie à l'aspirine, AVC ischémique, AOMI (Artériopathie obliterante des membres inférieurs) " Q: Quelles sont les contre-indications de l'acide acétylsalicylique ?,"R: ✅ Maladies hémorragiques, allergies, complications digestives, troubles neurologiques, syndrome de Widal (asthme + polypose nasale + allergie à l'aspirine) " ### Human: 2. Anti P2Y12 • Produits : Inhibiteurs irréversibles (prodrogues) : Clopidogrel, Prasugrel ; Inhibiteur réversible: Ticagrelor. L'effet antiagrégant plaquettaire des anti P2Y12 est plus important que celui de l'aspirine. Et l'effet antiagrégant plaquettaire du prasugrel et du ticagrelor est supérieur à celui du clopidogrel. Leur administration est orale (comprimés). Ils sont moins gastrotoxiques que l'aspirine. Indications Contre-indications Clopidogrel Cardiopathies Allergie ischémiques Maladies hémorragiques AVC ischémique AOMI Complications Hémorragie Allergie Troubles digestifs ANONINFONDOSUNIS 473 Prasugrel SCA ST (+) Allergie Hémorragie Maladies hémorragiques Allergie < 60 kg. 275 ans Antécédent d'AVC Cirrhose Child C Ticagrelor SCA ST (+) Allergie Hémorragie Maladies hémorragiques Allergie Bradycardie BPCO Bradycardie Dyspnée Insuffisance rénale Insuffisance hépatique AVC; accident vasculaire cérébral: AOMI : arteriopathie oblitérante des membres inférieurs ; BPCO: bromchopneumopathie chronique obstructive SCA Syndromes coronariens aigus ### ASSISTANT: Q: Quels sont les produits anti P2Y12 utilisés comme antithrombosants ? (x3),R: ✅ Clopidogrel ✅ Prasugrel ✅ Ticagrelor Q: Quelles sont les caractéristiques des inhibiteurs irréversibles de la classe anti P2Y12 ? (x2),"R: ✅ Ils sont des prodrogues ✅ Exemples : Clopidogrel, Prasugrel " Q: Quel est l'inhibiteur réversible de la classe anti P2Y12 ? (x1),R: ✅ Ticagrelor Q: Quel est l'effet antiagrégant plaquettaire des anti P2Y12 par rapport à l'aspirine ? (x1),R: ✅ L'effet antiagrégant plaquettaire des anti P2Y12 est plus important que celui de l'aspirine. Q: Quel est l'effet antiagrégant plaquettaire du prasugrel et du ticagrelor par rapport au clopidogrel ? (x1),R: ✅ L'effet antiagrégant plaquettaire du prasugrel et du ticagrelor est supérieur à celui du clopidogrel. Q: Quelle est la voie d'administration des anti P2Y12 ? (x1),R: ✅ Leur administration est orale (comprimés). Q: Quelle est la caractéristique des anti P2Y12 par rapport à l'aspirine en termes de gastrotoxicité ? (x1),R: ✅ Ils sont moins gastrotoxiques que l'aspirine. Q: Quelles sont les indications des anti P2Y12 ? (x4),R: ✅ Cardiopathies ischémiques ✅ AVC ischémique ✅ AOMI ✅ SCA ST (+) Q: Quelles sont les contre-indications des anti P2Y12 ? (x4),R: ✅ Allergie ✅ Maladies hémorragiques ✅ Hémorragie ✅ Troubles digestifs Q: Quelles sont les complications associées à l'utilisation des anti P2Y12 ? (x2),R: ✅ Hémorragie ✅ Allergie Q: Quelles sont les contre-indications spécifiques au clopidogrel ? (x2),R: ✅ Cardiopathies ✅ Allergie Q: Quelles sont les contre-indications spécifiques au prasugrel ? (x8),R: ✅ SCA ST (+) ✅ Allergie ✅ Hémorragie ✅ Maladies hémorragiques ✅ < 60 kg ✅ 275 ans ✅ Antécédent d'AVC ✅ Cirrhose Child C Q: Quelles sont les contre-indications spécifiques au ticagrelor ? (x7),R: ✅ SCA ST (+) ✅ Allergie ✅ Hémorragie ✅ Maladies hémorragiques ✅ Bradycardie ✅ BPCO ✅ Insuffisance rénale ✅ Insuffisance hépatique ### Human: 3. Anti GP IIb-llla Administrés en IV et indiqués dans les SCA au décours de la coronarographie si le thrombus est très extensif. ### ASSISTANT: Q: Quel est le mode d'administration des anti GP IIb-llla ?,R: ✅ Ils sont administrés en IV. Q: Quels sont les types d'anticoagulants ?,"R: Héparines, antivitamines K (AVK), anticoagulants oraux directs (AOD). " Q: Quels sont les sites d'action des anticoagulants ?,"R: Facteur IX, Facteur X. " ### Human: III. ANTICOAGULANTS On distingue les héparines, les antivitamines K (AVK) et les anticoagulants oraux directs (AOD). Sites d'action des anticoagulants Facteur IX Facteur X AVK ### ASSISTANT: Q: Quels sont les types d'anticoagulants ?,"R: Héparines, antivitamines K (AVK), anticoagulants oraux directs (AOD). " Q: Quels sont les sites d'action des anticoagulants ?,"R: Facteur IX, Facteur X. " ### Human: 1. Héparines Facteur IXa Facteur II Prothrombina Facteur Xa Fibrinogène Anti-Xa directs Rivaroxaban Apixaban Edoxaban Antithtrombine Facteur Ila Thrombine Fibrino Hóparinos Antilla directs Dabigatran PRADAXA" • 1.1 Propriétés Anticoagulants parentéraux utilisés en IV à la seringue électrique (IVSE) et en sous cutanée (SC) et non par voie orale car détruits par le tube digestif. Il existe deux types d'héparine: - héparines non fractionnées (HNF): chaines de mucopolysaccharides à haut poids moléculaire ; héparines de bas poids moléculaires (HBPM): HNF fractionnées donnant des chaines plus légères. 474 Cardiologie Héparine HNF • • HBPM • Molécules Héparine sodique Héparine calcique Enoxaparine (lovenox") Nadroprarine (fraxiparine®) Tinzaparine (innhap) ### ASSISTANT: Q: Quelles sont les propriétés des antithrombosants de la classe des héparines ? (x2),"R: ✅ Utilisés en IV à la seringue électrique (IVSE) et en sous-cutanée (SC) ✅ Détruits par le tube digestif, donc administrés par voie parentérale " Q: Quels sont les deux types d'héparine ? (x2),R: ✅ Héparines non fractionnées (HNF) ✅ Héparines de bas poids moléculaires (HBPM) Q: Quelles sont les molécules d'héparine ? (x4),R: ✅ Héparine sodique ✅ Héparine calcique ✅ Enoxaparine (Lovenox) ✅ Nadroparine (Fraxiparine) Q: Quels sont les facteurs ciblés par les héparines ? (x3),R: ✅ Facteur IXa ✅ Facteur II (Prothrombine) ✅ Facteur Xa Q: Quels sont les anticoagulants anti-Xa directs ? (x3),R: ✅ Rivaroxaban ✅ Apixaban ✅ Edoxaban Q: Quels sont les facteurs ciblés par l'antithrombine ? (x2),R: ✅ Facteur XIa ✅ Thrombine (Facteur IIa) Q: Quelle est la propriété des héparines non fractionnées ?,R: ✅ Ce sont des chaines de mucopolysaccharides à haut poids moléculaire Q: Quelles sont les molécules d'héparine de bas poids moléculaires ? (x2),R: ✅ Enoxaparine (Lovenox) ✅ Nadroparine (Fraxiparine) ### Human: 1. 2 Mode d'action IVSE Voies d'administration SC toutes les 8 ou 12 h SC: chaque 12h en curatif chaque 24h en préventif SC: chaque 12h en curatif chaque 24h en préventif SC: chaque 24h en curatif et en préventif Les HNF et les HBPM ont une action indirecte: elles se fixent à leur cofacteur, l'antithrombine III (ATIII) qui est un inhibiteur physiologique de la coagulation dont l'action est normalement lente et progressive. La liaison héparine-ATI!I accélère la vitesse de l'action inhibitrice de l'ATIII sur la thrombine (action anti-lla) et sur le facteur Stuart (action anti-Xa). En cas de déficit constitutionnel en ATIII, les héparines sont inefficaces. L'activité anti-Xa et anti-lla des HNF est équivalente: rapport activité anti-Xa / anti-Ila = 1 L'activité anti-Xa des HBPM est prédominante: rapport activité anti-Xa / anti-lla > 1 ### ASSISTANT: Q: Quel est le mode d'action des antithrombosants ? (x2),R: ✅ Action indirecte en se fixant à l'antithrombine III (ATIII) ✅ Accélération de l'action inhibitrice de l'ATIII sur la thrombine et le facteur Stuart Q: Quelles sont les voies d'administration des antithrombosants ? (x3),R: ✅ IVSE ✅ Sous-cutanée toutes les 8 ou 12h en curatif ✅ Sous-cutanée toutes les 24h en préventif Q: Les héparines sont-elles efficaces en cas de déficit constitutionnel en ATIII ?,"R: ✅ Non, les héparines sont inefficaces en cas de déficit constitutionnel en ATIII. " Q: Quelle est l'activité anti-Xa des HNF par rapport à l'activité anti-lla ?,R: ✅ L'activité anti-Xa et anti-lla des HNF est équivalente : rapport activité anti-Xa / anti-lla = 1 Q: Quelle est l'activité anti-Xa des HBPM par rapport à l'activité anti-lla ?,R: ✅ L'activité anti-Xa des HBPM est prédominante : rapport activité anti-Xa / anti-lla > 1 ### Human: 1. 3 Pharmacocinétique • Après administration, l'effet anticoagulant des héparines est rapide, ce qui en fait une thérapeutique adaptée aux situations urgentes. Elles ne franchissent ni les séreuses ni le placenta et ne passent pas dans le lait maternel. Elles ne sont donc pas contre-indiquées en cas de grossesse et d'allaitement. Les HNF ont une élimination rénale, sous forme inactive. Elles ne sont donc pas contre-indiquées en cas d'insuffisance rénale (pas de risque d'accumulation du produit). Les HBPM ont une élimination rénale sous forme active, d'où leur contre- indication en cas d'insuffisance rénale sévère (risque d'accumulation). ### ASSISTANT: Q: Quelle est la pharmacocinétique des héparines après administration ? (x1),"R: ✅ Après administration, l'effet anticoagulant des héparines est rapide. " Q: Quelles sont les caractéristiques des héparines concernant la grossesse et l'allaitement ? (x2),R: ✅ Elles ne franchissent ni les séreuses ni le placenta et ne passent pas dans le lait maternel. Elles ne sont donc pas contre-indiquées en cas de grossesse et d'allaitement. Q: Comment sont éliminées les héparines non fractionnées (HNF) et quel est leur effet en cas d'insuffisance rénale ? (x2),"R: ✅ Les HNF ont une élimination rénale, sous forme inactive. Elles ne sont donc pas contre-indiquées en cas d'insuffisance rénale (pas de risque d'accumulation du produit). " Q: Comment sont éliminées les héparines de bas poids moléculaire (HBPM) et pourquoi sont-elles contre-indiquées en cas d'insuffisance rénale sévère ? (x2),"R: ✅ Les HBPM ont une élimination rénale sous forme active, d'où leur contre-indication en cas d'insuffisance rénale sévère (risque d'accumulation). " ### Human: 1. 4 Complications Les complications sont plus fréquentes avec les HNF qu'avec les HBPM. a. Complications les plus fréquentes • Hémorragie au 1 rang +++, • Thrombopénie induite par l'héparine (TIH) Type 1 (par interaction des plaquettes avec l'héparine): survient les 5 1ers jours, entraine une baisse modérée, (< 20%) du taux de plaquettes; bénigne, elle n'impose pas l'arrêt du traitement; AntInfomposants 475 Type 2 (origine immunologique): survient entre 5è-21ė jour ; entraine une chute importante du taux de plaquettes (< 100 000/mm3, ou baisse d'au moins 40% par rapport au taux initial); très grave (risque hémorragique et surtout thromboembolique), imposant l'arrêt du traitement. Prévention du risque de thrombopénie induite par l'héparine Réaliser un relais précoce par les AVK (entre le 1er et 3ème jour) pour diminuer la durée du traitement par héparine. b. Autres complications Ostéoporose Hyperkaliemie Eruption cutanée • Allergie · ↑Transaminases ### ASSISTANT: Q: Quelles sont les complications les plus fréquentes des antithrombosants ? (x4),R: ✅ Hémorragie au 1er rang ✅ Thrombopénie induite par l'héparine (TIH) ✅ Ostéoporose ✅ Hyperkaliémie Q: Quels sont les 2 types de thrombopénie induite par l'héparine (TIH) ?,R: ✅ Type 1 (par interaction des plaquettes avec l'héparine) ✅ Type 2 (origine immunologique) Q: Quelles sont les caractéristiques du type 1 de la thrombopénie induite par l'héparine ?,"R: ✅ Survenue les 5 premiers jours ✅ Baisse modérée (<20%) du taux de plaquettes ✅ Bénigne, n'impose pas l'arrêt du traitement " Q: Quelles sont les caractéristiques du type 2 de la thrombopénie induite par l'héparine ?,"R: ✅ Survenue entre le 5ème et le 21ème jour ✅ Chute importante du taux de plaquettes (<100 000/mm3 ou baisse d'au moins 40% par rapport au taux initial) ✅ Très grave, avec un risque hémorragique et thromboembolique, imposant l'arrêt du traitement. " Q: Comment prévenir le risque de thrombopénie induite par l'héparine ?,R: ✅ Réaliser un relais précoce par les AVK (entre le 1er et le 3ème jour) pour diminuer la durée du traitement par héparine. Q: Quelles sont les autres complications des antithrombosants ?,R: ✅ Eruption cutanée ✅ Allergie ✅ ↑ Transaminases ### Human: 1. 5 Contre-indications • • Allergie à l'héparine Antécédent de TIH type 2 • • Affections à risque hémorragique Insuffisance rénale sévère pour les HBPM (DFG inférieur à 30 ml / min) DFG: débit de filtration glomérulaire ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x5),R: ✅ Allergie à l'héparine ✅ Antécédent de TIH de type 2 ✅ Affections à risque hémorragique ✅ Insuffisance rénale sévère pour les HBPM (DFG inférieur à 30 ml/min) Q: Qu'est-ce que DFG signifie dans le contexte des antithrombosants ?,R: ✅ DFG signifie débit de filtration glomérulaire. ### Human: 1. 6 Surveillance biologique a. Efficacité de l'action anticoagulante Héparines non fractionnées En traitement curatif, l'effet thérapeutique de l'HNF se mesure par le temps de céphaline activée (TCA), qui doit être 1.5 et 2 à 3 fois le temps témoin. Les doses d'héparine sont adaptées aux résultats du TCA qui sera surveillé au moins une fois par jour. D'où la nécessité d'hospitaliser les malades traités par les HNF. • Adaptation de la posologie des HNF selon les résultats du TCA Si le TCA est < 1.5 : on augmente la dose d' HNF. Si le TCA est > 3: on diminue la dose d' HNF. Si le TCA est entre 1.5 et 2 à 3 on maintient la même dose d'HNF. Héparines de bas poids moléculaire En traitement curatif, la posologie des HBPM est fixe, en fonction du poids. L'activité thérapeutique des HBPM n'a pas besoin d'être mesurée, sauf dans certaines situations. 476 Cardiologie Indications du contrôle de l'activité anti-Xa sous traitement par HBPM Insuffisance rénale modérée (HBPM contre-indiquées dans l'insuffisance rénale sévère DFG < 30 mL/minute). Sujet âgé, enfant. Obèse (passage d'HBPM dans la graisse lors de l'injection pouvant diminuer la quantité d'héparine dans le sang ou responsable de libération à distance). Patient cachexique. Hémorragies ou thromboses survenant sous HBPM. Le contrôle de l'anti-Xa après initiation ou modification des doses de HBPM dolt être effectué 4 heures après la 3 ème injection: zone d'efficacité thérapeutique entre 0,5 et 1 anti-Xa/mL b. Taux de plaquettes A controler 2 fois / semaine à partir du 5è jour jusqu'au 21ème jour, puis 1 fois par semaine aussi bien avec les HNF qu'avec les HBPM, et aussi bien en traitement curatif qu'en traitement préventif de la MTEV. ### ASSISTANT: Q: Comment mesure-t-on l'effet thérapeutique de l'HNF ?,"R: ✅ Le temps de céphaline activée (TCA) doit être 1,5 à 2 à 3 fois le temps témoin. " Q: Comment adapte-t-on la posologie des HNF en fonction des résultats du TCA ?,"R: ✅ Si le TCA est inférieur à 1,5, on augmente la dose. ✅ Si le TCA est supérieur à 3, on diminue la dose. ✅ Si le TCA est entre 1,5 et 2 à 3, on maintient la même dose. " Q: Comment est déterminée la posologie des HBPM en traitement curatif ?,R: ✅ La posologie des HBPM est fixe et dépend du poids. Q: Dans quelles situations doit-on contrôler l'activité anti-Xa sous traitement par HBPM ?,"R: ✅ Insuffisance rénale modérée ✅ Sujet âgé, enfant ✅ Obèse ✅ Patient cachexique ✅ Hémorragies ou thromboses survenant sous HBPM " Q: Quand doit-on effectuer le contrôle de l'anti-Xa après initiation ou modification des doses de HBPM ?,"R: ✅ 4 heures après la 3ème injection, avec une zone d'efficacité thérapeutique entre 0,5 et 1 anti-Xa/mL. " Q: A quelle fréquence doit-on contrôler le taux de plaquettes lors d'un traitement par HNF/HBPM ?,"R: ✅ 2 fois par semaine du 5ème au 21ème jour, puis 1 fois par semaine, en traitement curatif ou préventif de la MTEV. " Q: Quels sont les avantages des HBPM par rapport aux HNF ? (x4),R: ✅ Moins d'injections SC (1 ou 2 fois par jour) ✅ Meilleure biodisponibilité (efficacité) ✅ Contrôles de la coagulation non systématiques ✅ Complications moins fréquentes Q: Quels sont les anticoagulants utilisés pour prévenir la formation de caillots sanguins ? (x1),R: ✅ Les médicaments antivitamines K (AVK) Q: Comment agissent les antivitamines K pour prévenir la formation de caillots ? (x1),"R: ✅ En bloquant l'action de la vitamine K, nécessaire à la production de certains facteurs de coagulation " Q: Pour quels patients les AVK sont-ils souvent prescrits ? (x2),R: ✅ Les patients atteints de fibrillation auriculaire ✅ Les patients présentant des troubles de la coagulation. ### Human: 1. 7 Avantages et inconvénients des HBPM par rapport aux HNF Avantages Moins d'injections SC (1 ou 2 */ jour) Meilleure biodisponibilité (efficacité) Contrôles de la coagulation non systématiques Complications moins fréquentes Utilisables en ambulatoire ### ASSISTANT: Q: Quels sont les inconvénients des antithrombosants ? (x1),"R: ✅ Pas d'autorisation de mise sur le marché (AMM) dans les prothèses valvulaires mécaniques, surtout en position mitrale " ### Human: 2. Antivitamines K (AVK) 2. 1 Molécules Inconvénients Pas d'autorisation de mise sur le marché (AMM) dans les prothèses valvulaires mécaniques (surtout en position mitrale) Les AVK sont des anticoagulants oraux (comprimés). AVK à 1⁄2 vie courte Selon la 1⁄2 vie, il y a 2 familles d'AVK Acénocoumarol (Sintrrom): % vie< 24h, seul AVK commercialisé en Algérie (comprimés sécables 4 mg). AVK à 1⁄2 vie longue Warfarine: 1⁄2 vie 5]; AVK de référence des études cliniques. Fluindione: 1⁄2 vie 24h; largement utilisé en France. ### ASSISTANT: Q: Qu'est-ce que les AVK ? (x1),R: ✅ Les AVK sont des anticoagulants oraux (comprimés) Q: Quelle est la demi-vie courte des AVK ? (x1),R: ✅ La demi-vie courte des AVK est inférieure à 24h Q: Quels sont les AVK commercialisés en Algérie ? (x1),R: ✅ L'acénocoumarol (Sintrrom) est le seul AVK commercialisé en Algérie (comprimés sécables 4 mg) Q: Quelle est la demi-vie longue des AVK ? (x2),"R: ✅ La warfarine a une demi-vie de 5 jours ✅ La fluindione a une demi-vie de 24h, largement utilisée en France. " ### Human: 2. 2 Mode d'action · Les AVK ont une action indirecte : ils inhibent la synthèse hépatique des facteurs de la coagulation vitamino-K dépendants (PPSB): II, VII, IX, X, et deux inhibiteurs physiologiques de la coagulation: protéines S et C. SEEKERSFETEKENEN GENERA Au début du traitement, les AVK entrainent paradoxalement hypercoagulabilité par inhibition précoce de la protéine C. une Après la mise en route du traitement, une hypocoagulabilité efficace n'est obtenue qu'au bout de 4 à 6 jours environ. De ce fait, les AVK ne constituent pas la thérapeutique anticoagulante de l'urgence médicale. De ce fait, ils sont préscrits en relais d'un traitement par héparine (cf. infra). ### ASSISTANT: Q: Quel est le mode d'action des antithrombosants AVK ? (x1),"R: ✅ Les AVK inhibent la synthèse hépatique des facteurs de la coagulation vitamino-K dépendants (II, VII, IX, X) et deux inhibiteurs physiologiques de la coagulation (protéines S et C). " Q: Quel effet paradoxal les AVK peuvent-ils avoir au début du traitement ? (x1),"R: ✅ Au début du traitement, les AVK entraînent une hypercoagulabilité par inhibition précoce de la protéine C. " Q: Combien de temps faut-il pour obtenir une hypocoagulabilité efficace avec les AVK ? (x1),R: ✅ Une hypocoagulabilité efficace n'est obtenue qu'au bout de 4 à 6 jours environ après la mise en route du traitement. Q: Les AVK sont-ils indiqués dans les situations d'urgence médicale ? (x1),"R: ✅ Non, les AVK ne constituent pas la thérapeutique anticoagulante de l'urgence médicale. " Q: Dans quel cas les AVK sont-ils prescrits en relais d'un traitement par héparine ? (x1),R: ✅ Les AVK sont prescrits en relais d'un traitement par héparine. ### Human: 2. 3 Pharmacocinétique · Elimination rénale sous forme inactive, donc pas de risque d'accumulation. D'où l'absence de contre-indication chez les insuffisants rénaux. Traversent la barrière placentaire. Ont un effet téralogène. D'où leur contre- indication au 1er trimestre d'une grossesse. Pour l'acenocoumarol et la warfarine, seule une quantitë négligeable passe dans le lait maternel. Donc pas de contre-indication en cas d'allaitement. De nombreux facteurs influencent l'efficacité des AVK (âge, aliments, affections du transit intestinal, fièvre, alcoolisme, dysthyroïdies, insuffisance hépatique...). • Les interactions médicamenteuses avec les AVK sont nombreuses (voir encadré à la fin du cours). ### ASSISTANT: Q: Comment sont éliminés les antithrombosants ?,"R: ✅ Ils sont éliminés par voie rénale sous forme inactive, ce qui signifie qu'il n'y a pas de risque d'accumulation et donc pas de contre-indication chez les insuffisants rénaux. " Q: Quelle est la conséquence de la traversée de la barrière placentaire par les antithrombosants ?,"R: ✅ Ils ont un effet tératogène, ce qui les rend contre-indiqués au premier trimestre de la grossesse. " Q: Quelle est la quantité d'acenocoumarol et de warfarine qui passe dans le lait maternel ?,"R: ✅ Seule une quantité négligeable passe dans le lait maternel, ce qui signifie qu'il n'y a pas de contre-indication en cas d'allaitement. " Q: Quels sont les facteurs qui influencent l'efficacité des AVK ?,"R: ✅ De nombreux facteurs influencent leur efficacité tels que l'âge, les aliments, les affections du transit intestinal, la fièvre, l'alcoolisme, les dysthyroïdies, l'insuffisance hépatique, etc. " Q: Quelle est la particularité des interactions médicamenteuses avec les AVK ?,R: ✅ Les interactions médicamenteuses avec les AVK sont nombreuses. Vous pouvez vous référer à l'encadré à la fin du cours pour plus de détails. ### Human: 2. 4 Contre-indications ► • • • Affections à risque hémorragique Insuffisance hépatique sévère Grossesse : 1er trimestre (risque lératogène) et dernier mois (risque hémorragique lors de la délivrance) Injections intramusculaires (risque d'hématome), intra-articulaires (risque d'hémarthrose) Mauvaise observance du traitement (trouble psychiatrique...) ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x5),"R: ✅ Affections à risque hémorragique ✅ Insuffisance hépatique sévère ✅ Grossesse : 1er trimestre (risque tératogène) et dernier mois (risque hémorragique lors de la délivrance) ✅ Injections intramusculaires (risque d'hématome), intra-articulaires (risque d'hémarthrose) ✅ Mauvaise observance du traitement (trouble psychiatrique...) " ### Human: 2. 5 Complications • • • Hémorragie au 1* rang Nécrose cutanée (surtout si déficit constitutionnel en protéine C ou S) Allergie ### ASSISTANT: Q: Quels sont les complications associées aux antithrombosants ? (x3),R: ✅ Hémorragie au premier rang ✅ Nécrose cutanée (surtout si déficit constitutionnel en protéine C ou S) ✅ Allergie ### Human: 2. 6 Mise en route du traitement par AVK Sachant que le traitement AVK ne sera pas efficace avant 4 à 6 jours, il est introduit en association avec une héparine (HNF ou HBPM) dès le 1er jour (on parle de << relais héparine – AVK »). 478 Cardiologie Relais héparine - AVK L'introduction précoce de l'AVK, dès J1, permet de raccourcir la durée du traitement par héparine, diminuant ainsi l'incidence de la redoutable TIH type 2 Les deux conditions d'arrêt de l'héparine sont : au moins 4 à 5 jours d'association héparine - AVK, et 2 INR à 24 heures d'intervalle dans la zone thérapeutique (cf. infra). ### ASSISTANT: Q: Quand est introduit le traitement par AVK en association avec une héparine ?,R: ✅ Le traitement AVK est introduit en association avec une héparine dès le premier jour (on parle de << relais héparine – AVK ») Q: Pourquoi introduire l'AVK dès le premier jour en association avec une héparine ?,R: ✅ L'introduction précoce de l'AVK permet de raccourcir la durée du traitement par héparine et diminuer l'incidence de la TIH type 2 Q: Quelles sont les deux conditions d'arrêt de l'héparine dans le relais héparine-AVK ?,R: ✅ Au moins 4 à 5 jours d'association héparine - AVK et 2 INR à 24 heures d'intervalle dans la zone thérapeutique ### Human: 2. 7 Surveillance biologique La surveillance de l'effet thérapeutique des AVK se fait par la mesure de l'INR (international normalized ratio). [TQ malade INR = [TQ témoin • TO: temps de Quick: ISI Index de Sensibilité International du réactif Sans traitement AVK, la valeur de l'INR est de 1. Sous AVK, I'INR est > 1. La valeur cible de l'INR pour un patient correctement anticoagulé par AVK se situe pour la plupart des indications entre 2 et 3 (FA, MTEV...) Dans certaines situations, la valeur cible de l'INR doit être plus élevée, entre 3 et 4.5 (prothèses valvulaires mécaniques de 1 génération, embolies artérielles récidivantes) Lors de l'instauration du traitement, la surveillance de l'INR doit être rapprochée : 1 à 2 fois semaine. Puis, au minimum une fois par mois toute la durée du traitement. Afin de faciliter la surveillance du traitement AVK, les doses de l'AVK et les résultats INR doivent être notés soigneusement dans un carnet de surveillance qui est systématiquement remis aux patients sous AVK au long cours. Adaptation des posologies du traitement AVK selon les résultats de l'INR Si l'INR est < à la cible thérapeutique : augmenter la dose de % de comprimé et contrôler l'INR dans la semaine. Si l'INR est > à la cible thérapeutique SANS saignement: diminuer la dose de de comprimé et contrôler l'INR dans la semaine. Si l'INR est dans la valeur cible thérapeutique : maintenir la même dose et contrôle INR dans 1 mois. ### ASSISTANT: Q: Comment se fait la surveillance de l'effet thérapeutique des AVK ?,R: ✅ La surveillance se fait par la mesure de l'INR (international normalized ratio). Q: Quelle est la valeur de l'INR sans traitement AVK ?,R: ✅ La valeur de l'INR est de 1 sans traitement AVK. Q: Quelle est la valeur cible de l'INR pour un patient correctement anticoagulé par AVK ?,R: ✅ La valeur cible de l'INR se situe entre 2 et 3 pour la plupart des indications. Q: Dans quelles situations la valeur cible de l'INR doit être plus élevée ?,"R: ✅ Dans certaines situations, la valeur cible de l'INR doit être entre 3 et 4.5. " Q: À quelle fréquence doit être vérifiée l'INR lors de l'instauration du traitement AVK ?,R: ✅ L'INR doit être vérifié 1 à 2 fois par semaine lors de l'instauration du traitement. Q: Dans quel document les doses de l'AVK et les résultats INR doivent-ils être notés ?,R: ✅ Les doses de l'AVK et les résultats INR doivent être notés dans un carnet de surveillance. Q: Que faire si l'INR est inférieur à la cible thérapeutique ?,"R: ✅ Dans ce cas, augmenter la dose de % de comprimé et contrôler l'INR dans la semaine. " Q: Que faire si l'INR est supérieur à la cible thérapeutique sans saignement ?,"R: ✅ Si l'INR est trop élevé sans saignement, diminuer la dose de % de comprimé et contrôler l'INR dans la semaine. " Q: Que faire si l'INR est dans la valeur cible thérapeutique ?,"R: ✅ Si l'INR est dans la valeur cible, il faut maintenir la même dose et contrôler l'INR dans 1 mois. " ### Human: 2. 8 Education des patients sous AVK Pour diminuer les accidents aux AVK, l'éducation des patients est capitale. Il est fondamental d'expliquer au malade et à la famille les éléments suivants. Pas d'automédication En cas de saignement, contrôle INR et consultation en urgence. Eviter injections intra-musculaires et intra-articulaires. Eviter les situations à risque de chute et de blessure. Signaler au dentiste, gynécologue, chirurgien du traitement AVK en cours. Avoir toujours sur soi le camet de surveillance du traitement ### ASSISTANT: Q: Pourquoi est-il important d'éduquer les patients sous AVK ? (x1),R: ✅ C'est crucial pour diminuer les accidents liés aux AVK. Q: Quels éléments doivent être expliqués aux patients sous AVK ? (x5),"R: ✅ Pas d'automédication ✅ En cas de saignement, contrôle INR et consultation en urgence ✅ Éviter les injections intra-musculaires et intra-articulaires ✅ Éviter les situations à risque de chute et de blessure ✅ Signaler au dentiste, gynécologue, chirurgien le traitement AVK en cours ✅ Avoir toujours sur soi le carnet de surveillance du traitement AVK. " ### Human: AVK. AntithromDosants 479 · • 2. 9 Indications Fibrillation atriale MTEV Prothèses valvulaires mécaniques ### ASSISTANT: Q: Quels sont les 3 indications des antithrombosants ? (x3),R: ✅ Fibrillation atriale ✅ MTEV (Maladie Thromboembolique Veineuse) ✅ Prothèses valvulaires mécaniques ### Human: 3. Anticoagulants oraux directs (AOD) 3. 1 Molécules et mode d'action Anevrisme du ventricule gauche Thrombus intracardiaque Dysfonction ventriculaire sévère Les AOD ne sont utilisés que sous forme de comprimés. Deux familles d'AOD Gatrans (dabigatran); inhibent directement le fact lla Xabans (rivaraxaban, apixaban, edoxaban): inhibent directement le fact Xa 3. 2 Complications ► + Saignement (digestif surtout) Troubles digestifs (épigastralgie, nausées...) 3. 3 Indications • · · MTEV (en préventif et en curatif). FA (en dehors de la FA sur rétrécissement mitral et de la FA sur prothèse valvulaire mécanique). Post-SCA: AMM pour le rivaroxaban seul actuellement ### ASSISTANT: Q: Quels sont les anticoagulants oraux directs (AOD) ? (x1),R: ✅ Ce sont des antithrombosants qui agissent directement sur le processus de coagulation. Q: Qu'est-ce que les antithrombosants ? (x1),R: ✅ Les antithrombosants sont des médicaments utilisés pour prévenir la formation de caillots sanguins. Q: Quels sont les molécules utilisées comme antithrombosants ? (x2),"R: ✅ Gatrans (dabigatran) ✅ Xabans (rivaraxaban, apixaban, edoxaban) " Q: Quelles sont les familles d'antithrombosants ? (x2),"R: ✅ Gatrans (dabigatran) ✅ Xabans (rivaraxaban, apixaban, edoxaban) " Q: Quel est le mode d'action des Gatrans ? (x1),R: ✅ Ils inhibent directement le facteur lla. Q: Quel est le mode d'action des Xabans ? (x1),R: ✅ Ils inhibent directement le facteur Xa. Q: Dans quelles formes sont utilisés les antithrombosants ? (x1),R: ✅ Les antithrombosants sont utilisés uniquement sous forme de comprimés. Q: Quelles sont les complications liées à l'utilisation des antithrombosants ? (x2),"R: ✅ Saignement (surtout digestif) ✅ Troubles digestifs (épigastralgie, nausées...) " Q: Quelles sont les indications des antithrombosants ? (x3),R: ✅ MTEV (en préventif et en curatif) ✅ FA (en dehors de la FA sur rétrécissement mitral et de la FA sur prothèse valvulaire mécanique) ✅ Post-SCA (AMM pour le rivaroxaban seul actuellement) ### Human: 3. 4 Contre-indications Affections à risque hémorragique. · FA sur rétrécissement mitral, FA sur prothèse valvulaire mécanique ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x2),"R: ✅ Affections à risque hémorragique ✅ Fibrillation auriculaire sur rétrécissement mitral, fibrillation auriculaire sur prothèse valvulaire mécanique. " ### Human: 3. 5 Surveillance biologique · Insuffisance rénale sévère (dabigatran notamment). Grossesse, allaitement Pas de surveillance biologique de l'effet anticoagulant: prescription de doses fixes (posologie en fonction de la pathologie et du terrain : âge, fonction rénale notamment. L'élimination des AOD étant rénale, notamment pour le dabigatran (80%), l'évaluation de la fonction rénale reste impérative à l'institution du traitement puis régulièrement. ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x2),"R: ✅ Affections à risque hémorragique ✅ Fibrillation auriculaire sur rétrécissement mitral, fibrillation auriculaire sur prothèse valvulaire mécanique. " Q: Quels sont les facteurs nécessitant une surveillance biologique pour les antithrombosants ? (x2),"R: ✅ Insuffisance rénale sévère (notamment pour le dabigatran) ✅ Grossesse, allaitement " Q: Est-ce que l'effet anticoagulant des antithrombosants nécessite une surveillance biologique ?,"R: ✅ Non, il n'y a pas de surveillance biologique de l'effet anticoagulant " Q: Comment est déterminée la posologie des antithrombosants ?,"R: ✅ La posologie est prescrite en fonction de la pathologie et du terrain (âge, fonction rénale notamment) " Q: Quelle est la principale voie d'élimination des AOD (Anticoagulants Oraux Directs) ?,"R: ✅ L'élimination des AOD est principalement rénale, notamment pour le dabigatran (80%) " Q: Quand est-il nécessaire d'évaluer régulièrement la fonction rénale lors d'un traitement par antithrombosants ?,R: ✅ Il est nécessaire d'évaluer régulièrement la fonction rénale à l'institution du traitement puis régulièrement. ### Human: 3. 6 Avantages des AOD par rapport aux AVK • • Prise du médicament à dose fixe sans surveillance biologique de l'effet thérapeutique Efficacité très rapide, (en 2-3h). Donc, traitement adapté aux situations urgentes (sans associer l'héparine systématiquement) 1⁄2 vie courte (7 à 14h) → les hémorragies sont rapidement maitrisées. Pas d'interactions alimentaires. Peu d'interactions médicamenteuses par rapport aux AVK * Efficacité sur la prévention des AVC ischémiques dans la FA 2 au AVK. Moins de complications hémorragiques cérébrales que les AVK. La pharmacocinétique des AOD dépend de la P-glycoprotéine [P-gp] (surtout pour le dabigatran), et du CYP3A4 pour les xabans. Les produits qui inhibent la P-gp et/ou le CYP3A4 sont susceptibles de favoriser un surdosage par les AOD et exposer au risque hémorragique. Les inducteurs du CYP3A4 peuvent diminuer les effets des xabans et augmenter le risque thrombotique. Les principaux médicaments à éviter sont les antiretroviraux, les antifongques, certains antibiotiques (rifampicine). les antiépileptiques, le verapamil ### ASSISTANT: Q: Quels sont les avantages des AOD par rapport aux AVK ? (x6),"R: ✅ Prise du médicament à dose fixe sans surveillance biologique de l'effet thérapeutique ✅ Efficacité très rapide (en 2-3h), adapté aux situations urgentes ✅ 1⁄2 vie courte (7 à 14h) pour une maîtrise rapide des hémorragies ✅ Pas d'interactions alimentaires ✅ Peu d'interactions médicamenteuses par rapport aux AVK ✅ Moins de complications hémorragiques cérébrales que les AVK " ### Human: IV. THROMBOLYTIQUES (FIBRINOLYTIQUES) · + • • Médicaments qui ne sont utilisés que par voie IV (en bolus ou en perfusion). Produits Streptokinase et Urokinase (ne sont plus utilisés en pratique en Algérie). Altéplase (ou t-PA) et ténectéplase : les plus utilisés. Ils agissent en transformant le plasminogène en plasmine qui entraine la dissolution rapide du thrombus fibrino-plaquettaire. Les principales complications sont : le saignement les réactions allergiques: surtout avec la streptokinase, nécessitant l'injection systématique de corticoïde avec ce produit. Indications Syndromes coronariens aigus avec sus décalage du segment ST < 6 12 heures Embolie pulmonaire massive avec hypotension artérielle AVC ischémique < 4 heures 30 Thrombose occlusive de prothèse valvulaire mécanique (si chirurgie rapide impossible) Contre-indications absolues AVC ischémique < 6 mois Hémorragie cérébro-méningée (contre-indication à vie) Malformation vasculaire ou tumeur cérébrale Traumatisme sévère <1 mois : chirurgie, accouchement, fracture... Saignement gastro-intestinal < 1 mois Pathologie de l'hémostase Dissection aortique Ponction d'organes non compressibles < 24 heures (foie, ponction lombaire) Contre-indications relatives AIT < 6 mois Traitement anticoagulant oral en cours Grossesse ou 1ère semaine du post-partum HTA non contrôlée (> 180/110 mmHg) Insuffisance hépatocellulaire sévère (cirrhose) Endocardite infectieuse Ulcère gastroduodenal actif Réanimation prolongée ou traumatique ANINNFUNDUSAMĮS ### ASSISTANT: Q: Quels sont les médicaments utilisés en thrombolyse ?,"R: ✅ Streptokinase, Urokinase, Altéplase (ou t-PA), ténectéplase " Q: Comment agissent les thrombolytiques ?,R: ✅ Ils agissent en transformant le plasminogène en plasmine qui entraîne la dissolution rapide du thrombus fibrino-plaquettaire Q: Quelles sont les principales complications des thrombolytiques ?,R: ✅ Saignement ✅ Réactions allergiques Q: Quelles sont les indications des thrombolytiques ? (x5),R: ✅ Syndromes coronariens aigus avec sus-décalage du segment ST < 6-12 heures ✅ Embolie pulmonaire massive avec hypotension artérielle ✅ AVC ischémique < 4 heures 30 ✅ Thrombose occlusive de prothèse valvulaire mécanique (si chirurgie rapide impossible) Q: Quelles sont les contre-indications absolues des thrombolytiques ? (x8),"R: ✅ AVC ischémique < 6 mois ✅ Hémorragie cérébro-méningée (contre-indication à vie) ✅ Malformation vasculaire ou tumeur cérébrale ✅ Traumatisme sévère <1 mois (chirurgie, accouchement, fracture...) ✅ Saignement gastro-intestinal < 1 mois ✅ Pathologie de l'hémostase ✅ Dissection aortique ✅ Ponction d'organes non compressibles < 24 heures (foie, ponction lombaire) " Q: Quelles sont les contre-indications relatives des thrombolytiques ? (x8),R: ✅ AIT < 6 mois ✅ Traitement anticoagulant oral en cours ✅ Grossesse ou 1ère semaine du post-partum ✅ HTA non contrôlée (> 180/110 mmHg) ✅ Insuffisance hépatocellulaire sévère (cirrhose) ✅ Endocardite infectieuse ✅ Ulcère gastroduodénal actif ✅ Réanimation prolongée ou traumatique ### Human: V. CONDUITE DEVANT UN SURDOSAGE ASYMPTOMATIQUE AUX AVK La prise en charge d'un surdosage aux AVK asymptomatique se fait généralement en ambulatoire, sauf s'il existe des facteurs de risque hémorragique individuels : âge, antécédent hémorragique, comorbidité... INR Inesurd INR < 4 BS INR < 10 INR 2 10 Prise en charge d'un surdosage asymptomatique en AVK MESURES CORRECTRICES (Recommandations HAS) INR cible 2,5 (Fenêtre entre 2 et 3) • Pas de saut de prise • Pas d'apport de vitamine K • Saul de prise • Pas d'apport de vitamine K • Arrêt du traitement par AVK 152 mg de vitumine K per os 41/2 ampoule buvable forme pédiatrique) (grade Ali • Arrêt du traitement par AVK • 5 mg de vitamine K per os (1/2 ampoule buvable forme adulte) (grade A) INR 23 (Fenêtre 25-3,545) . Pas de saut de prise • Pas d'apport de vitamine K • Saul de prise • Un avis spécialisé (exemple : cardiologue si le patient est porteur d'une prothèse valvulaire mécanique) est recommandé pour discuter un traitement éventuel par 1 à 2 mg de vitamine K per os (1/2 à 1 ampoule buvable forme pédiatrique) Un avis spécialisé sans délai ou une hospitalisation sont recommandés ### ASSISTANT: Q: Comment se fait généralement la prise en charge d'un surdosage asymptomatique aux AVK ? (x2),"R: ✅ En ambulatoire, sauf s'il existe des facteurs de risque hémorragique individuels ✅ Avec une évaluation des facteurs de risque hémorragique individuels tels que l'âge, les antécédents hémorragiques, les comorbidités... " Q: Quelle est la mesure corrective recommandée pour un INR inférieur à 4 ?,"R: ✅ Pas de saut de prise, pas d'apport de vitamine K " Q: Quelle est la mesure corrective recommandée pour un INR entre 4 et 10 ?,"R: ✅ Saut de prise, pas d'apport de vitamine K " Q: Quelle est la mesure corrective recommandée pour un INR entre 2 et 3,5 ?,R: ✅ Un avis spécialisé est recommandé pour discuter un traitement éventuel par 1 à 2 mg de vitamine K per os Q: Quelles sont les mesures correctives recommandées pour un INR supérieur à 10 ?,"R: ✅ Pas de saut de prise, pas d'apport de vitamine K, un avis spécialisé sans délai ou une hospitalisation sont recommandés " ### Human: VI. CONDUITE DEVANT UNE COMPLICATION HEMORRAGIQUE GRAVE > Hospitalisation Mesures communes Arrêt du traitement antithrombosant Biologie d'urgence : formule numération sanguine, taux de prothrombine, INR, TCA, bilan rénal + Mesures d'hémostase locale + Transfusion sanguine Mesures spécifiques Saignement sous antiplaquettaires Transfusion de plaquettes Saignement sous heparines Antidote = Sulfate de Protamine intra-veineux: 1 mg de protamine neutralise 100 Ul d'HNF et 100 Ul anti-Xa d'HBPM (dose pour dose). Saignement sous AVK Vitamine K, facteurs PPSB Saignement sous AOD Charbon si la dernière prise de l'AOD remonte à moins de 6 heures Dialyse, Idarucizumab (antidote): malades sous dabigratran Andexanet alpha (antidote): malades sous inhibiteurs du fact Xa Saignement sous thrombolytiques Acide tranexamique injectable (puissant inhibiteur de la plasmine) 482 Cardiologie Liste non exhaustive des interactions médicamenteuses avec les AVK Médicaments potentialisateurs (risque hémorragique 1) Inhibiteurs enzymatiques Métronidazole Erythromycine Cimetidine Miconazole (danger++) Izoniazide Action sur l'hémostase Aspirine Médicaments inhibiteurs (risque thromboembolique↑) Inducteurs enzymatiques Alcool Barbituriques Rifampicine Griseofulvine Carbamazepine Pénicillines Baisse de la réabsorption digestive Colestiramine Clopidogrel AINS Phenylbutazone Sulfamides antibactériens Certaines céphosporines Autres mécanismes Amiodarone Statines Fibrates Hormones thyroidiennes Estrogènes Stéroïdes anabolisanls Acide nalidixique Piroxicam Charbon Sucralphate Autres mécanismes Métformine Pour en savoir plus Le Guide Pratique Du Bon Usage des Anticoagulants. ### ASSISTANT: Q: Que faire en cas d'une complication hémorragique grave sous traitement antithrombosant ? (x4),"R: ✅ Hospitalisation ✅ Arrêt du traitement antithrombosant ✅ Mesures communes (biologie d'urgence, mesures d'hémostase locale, transfusion sanguine) ✅ Mesures spécifiques selon le type de traitement antithrombosant " Q: Quel antidote peut être utilisé en cas de saignement sous antiplaquettaires ? (x1),R: ✅ Transfusion de plaquettes Q: Quel antidote peut être utilisé en cas de saignement sous héparines ? (x1),R: ✅ Sulfate de Protamine (1 mg de protamine neutralise 100 Ul d'HNF et 100 Ul anti-Xa d'HBPM) Q: Quels sont les antidotes à utiliser en cas de saignement sous AVK ? (x2),R: ✅ Vitamine K ✅ Facteurs PPSB Q: Quelles mesures peut-on prendre en cas de saignement sous AOD ? (x2),"R: ✅ Charbon (si la dernière prise de l'AOD remonte à moins de 6 heures) ✅ Dialyse, Idarucizumab (antidote) pour les malades sous dabigatran, Andexanet alpha (antidote) pour les malades sous inhibiteurs du facteur Xa " Q: Quel est le puissant inhibiteur de la plasmine utilisé en cas de saignement sous thrombolytiques ? (x1),R: ✅ Acide tranexamique injectable Q: Quels médicaments peuvent potentialiser le risque hémorragique associé aux AVK ? (x5),R: ✅ Métronidazole ✅ Erythromycine ✅ Cimetidine ✅ Miconazole (danger++) ✅ Isoniazide Q: Quels médicaments peuvent inhiber l'effet des AVK et augmenter le risque de thromboembolie ? (x7),"R: ✅ Alcool ✅ Barbituriques ✅ Rifampicine ✅ Griseofulvine ✅ Carbamazepine ✅ Pénicillines ✅ Baisse de la réabsorption digestive (colestiramine, clopidogrel) " Q: Quels mécanismes d'interaction médicamenteuse peuvent influencer l'effet des AVK ? (x7),"R: ✅ Action sur l'hémostase (aspirine, AINS, phenylbutazone, sulfamides antibactériens, certaines céphosporines) ✅ Autres mécanismes (amiodarone, statines, fibrates, hormones thyroidiennes, estrogènes, stéroïdes anabolisants, acide nalidixique, piroxicam, charbon, sucralphate, métformine) " | lotfi4000/pre-transformed-medzoom | [
"region:us"
]
| 2023-11-08T11:29:53+00:00 | {} | 2023-11-08T11:49:01+00:00 | []
| []
| TAGS
#region-us
| ### Human: Objectifs · Connaitre les règles de prescription et de surveillance des antiagrégants plaquettaires, des anticoagulants (héparines, antivitamine K, anticoagulants oraux directs) et des thrombolytiques Planifier la conduite devant une hémorragie grave liée aux antithrombosants ### ASSISTANT: Q: Quels sont les objectifs de la prescription des antithrombosants ? (x2) R:" Connaître les règles de prescription et de surveillance des antiagrégants plaquettaires, des anticoagulants (héparines, antivitamine K, anticoagulants oraux directs) et des thrombolytiques " Q: Qu'est-ce qu'il faut planifier en cas d'une hémorragie grave liée aux antithrombosants ? R: Planifier la conduite à tenir ### Human: I. INTRODUCTION • - Les antithrombosants préviennent la formation et/ou l'extension de caillots sanguins (thrombus), ou facilitent leur dissolution s'ils sont présents. Ils bloquent la «< cascade de la coagulation » responsable de la formation du thrombus. Selon leurs sites d'action, on distingue : - - les antiagrégants plaquettaires (AAP), les anticoagulants, les thrombolytiques (ou fibrinolytiques). Les complications hémorragiques représentent leur principale complication. Leurs principales indications sont : - - traitement et prévention de la maladie thromboembolique veineuse (MTEV): thrombose veineuse profonde (TVP), embolie pulmonaire (EP) la fibrillation atriale (FA) les prothèses valvulaires cardiaques mécaniques les syndromes coronariens aigus (SCA) les accidents vasculaires cérébraux (AVC) l'ischémie artérielle des membres ### ASSISTANT: Q: Que font les antithrombosants ? R: " Ils préviennent la formation et/ou l'extension de caillots sanguins (thrombus), ou facilitent leur dissolution s'ils sont présents. " Q: Quelle est la fonction des antiagrégants plaquettaires (AAP) ? R: Ils agissent en tant qu'antithrombosants en bloquant la formation du thrombus au niveau des plaquettes sanguines. Q: Quels sont les types d'antithrombosants selon leurs sites d'action ? R: Les antiagrégants plaquettaires (AAP), les anticoagulants et les thrombolytiques (ou fibrinolytiques). " Q: Quelles sont les principales indications des antithrombosants ?,R: Les principales indications sont le traitement et la prévention de la maladie thromboembolique veineuse (MTEV) telles que la thrombose veineuse profonde (TVP) et l'embolie pulmonaire (EP), la fibrillation atriale (FA), les prothèses valvulaires cardiaques mécaniques, les syndromes coronariens aigus (SCA) et les accidents vasculaires cérébraux (AVC), ainsi que l'ischémie artérielle des membres. " Q: Quelle est la principale complication des antithrombosants ? R: Les complications hémorragiques représentent leur principale complication. ### Human: II. ANTIAGREGANTS PLAQUETTAIRES • Les plaquettes participent à la formation du thrombus blanc (clou plaquettaire) qui se constitue au contact d'une rupture de plaque d'athérome. Ce thrombus est à l'origine d'accidents ischémiques graves comme les SCA et les AVC ischémiques. Les AAP inhibent l'hémostase primaire. Ils sont indiqués dans les maladies athérothrombotiques. Selon leurs sites d'action, on distingue, les inhibiteurs : de la voie du thromboxane A2 (TxA2) dont la cible est la cyclo- oxygenase 1 (COX1), de la voie de l'adénosine diphosphate ('ADP) avec pour cibles les récepteurs P2Y12, des récepteurs plaquettaires du fibrinogène : la glycoprotéine llb-llla (GP IIb-Illa). 472 Cardiologie ### ASSISTANT: Q: Quel est le rôle des plaquettes dans la formation du thrombus ? (x1),R: Les plaquettes participent à la formation du thrombus blanc (clou plaquettaire) qui se constitue au contact d'une rupture de plaque d'athérome. Q: Quels sont les accidents ischémiques graves causés par le thrombus ? (x2),R: Les SCA (syndromes coronariens aigus) Les AVC ischémiques Q: Quelle est l'indication des AAP (antiagrégants plaquettaires) ? (x1),R: Ils sont indiqués dans les maladies athérothrombotiques. Q: Quels sont les différents inhibiteurs d'antiagrégants plaquettaires selon leurs cibles d'action ? (x3),"R: Inhibiteurs de la voie du thromboxane A2 (TxA2) ciblant la cyclo-oxygenase 1 (COX1) Inhibiteurs de la voie de l'adénosine diphosphate (ADP) ciblant les récepteurs P2Y12 Inhibiteurs des récepteurs plaquettaires du fibrinogène, la glycoprotéine llb-llla (GP IIb-Illa) " ### Human: 1. Inhibiteur de la voie du thromboxane A2 · s'agit de l'acide acetylsalicylique (aspirine), qui est un inhibiteur irréversible de la COX1. • • Son administration est orale (comprimés, poudre) et intraveineuse (IV). Ande arachi con qu: -cyclo-crygmae Prostaglance H2 Thrember: A2 Frostacycm: (FG) A faible dose (75 – 500 mg/j). l'aspirine inhibe la conversion de l'acide arachidonique en TXA2. En revanche, au-delà de 1 g/jour, l'effet antiagréguant est moins important, remplacé par l'effet anti-inflammatoire dû à l'inhibition préférentielle de la COX2 Varocconcoco Agrige plagen: Visdlena Inhaltson de l'agregan in plapattu:s] Les plaquettes étant dépourvues de noyau, elles ne peuvent pas resynthétiser la Human: COX1. De ce fait, après l'interruption de l'aspirine, l'effet inhibiteur persiste jusqu'au renouvellement des plaquettes (10 jours environ). Indications Cardiopathies ischémiques Allergie à l'aspirine AVC ischémique AOMI Contre-indications Complications Maladies hémorragiques Allergie Hémorragie Complications digestives Troubles neurologiques Syndrome de Widal* AOMI: Artériopathie obliterante des membres inférieurs : AVC accident vasculaire cérébral. Syndrome de Widal: asthme + polypose nasale + allergie à l'aspirine • ### ASSISTANT: Q: Quel est l'inhibiteur de la voie du thromboxane A2 ?,R: L'acide acétylsalicylique (aspirine) Q: Comment s'administre l'acide acétylsalicylique ?,"R: Son administration est orale (comprimés, poudre) et intraveineuse (IV) " Q: Qu'est-ce que l'aspirine inhibe à faible dose ?,"R: À faible dose, l'aspirine inhibe la conversion de l'acide arachidonique en TXA2 " Q: Quel est l'effet de l'aspirine au-delà de 1g/jour ?,"R: Au-delà de 1g/jour, l'effet antiagrégant est moins important, remplacé par l'effet anti-inflammatoire dû à l'inhibition préférentielle de la COX2 " Q: Pourquoi l'effet inhibiteur de l'aspirine persiste-t-il après son interruption ?,"R: Les plaquettes ne peuvent pas resynthétiser la COX1, donc après l'interruption de l'aspirine, l'effet inhibiteur persiste jusqu'au renouvellement des plaquettes (environ 10 jours) " Q: Quelles sont les indications de l'acide acétylsalicylique ?,"R: Cardiopathies ischémiques, allergie à l'aspirine, AVC ischémique, AOMI (Artériopathie obliterante des membres inférieurs) " Q: Quelles sont les contre-indications de l'acide acétylsalicylique ?,"R: Maladies hémorragiques, allergies, complications digestives, troubles neurologiques, syndrome de Widal (asthme + polypose nasale + allergie à l'aspirine) " ### Human: 2. Anti P2Y12 • Produits : Inhibiteurs irréversibles (prodrogues) : Clopidogrel, Prasugrel ; Inhibiteur réversible: Ticagrelor. L'effet antiagrégant plaquettaire des anti P2Y12 est plus important que celui de l'aspirine. Et l'effet antiagrégant plaquettaire du prasugrel et du ticagrelor est supérieur à celui du clopidogrel. Leur administration est orale (comprimés). Ils sont moins gastrotoxiques que l'aspirine. Indications Contre-indications Clopidogrel Cardiopathies Allergie ischémiques Maladies hémorragiques AVC ischémique AOMI Complications Hémorragie Allergie Troubles digestifs ANONINFONDOSUNIS 473 Prasugrel SCA ST (+) Allergie Hémorragie Maladies hémorragiques Allergie < 60 kg. 275 ans Antécédent d'AVC Cirrhose Child C Ticagrelor SCA ST (+) Allergie Hémorragie Maladies hémorragiques Allergie Bradycardie BPCO Bradycardie Dyspnée Insuffisance rénale Insuffisance hépatique AVC; accident vasculaire cérébral: AOMI : arteriopathie oblitérante des membres inférieurs ; BPCO: bromchopneumopathie chronique obstructive SCA Syndromes coronariens aigus ### ASSISTANT: Q: Quels sont les produits anti P2Y12 utilisés comme antithrombosants ? (x3),R: Clopidogrel Prasugrel Ticagrelor Q: Quelles sont les caractéristiques des inhibiteurs irréversibles de la classe anti P2Y12 ? (x2),"R: Ils sont des prodrogues Exemples : Clopidogrel, Prasugrel " Q: Quel est l'inhibiteur réversible de la classe anti P2Y12 ? (x1),R: Ticagrelor Q: Quel est l'effet antiagrégant plaquettaire des anti P2Y12 par rapport à l'aspirine ? (x1),R: L'effet antiagrégant plaquettaire des anti P2Y12 est plus important que celui de l'aspirine. Q: Quel est l'effet antiagrégant plaquettaire du prasugrel et du ticagrelor par rapport au clopidogrel ? (x1),R: L'effet antiagrégant plaquettaire du prasugrel et du ticagrelor est supérieur à celui du clopidogrel. Q: Quelle est la voie d'administration des anti P2Y12 ? (x1),R: Leur administration est orale (comprimés). Q: Quelle est la caractéristique des anti P2Y12 par rapport à l'aspirine en termes de gastrotoxicité ? (x1),R: Ils sont moins gastrotoxiques que l'aspirine. Q: Quelles sont les indications des anti P2Y12 ? (x4),R: Cardiopathies ischémiques AVC ischémique AOMI SCA ST (+) Q: Quelles sont les contre-indications des anti P2Y12 ? (x4),R: Allergie Maladies hémorragiques Hémorragie Troubles digestifs Q: Quelles sont les complications associées à l'utilisation des anti P2Y12 ? (x2),R: Hémorragie Allergie Q: Quelles sont les contre-indications spécifiques au clopidogrel ? (x2),R: Cardiopathies Allergie Q: Quelles sont les contre-indications spécifiques au prasugrel ? (x8),R: SCA ST (+) Allergie Hémorragie Maladies hémorragiques < 60 kg 275 ans Antécédent d'AVC Cirrhose Child C Q: Quelles sont les contre-indications spécifiques au ticagrelor ? (x7),R: SCA ST (+) Allergie Hémorragie Maladies hémorragiques Bradycardie BPCO Insuffisance rénale Insuffisance hépatique ### Human: 3. Anti GP IIb-llla Administrés en IV et indiqués dans les SCA au décours de la coronarographie si le thrombus est très extensif. ### ASSISTANT: Q: Quel est le mode d'administration des anti GP IIb-llla ?,R: Ils sont administrés en IV. Q: Quels sont les types d'anticoagulants ?,"R: Héparines, antivitamines K (AVK), anticoagulants oraux directs (AOD). " Q: Quels sont les sites d'action des anticoagulants ?,"R: Facteur IX, Facteur X. " ### Human: III. ANTICOAGULANTS On distingue les héparines, les antivitamines K (AVK) et les anticoagulants oraux directs (AOD). Sites d'action des anticoagulants Facteur IX Facteur X AVK ### ASSISTANT: Q: Quels sont les types d'anticoagulants ?,"R: Héparines, antivitamines K (AVK), anticoagulants oraux directs (AOD). " Q: Quels sont les sites d'action des anticoagulants ?,"R: Facteur IX, Facteur X. " ### Human: 1. Héparines Facteur IXa Facteur II Prothrombina Facteur Xa Fibrinogène Anti-Xa directs Rivaroxaban Apixaban Edoxaban Antithtrombine Facteur Ila Thrombine Fibrino Hóparinos Antilla directs Dabigatran PRADAXA" • 1.1 Propriétés Anticoagulants parentéraux utilisés en IV à la seringue électrique (IVSE) et en sous cutanée (SC) et non par voie orale car détruits par le tube digestif. Il existe deux types d'héparine: - héparines non fractionnées (HNF): chaines de mucopolysaccharides à haut poids moléculaire ; héparines de bas poids moléculaires (HBPM): HNF fractionnées donnant des chaines plus légères. 474 Cardiologie Héparine HNF • • HBPM • Molécules Héparine sodique Héparine calcique Enoxaparine (lovenox") Nadroprarine (fraxiparine®) Tinzaparine (innhap) ### ASSISTANT: Q: Quelles sont les propriétés des antithrombosants de la classe des héparines ? (x2),"R: Utilisés en IV à la seringue électrique (IVSE) et en sous-cutanée (SC) Détruits par le tube digestif, donc administrés par voie parentérale " Q: Quels sont les deux types d'héparine ? (x2),R: Héparines non fractionnées (HNF) Héparines de bas poids moléculaires (HBPM) Q: Quelles sont les molécules d'héparine ? (x4),R: Héparine sodique Héparine calcique Enoxaparine (Lovenox) Nadroparine (Fraxiparine) Q: Quels sont les facteurs ciblés par les héparines ? (x3),R: Facteur IXa Facteur II (Prothrombine) Facteur Xa Q: Quels sont les anticoagulants anti-Xa directs ? (x3),R: Rivaroxaban Apixaban Edoxaban Q: Quels sont les facteurs ciblés par l'antithrombine ? (x2),R: Facteur XIa Thrombine (Facteur IIa) Q: Quelle est la propriété des héparines non fractionnées ?,R: Ce sont des chaines de mucopolysaccharides à haut poids moléculaire Q: Quelles sont les molécules d'héparine de bas poids moléculaires ? (x2),R: Enoxaparine (Lovenox) Nadroparine (Fraxiparine) ### Human: 1. 2 Mode d'action IVSE Voies d'administration SC toutes les 8 ou 12 h SC: chaque 12h en curatif chaque 24h en préventif SC: chaque 12h en curatif chaque 24h en préventif SC: chaque 24h en curatif et en préventif Les HNF et les HBPM ont une action indirecte: elles se fixent à leur cofacteur, l'antithrombine III (ATIII) qui est un inhibiteur physiologique de la coagulation dont l'action est normalement lente et progressive. La liaison héparine-ATI!I accélère la vitesse de l'action inhibitrice de l'ATIII sur la thrombine (action anti-lla) et sur le facteur Stuart (action anti-Xa). En cas de déficit constitutionnel en ATIII, les héparines sont inefficaces. L'activité anti-Xa et anti-lla des HNF est équivalente: rapport activité anti-Xa / anti-Ila = 1 L'activité anti-Xa des HBPM est prédominante: rapport activité anti-Xa / anti-lla > 1 ### ASSISTANT: Q: Quel est le mode d'action des antithrombosants ? (x2),R: Action indirecte en se fixant à l'antithrombine III (ATIII) Accélération de l'action inhibitrice de l'ATIII sur la thrombine et le facteur Stuart Q: Quelles sont les voies d'administration des antithrombosants ? (x3),R: IVSE Sous-cutanée toutes les 8 ou 12h en curatif Sous-cutanée toutes les 24h en préventif Q: Les héparines sont-elles efficaces en cas de déficit constitutionnel en ATIII ?,"R: Non, les héparines sont inefficaces en cas de déficit constitutionnel en ATIII. " Q: Quelle est l'activité anti-Xa des HNF par rapport à l'activité anti-lla ?,R: L'activité anti-Xa et anti-lla des HNF est équivalente : rapport activité anti-Xa / anti-lla = 1 Q: Quelle est l'activité anti-Xa des HBPM par rapport à l'activité anti-lla ?,R: L'activité anti-Xa des HBPM est prédominante : rapport activité anti-Xa / anti-lla > 1 ### Human: 1. 3 Pharmacocinétique • Après administration, l'effet anticoagulant des héparines est rapide, ce qui en fait une thérapeutique adaptée aux situations urgentes. Elles ne franchissent ni les séreuses ni le placenta et ne passent pas dans le lait maternel. Elles ne sont donc pas contre-indiquées en cas de grossesse et d'allaitement. Les HNF ont une élimination rénale, sous forme inactive. Elles ne sont donc pas contre-indiquées en cas d'insuffisance rénale (pas de risque d'accumulation du produit). Les HBPM ont une élimination rénale sous forme active, d'où leur contre- indication en cas d'insuffisance rénale sévère (risque d'accumulation). ### ASSISTANT: Q: Quelle est la pharmacocinétique des héparines après administration ? (x1),"R: Après administration, l'effet anticoagulant des héparines est rapide. " Q: Quelles sont les caractéristiques des héparines concernant la grossesse et l'allaitement ? (x2),R: Elles ne franchissent ni les séreuses ni le placenta et ne passent pas dans le lait maternel. Elles ne sont donc pas contre-indiquées en cas de grossesse et d'allaitement. Q: Comment sont éliminées les héparines non fractionnées (HNF) et quel est leur effet en cas d'insuffisance rénale ? (x2),"R: Les HNF ont une élimination rénale, sous forme inactive. Elles ne sont donc pas contre-indiquées en cas d'insuffisance rénale (pas de risque d'accumulation du produit). " Q: Comment sont éliminées les héparines de bas poids moléculaire (HBPM) et pourquoi sont-elles contre-indiquées en cas d'insuffisance rénale sévère ? (x2),"R: Les HBPM ont une élimination rénale sous forme active, d'où leur contre-indication en cas d'insuffisance rénale sévère (risque d'accumulation). " ### Human: 1. 4 Complications Les complications sont plus fréquentes avec les HNF qu'avec les HBPM. a. Complications les plus fréquentes • Hémorragie au 1 rang +++, • Thrombopénie induite par l'héparine (TIH) Type 1 (par interaction des plaquettes avec l'héparine): survient les 5 1ers jours, entraine une baisse modérée, (< 20%) du taux de plaquettes; bénigne, elle n'impose pas l'arrêt du traitement; AntInfomposants 475 Type 2 (origine immunologique): survient entre 5è-21ė jour ; entraine une chute importante du taux de plaquettes (< 100 000/mm3, ou baisse d'au moins 40% par rapport au taux initial); très grave (risque hémorragique et surtout thromboembolique), imposant l'arrêt du traitement. Prévention du risque de thrombopénie induite par l'héparine Réaliser un relais précoce par les AVK (entre le 1er et 3ème jour) pour diminuer la durée du traitement par héparine. b. Autres complications Ostéoporose Hyperkaliemie Eruption cutanée • Allergie · ↑Transaminases ### ASSISTANT: Q: Quelles sont les complications les plus fréquentes des antithrombosants ? (x4),R: Hémorragie au 1er rang Thrombopénie induite par l'héparine (TIH) Ostéoporose Hyperkaliémie Q: Quels sont les 2 types de thrombopénie induite par l'héparine (TIH) ?,R: Type 1 (par interaction des plaquettes avec l'héparine) Type 2 (origine immunologique) Q: Quelles sont les caractéristiques du type 1 de la thrombopénie induite par l'héparine ?,"R: Survenue les 5 premiers jours Baisse modérée (<20%) du taux de plaquettes Bénigne, n'impose pas l'arrêt du traitement " Q: Quelles sont les caractéristiques du type 2 de la thrombopénie induite par l'héparine ?,"R: Survenue entre le 5ème et le 21ème jour Chute importante du taux de plaquettes (<100 000/mm3 ou baisse d'au moins 40% par rapport au taux initial) Très grave, avec un risque hémorragique et thromboembolique, imposant l'arrêt du traitement. " Q: Comment prévenir le risque de thrombopénie induite par l'héparine ?,R: Réaliser un relais précoce par les AVK (entre le 1er et le 3ème jour) pour diminuer la durée du traitement par héparine. Q: Quelles sont les autres complications des antithrombosants ?,R: Eruption cutanée Allergie ↑ Transaminases ### Human: 1. 5 Contre-indications • • Allergie à l'héparine Antécédent de TIH type 2 • • Affections à risque hémorragique Insuffisance rénale sévère pour les HBPM (DFG inférieur à 30 ml / min) DFG: débit de filtration glomérulaire ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x5),R: Allergie à l'héparine Antécédent de TIH de type 2 Affections à risque hémorragique Insuffisance rénale sévère pour les HBPM (DFG inférieur à 30 ml/min) Q: Qu'est-ce que DFG signifie dans le contexte des antithrombosants ?,R: DFG signifie débit de filtration glomérulaire. ### Human: 1. 6 Surveillance biologique a. Efficacité de l'action anticoagulante Héparines non fractionnées En traitement curatif, l'effet thérapeutique de l'HNF se mesure par le temps de céphaline activée (TCA), qui doit être 1.5 et 2 à 3 fois le temps témoin. Les doses d'héparine sont adaptées aux résultats du TCA qui sera surveillé au moins une fois par jour. D'où la nécessité d'hospitaliser les malades traités par les HNF. • Adaptation de la posologie des HNF selon les résultats du TCA Si le TCA est < 1.5 : on augmente la dose d' HNF. Si le TCA est > 3: on diminue la dose d' HNF. Si le TCA est entre 1.5 et 2 à 3 on maintient la même dose d'HNF. Héparines de bas poids moléculaire En traitement curatif, la posologie des HBPM est fixe, en fonction du poids. L'activité thérapeutique des HBPM n'a pas besoin d'être mesurée, sauf dans certaines situations. 476 Cardiologie Indications du contrôle de l'activité anti-Xa sous traitement par HBPM Insuffisance rénale modérée (HBPM contre-indiquées dans l'insuffisance rénale sévère DFG < 30 mL/minute). Sujet âgé, enfant. Obèse (passage d'HBPM dans la graisse lors de l'injection pouvant diminuer la quantité d'héparine dans le sang ou responsable de libération à distance). Patient cachexique. Hémorragies ou thromboses survenant sous HBPM. Le contrôle de l'anti-Xa après initiation ou modification des doses de HBPM dolt être effectué 4 heures après la 3 ème injection: zone d'efficacité thérapeutique entre 0,5 et 1 anti-Xa/mL b. Taux de plaquettes A controler 2 fois / semaine à partir du 5è jour jusqu'au 21ème jour, puis 1 fois par semaine aussi bien avec les HNF qu'avec les HBPM, et aussi bien en traitement curatif qu'en traitement préventif de la MTEV. ### ASSISTANT: Q: Comment mesure-t-on l'effet thérapeutique de l'HNF ?,"R: Le temps de céphaline activée (TCA) doit être 1,5 à 2 à 3 fois le temps témoin. " Q: Comment adapte-t-on la posologie des HNF en fonction des résultats du TCA ?,"R: Si le TCA est inférieur à 1,5, on augmente la dose. Si le TCA est supérieur à 3, on diminue la dose. Si le TCA est entre 1,5 et 2 à 3, on maintient la même dose. " Q: Comment est déterminée la posologie des HBPM en traitement curatif ?,R: La posologie des HBPM est fixe et dépend du poids. Q: Dans quelles situations doit-on contrôler l'activité anti-Xa sous traitement par HBPM ?,"R: Insuffisance rénale modérée Sujet âgé, enfant Obèse Patient cachexique Hémorragies ou thromboses survenant sous HBPM " Q: Quand doit-on effectuer le contrôle de l'anti-Xa après initiation ou modification des doses de HBPM ?,"R: 4 heures après la 3ème injection, avec une zone d'efficacité thérapeutique entre 0,5 et 1 anti-Xa/mL. " Q: A quelle fréquence doit-on contrôler le taux de plaquettes lors d'un traitement par HNF/HBPM ?,"R: 2 fois par semaine du 5ème au 21ème jour, puis 1 fois par semaine, en traitement curatif ou préventif de la MTEV. " Q: Quels sont les avantages des HBPM par rapport aux HNF ? (x4),R: Moins d'injections SC (1 ou 2 fois par jour) Meilleure biodisponibilité (efficacité) Contrôles de la coagulation non systématiques Complications moins fréquentes Q: Quels sont les anticoagulants utilisés pour prévenir la formation de caillots sanguins ? (x1),R: Les médicaments antivitamines K (AVK) Q: Comment agissent les antivitamines K pour prévenir la formation de caillots ? (x1),"R: En bloquant l'action de la vitamine K, nécessaire à la production de certains facteurs de coagulation " Q: Pour quels patients les AVK sont-ils souvent prescrits ? (x2),R: Les patients atteints de fibrillation auriculaire Les patients présentant des troubles de la coagulation. ### Human: 1. 7 Avantages et inconvénients des HBPM par rapport aux HNF Avantages Moins d'injections SC (1 ou 2 */ jour) Meilleure biodisponibilité (efficacité) Contrôles de la coagulation non systématiques Complications moins fréquentes Utilisables en ambulatoire ### ASSISTANT: Q: Quels sont les inconvénients des antithrombosants ? (x1),"R: Pas d'autorisation de mise sur le marché (AMM) dans les prothèses valvulaires mécaniques, surtout en position mitrale " ### Human: 2. Antivitamines K (AVK) 2. 1 Molécules Inconvénients Pas d'autorisation de mise sur le marché (AMM) dans les prothèses valvulaires mécaniques (surtout en position mitrale) Les AVK sont des anticoagulants oraux (comprimés). AVK à 1⁄2 vie courte Selon la 1⁄2 vie, il y a 2 familles d'AVK Acénocoumarol (Sintrrom): % vie< 24h, seul AVK commercialisé en Algérie (comprimés sécables 4 mg). AVK à 1⁄2 vie longue Warfarine: 1⁄2 vie 5]; AVK de référence des études cliniques. Fluindione: 1⁄2 vie 24h; largement utilisé en France. ### ASSISTANT: Q: Qu'est-ce que les AVK ? (x1),R: Les AVK sont des anticoagulants oraux (comprimés) Q: Quelle est la demi-vie courte des AVK ? (x1),R: La demi-vie courte des AVK est inférieure à 24h Q: Quels sont les AVK commercialisés en Algérie ? (x1),R: L'acénocoumarol (Sintrrom) est le seul AVK commercialisé en Algérie (comprimés sécables 4 mg) Q: Quelle est la demi-vie longue des AVK ? (x2),"R: La warfarine a une demi-vie de 5 jours La fluindione a une demi-vie de 24h, largement utilisée en France. " ### Human: 2. 2 Mode d'action · Les AVK ont une action indirecte : ils inhibent la synthèse hépatique des facteurs de la coagulation vitamino-K dépendants (PPSB): II, VII, IX, X, et deux inhibiteurs physiologiques de la coagulation: protéines S et C. SEEKERSFETEKENEN GENERA Au début du traitement, les AVK entrainent paradoxalement hypercoagulabilité par inhibition précoce de la protéine C. une Après la mise en route du traitement, une hypocoagulabilité efficace n'est obtenue qu'au bout de 4 à 6 jours environ. De ce fait, les AVK ne constituent pas la thérapeutique anticoagulante de l'urgence médicale. De ce fait, ils sont préscrits en relais d'un traitement par héparine (cf. infra). ### ASSISTANT: Q: Quel est le mode d'action des antithrombosants AVK ? (x1),"R: Les AVK inhibent la synthèse hépatique des facteurs de la coagulation vitamino-K dépendants (II, VII, IX, X) et deux inhibiteurs physiologiques de la coagulation (protéines S et C). " Q: Quel effet paradoxal les AVK peuvent-ils avoir au début du traitement ? (x1),"R: Au début du traitement, les AVK entraînent une hypercoagulabilité par inhibition précoce de la protéine C. " Q: Combien de temps faut-il pour obtenir une hypocoagulabilité efficace avec les AVK ? (x1),R: Une hypocoagulabilité efficace n'est obtenue qu'au bout de 4 à 6 jours environ après la mise en route du traitement. Q: Les AVK sont-ils indiqués dans les situations d'urgence médicale ? (x1),"R: Non, les AVK ne constituent pas la thérapeutique anticoagulante de l'urgence médicale. " Q: Dans quel cas les AVK sont-ils prescrits en relais d'un traitement par héparine ? (x1),R: Les AVK sont prescrits en relais d'un traitement par héparine. ### Human: 2. 3 Pharmacocinétique · Elimination rénale sous forme inactive, donc pas de risque d'accumulation. D'où l'absence de contre-indication chez les insuffisants rénaux. Traversent la barrière placentaire. Ont un effet téralogène. D'où leur contre- indication au 1er trimestre d'une grossesse. Pour l'acenocoumarol et la warfarine, seule une quantitë négligeable passe dans le lait maternel. Donc pas de contre-indication en cas d'allaitement. De nombreux facteurs influencent l'efficacité des AVK (âge, aliments, affections du transit intestinal, fièvre, alcoolisme, dysthyroïdies, insuffisance hépatique...). • Les interactions médicamenteuses avec les AVK sont nombreuses (voir encadré à la fin du cours). ### ASSISTANT: Q: Comment sont éliminés les antithrombosants ?,"R: Ils sont éliminés par voie rénale sous forme inactive, ce qui signifie qu'il n'y a pas de risque d'accumulation et donc pas de contre-indication chez les insuffisants rénaux. " Q: Quelle est la conséquence de la traversée de la barrière placentaire par les antithrombosants ?,"R: Ils ont un effet tératogène, ce qui les rend contre-indiqués au premier trimestre de la grossesse. " Q: Quelle est la quantité d'acenocoumarol et de warfarine qui passe dans le lait maternel ?,"R: Seule une quantité négligeable passe dans le lait maternel, ce qui signifie qu'il n'y a pas de contre-indication en cas d'allaitement. " Q: Quels sont les facteurs qui influencent l'efficacité des AVK ?,"R: De nombreux facteurs influencent leur efficacité tels que l'âge, les aliments, les affections du transit intestinal, la fièvre, l'alcoolisme, les dysthyroïdies, l'insuffisance hépatique, etc. " Q: Quelle est la particularité des interactions médicamenteuses avec les AVK ?,R: Les interactions médicamenteuses avec les AVK sont nombreuses. Vous pouvez vous référer à l'encadré à la fin du cours pour plus de détails. ### Human: 2. 4 Contre-indications ► • • • Affections à risque hémorragique Insuffisance hépatique sévère Grossesse : 1er trimestre (risque lératogène) et dernier mois (risque hémorragique lors de la délivrance) Injections intramusculaires (risque d'hématome), intra-articulaires (risque d'hémarthrose) Mauvaise observance du traitement (trouble psychiatrique...) ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x5),"R: Affections à risque hémorragique Insuffisance hépatique sévère Grossesse : 1er trimestre (risque tératogène) et dernier mois (risque hémorragique lors de la délivrance) Injections intramusculaires (risque d'hématome), intra-articulaires (risque d'hémarthrose) Mauvaise observance du traitement (trouble psychiatrique...) " ### Human: 2. 5 Complications • • • Hémorragie au 1* rang Nécrose cutanée (surtout si déficit constitutionnel en protéine C ou S) Allergie ### ASSISTANT: Q: Quels sont les complications associées aux antithrombosants ? (x3),R: Hémorragie au premier rang Nécrose cutanée (surtout si déficit constitutionnel en protéine C ou S) Allergie ### Human: 2. 6 Mise en route du traitement par AVK Sachant que le traitement AVK ne sera pas efficace avant 4 à 6 jours, il est introduit en association avec une héparine (HNF ou HBPM) dès le 1er jour (on parle de << relais héparine – AVK »). 478 Cardiologie Relais héparine - AVK L'introduction précoce de l'AVK, dès J1, permet de raccourcir la durée du traitement par héparine, diminuant ainsi l'incidence de la redoutable TIH type 2 Les deux conditions d'arrêt de l'héparine sont : au moins 4 à 5 jours d'association héparine - AVK, et 2 INR à 24 heures d'intervalle dans la zone thérapeutique (cf. infra). ### ASSISTANT: Q: Quand est introduit le traitement par AVK en association avec une héparine ?,R: Le traitement AVK est introduit en association avec une héparine dès le premier jour (on parle de << relais héparine – AVK ») Q: Pourquoi introduire l'AVK dès le premier jour en association avec une héparine ?,R: L'introduction précoce de l'AVK permet de raccourcir la durée du traitement par héparine et diminuer l'incidence de la TIH type 2 Q: Quelles sont les deux conditions d'arrêt de l'héparine dans le relais héparine-AVK ?,R: Au moins 4 à 5 jours d'association héparine - AVK et 2 INR à 24 heures d'intervalle dans la zone thérapeutique ### Human: 2. 7 Surveillance biologique La surveillance de l'effet thérapeutique des AVK se fait par la mesure de l'INR (international normalized ratio). [TQ malade INR = [TQ témoin • TO: temps de Quick: ISI Index de Sensibilité International du réactif Sans traitement AVK, la valeur de l'INR est de 1. Sous AVK, I'INR est > 1. La valeur cible de l'INR pour un patient correctement anticoagulé par AVK se situe pour la plupart des indications entre 2 et 3 (FA, MTEV...) Dans certaines situations, la valeur cible de l'INR doit être plus élevée, entre 3 et 4.5 (prothèses valvulaires mécaniques de 1 génération, embolies artérielles récidivantes) Lors de l'instauration du traitement, la surveillance de l'INR doit être rapprochée : 1 à 2 fois semaine. Puis, au minimum une fois par mois toute la durée du traitement. Afin de faciliter la surveillance du traitement AVK, les doses de l'AVK et les résultats INR doivent être notés soigneusement dans un carnet de surveillance qui est systématiquement remis aux patients sous AVK au long cours. Adaptation des posologies du traitement AVK selon les résultats de l'INR Si l'INR est < à la cible thérapeutique : augmenter la dose de % de comprimé et contrôler l'INR dans la semaine. Si l'INR est > à la cible thérapeutique SANS saignement: diminuer la dose de de comprimé et contrôler l'INR dans la semaine. Si l'INR est dans la valeur cible thérapeutique : maintenir la même dose et contrôle INR dans 1 mois. ### ASSISTANT: Q: Comment se fait la surveillance de l'effet thérapeutique des AVK ?,R: La surveillance se fait par la mesure de l'INR (international normalized ratio). Q: Quelle est la valeur de l'INR sans traitement AVK ?,R: La valeur de l'INR est de 1 sans traitement AVK. Q: Quelle est la valeur cible de l'INR pour un patient correctement anticoagulé par AVK ?,R: La valeur cible de l'INR se situe entre 2 et 3 pour la plupart des indications. Q: Dans quelles situations la valeur cible de l'INR doit être plus élevée ?,"R: Dans certaines situations, la valeur cible de l'INR doit être entre 3 et 4.5. " Q: À quelle fréquence doit être vérifiée l'INR lors de l'instauration du traitement AVK ?,R: L'INR doit être vérifié 1 à 2 fois par semaine lors de l'instauration du traitement. Q: Dans quel document les doses de l'AVK et les résultats INR doivent-ils être notés ?,R: Les doses de l'AVK et les résultats INR doivent être notés dans un carnet de surveillance. Q: Que faire si l'INR est inférieur à la cible thérapeutique ?,"R: Dans ce cas, augmenter la dose de % de comprimé et contrôler l'INR dans la semaine. " Q: Que faire si l'INR est supérieur à la cible thérapeutique sans saignement ?,"R: Si l'INR est trop élevé sans saignement, diminuer la dose de % de comprimé et contrôler l'INR dans la semaine. " Q: Que faire si l'INR est dans la valeur cible thérapeutique ?,"R: Si l'INR est dans la valeur cible, il faut maintenir la même dose et contrôler l'INR dans 1 mois. " ### Human: 2. 8 Education des patients sous AVK Pour diminuer les accidents aux AVK, l'éducation des patients est capitale. Il est fondamental d'expliquer au malade et à la famille les éléments suivants. Pas d'automédication En cas de saignement, contrôle INR et consultation en urgence. Eviter injections intra-musculaires et intra-articulaires. Eviter les situations à risque de chute et de blessure. Signaler au dentiste, gynécologue, chirurgien du traitement AVK en cours. Avoir toujours sur soi le camet de surveillance du traitement ### ASSISTANT: Q: Pourquoi est-il important d'éduquer les patients sous AVK ? (x1),R: C'est crucial pour diminuer les accidents liés aux AVK. Q: Quels éléments doivent être expliqués aux patients sous AVK ? (x5),"R: Pas d'automédication En cas de saignement, contrôle INR et consultation en urgence Éviter les injections intra-musculaires et intra-articulaires Éviter les situations à risque de chute et de blessure Signaler au dentiste, gynécologue, chirurgien le traitement AVK en cours Avoir toujours sur soi le carnet de surveillance du traitement AVK. " ### Human: AVK. AntithromDosants 479 · • 2. 9 Indications Fibrillation atriale MTEV Prothèses valvulaires mécaniques ### ASSISTANT: Q: Quels sont les 3 indications des antithrombosants ? (x3),R: Fibrillation atriale MTEV (Maladie Thromboembolique Veineuse) Prothèses valvulaires mécaniques ### Human: 3. Anticoagulants oraux directs (AOD) 3. 1 Molécules et mode d'action Anevrisme du ventricule gauche Thrombus intracardiaque Dysfonction ventriculaire sévère Les AOD ne sont utilisés que sous forme de comprimés. Deux familles d'AOD Gatrans (dabigatran); inhibent directement le fact lla Xabans (rivaraxaban, apixaban, edoxaban): inhibent directement le fact Xa 3. 2 Complications ► + Saignement (digestif surtout) Troubles digestifs (épigastralgie, nausées...) 3. 3 Indications • · · MTEV (en préventif et en curatif). FA (en dehors de la FA sur rétrécissement mitral et de la FA sur prothèse valvulaire mécanique). Post-SCA: AMM pour le rivaroxaban seul actuellement ### ASSISTANT: Q: Quels sont les anticoagulants oraux directs (AOD) ? (x1),R: Ce sont des antithrombosants qui agissent directement sur le processus de coagulation. Q: Qu'est-ce que les antithrombosants ? (x1),R: Les antithrombosants sont des médicaments utilisés pour prévenir la formation de caillots sanguins. Q: Quels sont les molécules utilisées comme antithrombosants ? (x2),"R: Gatrans (dabigatran) Xabans (rivaraxaban, apixaban, edoxaban) " Q: Quelles sont les familles d'antithrombosants ? (x2),"R: Gatrans (dabigatran) Xabans (rivaraxaban, apixaban, edoxaban) " Q: Quel est le mode d'action des Gatrans ? (x1),R: Ils inhibent directement le facteur lla. Q: Quel est le mode d'action des Xabans ? (x1),R: Ils inhibent directement le facteur Xa. Q: Dans quelles formes sont utilisés les antithrombosants ? (x1),R: Les antithrombosants sont utilisés uniquement sous forme de comprimés. Q: Quelles sont les complications liées à l'utilisation des antithrombosants ? (x2),"R: Saignement (surtout digestif) Troubles digestifs (épigastralgie, nausées...) " Q: Quelles sont les indications des antithrombosants ? (x3),R: MTEV (en préventif et en curatif) FA (en dehors de la FA sur rétrécissement mitral et de la FA sur prothèse valvulaire mécanique) Post-SCA (AMM pour le rivaroxaban seul actuellement) ### Human: 3. 4 Contre-indications Affections à risque hémorragique. · FA sur rétrécissement mitral, FA sur prothèse valvulaire mécanique ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x2),"R: Affections à risque hémorragique Fibrillation auriculaire sur rétrécissement mitral, fibrillation auriculaire sur prothèse valvulaire mécanique. " ### Human: 3. 5 Surveillance biologique · Insuffisance rénale sévère (dabigatran notamment). Grossesse, allaitement Pas de surveillance biologique de l'effet anticoagulant: prescription de doses fixes (posologie en fonction de la pathologie et du terrain : âge, fonction rénale notamment. L'élimination des AOD étant rénale, notamment pour le dabigatran (80%), l'évaluation de la fonction rénale reste impérative à l'institution du traitement puis régulièrement. ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x2),"R: Affections à risque hémorragique Fibrillation auriculaire sur rétrécissement mitral, fibrillation auriculaire sur prothèse valvulaire mécanique. " Q: Quels sont les facteurs nécessitant une surveillance biologique pour les antithrombosants ? (x2),"R: Insuffisance rénale sévère (notamment pour le dabigatran) Grossesse, allaitement " Q: Est-ce que l'effet anticoagulant des antithrombosants nécessite une surveillance biologique ?,"R: Non, il n'y a pas de surveillance biologique de l'effet anticoagulant " Q: Comment est déterminée la posologie des antithrombosants ?,"R: La posologie est prescrite en fonction de la pathologie et du terrain (âge, fonction rénale notamment) " Q: Quelle est la principale voie d'élimination des AOD (Anticoagulants Oraux Directs) ?,"R: L'élimination des AOD est principalement rénale, notamment pour le dabigatran (80%) " Q: Quand est-il nécessaire d'évaluer régulièrement la fonction rénale lors d'un traitement par antithrombosants ?,R: Il est nécessaire d'évaluer régulièrement la fonction rénale à l'institution du traitement puis régulièrement. ### Human: 3. 6 Avantages des AOD par rapport aux AVK • • Prise du médicament à dose fixe sans surveillance biologique de l'effet thérapeutique Efficacité très rapide, (en 2-3h). Donc, traitement adapté aux situations urgentes (sans associer l'héparine systématiquement) 1⁄2 vie courte (7 à 14h) → les hémorragies sont rapidement maitrisées. Pas d'interactions alimentaires. Peu d'interactions médicamenteuses par rapport aux AVK * Efficacité sur la prévention des AVC ischémiques dans la FA 2 au AVK. Moins de complications hémorragiques cérébrales que les AVK. La pharmacocinétique des AOD dépend de la P-glycoprotéine [P-gp] (surtout pour le dabigatran), et du CYP3A4 pour les xabans. Les produits qui inhibent la P-gp et/ou le CYP3A4 sont susceptibles de favoriser un surdosage par les AOD et exposer au risque hémorragique. Les inducteurs du CYP3A4 peuvent diminuer les effets des xabans et augmenter le risque thrombotique. Les principaux médicaments à éviter sont les antiretroviraux, les antifongques, certains antibiotiques (rifampicine). les antiépileptiques, le verapamil ### ASSISTANT: Q: Quels sont les avantages des AOD par rapport aux AVK ? (x6),"R: Prise du médicament à dose fixe sans surveillance biologique de l'effet thérapeutique Efficacité très rapide (en 2-3h), adapté aux situations urgentes 1⁄2 vie courte (7 à 14h) pour une maîtrise rapide des hémorragies Pas d'interactions alimentaires Peu d'interactions médicamenteuses par rapport aux AVK Moins de complications hémorragiques cérébrales que les AVK " ### Human: IV. THROMBOLYTIQUES (FIBRINOLYTIQUES) · + • • Médicaments qui ne sont utilisés que par voie IV (en bolus ou en perfusion). Produits Streptokinase et Urokinase (ne sont plus utilisés en pratique en Algérie). Altéplase (ou t-PA) et ténectéplase : les plus utilisés. Ils agissent en transformant le plasminogène en plasmine qui entraine la dissolution rapide du thrombus fibrino-plaquettaire. Les principales complications sont : le saignement les réactions allergiques: surtout avec la streptokinase, nécessitant l'injection systématique de corticoïde avec ce produit. Indications Syndromes coronariens aigus avec sus décalage du segment ST < 6 12 heures Embolie pulmonaire massive avec hypotension artérielle AVC ischémique < 4 heures 30 Thrombose occlusive de prothèse valvulaire mécanique (si chirurgie rapide impossible) Contre-indications absolues AVC ischémique < 6 mois Hémorragie cérébro-méningée (contre-indication à vie) Malformation vasculaire ou tumeur cérébrale Traumatisme sévère <1 mois : chirurgie, accouchement, fracture... Saignement gastro-intestinal < 1 mois Pathologie de l'hémostase Dissection aortique Ponction d'organes non compressibles < 24 heures (foie, ponction lombaire) Contre-indications relatives AIT < 6 mois Traitement anticoagulant oral en cours Grossesse ou 1ère semaine du post-partum HTA non contrôlée (> 180/110 mmHg) Insuffisance hépatocellulaire sévère (cirrhose) Endocardite infectieuse Ulcère gastroduodenal actif Réanimation prolongée ou traumatique ANINNFUNDUSAMĮS ### ASSISTANT: Q: Quels sont les médicaments utilisés en thrombolyse ?,"R: Streptokinase, Urokinase, Altéplase (ou t-PA), ténectéplase " Q: Comment agissent les thrombolytiques ?,R: Ils agissent en transformant le plasminogène en plasmine qui entraîne la dissolution rapide du thrombus fibrino-plaquettaire Q: Quelles sont les principales complications des thrombolytiques ?,R: Saignement Réactions allergiques Q: Quelles sont les indications des thrombolytiques ? (x5),R: Syndromes coronariens aigus avec sus-décalage du segment ST < 6-12 heures Embolie pulmonaire massive avec hypotension artérielle AVC ischémique < 4 heures 30 Thrombose occlusive de prothèse valvulaire mécanique (si chirurgie rapide impossible) Q: Quelles sont les contre-indications absolues des thrombolytiques ? (x8),"R: AVC ischémique < 6 mois Hémorragie cérébro-méningée (contre-indication à vie) Malformation vasculaire ou tumeur cérébrale Traumatisme sévère <1 mois (chirurgie, accouchement, fracture...) Saignement gastro-intestinal < 1 mois Pathologie de l'hémostase Dissection aortique Ponction d'organes non compressibles < 24 heures (foie, ponction lombaire) " Q: Quelles sont les contre-indications relatives des thrombolytiques ? (x8),R: AIT < 6 mois Traitement anticoagulant oral en cours Grossesse ou 1ère semaine du post-partum HTA non contrôlée (> 180/110 mmHg) Insuffisance hépatocellulaire sévère (cirrhose) Endocardite infectieuse Ulcère gastroduodénal actif Réanimation prolongée ou traumatique ### Human: V. CONDUITE DEVANT UN SURDOSAGE ASYMPTOMATIQUE AUX AVK La prise en charge d'un surdosage aux AVK asymptomatique se fait généralement en ambulatoire, sauf s'il existe des facteurs de risque hémorragique individuels : âge, antécédent hémorragique, comorbidité... INR Inesurd INR < 4 BS INR < 10 INR 2 10 Prise en charge d'un surdosage asymptomatique en AVK MESURES CORRECTRICES (Recommandations HAS) INR cible 2,5 (Fenêtre entre 2 et 3) • Pas de saut de prise • Pas d'apport de vitamine K • Saul de prise • Pas d'apport de vitamine K • Arrêt du traitement par AVK 152 mg de vitumine K per os 41/2 ampoule buvable forme pédiatrique) (grade Ali • Arrêt du traitement par AVK • 5 mg de vitamine K per os (1/2 ampoule buvable forme adulte) (grade A) INR 23 (Fenêtre 25-3,545) . Pas de saut de prise • Pas d'apport de vitamine K • Saul de prise • Un avis spécialisé (exemple : cardiologue si le patient est porteur d'une prothèse valvulaire mécanique) est recommandé pour discuter un traitement éventuel par 1 à 2 mg de vitamine K per os (1/2 à 1 ampoule buvable forme pédiatrique) Un avis spécialisé sans délai ou une hospitalisation sont recommandés ### ASSISTANT: Q: Comment se fait généralement la prise en charge d'un surdosage asymptomatique aux AVK ? (x2),"R: En ambulatoire, sauf s'il existe des facteurs de risque hémorragique individuels Avec une évaluation des facteurs de risque hémorragique individuels tels que l'âge, les antécédents hémorragiques, les comorbidités... " Q: Quelle est la mesure corrective recommandée pour un INR inférieur à 4 ?,"R: Pas de saut de prise, pas d'apport de vitamine K " Q: Quelle est la mesure corrective recommandée pour un INR entre 4 et 10 ?,"R: Saut de prise, pas d'apport de vitamine K " Q: Quelle est la mesure corrective recommandée pour un INR entre 2 et 3,5 ?,R: Un avis spécialisé est recommandé pour discuter un traitement éventuel par 1 à 2 mg de vitamine K per os Q: Quelles sont les mesures correctives recommandées pour un INR supérieur à 10 ?,"R: Pas de saut de prise, pas d'apport de vitamine K, un avis spécialisé sans délai ou une hospitalisation sont recommandés " ### Human: VI. CONDUITE DEVANT UNE COMPLICATION HEMORRAGIQUE GRAVE > Hospitalisation Mesures communes Arrêt du traitement antithrombosant Biologie d'urgence : formule numération sanguine, taux de prothrombine, INR, TCA, bilan rénal + Mesures d'hémostase locale + Transfusion sanguine Mesures spécifiques Saignement sous antiplaquettaires Transfusion de plaquettes Saignement sous heparines Antidote = Sulfate de Protamine intra-veineux: 1 mg de protamine neutralise 100 Ul d'HNF et 100 Ul anti-Xa d'HBPM (dose pour dose). Saignement sous AVK Vitamine K, facteurs PPSB Saignement sous AOD Charbon si la dernière prise de l'AOD remonte à moins de 6 heures Dialyse, Idarucizumab (antidote): malades sous dabigratran Andexanet alpha (antidote): malades sous inhibiteurs du fact Xa Saignement sous thrombolytiques Acide tranexamique injectable (puissant inhibiteur de la plasmine) 482 Cardiologie Liste non exhaustive des interactions médicamenteuses avec les AVK Médicaments potentialisateurs (risque hémorragique 1) Inhibiteurs enzymatiques Métronidazole Erythromycine Cimetidine Miconazole (danger++) Izoniazide Action sur l'hémostase Aspirine Médicaments inhibiteurs (risque thromboembolique↑) Inducteurs enzymatiques Alcool Barbituriques Rifampicine Griseofulvine Carbamazepine Pénicillines Baisse de la réabsorption digestive Colestiramine Clopidogrel AINS Phenylbutazone Sulfamides antibactériens Certaines céphosporines Autres mécanismes Amiodarone Statines Fibrates Hormones thyroidiennes Estrogènes Stéroïdes anabolisanls Acide nalidixique Piroxicam Charbon Sucralphate Autres mécanismes Métformine Pour en savoir plus Le Guide Pratique Du Bon Usage des Anticoagulants. ### ASSISTANT: Q: Que faire en cas d'une complication hémorragique grave sous traitement antithrombosant ? (x4),"R: Hospitalisation Arrêt du traitement antithrombosant Mesures communes (biologie d'urgence, mesures d'hémostase locale, transfusion sanguine) Mesures spécifiques selon le type de traitement antithrombosant " Q: Quel antidote peut être utilisé en cas de saignement sous antiplaquettaires ? (x1),R: Transfusion de plaquettes Q: Quel antidote peut être utilisé en cas de saignement sous héparines ? (x1),R: Sulfate de Protamine (1 mg de protamine neutralise 100 Ul d'HNF et 100 Ul anti-Xa d'HBPM) Q: Quels sont les antidotes à utiliser en cas de saignement sous AVK ? (x2),R: Vitamine K Facteurs PPSB Q: Quelles mesures peut-on prendre en cas de saignement sous AOD ? (x2),"R: Charbon (si la dernière prise de l'AOD remonte à moins de 6 heures) Dialyse, Idarucizumab (antidote) pour les malades sous dabigatran, Andexanet alpha (antidote) pour les malades sous inhibiteurs du facteur Xa " Q: Quel est le puissant inhibiteur de la plasmine utilisé en cas de saignement sous thrombolytiques ? (x1),R: Acide tranexamique injectable Q: Quels médicaments peuvent potentialiser le risque hémorragique associé aux AVK ? (x5),R: Métronidazole Erythromycine Cimetidine Miconazole (danger++) Isoniazide Q: Quels médicaments peuvent inhiber l'effet des AVK et augmenter le risque de thromboembolie ? (x7),"R: Alcool Barbituriques Rifampicine Griseofulvine Carbamazepine Pénicillines Baisse de la réabsorption digestive (colestiramine, clopidogrel) " Q: Quels mécanismes d'interaction médicamenteuse peuvent influencer l'effet des AVK ? (x7),"R: Action sur l'hémostase (aspirine, AINS, phenylbutazone, sulfamides antibactériens, certaines céphosporines) Autres mécanismes (amiodarone, statines, fibrates, hormones thyroidiennes, estrogènes, stéroïdes anabolisants, acide nalidixique, piroxicam, charbon, sucralphate, métformine) " | [
"### Human: Objectifs · Connaitre les règles de prescription et de surveillance des antiagrégants plaquettaires, des anticoagulants (héparines, antivitamine K, anticoagulants oraux directs) et des thrombolytiques Planifier la conduite devant une hémorragie grave liée aux antithrombosants ### ASSISTANT: Q: Quels sont les objectifs de la prescription des antithrombosants ? (x2) R:\" Connaître les règles de prescription et de surveillance des antiagrégants plaquettaires, des anticoagulants (héparines, antivitamine K, anticoagulants oraux directs) et des thrombolytiques \" Q: Qu'est-ce qu'il faut planifier en cas d'une hémorragie grave liée aux antithrombosants ? R: Planifier la conduite à tenir ### Human: I. INTRODUCTION • - Les antithrombosants préviennent la formation et/ou l'extension de caillots sanguins (thrombus), ou facilitent leur dissolution s'ils sont présents. Ils bloquent la «< cascade de la coagulation » responsable de la formation du thrombus. Selon leurs sites d'action, on distingue : - - les antiagrégants plaquettaires (AAP), les anticoagulants, les thrombolytiques (ou fibrinolytiques). Les complications hémorragiques représentent leur principale complication. Leurs principales indications sont : - - traitement et prévention de la maladie thromboembolique veineuse (MTEV): thrombose veineuse profonde (TVP), embolie pulmonaire (EP) la fibrillation atriale (FA) les prothèses valvulaires cardiaques mécaniques les syndromes coronariens aigus (SCA) les accidents vasculaires cérébraux (AVC) l'ischémie artérielle des membres ### ASSISTANT: Q: Que font les antithrombosants ? R: \" Ils préviennent la formation et/ou l'extension de caillots sanguins (thrombus), ou facilitent leur dissolution s'ils sont présents. \" Q: Quelle est la fonction des antiagrégants plaquettaires (AAP) ? R: Ils agissent en tant qu'antithrombosants en bloquant la formation du thrombus au niveau des plaquettes sanguines. Q: Quels sont les types d'antithrombosants selon leurs sites d'action ? R: Les antiagrégants plaquettaires (AAP), les anticoagulants et les thrombolytiques (ou fibrinolytiques). \" Q: Quelles sont les principales indications des antithrombosants ?,R: Les principales indications sont le traitement et la prévention de la maladie thromboembolique veineuse (MTEV) telles que la thrombose veineuse profonde (TVP) et l'embolie pulmonaire (EP), la fibrillation atriale (FA), les prothèses valvulaires cardiaques mécaniques, les syndromes coronariens aigus (SCA) et les accidents vasculaires cérébraux (AVC), ainsi que l'ischémie artérielle des membres. \" Q: Quelle est la principale complication des antithrombosants ? R: Les complications hémorragiques représentent leur principale complication. ### Human: II. ANTIAGREGANTS PLAQUETTAIRES • Les plaquettes participent à la formation du thrombus blanc (clou plaquettaire) qui se constitue au contact d'une rupture de plaque d'athérome. Ce thrombus est à l'origine d'accidents ischémiques graves comme les SCA et les AVC ischémiques. Les AAP inhibent l'hémostase primaire. Ils sont indiqués dans les maladies athérothrombotiques. Selon leurs sites d'action, on distingue, les inhibiteurs : de la voie du thromboxane A2 (TxA2) dont la cible est la cyclo- oxygenase 1 (COX1), de la voie de l'adénosine diphosphate ('ADP) avec pour cibles les récepteurs P2Y12, des récepteurs plaquettaires du fibrinogène : la glycoprotéine llb-llla (GP IIb-Illa). 472 Cardiologie ### ASSISTANT: Q: Quel est le rôle des plaquettes dans la formation du thrombus ? (x1),R: Les plaquettes participent à la formation du thrombus blanc (clou plaquettaire) qui se constitue au contact d'une rupture de plaque d'athérome. Q: Quels sont les accidents ischémiques graves causés par le thrombus ? (x2),R: Les SCA (syndromes coronariens aigus) Les AVC ischémiques Q: Quelle est l'indication des AAP (antiagrégants plaquettaires) ? (x1),R: Ils sont indiqués dans les maladies athérothrombotiques. Q: Quels sont les différents inhibiteurs d'antiagrégants plaquettaires selon leurs cibles d'action ? (x3),\"R: Inhibiteurs de la voie du thromboxane A2 (TxA2) ciblant la cyclo-oxygenase 1 (COX1) Inhibiteurs de la voie de l'adénosine diphosphate (ADP) ciblant les récepteurs P2Y12 Inhibiteurs des récepteurs plaquettaires du fibrinogène, la glycoprotéine llb-llla (GP IIb-Illa) \" ### Human: 1. Inhibiteur de la voie du thromboxane A2 · s'agit de l'acide acetylsalicylique (aspirine), qui est un inhibiteur irréversible de la COX1. • • Son administration est orale (comprimés, poudre) et intraveineuse (IV). Ande arachi con qu: -cyclo-crygmae Prostaglance H2 Thrember: A2 Frostacycm: (FG) A faible dose (75 – 500 mg/j). l'aspirine inhibe la conversion de l'acide arachidonique en TXA2. En revanche, au-delà de 1 g/jour, l'effet antiagréguant est moins important, remplacé par l'effet anti-inflammatoire dû à l'inhibition préférentielle de la COX2 Varocconcoco Agrige plagen: Visdlena Inhaltson de l'agregan in plapattu:s] Les plaquettes étant dépourvues de noyau, elles ne peuvent pas resynthétiser la Human: COX1. De ce fait, après l'interruption de l'aspirine, l'effet inhibiteur persiste jusqu'au renouvellement des plaquettes (10 jours environ). Indications Cardiopathies ischémiques Allergie à l'aspirine AVC ischémique AOMI Contre-indications Complications Maladies hémorragiques Allergie Hémorragie Complications digestives Troubles neurologiques Syndrome de Widal* AOMI: Artériopathie obliterante des membres inférieurs : AVC accident vasculaire cérébral. Syndrome de Widal: asthme + polypose nasale + allergie à l'aspirine • ### ASSISTANT: Q: Quel est l'inhibiteur de la voie du thromboxane A2 ?,R: L'acide acétylsalicylique (aspirine) Q: Comment s'administre l'acide acétylsalicylique ?,\"R: Son administration est orale (comprimés, poudre) et intraveineuse (IV) \" Q: Qu'est-ce que l'aspirine inhibe à faible dose ?,\"R: À faible dose, l'aspirine inhibe la conversion de l'acide arachidonique en TXA2 \" Q: Quel est l'effet de l'aspirine au-delà de 1g/jour ?,\"R: Au-delà de 1g/jour, l'effet antiagrégant est moins important, remplacé par l'effet anti-inflammatoire dû à l'inhibition préférentielle de la COX2 \" Q: Pourquoi l'effet inhibiteur de l'aspirine persiste-t-il après son interruption ?,\"R: Les plaquettes ne peuvent pas resynthétiser la COX1, donc après l'interruption de l'aspirine, l'effet inhibiteur persiste jusqu'au renouvellement des plaquettes (environ 10 jours) \" Q: Quelles sont les indications de l'acide acétylsalicylique ?,\"R: Cardiopathies ischémiques, allergie à l'aspirine, AVC ischémique, AOMI (Artériopathie obliterante des membres inférieurs) \" Q: Quelles sont les contre-indications de l'acide acétylsalicylique ?,\"R: Maladies hémorragiques, allergies, complications digestives, troubles neurologiques, syndrome de Widal (asthme + polypose nasale + allergie à l'aspirine) \" ### Human: 2. Anti P2Y12 • Produits : Inhibiteurs irréversibles (prodrogues) : Clopidogrel, Prasugrel ; Inhibiteur réversible: Ticagrelor. L'effet antiagrégant plaquettaire des anti P2Y12 est plus important que celui de l'aspirine. Et l'effet antiagrégant plaquettaire du prasugrel et du ticagrelor est supérieur à celui du clopidogrel. Leur administration est orale (comprimés). Ils sont moins gastrotoxiques que l'aspirine. Indications Contre-indications Clopidogrel Cardiopathies Allergie ischémiques Maladies hémorragiques AVC ischémique AOMI Complications Hémorragie Allergie Troubles digestifs ANONINFONDOSUNIS 473 Prasugrel SCA ST (+) Allergie Hémorragie Maladies hémorragiques Allergie < 60 kg. 275 ans Antécédent d'AVC Cirrhose Child C Ticagrelor SCA ST (+) Allergie Hémorragie Maladies hémorragiques Allergie Bradycardie BPCO Bradycardie Dyspnée Insuffisance rénale Insuffisance hépatique AVC; accident vasculaire cérébral: AOMI : arteriopathie oblitérante des membres inférieurs ; BPCO: bromchopneumopathie chronique obstructive SCA Syndromes coronariens aigus ### ASSISTANT: Q: Quels sont les produits anti P2Y12 utilisés comme antithrombosants ? (x3),R: Clopidogrel Prasugrel Ticagrelor Q: Quelles sont les caractéristiques des inhibiteurs irréversibles de la classe anti P2Y12 ? (x2),\"R: Ils sont des prodrogues Exemples : Clopidogrel, Prasugrel \" Q: Quel est l'inhibiteur réversible de la classe anti P2Y12 ? (x1),R: Ticagrelor Q: Quel est l'effet antiagrégant plaquettaire des anti P2Y12 par rapport à l'aspirine ? (x1),R: L'effet antiagrégant plaquettaire des anti P2Y12 est plus important que celui de l'aspirine. Q: Quel est l'effet antiagrégant plaquettaire du prasugrel et du ticagrelor par rapport au clopidogrel ? (x1),R: L'effet antiagrégant plaquettaire du prasugrel et du ticagrelor est supérieur à celui du clopidogrel. Q: Quelle est la voie d'administration des anti P2Y12 ? (x1),R: Leur administration est orale (comprimés). Q: Quelle est la caractéristique des anti P2Y12 par rapport à l'aspirine en termes de gastrotoxicité ? (x1),R: Ils sont moins gastrotoxiques que l'aspirine. Q: Quelles sont les indications des anti P2Y12 ? (x4),R: Cardiopathies ischémiques AVC ischémique AOMI SCA ST (+) Q: Quelles sont les contre-indications des anti P2Y12 ? (x4),R: Allergie Maladies hémorragiques Hémorragie Troubles digestifs Q: Quelles sont les complications associées à l'utilisation des anti P2Y12 ? (x2),R: Hémorragie Allergie Q: Quelles sont les contre-indications spécifiques au clopidogrel ? (x2),R: Cardiopathies Allergie Q: Quelles sont les contre-indications spécifiques au prasugrel ? (x8),R: SCA ST (+) Allergie Hémorragie Maladies hémorragiques < 60 kg 275 ans Antécédent d'AVC Cirrhose Child C Q: Quelles sont les contre-indications spécifiques au ticagrelor ? (x7),R: SCA ST (+) Allergie Hémorragie Maladies hémorragiques Bradycardie BPCO Insuffisance rénale Insuffisance hépatique ### Human: 3. Anti GP IIb-llla Administrés en IV et indiqués dans les SCA au décours de la coronarographie si le thrombus est très extensif. ### ASSISTANT: Q: Quel est le mode d'administration des anti GP IIb-llla ?,R: Ils sont administrés en IV. Q: Quels sont les types d'anticoagulants ?,\"R: Héparines, antivitamines K (AVK), anticoagulants oraux directs (AOD). \" Q: Quels sont les sites d'action des anticoagulants ?,\"R: Facteur IX, Facteur X. \" ### Human: III. ANTICOAGULANTS On distingue les héparines, les antivitamines K (AVK) et les anticoagulants oraux directs (AOD). Sites d'action des anticoagulants Facteur IX Facteur X AVK ### ASSISTANT: Q: Quels sont les types d'anticoagulants ?,\"R: Héparines, antivitamines K (AVK), anticoagulants oraux directs (AOD). \" Q: Quels sont les sites d'action des anticoagulants ?,\"R: Facteur IX, Facteur X. \" ### Human: 1. Héparines Facteur IXa Facteur II Prothrombina Facteur Xa Fibrinogène Anti-Xa directs Rivaroxaban Apixaban Edoxaban Antithtrombine Facteur Ila Thrombine Fibrino Hóparinos Antilla directs Dabigatran PRADAXA\" • 1.1 Propriétés Anticoagulants parentéraux utilisés en IV à la seringue électrique (IVSE) et en sous cutanée (SC) et non par voie orale car détruits par le tube digestif. Il existe deux types d'héparine: - héparines non fractionnées (HNF): chaines de mucopolysaccharides à haut poids moléculaire ; héparines de bas poids moléculaires (HBPM): HNF fractionnées donnant des chaines plus légères. 474 Cardiologie Héparine HNF • • HBPM • Molécules Héparine sodique Héparine calcique Enoxaparine (lovenox\") Nadroprarine (fraxiparine®) Tinzaparine (innhap) ### ASSISTANT: Q: Quelles sont les propriétés des antithrombosants de la classe des héparines ? (x2),\"R: Utilisés en IV à la seringue électrique (IVSE) et en sous-cutanée (SC) Détruits par le tube digestif, donc administrés par voie parentérale \" Q: Quels sont les deux types d'héparine ? (x2),R: Héparines non fractionnées (HNF) Héparines de bas poids moléculaires (HBPM) Q: Quelles sont les molécules d'héparine ? (x4),R: Héparine sodique Héparine calcique Enoxaparine (Lovenox) Nadroparine (Fraxiparine) Q: Quels sont les facteurs ciblés par les héparines ? (x3),R: Facteur IXa Facteur II (Prothrombine) Facteur Xa Q: Quels sont les anticoagulants anti-Xa directs ? (x3),R: Rivaroxaban Apixaban Edoxaban Q: Quels sont les facteurs ciblés par l'antithrombine ? (x2),R: Facteur XIa Thrombine (Facteur IIa) Q: Quelle est la propriété des héparines non fractionnées ?,R: Ce sont des chaines de mucopolysaccharides à haut poids moléculaire Q: Quelles sont les molécules d'héparine de bas poids moléculaires ? (x2),R: Enoxaparine (Lovenox) Nadroparine (Fraxiparine) ### Human: 1. 2 Mode d'action IVSE Voies d'administration SC toutes les 8 ou 12 h SC: chaque 12h en curatif chaque 24h en préventif SC: chaque 12h en curatif chaque 24h en préventif SC: chaque 24h en curatif et en préventif Les HNF et les HBPM ont une action indirecte: elles se fixent à leur cofacteur, l'antithrombine III (ATIII) qui est un inhibiteur physiologique de la coagulation dont l'action est normalement lente et progressive. La liaison héparine-ATI!I accélère la vitesse de l'action inhibitrice de l'ATIII sur la thrombine (action anti-lla) et sur le facteur Stuart (action anti-Xa). En cas de déficit constitutionnel en ATIII, les héparines sont inefficaces. L'activité anti-Xa et anti-lla des HNF est équivalente: rapport activité anti-Xa / anti-Ila = 1 L'activité anti-Xa des HBPM est prédominante: rapport activité anti-Xa / anti-lla > 1 ### ASSISTANT: Q: Quel est le mode d'action des antithrombosants ? (x2),R: Action indirecte en se fixant à l'antithrombine III (ATIII) Accélération de l'action inhibitrice de l'ATIII sur la thrombine et le facteur Stuart Q: Quelles sont les voies d'administration des antithrombosants ? (x3),R: IVSE Sous-cutanée toutes les 8 ou 12h en curatif Sous-cutanée toutes les 24h en préventif Q: Les héparines sont-elles efficaces en cas de déficit constitutionnel en ATIII ?,\"R: Non, les héparines sont inefficaces en cas de déficit constitutionnel en ATIII. \" Q: Quelle est l'activité anti-Xa des HNF par rapport à l'activité anti-lla ?,R: L'activité anti-Xa et anti-lla des HNF est équivalente : rapport activité anti-Xa / anti-lla = 1 Q: Quelle est l'activité anti-Xa des HBPM par rapport à l'activité anti-lla ?,R: L'activité anti-Xa des HBPM est prédominante : rapport activité anti-Xa / anti-lla > 1 ### Human: 1. 3 Pharmacocinétique • Après administration, l'effet anticoagulant des héparines est rapide, ce qui en fait une thérapeutique adaptée aux situations urgentes. Elles ne franchissent ni les séreuses ni le placenta et ne passent pas dans le lait maternel. Elles ne sont donc pas contre-indiquées en cas de grossesse et d'allaitement. Les HNF ont une élimination rénale, sous forme inactive. Elles ne sont donc pas contre-indiquées en cas d'insuffisance rénale (pas de risque d'accumulation du produit). Les HBPM ont une élimination rénale sous forme active, d'où leur contre- indication en cas d'insuffisance rénale sévère (risque d'accumulation). ### ASSISTANT: Q: Quelle est la pharmacocinétique des héparines après administration ? (x1),\"R: Après administration, l'effet anticoagulant des héparines est rapide. \" Q: Quelles sont les caractéristiques des héparines concernant la grossesse et l'allaitement ? (x2),R: Elles ne franchissent ni les séreuses ni le placenta et ne passent pas dans le lait maternel. Elles ne sont donc pas contre-indiquées en cas de grossesse et d'allaitement. Q: Comment sont éliminées les héparines non fractionnées (HNF) et quel est leur effet en cas d'insuffisance rénale ? (x2),\"R: Les HNF ont une élimination rénale, sous forme inactive. Elles ne sont donc pas contre-indiquées en cas d'insuffisance rénale (pas de risque d'accumulation du produit). \" Q: Comment sont éliminées les héparines de bas poids moléculaire (HBPM) et pourquoi sont-elles contre-indiquées en cas d'insuffisance rénale sévère ? (x2),\"R: Les HBPM ont une élimination rénale sous forme active, d'où leur contre-indication en cas d'insuffisance rénale sévère (risque d'accumulation). \" ### Human: 1. 4 Complications Les complications sont plus fréquentes avec les HNF qu'avec les HBPM. a. Complications les plus fréquentes • Hémorragie au 1 rang +++, • Thrombopénie induite par l'héparine (TIH) Type 1 (par interaction des plaquettes avec l'héparine): survient les 5 1ers jours, entraine une baisse modérée, (< 20%) du taux de plaquettes; bénigne, elle n'impose pas l'arrêt du traitement; AntInfomposants 475 Type 2 (origine immunologique): survient entre 5è-21ė jour ; entraine une chute importante du taux de plaquettes (< 100 000/mm3, ou baisse d'au moins 40% par rapport au taux initial); très grave (risque hémorragique et surtout thromboembolique), imposant l'arrêt du traitement. Prévention du risque de thrombopénie induite par l'héparine Réaliser un relais précoce par les AVK (entre le 1er et 3ème jour) pour diminuer la durée du traitement par héparine. b. Autres complications Ostéoporose Hyperkaliemie Eruption cutanée • Allergie · ↑Transaminases ### ASSISTANT: Q: Quelles sont les complications les plus fréquentes des antithrombosants ? (x4),R: Hémorragie au 1er rang Thrombopénie induite par l'héparine (TIH) Ostéoporose Hyperkaliémie Q: Quels sont les 2 types de thrombopénie induite par l'héparine (TIH) ?,R: Type 1 (par interaction des plaquettes avec l'héparine) Type 2 (origine immunologique) Q: Quelles sont les caractéristiques du type 1 de la thrombopénie induite par l'héparine ?,\"R: Survenue les 5 premiers jours Baisse modérée (<20%) du taux de plaquettes Bénigne, n'impose pas l'arrêt du traitement \" Q: Quelles sont les caractéristiques du type 2 de la thrombopénie induite par l'héparine ?,\"R: Survenue entre le 5ème et le 21ème jour Chute importante du taux de plaquettes (<100 000/mm3 ou baisse d'au moins 40% par rapport au taux initial) Très grave, avec un risque hémorragique et thromboembolique, imposant l'arrêt du traitement. \" Q: Comment prévenir le risque de thrombopénie induite par l'héparine ?,R: Réaliser un relais précoce par les AVK (entre le 1er et le 3ème jour) pour diminuer la durée du traitement par héparine. Q: Quelles sont les autres complications des antithrombosants ?,R: Eruption cutanée Allergie ↑ Transaminases ### Human: 1. 5 Contre-indications • • Allergie à l'héparine Antécédent de TIH type 2 • • Affections à risque hémorragique Insuffisance rénale sévère pour les HBPM (DFG inférieur à 30 ml / min) DFG: débit de filtration glomérulaire ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x5),R: Allergie à l'héparine Antécédent de TIH de type 2 Affections à risque hémorragique Insuffisance rénale sévère pour les HBPM (DFG inférieur à 30 ml/min) Q: Qu'est-ce que DFG signifie dans le contexte des antithrombosants ?,R: DFG signifie débit de filtration glomérulaire. ### Human: 1. 6 Surveillance biologique a. Efficacité de l'action anticoagulante Héparines non fractionnées En traitement curatif, l'effet thérapeutique de l'HNF se mesure par le temps de céphaline activée (TCA), qui doit être 1.5 et 2 à 3 fois le temps témoin. Les doses d'héparine sont adaptées aux résultats du TCA qui sera surveillé au moins une fois par jour. D'où la nécessité d'hospitaliser les malades traités par les HNF. • Adaptation de la posologie des HNF selon les résultats du TCA Si le TCA est < 1.5 : on augmente la dose d' HNF. Si le TCA est > 3: on diminue la dose d' HNF. Si le TCA est entre 1.5 et 2 à 3 on maintient la même dose d'HNF. Héparines de bas poids moléculaire En traitement curatif, la posologie des HBPM est fixe, en fonction du poids. L'activité thérapeutique des HBPM n'a pas besoin d'être mesurée, sauf dans certaines situations. 476 Cardiologie Indications du contrôle de l'activité anti-Xa sous traitement par HBPM Insuffisance rénale modérée (HBPM contre-indiquées dans l'insuffisance rénale sévère DFG < 30 mL/minute). Sujet âgé, enfant. Obèse (passage d'HBPM dans la graisse lors de l'injection pouvant diminuer la quantité d'héparine dans le sang ou responsable de libération à distance). Patient cachexique. Hémorragies ou thromboses survenant sous HBPM. Le contrôle de l'anti-Xa après initiation ou modification des doses de HBPM dolt être effectué 4 heures après la 3 ème injection: zone d'efficacité thérapeutique entre 0,5 et 1 anti-Xa/mL b. Taux de plaquettes A controler 2 fois / semaine à partir du 5è jour jusqu'au 21ème jour, puis 1 fois par semaine aussi bien avec les HNF qu'avec les HBPM, et aussi bien en traitement curatif qu'en traitement préventif de la MTEV. ### ASSISTANT: Q: Comment mesure-t-on l'effet thérapeutique de l'HNF ?,\"R: Le temps de céphaline activée (TCA) doit être 1,5 à 2 à 3 fois le temps témoin. \" Q: Comment adapte-t-on la posologie des HNF en fonction des résultats du TCA ?,\"R: Si le TCA est inférieur à 1,5, on augmente la dose. Si le TCA est supérieur à 3, on diminue la dose. Si le TCA est entre 1,5 et 2 à 3, on maintient la même dose. \" Q: Comment est déterminée la posologie des HBPM en traitement curatif ?,R: La posologie des HBPM est fixe et dépend du poids. Q: Dans quelles situations doit-on contrôler l'activité anti-Xa sous traitement par HBPM ?,\"R: Insuffisance rénale modérée Sujet âgé, enfant Obèse Patient cachexique Hémorragies ou thromboses survenant sous HBPM \" Q: Quand doit-on effectuer le contrôle de l'anti-Xa après initiation ou modification des doses de HBPM ?,\"R: 4 heures après la 3ème injection, avec une zone d'efficacité thérapeutique entre 0,5 et 1 anti-Xa/mL. \" Q: A quelle fréquence doit-on contrôler le taux de plaquettes lors d'un traitement par HNF/HBPM ?,\"R: 2 fois par semaine du 5ème au 21ème jour, puis 1 fois par semaine, en traitement curatif ou préventif de la MTEV. \" Q: Quels sont les avantages des HBPM par rapport aux HNF ? (x4),R: Moins d'injections SC (1 ou 2 fois par jour) Meilleure biodisponibilité (efficacité) Contrôles de la coagulation non systématiques Complications moins fréquentes Q: Quels sont les anticoagulants utilisés pour prévenir la formation de caillots sanguins ? (x1),R: Les médicaments antivitamines K (AVK) Q: Comment agissent les antivitamines K pour prévenir la formation de caillots ? (x1),\"R: En bloquant l'action de la vitamine K, nécessaire à la production de certains facteurs de coagulation \" Q: Pour quels patients les AVK sont-ils souvent prescrits ? (x2),R: Les patients atteints de fibrillation auriculaire Les patients présentant des troubles de la coagulation. ### Human: 1. 7 Avantages et inconvénients des HBPM par rapport aux HNF Avantages Moins d'injections SC (1 ou 2 */ jour) Meilleure biodisponibilité (efficacité) Contrôles de la coagulation non systématiques Complications moins fréquentes Utilisables en ambulatoire ### ASSISTANT: Q: Quels sont les inconvénients des antithrombosants ? (x1),\"R: Pas d'autorisation de mise sur le marché (AMM) dans les prothèses valvulaires mécaniques, surtout en position mitrale \" ### Human: 2. Antivitamines K (AVK) 2. 1 Molécules Inconvénients Pas d'autorisation de mise sur le marché (AMM) dans les prothèses valvulaires mécaniques (surtout en position mitrale) Les AVK sont des anticoagulants oraux (comprimés). AVK à 1⁄2 vie courte Selon la 1⁄2 vie, il y a 2 familles d'AVK Acénocoumarol (Sintrrom): % vie< 24h, seul AVK commercialisé en Algérie (comprimés sécables 4 mg). AVK à 1⁄2 vie longue Warfarine: 1⁄2 vie 5]; AVK de référence des études cliniques. Fluindione: 1⁄2 vie 24h; largement utilisé en France. ### ASSISTANT: Q: Qu'est-ce que les AVK ? (x1),R: Les AVK sont des anticoagulants oraux (comprimés) Q: Quelle est la demi-vie courte des AVK ? (x1),R: La demi-vie courte des AVK est inférieure à 24h Q: Quels sont les AVK commercialisés en Algérie ? (x1),R: L'acénocoumarol (Sintrrom) est le seul AVK commercialisé en Algérie (comprimés sécables 4 mg) Q: Quelle est la demi-vie longue des AVK ? (x2),\"R: La warfarine a une demi-vie de 5 jours La fluindione a une demi-vie de 24h, largement utilisée en France. \" ### Human: 2. 2 Mode d'action · Les AVK ont une action indirecte : ils inhibent la synthèse hépatique des facteurs de la coagulation vitamino-K dépendants (PPSB): II, VII, IX, X, et deux inhibiteurs physiologiques de la coagulation: protéines S et C. SEEKERSFETEKENEN GENERA Au début du traitement, les AVK entrainent paradoxalement hypercoagulabilité par inhibition précoce de la protéine C. une Après la mise en route du traitement, une hypocoagulabilité efficace n'est obtenue qu'au bout de 4 à 6 jours environ. De ce fait, les AVK ne constituent pas la thérapeutique anticoagulante de l'urgence médicale. De ce fait, ils sont préscrits en relais d'un traitement par héparine (cf. infra). ### ASSISTANT: Q: Quel est le mode d'action des antithrombosants AVK ? (x1),\"R: Les AVK inhibent la synthèse hépatique des facteurs de la coagulation vitamino-K dépendants (II, VII, IX, X) et deux inhibiteurs physiologiques de la coagulation (protéines S et C). \" Q: Quel effet paradoxal les AVK peuvent-ils avoir au début du traitement ? (x1),\"R: Au début du traitement, les AVK entraînent une hypercoagulabilité par inhibition précoce de la protéine C. \" Q: Combien de temps faut-il pour obtenir une hypocoagulabilité efficace avec les AVK ? (x1),R: Une hypocoagulabilité efficace n'est obtenue qu'au bout de 4 à 6 jours environ après la mise en route du traitement. Q: Les AVK sont-ils indiqués dans les situations d'urgence médicale ? (x1),\"R: Non, les AVK ne constituent pas la thérapeutique anticoagulante de l'urgence médicale. \" Q: Dans quel cas les AVK sont-ils prescrits en relais d'un traitement par héparine ? (x1),R: Les AVK sont prescrits en relais d'un traitement par héparine. ### Human: 2. 3 Pharmacocinétique · Elimination rénale sous forme inactive, donc pas de risque d'accumulation. D'où l'absence de contre-indication chez les insuffisants rénaux. Traversent la barrière placentaire. Ont un effet téralogène. D'où leur contre- indication au 1er trimestre d'une grossesse. Pour l'acenocoumarol et la warfarine, seule une quantitë négligeable passe dans le lait maternel. Donc pas de contre-indication en cas d'allaitement. De nombreux facteurs influencent l'efficacité des AVK (âge, aliments, affections du transit intestinal, fièvre, alcoolisme, dysthyroïdies, insuffisance hépatique...). • Les interactions médicamenteuses avec les AVK sont nombreuses (voir encadré à la fin du cours). ### ASSISTANT: Q: Comment sont éliminés les antithrombosants ?,\"R: Ils sont éliminés par voie rénale sous forme inactive, ce qui signifie qu'il n'y a pas de risque d'accumulation et donc pas de contre-indication chez les insuffisants rénaux. \" Q: Quelle est la conséquence de la traversée de la barrière placentaire par les antithrombosants ?,\"R: Ils ont un effet tératogène, ce qui les rend contre-indiqués au premier trimestre de la grossesse. \" Q: Quelle est la quantité d'acenocoumarol et de warfarine qui passe dans le lait maternel ?,\"R: Seule une quantité négligeable passe dans le lait maternel, ce qui signifie qu'il n'y a pas de contre-indication en cas d'allaitement. \" Q: Quels sont les facteurs qui influencent l'efficacité des AVK ?,\"R: De nombreux facteurs influencent leur efficacité tels que l'âge, les aliments, les affections du transit intestinal, la fièvre, l'alcoolisme, les dysthyroïdies, l'insuffisance hépatique, etc. \" Q: Quelle est la particularité des interactions médicamenteuses avec les AVK ?,R: Les interactions médicamenteuses avec les AVK sont nombreuses. Vous pouvez vous référer à l'encadré à la fin du cours pour plus de détails. ### Human: 2. 4 Contre-indications ► • • • Affections à risque hémorragique Insuffisance hépatique sévère Grossesse : 1er trimestre (risque lératogène) et dernier mois (risque hémorragique lors de la délivrance) Injections intramusculaires (risque d'hématome), intra-articulaires (risque d'hémarthrose) Mauvaise observance du traitement (trouble psychiatrique...) ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x5),\"R: Affections à risque hémorragique Insuffisance hépatique sévère Grossesse : 1er trimestre (risque tératogène) et dernier mois (risque hémorragique lors de la délivrance) Injections intramusculaires (risque d'hématome), intra-articulaires (risque d'hémarthrose) Mauvaise observance du traitement (trouble psychiatrique...) \" ### Human: 2. 5 Complications • • • Hémorragie au 1* rang Nécrose cutanée (surtout si déficit constitutionnel en protéine C ou S) Allergie ### ASSISTANT: Q: Quels sont les complications associées aux antithrombosants ? (x3),R: Hémorragie au premier rang Nécrose cutanée (surtout si déficit constitutionnel en protéine C ou S) Allergie ### Human: 2. 6 Mise en route du traitement par AVK Sachant que le traitement AVK ne sera pas efficace avant 4 à 6 jours, il est introduit en association avec une héparine (HNF ou HBPM) dès le 1er jour (on parle de << relais héparine – AVK »). 478 Cardiologie Relais héparine - AVK L'introduction précoce de l'AVK, dès J1, permet de raccourcir la durée du traitement par héparine, diminuant ainsi l'incidence de la redoutable TIH type 2 Les deux conditions d'arrêt de l'héparine sont : au moins 4 à 5 jours d'association héparine - AVK, et 2 INR à 24 heures d'intervalle dans la zone thérapeutique (cf. infra). ### ASSISTANT: Q: Quand est introduit le traitement par AVK en association avec une héparine ?,R: Le traitement AVK est introduit en association avec une héparine dès le premier jour (on parle de << relais héparine – AVK ») Q: Pourquoi introduire l'AVK dès le premier jour en association avec une héparine ?,R: L'introduction précoce de l'AVK permet de raccourcir la durée du traitement par héparine et diminuer l'incidence de la TIH type 2 Q: Quelles sont les deux conditions d'arrêt de l'héparine dans le relais héparine-AVK ?,R: Au moins 4 à 5 jours d'association héparine - AVK et 2 INR à 24 heures d'intervalle dans la zone thérapeutique ### Human: 2. 7 Surveillance biologique La surveillance de l'effet thérapeutique des AVK se fait par la mesure de l'INR (international normalized ratio). [TQ malade INR = [TQ témoin • TO: temps de Quick: ISI Index de Sensibilité International du réactif Sans traitement AVK, la valeur de l'INR est de 1. Sous AVK, I'INR est > 1. La valeur cible de l'INR pour un patient correctement anticoagulé par AVK se situe pour la plupart des indications entre 2 et 3 (FA, MTEV...) Dans certaines situations, la valeur cible de l'INR doit être plus élevée, entre 3 et 4.5 (prothèses valvulaires mécaniques de 1 génération, embolies artérielles récidivantes) Lors de l'instauration du traitement, la surveillance de l'INR doit être rapprochée : 1 à 2 fois semaine. Puis, au minimum une fois par mois toute la durée du traitement. Afin de faciliter la surveillance du traitement AVK, les doses de l'AVK et les résultats INR doivent être notés soigneusement dans un carnet de surveillance qui est systématiquement remis aux patients sous AVK au long cours. Adaptation des posologies du traitement AVK selon les résultats de l'INR Si l'INR est < à la cible thérapeutique : augmenter la dose de % de comprimé et contrôler l'INR dans la semaine. Si l'INR est > à la cible thérapeutique SANS saignement: diminuer la dose de de comprimé et contrôler l'INR dans la semaine. Si l'INR est dans la valeur cible thérapeutique : maintenir la même dose et contrôle INR dans 1 mois. ### ASSISTANT: Q: Comment se fait la surveillance de l'effet thérapeutique des AVK ?,R: La surveillance se fait par la mesure de l'INR (international normalized ratio). Q: Quelle est la valeur de l'INR sans traitement AVK ?,R: La valeur de l'INR est de 1 sans traitement AVK. Q: Quelle est la valeur cible de l'INR pour un patient correctement anticoagulé par AVK ?,R: La valeur cible de l'INR se situe entre 2 et 3 pour la plupart des indications. Q: Dans quelles situations la valeur cible de l'INR doit être plus élevée ?,\"R: Dans certaines situations, la valeur cible de l'INR doit être entre 3 et 4.5. \" Q: À quelle fréquence doit être vérifiée l'INR lors de l'instauration du traitement AVK ?,R: L'INR doit être vérifié 1 à 2 fois par semaine lors de l'instauration du traitement. Q: Dans quel document les doses de l'AVK et les résultats INR doivent-ils être notés ?,R: Les doses de l'AVK et les résultats INR doivent être notés dans un carnet de surveillance. Q: Que faire si l'INR est inférieur à la cible thérapeutique ?,\"R: Dans ce cas, augmenter la dose de % de comprimé et contrôler l'INR dans la semaine. \" Q: Que faire si l'INR est supérieur à la cible thérapeutique sans saignement ?,\"R: Si l'INR est trop élevé sans saignement, diminuer la dose de % de comprimé et contrôler l'INR dans la semaine. \" Q: Que faire si l'INR est dans la valeur cible thérapeutique ?,\"R: Si l'INR est dans la valeur cible, il faut maintenir la même dose et contrôler l'INR dans 1 mois. \" ### Human: 2. 8 Education des patients sous AVK Pour diminuer les accidents aux AVK, l'éducation des patients est capitale. Il est fondamental d'expliquer au malade et à la famille les éléments suivants. Pas d'automédication En cas de saignement, contrôle INR et consultation en urgence. Eviter injections intra-musculaires et intra-articulaires. Eviter les situations à risque de chute et de blessure. Signaler au dentiste, gynécologue, chirurgien du traitement AVK en cours. Avoir toujours sur soi le camet de surveillance du traitement ### ASSISTANT: Q: Pourquoi est-il important d'éduquer les patients sous AVK ? (x1),R: C'est crucial pour diminuer les accidents liés aux AVK. Q: Quels éléments doivent être expliqués aux patients sous AVK ? (x5),\"R: Pas d'automédication En cas de saignement, contrôle INR et consultation en urgence Éviter les injections intra-musculaires et intra-articulaires Éviter les situations à risque de chute et de blessure Signaler au dentiste, gynécologue, chirurgien le traitement AVK en cours Avoir toujours sur soi le carnet de surveillance du traitement AVK. \" ### Human: AVK. AntithromDosants 479 · • 2. 9 Indications Fibrillation atriale MTEV Prothèses valvulaires mécaniques ### ASSISTANT: Q: Quels sont les 3 indications des antithrombosants ? (x3),R: Fibrillation atriale MTEV (Maladie Thromboembolique Veineuse) Prothèses valvulaires mécaniques ### Human: 3. Anticoagulants oraux directs (AOD) 3. 1 Molécules et mode d'action Anevrisme du ventricule gauche Thrombus intracardiaque Dysfonction ventriculaire sévère Les AOD ne sont utilisés que sous forme de comprimés. Deux familles d'AOD Gatrans (dabigatran); inhibent directement le fact lla Xabans (rivaraxaban, apixaban, edoxaban): inhibent directement le fact Xa 3. 2 Complications ► + Saignement (digestif surtout) Troubles digestifs (épigastralgie, nausées...) 3. 3 Indications • · · MTEV (en préventif et en curatif). FA (en dehors de la FA sur rétrécissement mitral et de la FA sur prothèse valvulaire mécanique). Post-SCA: AMM pour le rivaroxaban seul actuellement ### ASSISTANT: Q: Quels sont les anticoagulants oraux directs (AOD) ? (x1),R: Ce sont des antithrombosants qui agissent directement sur le processus de coagulation. Q: Qu'est-ce que les antithrombosants ? (x1),R: Les antithrombosants sont des médicaments utilisés pour prévenir la formation de caillots sanguins. Q: Quels sont les molécules utilisées comme antithrombosants ? (x2),\"R: Gatrans (dabigatran) Xabans (rivaraxaban, apixaban, edoxaban) \" Q: Quelles sont les familles d'antithrombosants ? (x2),\"R: Gatrans (dabigatran) Xabans (rivaraxaban, apixaban, edoxaban) \" Q: Quel est le mode d'action des Gatrans ? (x1),R: Ils inhibent directement le facteur lla. Q: Quel est le mode d'action des Xabans ? (x1),R: Ils inhibent directement le facteur Xa. Q: Dans quelles formes sont utilisés les antithrombosants ? (x1),R: Les antithrombosants sont utilisés uniquement sous forme de comprimés. Q: Quelles sont les complications liées à l'utilisation des antithrombosants ? (x2),\"R: Saignement (surtout digestif) Troubles digestifs (épigastralgie, nausées...) \" Q: Quelles sont les indications des antithrombosants ? (x3),R: MTEV (en préventif et en curatif) FA (en dehors de la FA sur rétrécissement mitral et de la FA sur prothèse valvulaire mécanique) Post-SCA (AMM pour le rivaroxaban seul actuellement) ### Human: 3. 4 Contre-indications Affections à risque hémorragique. · FA sur rétrécissement mitral, FA sur prothèse valvulaire mécanique ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x2),\"R: Affections à risque hémorragique Fibrillation auriculaire sur rétrécissement mitral, fibrillation auriculaire sur prothèse valvulaire mécanique. \" ### Human: 3. 5 Surveillance biologique · Insuffisance rénale sévère (dabigatran notamment). Grossesse, allaitement Pas de surveillance biologique de l'effet anticoagulant: prescription de doses fixes (posologie en fonction de la pathologie et du terrain : âge, fonction rénale notamment. L'élimination des AOD étant rénale, notamment pour le dabigatran (80%), l'évaluation de la fonction rénale reste impérative à l'institution du traitement puis régulièrement. ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x2),\"R: Affections à risque hémorragique Fibrillation auriculaire sur rétrécissement mitral, fibrillation auriculaire sur prothèse valvulaire mécanique. \" Q: Quels sont les facteurs nécessitant une surveillance biologique pour les antithrombosants ? (x2),\"R: Insuffisance rénale sévère (notamment pour le dabigatran) Grossesse, allaitement \" Q: Est-ce que l'effet anticoagulant des antithrombosants nécessite une surveillance biologique ?,\"R: Non, il n'y a pas de surveillance biologique de l'effet anticoagulant \" Q: Comment est déterminée la posologie des antithrombosants ?,\"R: La posologie est prescrite en fonction de la pathologie et du terrain (âge, fonction rénale notamment) \" Q: Quelle est la principale voie d'élimination des AOD (Anticoagulants Oraux Directs) ?,\"R: L'élimination des AOD est principalement rénale, notamment pour le dabigatran (80%) \" Q: Quand est-il nécessaire d'évaluer régulièrement la fonction rénale lors d'un traitement par antithrombosants ?,R: Il est nécessaire d'évaluer régulièrement la fonction rénale à l'institution du traitement puis régulièrement. ### Human: 3. 6 Avantages des AOD par rapport aux AVK • • Prise du médicament à dose fixe sans surveillance biologique de l'effet thérapeutique Efficacité très rapide, (en 2-3h). Donc, traitement adapté aux situations urgentes (sans associer l'héparine systématiquement) 1⁄2 vie courte (7 à 14h) → les hémorragies sont rapidement maitrisées. Pas d'interactions alimentaires. Peu d'interactions médicamenteuses par rapport aux AVK * Efficacité sur la prévention des AVC ischémiques dans la FA 2 au AVK. Moins de complications hémorragiques cérébrales que les AVK. La pharmacocinétique des AOD dépend de la P-glycoprotéine [P-gp] (surtout pour le dabigatran), et du CYP3A4 pour les xabans. Les produits qui inhibent la P-gp et/ou le CYP3A4 sont susceptibles de favoriser un surdosage par les AOD et exposer au risque hémorragique. Les inducteurs du CYP3A4 peuvent diminuer les effets des xabans et augmenter le risque thrombotique. Les principaux médicaments à éviter sont les antiretroviraux, les antifongques, certains antibiotiques (rifampicine). les antiépileptiques, le verapamil ### ASSISTANT: Q: Quels sont les avantages des AOD par rapport aux AVK ? (x6),\"R: Prise du médicament à dose fixe sans surveillance biologique de l'effet thérapeutique Efficacité très rapide (en 2-3h), adapté aux situations urgentes 1⁄2 vie courte (7 à 14h) pour une maîtrise rapide des hémorragies Pas d'interactions alimentaires Peu d'interactions médicamenteuses par rapport aux AVK Moins de complications hémorragiques cérébrales que les AVK \" ### Human: IV. THROMBOLYTIQUES (FIBRINOLYTIQUES) · + • • Médicaments qui ne sont utilisés que par voie IV (en bolus ou en perfusion). Produits Streptokinase et Urokinase (ne sont plus utilisés en pratique en Algérie). Altéplase (ou t-PA) et ténectéplase : les plus utilisés. Ils agissent en transformant le plasminogène en plasmine qui entraine la dissolution rapide du thrombus fibrino-plaquettaire. Les principales complications sont : le saignement les réactions allergiques: surtout avec la streptokinase, nécessitant l'injection systématique de corticoïde avec ce produit. Indications Syndromes coronariens aigus avec sus décalage du segment ST < 6 12 heures Embolie pulmonaire massive avec hypotension artérielle AVC ischémique < 4 heures 30 Thrombose occlusive de prothèse valvulaire mécanique (si chirurgie rapide impossible) Contre-indications absolues AVC ischémique < 6 mois Hémorragie cérébro-méningée (contre-indication à vie) Malformation vasculaire ou tumeur cérébrale Traumatisme sévère <1 mois : chirurgie, accouchement, fracture... Saignement gastro-intestinal < 1 mois Pathologie de l'hémostase Dissection aortique Ponction d'organes non compressibles < 24 heures (foie, ponction lombaire) Contre-indications relatives AIT < 6 mois Traitement anticoagulant oral en cours Grossesse ou 1ère semaine du post-partum HTA non contrôlée (> 180/110 mmHg) Insuffisance hépatocellulaire sévère (cirrhose) Endocardite infectieuse Ulcère gastroduodenal actif Réanimation prolongée ou traumatique ANINNFUNDUSAMĮS ### ASSISTANT: Q: Quels sont les médicaments utilisés en thrombolyse ?,\"R: Streptokinase, Urokinase, Altéplase (ou t-PA), ténectéplase \" Q: Comment agissent les thrombolytiques ?,R: Ils agissent en transformant le plasminogène en plasmine qui entraîne la dissolution rapide du thrombus fibrino-plaquettaire Q: Quelles sont les principales complications des thrombolytiques ?,R: Saignement Réactions allergiques Q: Quelles sont les indications des thrombolytiques ? (x5),R: Syndromes coronariens aigus avec sus-décalage du segment ST < 6-12 heures Embolie pulmonaire massive avec hypotension artérielle AVC ischémique < 4 heures 30 Thrombose occlusive de prothèse valvulaire mécanique (si chirurgie rapide impossible) Q: Quelles sont les contre-indications absolues des thrombolytiques ? (x8),\"R: AVC ischémique < 6 mois Hémorragie cérébro-méningée (contre-indication à vie) Malformation vasculaire ou tumeur cérébrale Traumatisme sévère <1 mois (chirurgie, accouchement, fracture...) Saignement gastro-intestinal < 1 mois Pathologie de l'hémostase Dissection aortique Ponction d'organes non compressibles < 24 heures (foie, ponction lombaire) \" Q: Quelles sont les contre-indications relatives des thrombolytiques ? (x8),R: AIT < 6 mois Traitement anticoagulant oral en cours Grossesse ou 1ère semaine du post-partum HTA non contrôlée (> 180/110 mmHg) Insuffisance hépatocellulaire sévère (cirrhose) Endocardite infectieuse Ulcère gastroduodénal actif Réanimation prolongée ou traumatique ### Human: V. CONDUITE DEVANT UN SURDOSAGE ASYMPTOMATIQUE AUX AVK La prise en charge d'un surdosage aux AVK asymptomatique se fait généralement en ambulatoire, sauf s'il existe des facteurs de risque hémorragique individuels : âge, antécédent hémorragique, comorbidité... INR Inesurd INR < 4 BS INR < 10 INR 2 10 Prise en charge d'un surdosage asymptomatique en AVK MESURES CORRECTRICES (Recommandations HAS) INR cible 2,5 (Fenêtre entre 2 et 3) • Pas de saut de prise • Pas d'apport de vitamine K • Saul de prise • Pas d'apport de vitamine K • Arrêt du traitement par AVK 152 mg de vitumine K per os 41/2 ampoule buvable forme pédiatrique) (grade Ali • Arrêt du traitement par AVK • 5 mg de vitamine K per os (1/2 ampoule buvable forme adulte) (grade A) INR 23 (Fenêtre 25-3,545) . Pas de saut de prise • Pas d'apport de vitamine K • Saul de prise • Un avis spécialisé (exemple : cardiologue si le patient est porteur d'une prothèse valvulaire mécanique) est recommandé pour discuter un traitement éventuel par 1 à 2 mg de vitamine K per os (1/2 à 1 ampoule buvable forme pédiatrique) Un avis spécialisé sans délai ou une hospitalisation sont recommandés ### ASSISTANT: Q: Comment se fait généralement la prise en charge d'un surdosage asymptomatique aux AVK ? (x2),\"R: En ambulatoire, sauf s'il existe des facteurs de risque hémorragique individuels Avec une évaluation des facteurs de risque hémorragique individuels tels que l'âge, les antécédents hémorragiques, les comorbidités... \" Q: Quelle est la mesure corrective recommandée pour un INR inférieur à 4 ?,\"R: Pas de saut de prise, pas d'apport de vitamine K \" Q: Quelle est la mesure corrective recommandée pour un INR entre 4 et 10 ?,\"R: Saut de prise, pas d'apport de vitamine K \" Q: Quelle est la mesure corrective recommandée pour un INR entre 2 et 3,5 ?,R: Un avis spécialisé est recommandé pour discuter un traitement éventuel par 1 à 2 mg de vitamine K per os Q: Quelles sont les mesures correctives recommandées pour un INR supérieur à 10 ?,\"R: Pas de saut de prise, pas d'apport de vitamine K, un avis spécialisé sans délai ou une hospitalisation sont recommandés \" ### Human: VI. CONDUITE DEVANT UNE COMPLICATION HEMORRAGIQUE GRAVE > Hospitalisation Mesures communes Arrêt du traitement antithrombosant Biologie d'urgence : formule numération sanguine, taux de prothrombine, INR, TCA, bilan rénal + Mesures d'hémostase locale + Transfusion sanguine Mesures spécifiques Saignement sous antiplaquettaires Transfusion de plaquettes Saignement sous heparines Antidote = Sulfate de Protamine intra-veineux: 1 mg de protamine neutralise 100 Ul d'HNF et 100 Ul anti-Xa d'HBPM (dose pour dose). Saignement sous AVK Vitamine K, facteurs PPSB Saignement sous AOD Charbon si la dernière prise de l'AOD remonte à moins de 6 heures Dialyse, Idarucizumab (antidote): malades sous dabigratran Andexanet alpha (antidote): malades sous inhibiteurs du fact Xa Saignement sous thrombolytiques Acide tranexamique injectable (puissant inhibiteur de la plasmine) 482 Cardiologie Liste non exhaustive des interactions médicamenteuses avec les AVK Médicaments potentialisateurs (risque hémorragique 1) Inhibiteurs enzymatiques Métronidazole Erythromycine Cimetidine Miconazole (danger++) Izoniazide Action sur l'hémostase Aspirine Médicaments inhibiteurs (risque thromboembolique↑) Inducteurs enzymatiques Alcool Barbituriques Rifampicine Griseofulvine Carbamazepine Pénicillines Baisse de la réabsorption digestive Colestiramine Clopidogrel AINS Phenylbutazone Sulfamides antibactériens Certaines céphosporines Autres mécanismes Amiodarone Statines Fibrates Hormones thyroidiennes Estrogènes Stéroïdes anabolisanls Acide nalidixique Piroxicam Charbon Sucralphate Autres mécanismes Métformine Pour en savoir plus Le Guide Pratique Du Bon Usage des Anticoagulants. ### ASSISTANT: Q: Que faire en cas d'une complication hémorragique grave sous traitement antithrombosant ? (x4),\"R: Hospitalisation Arrêt du traitement antithrombosant Mesures communes (biologie d'urgence, mesures d'hémostase locale, transfusion sanguine) Mesures spécifiques selon le type de traitement antithrombosant \" Q: Quel antidote peut être utilisé en cas de saignement sous antiplaquettaires ? (x1),R: Transfusion de plaquettes Q: Quel antidote peut être utilisé en cas de saignement sous héparines ? (x1),R: Sulfate de Protamine (1 mg de protamine neutralise 100 Ul d'HNF et 100 Ul anti-Xa d'HBPM) Q: Quels sont les antidotes à utiliser en cas de saignement sous AVK ? (x2),R: Vitamine K Facteurs PPSB Q: Quelles mesures peut-on prendre en cas de saignement sous AOD ? (x2),\"R: Charbon (si la dernière prise de l'AOD remonte à moins de 6 heures) Dialyse, Idarucizumab (antidote) pour les malades sous dabigatran, Andexanet alpha (antidote) pour les malades sous inhibiteurs du facteur Xa \" Q: Quel est le puissant inhibiteur de la plasmine utilisé en cas de saignement sous thrombolytiques ? (x1),R: Acide tranexamique injectable Q: Quels médicaments peuvent potentialiser le risque hémorragique associé aux AVK ? (x5),R: Métronidazole Erythromycine Cimetidine Miconazole (danger++) Isoniazide Q: Quels médicaments peuvent inhiber l'effet des AVK et augmenter le risque de thromboembolie ? (x7),\"R: Alcool Barbituriques Rifampicine Griseofulvine Carbamazepine Pénicillines Baisse de la réabsorption digestive (colestiramine, clopidogrel) \" Q: Quels mécanismes d'interaction médicamenteuse peuvent influencer l'effet des AVK ? (x7),\"R: Action sur l'hémostase (aspirine, AINS, phenylbutazone, sulfamides antibactériens, certaines céphosporines) Autres mécanismes (amiodarone, statines, fibrates, hormones thyroidiennes, estrogènes, stéroïdes anabolisants, acide nalidixique, piroxicam, charbon, sucralphate, métformine) \""
]
| [
"TAGS\n#region-us \n",
"### Human: Objectifs · Connaitre les règles de prescription et de surveillance des antiagrégants plaquettaires, des anticoagulants (héparines, antivitamine K, anticoagulants oraux directs) et des thrombolytiques Planifier la conduite devant une hémorragie grave liée aux antithrombosants ### ASSISTANT: Q: Quels sont les objectifs de la prescription des antithrombosants ? (x2) R:\" Connaître les règles de prescription et de surveillance des antiagrégants plaquettaires, des anticoagulants (héparines, antivitamine K, anticoagulants oraux directs) et des thrombolytiques \" Q: Qu'est-ce qu'il faut planifier en cas d'une hémorragie grave liée aux antithrombosants ? R: Planifier la conduite à tenir ### Human: I. INTRODUCTION • - Les antithrombosants préviennent la formation et/ou l'extension de caillots sanguins (thrombus), ou facilitent leur dissolution s'ils sont présents. Ils bloquent la «< cascade de la coagulation » responsable de la formation du thrombus. Selon leurs sites d'action, on distingue : - - les antiagrégants plaquettaires (AAP), les anticoagulants, les thrombolytiques (ou fibrinolytiques). Les complications hémorragiques représentent leur principale complication. Leurs principales indications sont : - - traitement et prévention de la maladie thromboembolique veineuse (MTEV): thrombose veineuse profonde (TVP), embolie pulmonaire (EP) la fibrillation atriale (FA) les prothèses valvulaires cardiaques mécaniques les syndromes coronariens aigus (SCA) les accidents vasculaires cérébraux (AVC) l'ischémie artérielle des membres ### ASSISTANT: Q: Que font les antithrombosants ? R: \" Ils préviennent la formation et/ou l'extension de caillots sanguins (thrombus), ou facilitent leur dissolution s'ils sont présents. \" Q: Quelle est la fonction des antiagrégants plaquettaires (AAP) ? R: Ils agissent en tant qu'antithrombosants en bloquant la formation du thrombus au niveau des plaquettes sanguines. Q: Quels sont les types d'antithrombosants selon leurs sites d'action ? R: Les antiagrégants plaquettaires (AAP), les anticoagulants et les thrombolytiques (ou fibrinolytiques). \" Q: Quelles sont les principales indications des antithrombosants ?,R: Les principales indications sont le traitement et la prévention de la maladie thromboembolique veineuse (MTEV) telles que la thrombose veineuse profonde (TVP) et l'embolie pulmonaire (EP), la fibrillation atriale (FA), les prothèses valvulaires cardiaques mécaniques, les syndromes coronariens aigus (SCA) et les accidents vasculaires cérébraux (AVC), ainsi que l'ischémie artérielle des membres. \" Q: Quelle est la principale complication des antithrombosants ? R: Les complications hémorragiques représentent leur principale complication. ### Human: II. ANTIAGREGANTS PLAQUETTAIRES • Les plaquettes participent à la formation du thrombus blanc (clou plaquettaire) qui se constitue au contact d'une rupture de plaque d'athérome. Ce thrombus est à l'origine d'accidents ischémiques graves comme les SCA et les AVC ischémiques. Les AAP inhibent l'hémostase primaire. Ils sont indiqués dans les maladies athérothrombotiques. Selon leurs sites d'action, on distingue, les inhibiteurs : de la voie du thromboxane A2 (TxA2) dont la cible est la cyclo- oxygenase 1 (COX1), de la voie de l'adénosine diphosphate ('ADP) avec pour cibles les récepteurs P2Y12, des récepteurs plaquettaires du fibrinogène : la glycoprotéine llb-llla (GP IIb-Illa). 472 Cardiologie ### ASSISTANT: Q: Quel est le rôle des plaquettes dans la formation du thrombus ? (x1),R: Les plaquettes participent à la formation du thrombus blanc (clou plaquettaire) qui se constitue au contact d'une rupture de plaque d'athérome. Q: Quels sont les accidents ischémiques graves causés par le thrombus ? (x2),R: Les SCA (syndromes coronariens aigus) Les AVC ischémiques Q: Quelle est l'indication des AAP (antiagrégants plaquettaires) ? (x1),R: Ils sont indiqués dans les maladies athérothrombotiques. Q: Quels sont les différents inhibiteurs d'antiagrégants plaquettaires selon leurs cibles d'action ? (x3),\"R: Inhibiteurs de la voie du thromboxane A2 (TxA2) ciblant la cyclo-oxygenase 1 (COX1) Inhibiteurs de la voie de l'adénosine diphosphate (ADP) ciblant les récepteurs P2Y12 Inhibiteurs des récepteurs plaquettaires du fibrinogène, la glycoprotéine llb-llla (GP IIb-Illa) \" ### Human: 1. Inhibiteur de la voie du thromboxane A2 · s'agit de l'acide acetylsalicylique (aspirine), qui est un inhibiteur irréversible de la COX1. • • Son administration est orale (comprimés, poudre) et intraveineuse (IV). Ande arachi con qu: -cyclo-crygmae Prostaglance H2 Thrember: A2 Frostacycm: (FG) A faible dose (75 – 500 mg/j). l'aspirine inhibe la conversion de l'acide arachidonique en TXA2. En revanche, au-delà de 1 g/jour, l'effet antiagréguant est moins important, remplacé par l'effet anti-inflammatoire dû à l'inhibition préférentielle de la COX2 Varocconcoco Agrige plagen: Visdlena Inhaltson de l'agregan in plapattu:s] Les plaquettes étant dépourvues de noyau, elles ne peuvent pas resynthétiser la Human: COX1. De ce fait, après l'interruption de l'aspirine, l'effet inhibiteur persiste jusqu'au renouvellement des plaquettes (10 jours environ). Indications Cardiopathies ischémiques Allergie à l'aspirine AVC ischémique AOMI Contre-indications Complications Maladies hémorragiques Allergie Hémorragie Complications digestives Troubles neurologiques Syndrome de Widal* AOMI: Artériopathie obliterante des membres inférieurs : AVC accident vasculaire cérébral. Syndrome de Widal: asthme + polypose nasale + allergie à l'aspirine • ### ASSISTANT: Q: Quel est l'inhibiteur de la voie du thromboxane A2 ?,R: L'acide acétylsalicylique (aspirine) Q: Comment s'administre l'acide acétylsalicylique ?,\"R: Son administration est orale (comprimés, poudre) et intraveineuse (IV) \" Q: Qu'est-ce que l'aspirine inhibe à faible dose ?,\"R: À faible dose, l'aspirine inhibe la conversion de l'acide arachidonique en TXA2 \" Q: Quel est l'effet de l'aspirine au-delà de 1g/jour ?,\"R: Au-delà de 1g/jour, l'effet antiagrégant est moins important, remplacé par l'effet anti-inflammatoire dû à l'inhibition préférentielle de la COX2 \" Q: Pourquoi l'effet inhibiteur de l'aspirine persiste-t-il après son interruption ?,\"R: Les plaquettes ne peuvent pas resynthétiser la COX1, donc après l'interruption de l'aspirine, l'effet inhibiteur persiste jusqu'au renouvellement des plaquettes (environ 10 jours) \" Q: Quelles sont les indications de l'acide acétylsalicylique ?,\"R: Cardiopathies ischémiques, allergie à l'aspirine, AVC ischémique, AOMI (Artériopathie obliterante des membres inférieurs) \" Q: Quelles sont les contre-indications de l'acide acétylsalicylique ?,\"R: Maladies hémorragiques, allergies, complications digestives, troubles neurologiques, syndrome de Widal (asthme + polypose nasale + allergie à l'aspirine) \" ### Human: 2. Anti P2Y12 • Produits : Inhibiteurs irréversibles (prodrogues) : Clopidogrel, Prasugrel ; Inhibiteur réversible: Ticagrelor. L'effet antiagrégant plaquettaire des anti P2Y12 est plus important que celui de l'aspirine. Et l'effet antiagrégant plaquettaire du prasugrel et du ticagrelor est supérieur à celui du clopidogrel. Leur administration est orale (comprimés). Ils sont moins gastrotoxiques que l'aspirine. Indications Contre-indications Clopidogrel Cardiopathies Allergie ischémiques Maladies hémorragiques AVC ischémique AOMI Complications Hémorragie Allergie Troubles digestifs ANONINFONDOSUNIS 473 Prasugrel SCA ST (+) Allergie Hémorragie Maladies hémorragiques Allergie < 60 kg. 275 ans Antécédent d'AVC Cirrhose Child C Ticagrelor SCA ST (+) Allergie Hémorragie Maladies hémorragiques Allergie Bradycardie BPCO Bradycardie Dyspnée Insuffisance rénale Insuffisance hépatique AVC; accident vasculaire cérébral: AOMI : arteriopathie oblitérante des membres inférieurs ; BPCO: bromchopneumopathie chronique obstructive SCA Syndromes coronariens aigus ### ASSISTANT: Q: Quels sont les produits anti P2Y12 utilisés comme antithrombosants ? (x3),R: Clopidogrel Prasugrel Ticagrelor Q: Quelles sont les caractéristiques des inhibiteurs irréversibles de la classe anti P2Y12 ? (x2),\"R: Ils sont des prodrogues Exemples : Clopidogrel, Prasugrel \" Q: Quel est l'inhibiteur réversible de la classe anti P2Y12 ? (x1),R: Ticagrelor Q: Quel est l'effet antiagrégant plaquettaire des anti P2Y12 par rapport à l'aspirine ? (x1),R: L'effet antiagrégant plaquettaire des anti P2Y12 est plus important que celui de l'aspirine. Q: Quel est l'effet antiagrégant plaquettaire du prasugrel et du ticagrelor par rapport au clopidogrel ? (x1),R: L'effet antiagrégant plaquettaire du prasugrel et du ticagrelor est supérieur à celui du clopidogrel. Q: Quelle est la voie d'administration des anti P2Y12 ? (x1),R: Leur administration est orale (comprimés). Q: Quelle est la caractéristique des anti P2Y12 par rapport à l'aspirine en termes de gastrotoxicité ? (x1),R: Ils sont moins gastrotoxiques que l'aspirine. Q: Quelles sont les indications des anti P2Y12 ? (x4),R: Cardiopathies ischémiques AVC ischémique AOMI SCA ST (+) Q: Quelles sont les contre-indications des anti P2Y12 ? (x4),R: Allergie Maladies hémorragiques Hémorragie Troubles digestifs Q: Quelles sont les complications associées à l'utilisation des anti P2Y12 ? (x2),R: Hémorragie Allergie Q: Quelles sont les contre-indications spécifiques au clopidogrel ? (x2),R: Cardiopathies Allergie Q: Quelles sont les contre-indications spécifiques au prasugrel ? (x8),R: SCA ST (+) Allergie Hémorragie Maladies hémorragiques < 60 kg 275 ans Antécédent d'AVC Cirrhose Child C Q: Quelles sont les contre-indications spécifiques au ticagrelor ? (x7),R: SCA ST (+) Allergie Hémorragie Maladies hémorragiques Bradycardie BPCO Insuffisance rénale Insuffisance hépatique ### Human: 3. Anti GP IIb-llla Administrés en IV et indiqués dans les SCA au décours de la coronarographie si le thrombus est très extensif. ### ASSISTANT: Q: Quel est le mode d'administration des anti GP IIb-llla ?,R: Ils sont administrés en IV. Q: Quels sont les types d'anticoagulants ?,\"R: Héparines, antivitamines K (AVK), anticoagulants oraux directs (AOD). \" Q: Quels sont les sites d'action des anticoagulants ?,\"R: Facteur IX, Facteur X. \" ### Human: III. ANTICOAGULANTS On distingue les héparines, les antivitamines K (AVK) et les anticoagulants oraux directs (AOD). Sites d'action des anticoagulants Facteur IX Facteur X AVK ### ASSISTANT: Q: Quels sont les types d'anticoagulants ?,\"R: Héparines, antivitamines K (AVK), anticoagulants oraux directs (AOD). \" Q: Quels sont les sites d'action des anticoagulants ?,\"R: Facteur IX, Facteur X. \" ### Human: 1. Héparines Facteur IXa Facteur II Prothrombina Facteur Xa Fibrinogène Anti-Xa directs Rivaroxaban Apixaban Edoxaban Antithtrombine Facteur Ila Thrombine Fibrino Hóparinos Antilla directs Dabigatran PRADAXA\" • 1.1 Propriétés Anticoagulants parentéraux utilisés en IV à la seringue électrique (IVSE) et en sous cutanée (SC) et non par voie orale car détruits par le tube digestif. Il existe deux types d'héparine: - héparines non fractionnées (HNF): chaines de mucopolysaccharides à haut poids moléculaire ; héparines de bas poids moléculaires (HBPM): HNF fractionnées donnant des chaines plus légères. 474 Cardiologie Héparine HNF • • HBPM • Molécules Héparine sodique Héparine calcique Enoxaparine (lovenox\") Nadroprarine (fraxiparine®) Tinzaparine (innhap) ### ASSISTANT: Q: Quelles sont les propriétés des antithrombosants de la classe des héparines ? (x2),\"R: Utilisés en IV à la seringue électrique (IVSE) et en sous-cutanée (SC) Détruits par le tube digestif, donc administrés par voie parentérale \" Q: Quels sont les deux types d'héparine ? (x2),R: Héparines non fractionnées (HNF) Héparines de bas poids moléculaires (HBPM) Q: Quelles sont les molécules d'héparine ? (x4),R: Héparine sodique Héparine calcique Enoxaparine (Lovenox) Nadroparine (Fraxiparine) Q: Quels sont les facteurs ciblés par les héparines ? (x3),R: Facteur IXa Facteur II (Prothrombine) Facteur Xa Q: Quels sont les anticoagulants anti-Xa directs ? (x3),R: Rivaroxaban Apixaban Edoxaban Q: Quels sont les facteurs ciblés par l'antithrombine ? (x2),R: Facteur XIa Thrombine (Facteur IIa) Q: Quelle est la propriété des héparines non fractionnées ?,R: Ce sont des chaines de mucopolysaccharides à haut poids moléculaire Q: Quelles sont les molécules d'héparine de bas poids moléculaires ? (x2),R: Enoxaparine (Lovenox) Nadroparine (Fraxiparine) ### Human: 1. 2 Mode d'action IVSE Voies d'administration SC toutes les 8 ou 12 h SC: chaque 12h en curatif chaque 24h en préventif SC: chaque 12h en curatif chaque 24h en préventif SC: chaque 24h en curatif et en préventif Les HNF et les HBPM ont une action indirecte: elles se fixent à leur cofacteur, l'antithrombine III (ATIII) qui est un inhibiteur physiologique de la coagulation dont l'action est normalement lente et progressive. La liaison héparine-ATI!I accélère la vitesse de l'action inhibitrice de l'ATIII sur la thrombine (action anti-lla) et sur le facteur Stuart (action anti-Xa). En cas de déficit constitutionnel en ATIII, les héparines sont inefficaces. L'activité anti-Xa et anti-lla des HNF est équivalente: rapport activité anti-Xa / anti-Ila = 1 L'activité anti-Xa des HBPM est prédominante: rapport activité anti-Xa / anti-lla > 1 ### ASSISTANT: Q: Quel est le mode d'action des antithrombosants ? (x2),R: Action indirecte en se fixant à l'antithrombine III (ATIII) Accélération de l'action inhibitrice de l'ATIII sur la thrombine et le facteur Stuart Q: Quelles sont les voies d'administration des antithrombosants ? (x3),R: IVSE Sous-cutanée toutes les 8 ou 12h en curatif Sous-cutanée toutes les 24h en préventif Q: Les héparines sont-elles efficaces en cas de déficit constitutionnel en ATIII ?,\"R: Non, les héparines sont inefficaces en cas de déficit constitutionnel en ATIII. \" Q: Quelle est l'activité anti-Xa des HNF par rapport à l'activité anti-lla ?,R: L'activité anti-Xa et anti-lla des HNF est équivalente : rapport activité anti-Xa / anti-lla = 1 Q: Quelle est l'activité anti-Xa des HBPM par rapport à l'activité anti-lla ?,R: L'activité anti-Xa des HBPM est prédominante : rapport activité anti-Xa / anti-lla > 1 ### Human: 1. 3 Pharmacocinétique • Après administration, l'effet anticoagulant des héparines est rapide, ce qui en fait une thérapeutique adaptée aux situations urgentes. Elles ne franchissent ni les séreuses ni le placenta et ne passent pas dans le lait maternel. Elles ne sont donc pas contre-indiquées en cas de grossesse et d'allaitement. Les HNF ont une élimination rénale, sous forme inactive. Elles ne sont donc pas contre-indiquées en cas d'insuffisance rénale (pas de risque d'accumulation du produit). Les HBPM ont une élimination rénale sous forme active, d'où leur contre- indication en cas d'insuffisance rénale sévère (risque d'accumulation). ### ASSISTANT: Q: Quelle est la pharmacocinétique des héparines après administration ? (x1),\"R: Après administration, l'effet anticoagulant des héparines est rapide. \" Q: Quelles sont les caractéristiques des héparines concernant la grossesse et l'allaitement ? (x2),R: Elles ne franchissent ni les séreuses ni le placenta et ne passent pas dans le lait maternel. Elles ne sont donc pas contre-indiquées en cas de grossesse et d'allaitement. Q: Comment sont éliminées les héparines non fractionnées (HNF) et quel est leur effet en cas d'insuffisance rénale ? (x2),\"R: Les HNF ont une élimination rénale, sous forme inactive. Elles ne sont donc pas contre-indiquées en cas d'insuffisance rénale (pas de risque d'accumulation du produit). \" Q: Comment sont éliminées les héparines de bas poids moléculaire (HBPM) et pourquoi sont-elles contre-indiquées en cas d'insuffisance rénale sévère ? (x2),\"R: Les HBPM ont une élimination rénale sous forme active, d'où leur contre-indication en cas d'insuffisance rénale sévère (risque d'accumulation). \" ### Human: 1. 4 Complications Les complications sont plus fréquentes avec les HNF qu'avec les HBPM. a. Complications les plus fréquentes • Hémorragie au 1 rang +++, • Thrombopénie induite par l'héparine (TIH) Type 1 (par interaction des plaquettes avec l'héparine): survient les 5 1ers jours, entraine une baisse modérée, (< 20%) du taux de plaquettes; bénigne, elle n'impose pas l'arrêt du traitement; AntInfomposants 475 Type 2 (origine immunologique): survient entre 5è-21ė jour ; entraine une chute importante du taux de plaquettes (< 100 000/mm3, ou baisse d'au moins 40% par rapport au taux initial); très grave (risque hémorragique et surtout thromboembolique), imposant l'arrêt du traitement. Prévention du risque de thrombopénie induite par l'héparine Réaliser un relais précoce par les AVK (entre le 1er et 3ème jour) pour diminuer la durée du traitement par héparine. b. Autres complications Ostéoporose Hyperkaliemie Eruption cutanée • Allergie · ↑Transaminases ### ASSISTANT: Q: Quelles sont les complications les plus fréquentes des antithrombosants ? (x4),R: Hémorragie au 1er rang Thrombopénie induite par l'héparine (TIH) Ostéoporose Hyperkaliémie Q: Quels sont les 2 types de thrombopénie induite par l'héparine (TIH) ?,R: Type 1 (par interaction des plaquettes avec l'héparine) Type 2 (origine immunologique) Q: Quelles sont les caractéristiques du type 1 de la thrombopénie induite par l'héparine ?,\"R: Survenue les 5 premiers jours Baisse modérée (<20%) du taux de plaquettes Bénigne, n'impose pas l'arrêt du traitement \" Q: Quelles sont les caractéristiques du type 2 de la thrombopénie induite par l'héparine ?,\"R: Survenue entre le 5ème et le 21ème jour Chute importante du taux de plaquettes (<100 000/mm3 ou baisse d'au moins 40% par rapport au taux initial) Très grave, avec un risque hémorragique et thromboembolique, imposant l'arrêt du traitement. \" Q: Comment prévenir le risque de thrombopénie induite par l'héparine ?,R: Réaliser un relais précoce par les AVK (entre le 1er et le 3ème jour) pour diminuer la durée du traitement par héparine. Q: Quelles sont les autres complications des antithrombosants ?,R: Eruption cutanée Allergie ↑ Transaminases ### Human: 1. 5 Contre-indications • • Allergie à l'héparine Antécédent de TIH type 2 • • Affections à risque hémorragique Insuffisance rénale sévère pour les HBPM (DFG inférieur à 30 ml / min) DFG: débit de filtration glomérulaire ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x5),R: Allergie à l'héparine Antécédent de TIH de type 2 Affections à risque hémorragique Insuffisance rénale sévère pour les HBPM (DFG inférieur à 30 ml/min) Q: Qu'est-ce que DFG signifie dans le contexte des antithrombosants ?,R: DFG signifie débit de filtration glomérulaire. ### Human: 1. 6 Surveillance biologique a. Efficacité de l'action anticoagulante Héparines non fractionnées En traitement curatif, l'effet thérapeutique de l'HNF se mesure par le temps de céphaline activée (TCA), qui doit être 1.5 et 2 à 3 fois le temps témoin. Les doses d'héparine sont adaptées aux résultats du TCA qui sera surveillé au moins une fois par jour. D'où la nécessité d'hospitaliser les malades traités par les HNF. • Adaptation de la posologie des HNF selon les résultats du TCA Si le TCA est < 1.5 : on augmente la dose d' HNF. Si le TCA est > 3: on diminue la dose d' HNF. Si le TCA est entre 1.5 et 2 à 3 on maintient la même dose d'HNF. Héparines de bas poids moléculaire En traitement curatif, la posologie des HBPM est fixe, en fonction du poids. L'activité thérapeutique des HBPM n'a pas besoin d'être mesurée, sauf dans certaines situations. 476 Cardiologie Indications du contrôle de l'activité anti-Xa sous traitement par HBPM Insuffisance rénale modérée (HBPM contre-indiquées dans l'insuffisance rénale sévère DFG < 30 mL/minute). Sujet âgé, enfant. Obèse (passage d'HBPM dans la graisse lors de l'injection pouvant diminuer la quantité d'héparine dans le sang ou responsable de libération à distance). Patient cachexique. Hémorragies ou thromboses survenant sous HBPM. Le contrôle de l'anti-Xa après initiation ou modification des doses de HBPM dolt être effectué 4 heures après la 3 ème injection: zone d'efficacité thérapeutique entre 0,5 et 1 anti-Xa/mL b. Taux de plaquettes A controler 2 fois / semaine à partir du 5è jour jusqu'au 21ème jour, puis 1 fois par semaine aussi bien avec les HNF qu'avec les HBPM, et aussi bien en traitement curatif qu'en traitement préventif de la MTEV. ### ASSISTANT: Q: Comment mesure-t-on l'effet thérapeutique de l'HNF ?,\"R: Le temps de céphaline activée (TCA) doit être 1,5 à 2 à 3 fois le temps témoin. \" Q: Comment adapte-t-on la posologie des HNF en fonction des résultats du TCA ?,\"R: Si le TCA est inférieur à 1,5, on augmente la dose. Si le TCA est supérieur à 3, on diminue la dose. Si le TCA est entre 1,5 et 2 à 3, on maintient la même dose. \" Q: Comment est déterminée la posologie des HBPM en traitement curatif ?,R: La posologie des HBPM est fixe et dépend du poids. Q: Dans quelles situations doit-on contrôler l'activité anti-Xa sous traitement par HBPM ?,\"R: Insuffisance rénale modérée Sujet âgé, enfant Obèse Patient cachexique Hémorragies ou thromboses survenant sous HBPM \" Q: Quand doit-on effectuer le contrôle de l'anti-Xa après initiation ou modification des doses de HBPM ?,\"R: 4 heures après la 3ème injection, avec une zone d'efficacité thérapeutique entre 0,5 et 1 anti-Xa/mL. \" Q: A quelle fréquence doit-on contrôler le taux de plaquettes lors d'un traitement par HNF/HBPM ?,\"R: 2 fois par semaine du 5ème au 21ème jour, puis 1 fois par semaine, en traitement curatif ou préventif de la MTEV. \" Q: Quels sont les avantages des HBPM par rapport aux HNF ? (x4),R: Moins d'injections SC (1 ou 2 fois par jour) Meilleure biodisponibilité (efficacité) Contrôles de la coagulation non systématiques Complications moins fréquentes Q: Quels sont les anticoagulants utilisés pour prévenir la formation de caillots sanguins ? (x1),R: Les médicaments antivitamines K (AVK) Q: Comment agissent les antivitamines K pour prévenir la formation de caillots ? (x1),\"R: En bloquant l'action de la vitamine K, nécessaire à la production de certains facteurs de coagulation \" Q: Pour quels patients les AVK sont-ils souvent prescrits ? (x2),R: Les patients atteints de fibrillation auriculaire Les patients présentant des troubles de la coagulation. ### Human: 1. 7 Avantages et inconvénients des HBPM par rapport aux HNF Avantages Moins d'injections SC (1 ou 2 */ jour) Meilleure biodisponibilité (efficacité) Contrôles de la coagulation non systématiques Complications moins fréquentes Utilisables en ambulatoire ### ASSISTANT: Q: Quels sont les inconvénients des antithrombosants ? (x1),\"R: Pas d'autorisation de mise sur le marché (AMM) dans les prothèses valvulaires mécaniques, surtout en position mitrale \" ### Human: 2. Antivitamines K (AVK) 2. 1 Molécules Inconvénients Pas d'autorisation de mise sur le marché (AMM) dans les prothèses valvulaires mécaniques (surtout en position mitrale) Les AVK sont des anticoagulants oraux (comprimés). AVK à 1⁄2 vie courte Selon la 1⁄2 vie, il y a 2 familles d'AVK Acénocoumarol (Sintrrom): % vie< 24h, seul AVK commercialisé en Algérie (comprimés sécables 4 mg). AVK à 1⁄2 vie longue Warfarine: 1⁄2 vie 5]; AVK de référence des études cliniques. Fluindione: 1⁄2 vie 24h; largement utilisé en France. ### ASSISTANT: Q: Qu'est-ce que les AVK ? (x1),R: Les AVK sont des anticoagulants oraux (comprimés) Q: Quelle est la demi-vie courte des AVK ? (x1),R: La demi-vie courte des AVK est inférieure à 24h Q: Quels sont les AVK commercialisés en Algérie ? (x1),R: L'acénocoumarol (Sintrrom) est le seul AVK commercialisé en Algérie (comprimés sécables 4 mg) Q: Quelle est la demi-vie longue des AVK ? (x2),\"R: La warfarine a une demi-vie de 5 jours La fluindione a une demi-vie de 24h, largement utilisée en France. \" ### Human: 2. 2 Mode d'action · Les AVK ont une action indirecte : ils inhibent la synthèse hépatique des facteurs de la coagulation vitamino-K dépendants (PPSB): II, VII, IX, X, et deux inhibiteurs physiologiques de la coagulation: protéines S et C. SEEKERSFETEKENEN GENERA Au début du traitement, les AVK entrainent paradoxalement hypercoagulabilité par inhibition précoce de la protéine C. une Après la mise en route du traitement, une hypocoagulabilité efficace n'est obtenue qu'au bout de 4 à 6 jours environ. De ce fait, les AVK ne constituent pas la thérapeutique anticoagulante de l'urgence médicale. De ce fait, ils sont préscrits en relais d'un traitement par héparine (cf. infra). ### ASSISTANT: Q: Quel est le mode d'action des antithrombosants AVK ? (x1),\"R: Les AVK inhibent la synthèse hépatique des facteurs de la coagulation vitamino-K dépendants (II, VII, IX, X) et deux inhibiteurs physiologiques de la coagulation (protéines S et C). \" Q: Quel effet paradoxal les AVK peuvent-ils avoir au début du traitement ? (x1),\"R: Au début du traitement, les AVK entraînent une hypercoagulabilité par inhibition précoce de la protéine C. \" Q: Combien de temps faut-il pour obtenir une hypocoagulabilité efficace avec les AVK ? (x1),R: Une hypocoagulabilité efficace n'est obtenue qu'au bout de 4 à 6 jours environ après la mise en route du traitement. Q: Les AVK sont-ils indiqués dans les situations d'urgence médicale ? (x1),\"R: Non, les AVK ne constituent pas la thérapeutique anticoagulante de l'urgence médicale. \" Q: Dans quel cas les AVK sont-ils prescrits en relais d'un traitement par héparine ? (x1),R: Les AVK sont prescrits en relais d'un traitement par héparine. ### Human: 2. 3 Pharmacocinétique · Elimination rénale sous forme inactive, donc pas de risque d'accumulation. D'où l'absence de contre-indication chez les insuffisants rénaux. Traversent la barrière placentaire. Ont un effet téralogène. D'où leur contre- indication au 1er trimestre d'une grossesse. Pour l'acenocoumarol et la warfarine, seule une quantitë négligeable passe dans le lait maternel. Donc pas de contre-indication en cas d'allaitement. De nombreux facteurs influencent l'efficacité des AVK (âge, aliments, affections du transit intestinal, fièvre, alcoolisme, dysthyroïdies, insuffisance hépatique...). • Les interactions médicamenteuses avec les AVK sont nombreuses (voir encadré à la fin du cours). ### ASSISTANT: Q: Comment sont éliminés les antithrombosants ?,\"R: Ils sont éliminés par voie rénale sous forme inactive, ce qui signifie qu'il n'y a pas de risque d'accumulation et donc pas de contre-indication chez les insuffisants rénaux. \" Q: Quelle est la conséquence de la traversée de la barrière placentaire par les antithrombosants ?,\"R: Ils ont un effet tératogène, ce qui les rend contre-indiqués au premier trimestre de la grossesse. \" Q: Quelle est la quantité d'acenocoumarol et de warfarine qui passe dans le lait maternel ?,\"R: Seule une quantité négligeable passe dans le lait maternel, ce qui signifie qu'il n'y a pas de contre-indication en cas d'allaitement. \" Q: Quels sont les facteurs qui influencent l'efficacité des AVK ?,\"R: De nombreux facteurs influencent leur efficacité tels que l'âge, les aliments, les affections du transit intestinal, la fièvre, l'alcoolisme, les dysthyroïdies, l'insuffisance hépatique, etc. \" Q: Quelle est la particularité des interactions médicamenteuses avec les AVK ?,R: Les interactions médicamenteuses avec les AVK sont nombreuses. Vous pouvez vous référer à l'encadré à la fin du cours pour plus de détails. ### Human: 2. 4 Contre-indications ► • • • Affections à risque hémorragique Insuffisance hépatique sévère Grossesse : 1er trimestre (risque lératogène) et dernier mois (risque hémorragique lors de la délivrance) Injections intramusculaires (risque d'hématome), intra-articulaires (risque d'hémarthrose) Mauvaise observance du traitement (trouble psychiatrique...) ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x5),\"R: Affections à risque hémorragique Insuffisance hépatique sévère Grossesse : 1er trimestre (risque tératogène) et dernier mois (risque hémorragique lors de la délivrance) Injections intramusculaires (risque d'hématome), intra-articulaires (risque d'hémarthrose) Mauvaise observance du traitement (trouble psychiatrique...) \" ### Human: 2. 5 Complications • • • Hémorragie au 1* rang Nécrose cutanée (surtout si déficit constitutionnel en protéine C ou S) Allergie ### ASSISTANT: Q: Quels sont les complications associées aux antithrombosants ? (x3),R: Hémorragie au premier rang Nécrose cutanée (surtout si déficit constitutionnel en protéine C ou S) Allergie ### Human: 2. 6 Mise en route du traitement par AVK Sachant que le traitement AVK ne sera pas efficace avant 4 à 6 jours, il est introduit en association avec une héparine (HNF ou HBPM) dès le 1er jour (on parle de << relais héparine – AVK »). 478 Cardiologie Relais héparine - AVK L'introduction précoce de l'AVK, dès J1, permet de raccourcir la durée du traitement par héparine, diminuant ainsi l'incidence de la redoutable TIH type 2 Les deux conditions d'arrêt de l'héparine sont : au moins 4 à 5 jours d'association héparine - AVK, et 2 INR à 24 heures d'intervalle dans la zone thérapeutique (cf. infra). ### ASSISTANT: Q: Quand est introduit le traitement par AVK en association avec une héparine ?,R: Le traitement AVK est introduit en association avec une héparine dès le premier jour (on parle de << relais héparine – AVK ») Q: Pourquoi introduire l'AVK dès le premier jour en association avec une héparine ?,R: L'introduction précoce de l'AVK permet de raccourcir la durée du traitement par héparine et diminuer l'incidence de la TIH type 2 Q: Quelles sont les deux conditions d'arrêt de l'héparine dans le relais héparine-AVK ?,R: Au moins 4 à 5 jours d'association héparine - AVK et 2 INR à 24 heures d'intervalle dans la zone thérapeutique ### Human: 2. 7 Surveillance biologique La surveillance de l'effet thérapeutique des AVK se fait par la mesure de l'INR (international normalized ratio). [TQ malade INR = [TQ témoin • TO: temps de Quick: ISI Index de Sensibilité International du réactif Sans traitement AVK, la valeur de l'INR est de 1. Sous AVK, I'INR est > 1. La valeur cible de l'INR pour un patient correctement anticoagulé par AVK se situe pour la plupart des indications entre 2 et 3 (FA, MTEV...) Dans certaines situations, la valeur cible de l'INR doit être plus élevée, entre 3 et 4.5 (prothèses valvulaires mécaniques de 1 génération, embolies artérielles récidivantes) Lors de l'instauration du traitement, la surveillance de l'INR doit être rapprochée : 1 à 2 fois semaine. Puis, au minimum une fois par mois toute la durée du traitement. Afin de faciliter la surveillance du traitement AVK, les doses de l'AVK et les résultats INR doivent être notés soigneusement dans un carnet de surveillance qui est systématiquement remis aux patients sous AVK au long cours. Adaptation des posologies du traitement AVK selon les résultats de l'INR Si l'INR est < à la cible thérapeutique : augmenter la dose de % de comprimé et contrôler l'INR dans la semaine. Si l'INR est > à la cible thérapeutique SANS saignement: diminuer la dose de de comprimé et contrôler l'INR dans la semaine. Si l'INR est dans la valeur cible thérapeutique : maintenir la même dose et contrôle INR dans 1 mois. ### ASSISTANT: Q: Comment se fait la surveillance de l'effet thérapeutique des AVK ?,R: La surveillance se fait par la mesure de l'INR (international normalized ratio). Q: Quelle est la valeur de l'INR sans traitement AVK ?,R: La valeur de l'INR est de 1 sans traitement AVK. Q: Quelle est la valeur cible de l'INR pour un patient correctement anticoagulé par AVK ?,R: La valeur cible de l'INR se situe entre 2 et 3 pour la plupart des indications. Q: Dans quelles situations la valeur cible de l'INR doit être plus élevée ?,\"R: Dans certaines situations, la valeur cible de l'INR doit être entre 3 et 4.5. \" Q: À quelle fréquence doit être vérifiée l'INR lors de l'instauration du traitement AVK ?,R: L'INR doit être vérifié 1 à 2 fois par semaine lors de l'instauration du traitement. Q: Dans quel document les doses de l'AVK et les résultats INR doivent-ils être notés ?,R: Les doses de l'AVK et les résultats INR doivent être notés dans un carnet de surveillance. Q: Que faire si l'INR est inférieur à la cible thérapeutique ?,\"R: Dans ce cas, augmenter la dose de % de comprimé et contrôler l'INR dans la semaine. \" Q: Que faire si l'INR est supérieur à la cible thérapeutique sans saignement ?,\"R: Si l'INR est trop élevé sans saignement, diminuer la dose de % de comprimé et contrôler l'INR dans la semaine. \" Q: Que faire si l'INR est dans la valeur cible thérapeutique ?,\"R: Si l'INR est dans la valeur cible, il faut maintenir la même dose et contrôler l'INR dans 1 mois. \" ### Human: 2. 8 Education des patients sous AVK Pour diminuer les accidents aux AVK, l'éducation des patients est capitale. Il est fondamental d'expliquer au malade et à la famille les éléments suivants. Pas d'automédication En cas de saignement, contrôle INR et consultation en urgence. Eviter injections intra-musculaires et intra-articulaires. Eviter les situations à risque de chute et de blessure. Signaler au dentiste, gynécologue, chirurgien du traitement AVK en cours. Avoir toujours sur soi le camet de surveillance du traitement ### ASSISTANT: Q: Pourquoi est-il important d'éduquer les patients sous AVK ? (x1),R: C'est crucial pour diminuer les accidents liés aux AVK. Q: Quels éléments doivent être expliqués aux patients sous AVK ? (x5),\"R: Pas d'automédication En cas de saignement, contrôle INR et consultation en urgence Éviter les injections intra-musculaires et intra-articulaires Éviter les situations à risque de chute et de blessure Signaler au dentiste, gynécologue, chirurgien le traitement AVK en cours Avoir toujours sur soi le carnet de surveillance du traitement AVK. \" ### Human: AVK. AntithromDosants 479 · • 2. 9 Indications Fibrillation atriale MTEV Prothèses valvulaires mécaniques ### ASSISTANT: Q: Quels sont les 3 indications des antithrombosants ? (x3),R: Fibrillation atriale MTEV (Maladie Thromboembolique Veineuse) Prothèses valvulaires mécaniques ### Human: 3. Anticoagulants oraux directs (AOD) 3. 1 Molécules et mode d'action Anevrisme du ventricule gauche Thrombus intracardiaque Dysfonction ventriculaire sévère Les AOD ne sont utilisés que sous forme de comprimés. Deux familles d'AOD Gatrans (dabigatran); inhibent directement le fact lla Xabans (rivaraxaban, apixaban, edoxaban): inhibent directement le fact Xa 3. 2 Complications ► + Saignement (digestif surtout) Troubles digestifs (épigastralgie, nausées...) 3. 3 Indications • · · MTEV (en préventif et en curatif). FA (en dehors de la FA sur rétrécissement mitral et de la FA sur prothèse valvulaire mécanique). Post-SCA: AMM pour le rivaroxaban seul actuellement ### ASSISTANT: Q: Quels sont les anticoagulants oraux directs (AOD) ? (x1),R: Ce sont des antithrombosants qui agissent directement sur le processus de coagulation. Q: Qu'est-ce que les antithrombosants ? (x1),R: Les antithrombosants sont des médicaments utilisés pour prévenir la formation de caillots sanguins. Q: Quels sont les molécules utilisées comme antithrombosants ? (x2),\"R: Gatrans (dabigatran) Xabans (rivaraxaban, apixaban, edoxaban) \" Q: Quelles sont les familles d'antithrombosants ? (x2),\"R: Gatrans (dabigatran) Xabans (rivaraxaban, apixaban, edoxaban) \" Q: Quel est le mode d'action des Gatrans ? (x1),R: Ils inhibent directement le facteur lla. Q: Quel est le mode d'action des Xabans ? (x1),R: Ils inhibent directement le facteur Xa. Q: Dans quelles formes sont utilisés les antithrombosants ? (x1),R: Les antithrombosants sont utilisés uniquement sous forme de comprimés. Q: Quelles sont les complications liées à l'utilisation des antithrombosants ? (x2),\"R: Saignement (surtout digestif) Troubles digestifs (épigastralgie, nausées...) \" Q: Quelles sont les indications des antithrombosants ? (x3),R: MTEV (en préventif et en curatif) FA (en dehors de la FA sur rétrécissement mitral et de la FA sur prothèse valvulaire mécanique) Post-SCA (AMM pour le rivaroxaban seul actuellement) ### Human: 3. 4 Contre-indications Affections à risque hémorragique. · FA sur rétrécissement mitral, FA sur prothèse valvulaire mécanique ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x2),\"R: Affections à risque hémorragique Fibrillation auriculaire sur rétrécissement mitral, fibrillation auriculaire sur prothèse valvulaire mécanique. \" ### Human: 3. 5 Surveillance biologique · Insuffisance rénale sévère (dabigatran notamment). Grossesse, allaitement Pas de surveillance biologique de l'effet anticoagulant: prescription de doses fixes (posologie en fonction de la pathologie et du terrain : âge, fonction rénale notamment. L'élimination des AOD étant rénale, notamment pour le dabigatran (80%), l'évaluation de la fonction rénale reste impérative à l'institution du traitement puis régulièrement. ### ASSISTANT: Q: Quelles sont les contre-indications des antithrombosants ? (x2),\"R: Affections à risque hémorragique Fibrillation auriculaire sur rétrécissement mitral, fibrillation auriculaire sur prothèse valvulaire mécanique. \" Q: Quels sont les facteurs nécessitant une surveillance biologique pour les antithrombosants ? (x2),\"R: Insuffisance rénale sévère (notamment pour le dabigatran) Grossesse, allaitement \" Q: Est-ce que l'effet anticoagulant des antithrombosants nécessite une surveillance biologique ?,\"R: Non, il n'y a pas de surveillance biologique de l'effet anticoagulant \" Q: Comment est déterminée la posologie des antithrombosants ?,\"R: La posologie est prescrite en fonction de la pathologie et du terrain (âge, fonction rénale notamment) \" Q: Quelle est la principale voie d'élimination des AOD (Anticoagulants Oraux Directs) ?,\"R: L'élimination des AOD est principalement rénale, notamment pour le dabigatran (80%) \" Q: Quand est-il nécessaire d'évaluer régulièrement la fonction rénale lors d'un traitement par antithrombosants ?,R: Il est nécessaire d'évaluer régulièrement la fonction rénale à l'institution du traitement puis régulièrement. ### Human: 3. 6 Avantages des AOD par rapport aux AVK • • Prise du médicament à dose fixe sans surveillance biologique de l'effet thérapeutique Efficacité très rapide, (en 2-3h). Donc, traitement adapté aux situations urgentes (sans associer l'héparine systématiquement) 1⁄2 vie courte (7 à 14h) → les hémorragies sont rapidement maitrisées. Pas d'interactions alimentaires. Peu d'interactions médicamenteuses par rapport aux AVK * Efficacité sur la prévention des AVC ischémiques dans la FA 2 au AVK. Moins de complications hémorragiques cérébrales que les AVK. La pharmacocinétique des AOD dépend de la P-glycoprotéine [P-gp] (surtout pour le dabigatran), et du CYP3A4 pour les xabans. Les produits qui inhibent la P-gp et/ou le CYP3A4 sont susceptibles de favoriser un surdosage par les AOD et exposer au risque hémorragique. Les inducteurs du CYP3A4 peuvent diminuer les effets des xabans et augmenter le risque thrombotique. Les principaux médicaments à éviter sont les antiretroviraux, les antifongques, certains antibiotiques (rifampicine). les antiépileptiques, le verapamil ### ASSISTANT: Q: Quels sont les avantages des AOD par rapport aux AVK ? (x6),\"R: Prise du médicament à dose fixe sans surveillance biologique de l'effet thérapeutique Efficacité très rapide (en 2-3h), adapté aux situations urgentes 1⁄2 vie courte (7 à 14h) pour une maîtrise rapide des hémorragies Pas d'interactions alimentaires Peu d'interactions médicamenteuses par rapport aux AVK Moins de complications hémorragiques cérébrales que les AVK \" ### Human: IV. THROMBOLYTIQUES (FIBRINOLYTIQUES) · + • • Médicaments qui ne sont utilisés que par voie IV (en bolus ou en perfusion). Produits Streptokinase et Urokinase (ne sont plus utilisés en pratique en Algérie). Altéplase (ou t-PA) et ténectéplase : les plus utilisés. Ils agissent en transformant le plasminogène en plasmine qui entraine la dissolution rapide du thrombus fibrino-plaquettaire. Les principales complications sont : le saignement les réactions allergiques: surtout avec la streptokinase, nécessitant l'injection systématique de corticoïde avec ce produit. Indications Syndromes coronariens aigus avec sus décalage du segment ST < 6 12 heures Embolie pulmonaire massive avec hypotension artérielle AVC ischémique < 4 heures 30 Thrombose occlusive de prothèse valvulaire mécanique (si chirurgie rapide impossible) Contre-indications absolues AVC ischémique < 6 mois Hémorragie cérébro-méningée (contre-indication à vie) Malformation vasculaire ou tumeur cérébrale Traumatisme sévère <1 mois : chirurgie, accouchement, fracture... Saignement gastro-intestinal < 1 mois Pathologie de l'hémostase Dissection aortique Ponction d'organes non compressibles < 24 heures (foie, ponction lombaire) Contre-indications relatives AIT < 6 mois Traitement anticoagulant oral en cours Grossesse ou 1ère semaine du post-partum HTA non contrôlée (> 180/110 mmHg) Insuffisance hépatocellulaire sévère (cirrhose) Endocardite infectieuse Ulcère gastroduodenal actif Réanimation prolongée ou traumatique ANINNFUNDUSAMĮS ### ASSISTANT: Q: Quels sont les médicaments utilisés en thrombolyse ?,\"R: Streptokinase, Urokinase, Altéplase (ou t-PA), ténectéplase \" Q: Comment agissent les thrombolytiques ?,R: Ils agissent en transformant le plasminogène en plasmine qui entraîne la dissolution rapide du thrombus fibrino-plaquettaire Q: Quelles sont les principales complications des thrombolytiques ?,R: Saignement Réactions allergiques Q: Quelles sont les indications des thrombolytiques ? (x5),R: Syndromes coronariens aigus avec sus-décalage du segment ST < 6-12 heures Embolie pulmonaire massive avec hypotension artérielle AVC ischémique < 4 heures 30 Thrombose occlusive de prothèse valvulaire mécanique (si chirurgie rapide impossible) Q: Quelles sont les contre-indications absolues des thrombolytiques ? (x8),\"R: AVC ischémique < 6 mois Hémorragie cérébro-méningée (contre-indication à vie) Malformation vasculaire ou tumeur cérébrale Traumatisme sévère <1 mois (chirurgie, accouchement, fracture...) Saignement gastro-intestinal < 1 mois Pathologie de l'hémostase Dissection aortique Ponction d'organes non compressibles < 24 heures (foie, ponction lombaire) \" Q: Quelles sont les contre-indications relatives des thrombolytiques ? (x8),R: AIT < 6 mois Traitement anticoagulant oral en cours Grossesse ou 1ère semaine du post-partum HTA non contrôlée (> 180/110 mmHg) Insuffisance hépatocellulaire sévère (cirrhose) Endocardite infectieuse Ulcère gastroduodénal actif Réanimation prolongée ou traumatique ### Human: V. CONDUITE DEVANT UN SURDOSAGE ASYMPTOMATIQUE AUX AVK La prise en charge d'un surdosage aux AVK asymptomatique se fait généralement en ambulatoire, sauf s'il existe des facteurs de risque hémorragique individuels : âge, antécédent hémorragique, comorbidité... INR Inesurd INR < 4 BS INR < 10 INR 2 10 Prise en charge d'un surdosage asymptomatique en AVK MESURES CORRECTRICES (Recommandations HAS) INR cible 2,5 (Fenêtre entre 2 et 3) • Pas de saut de prise • Pas d'apport de vitamine K • Saul de prise • Pas d'apport de vitamine K • Arrêt du traitement par AVK 152 mg de vitumine K per os 41/2 ampoule buvable forme pédiatrique) (grade Ali • Arrêt du traitement par AVK • 5 mg de vitamine K per os (1/2 ampoule buvable forme adulte) (grade A) INR 23 (Fenêtre 25-3,545) . Pas de saut de prise • Pas d'apport de vitamine K • Saul de prise • Un avis spécialisé (exemple : cardiologue si le patient est porteur d'une prothèse valvulaire mécanique) est recommandé pour discuter un traitement éventuel par 1 à 2 mg de vitamine K per os (1/2 à 1 ampoule buvable forme pédiatrique) Un avis spécialisé sans délai ou une hospitalisation sont recommandés ### ASSISTANT: Q: Comment se fait généralement la prise en charge d'un surdosage asymptomatique aux AVK ? (x2),\"R: En ambulatoire, sauf s'il existe des facteurs de risque hémorragique individuels Avec une évaluation des facteurs de risque hémorragique individuels tels que l'âge, les antécédents hémorragiques, les comorbidités... \" Q: Quelle est la mesure corrective recommandée pour un INR inférieur à 4 ?,\"R: Pas de saut de prise, pas d'apport de vitamine K \" Q: Quelle est la mesure corrective recommandée pour un INR entre 4 et 10 ?,\"R: Saut de prise, pas d'apport de vitamine K \" Q: Quelle est la mesure corrective recommandée pour un INR entre 2 et 3,5 ?,R: Un avis spécialisé est recommandé pour discuter un traitement éventuel par 1 à 2 mg de vitamine K per os Q: Quelles sont les mesures correctives recommandées pour un INR supérieur à 10 ?,\"R: Pas de saut de prise, pas d'apport de vitamine K, un avis spécialisé sans délai ou une hospitalisation sont recommandés \" ### Human: VI. CONDUITE DEVANT UNE COMPLICATION HEMORRAGIQUE GRAVE > Hospitalisation Mesures communes Arrêt du traitement antithrombosant Biologie d'urgence : formule numération sanguine, taux de prothrombine, INR, TCA, bilan rénal + Mesures d'hémostase locale + Transfusion sanguine Mesures spécifiques Saignement sous antiplaquettaires Transfusion de plaquettes Saignement sous heparines Antidote = Sulfate de Protamine intra-veineux: 1 mg de protamine neutralise 100 Ul d'HNF et 100 Ul anti-Xa d'HBPM (dose pour dose). Saignement sous AVK Vitamine K, facteurs PPSB Saignement sous AOD Charbon si la dernière prise de l'AOD remonte à moins de 6 heures Dialyse, Idarucizumab (antidote): malades sous dabigratran Andexanet alpha (antidote): malades sous inhibiteurs du fact Xa Saignement sous thrombolytiques Acide tranexamique injectable (puissant inhibiteur de la plasmine) 482 Cardiologie Liste non exhaustive des interactions médicamenteuses avec les AVK Médicaments potentialisateurs (risque hémorragique 1) Inhibiteurs enzymatiques Métronidazole Erythromycine Cimetidine Miconazole (danger++) Izoniazide Action sur l'hémostase Aspirine Médicaments inhibiteurs (risque thromboembolique↑) Inducteurs enzymatiques Alcool Barbituriques Rifampicine Griseofulvine Carbamazepine Pénicillines Baisse de la réabsorption digestive Colestiramine Clopidogrel AINS Phenylbutazone Sulfamides antibactériens Certaines céphosporines Autres mécanismes Amiodarone Statines Fibrates Hormones thyroidiennes Estrogènes Stéroïdes anabolisanls Acide nalidixique Piroxicam Charbon Sucralphate Autres mécanismes Métformine Pour en savoir plus Le Guide Pratique Du Bon Usage des Anticoagulants. ### ASSISTANT: Q: Que faire en cas d'une complication hémorragique grave sous traitement antithrombosant ? (x4),\"R: Hospitalisation Arrêt du traitement antithrombosant Mesures communes (biologie d'urgence, mesures d'hémostase locale, transfusion sanguine) Mesures spécifiques selon le type de traitement antithrombosant \" Q: Quel antidote peut être utilisé en cas de saignement sous antiplaquettaires ? (x1),R: Transfusion de plaquettes Q: Quel antidote peut être utilisé en cas de saignement sous héparines ? (x1),R: Sulfate de Protamine (1 mg de protamine neutralise 100 Ul d'HNF et 100 Ul anti-Xa d'HBPM) Q: Quels sont les antidotes à utiliser en cas de saignement sous AVK ? (x2),R: Vitamine K Facteurs PPSB Q: Quelles mesures peut-on prendre en cas de saignement sous AOD ? (x2),\"R: Charbon (si la dernière prise de l'AOD remonte à moins de 6 heures) Dialyse, Idarucizumab (antidote) pour les malades sous dabigatran, Andexanet alpha (antidote) pour les malades sous inhibiteurs du facteur Xa \" Q: Quel est le puissant inhibiteur de la plasmine utilisé en cas de saignement sous thrombolytiques ? (x1),R: Acide tranexamique injectable Q: Quels médicaments peuvent potentialiser le risque hémorragique associé aux AVK ? (x5),R: Métronidazole Erythromycine Cimetidine Miconazole (danger++) Isoniazide Q: Quels médicaments peuvent inhiber l'effet des AVK et augmenter le risque de thromboembolie ? (x7),\"R: Alcool Barbituriques Rifampicine Griseofulvine Carbamazepine Pénicillines Baisse de la réabsorption digestive (colestiramine, clopidogrel) \" Q: Quels mécanismes d'interaction médicamenteuse peuvent influencer l'effet des AVK ? (x7),\"R: Action sur l'hémostase (aspirine, AINS, phenylbutazone, sulfamides antibactériens, certaines céphosporines) Autres mécanismes (amiodarone, statines, fibrates, hormones thyroidiennes, estrogènes, stéroïdes anabolisants, acide nalidixique, piroxicam, charbon, sucralphate, métformine) \""
]
| [
6,
14731
]
| [
"passage: TAGS\n#region-us \n"
]
|
e01bdec0e690863260cb92ff94530a8e373847fc | # Dataset Card for "ECC_crackdataset_withsplit"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | rishitunu/ECC_crackdataset_withsplit | [
"region:us"
]
| 2023-11-08T11:31:16+00:00 | {"configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}, {"split": "test", "path": "data/test-*"}]}], "dataset_info": {"features": [{"name": "image", "dtype": "image"}, {"name": "label", "dtype": "image"}], "splits": [{"name": "train", "num_bytes": 9770063.344, "num_examples": 1031}, {"name": "test", "num_bytes": 2441398.0, "num_examples": 258}], "download_size": 12018420, "dataset_size": 12211461.344}} | 2023-11-08T11:36:35+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "ECC_crackdataset_withsplit"
More Information needed | [
"# Dataset Card for \"ECC_crackdataset_withsplit\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"ECC_crackdataset_withsplit\"\n\nMore Information needed"
]
| [
6,
21
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"ECC_crackdataset_withsplit\"\n\nMore Information needed"
]
|
52c4930d8d36dfd8de6a149a9a897e2134e1380b | # Dataset Card for "medzoom-llama2-30"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards) | lotfi4000/medzoom-llama2-30 | [
"region:us"
]
| 2023-11-08T11:55:42+00:00 | {"dataset_info": {"features": [{"name": "text", "dtype": "string"}], "splits": [{"name": "train", "num_bytes": 52668, "num_examples": 30}], "download_size": 38238, "dataset_size": 52668}, "configs": [{"config_name": "default", "data_files": [{"split": "train", "path": "data/train-*"}]}]} | 2023-11-09T09:30:13+00:00 | []
| []
| TAGS
#region-us
| # Dataset Card for "medzoom-llama2-30"
More Information needed | [
"# Dataset Card for \"medzoom-llama2-30\"\n\nMore Information needed"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for \"medzoom-llama2-30\"\n\nMore Information needed"
]
| [
6,
18
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for \"medzoom-llama2-30\"\n\nMore Information needed"
]
|
3537912184a271020c8b40e178973d6a70c70152 |
# Dataset Card for Evaluation run of Weyaxi/OpenOrca-Nebula-7B
## Dataset Description
- **Homepage:**
- **Repository:** https://huggingface.co/Weyaxi/OpenOrca-Nebula-7B
- **Paper:**
- **Leaderboard:** https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard
- **Point of Contact:** [email protected]
### Dataset Summary
Dataset automatically created during the evaluation run of model [Weyaxi/OpenOrca-Nebula-7B](https://huggingface.co/Weyaxi/OpenOrca-Nebula-7B) on the [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard).
The dataset is composed of 61 configuration, each one coresponding to one of the evaluated task.
The dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The "train" split is always pointing to the latest results.
An additional configuration "results" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard)).
To load the details from a run, you can for instance do the following:
```python
from datasets import load_dataset
data = load_dataset("open-llm-leaderboard/details_Weyaxi__OpenOrca-Nebula-7B_public",
"harness_truthfulqa_mc_0",
split="train")
```
## Latest results
These are the [latest results from run 2023-11-08T11:58:02.317093](https://huggingface.co/datasets/open-llm-leaderboard/details_Weyaxi__OpenOrca-Nebula-7B_public/blob/main/results_2023-11-08T11-58-02.317093.json)(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the "latest" split for each eval):
```python
{
"all": {
"acc": 0.5781344309327976,
"acc_stderr": 0.03435050067075012,
"acc_norm": 0.581933273042423,
"acc_norm_stderr": 0.03433158518593753,
"mc1": 0.3684210526315789,
"mc1_stderr": 0.016886551261046046,
"mc2": 0.531795789007015,
"mc2_stderr": 0.015539765760842488
},
"harness|arc:challenge|25": {
"acc": 0.552901023890785,
"acc_stderr": 0.014529380160526848,
"acc_norm": 0.5870307167235495,
"acc_norm_stderr": 0.014388344935398326
},
"harness|hellaswag|10": {
"acc": 0.6283608842859988,
"acc_stderr": 0.004822550638450896,
"acc_norm": 0.8183628759211312,
"acc_norm_stderr": 0.0038475722596364257
},
"harness|hendrycksTest-abstract_algebra|5": {
"acc": 0.32,
"acc_stderr": 0.04688261722621504,
"acc_norm": 0.32,
"acc_norm_stderr": 0.04688261722621504
},
"harness|hendrycksTest-anatomy|5": {
"acc": 0.5777777777777777,
"acc_stderr": 0.04266763404099582,
"acc_norm": 0.5777777777777777,
"acc_norm_stderr": 0.04266763404099582
},
"harness|hendrycksTest-astronomy|5": {
"acc": 0.5986842105263158,
"acc_stderr": 0.03988903703336284,
"acc_norm": 0.5986842105263158,
"acc_norm_stderr": 0.03988903703336284
},
"harness|hendrycksTest-business_ethics|5": {
"acc": 0.52,
"acc_stderr": 0.05021167315686779,
"acc_norm": 0.52,
"acc_norm_stderr": 0.05021167315686779
},
"harness|hendrycksTest-clinical_knowledge|5": {
"acc": 0.5773584905660377,
"acc_stderr": 0.03040233144576954,
"acc_norm": 0.5773584905660377,
"acc_norm_stderr": 0.03040233144576954
},
"harness|hendrycksTest-college_biology|5": {
"acc": 0.6597222222222222,
"acc_stderr": 0.039621355734862175,
"acc_norm": 0.6597222222222222,
"acc_norm_stderr": 0.039621355734862175
},
"harness|hendrycksTest-college_chemistry|5": {
"acc": 0.42,
"acc_stderr": 0.049604496374885836,
"acc_norm": 0.42,
"acc_norm_stderr": 0.049604496374885836
},
"harness|hendrycksTest-college_computer_science|5": {
"acc": 0.48,
"acc_stderr": 0.050211673156867795,
"acc_norm": 0.48,
"acc_norm_stderr": 0.050211673156867795
},
"harness|hendrycksTest-college_mathematics|5": {
"acc": 0.38,
"acc_stderr": 0.048783173121456316,
"acc_norm": 0.38,
"acc_norm_stderr": 0.048783173121456316
},
"harness|hendrycksTest-college_medicine|5": {
"acc": 0.6127167630057804,
"acc_stderr": 0.03714325906302065,
"acc_norm": 0.6127167630057804,
"acc_norm_stderr": 0.03714325906302065
},
"harness|hendrycksTest-college_physics|5": {
"acc": 0.3235294117647059,
"acc_stderr": 0.046550104113196177,
"acc_norm": 0.3235294117647059,
"acc_norm_stderr": 0.046550104113196177
},
"harness|hendrycksTest-computer_security|5": {
"acc": 0.68,
"acc_stderr": 0.046882617226215034,
"acc_norm": 0.68,
"acc_norm_stderr": 0.046882617226215034
},
"harness|hendrycksTest-conceptual_physics|5": {
"acc": 0.4595744680851064,
"acc_stderr": 0.03257901482099835,
"acc_norm": 0.4595744680851064,
"acc_norm_stderr": 0.03257901482099835
},
"harness|hendrycksTest-econometrics|5": {
"acc": 0.39473684210526316,
"acc_stderr": 0.045981880578165414,
"acc_norm": 0.39473684210526316,
"acc_norm_stderr": 0.045981880578165414
},
"harness|hendrycksTest-electrical_engineering|5": {
"acc": 0.5310344827586206,
"acc_stderr": 0.04158632762097828,
"acc_norm": 0.5310344827586206,
"acc_norm_stderr": 0.04158632762097828
},
"harness|hendrycksTest-elementary_mathematics|5": {
"acc": 0.41798941798941797,
"acc_stderr": 0.02540255550326091,
"acc_norm": 0.41798941798941797,
"acc_norm_stderr": 0.02540255550326091
},
"harness|hendrycksTest-formal_logic|5": {
"acc": 0.36507936507936506,
"acc_stderr": 0.04306241259127153,
"acc_norm": 0.36507936507936506,
"acc_norm_stderr": 0.04306241259127153
},
"harness|hendrycksTest-global_facts|5": {
"acc": 0.33,
"acc_stderr": 0.04725815626252605,
"acc_norm": 0.33,
"acc_norm_stderr": 0.04725815626252605
},
"harness|hendrycksTest-high_school_biology|5": {
"acc": 0.7129032258064516,
"acc_stderr": 0.025736542745594528,
"acc_norm": 0.7129032258064516,
"acc_norm_stderr": 0.025736542745594528
},
"harness|hendrycksTest-high_school_chemistry|5": {
"acc": 0.4729064039408867,
"acc_stderr": 0.03512819077876106,
"acc_norm": 0.4729064039408867,
"acc_norm_stderr": 0.03512819077876106
},
"harness|hendrycksTest-high_school_computer_science|5": {
"acc": 0.6,
"acc_stderr": 0.049236596391733084,
"acc_norm": 0.6,
"acc_norm_stderr": 0.049236596391733084
},
"harness|hendrycksTest-high_school_european_history|5": {
"acc": 0.7151515151515152,
"acc_stderr": 0.0352439084451178,
"acc_norm": 0.7151515151515152,
"acc_norm_stderr": 0.0352439084451178
},
"harness|hendrycksTest-high_school_geography|5": {
"acc": 0.7626262626262627,
"acc_stderr": 0.0303137105381989,
"acc_norm": 0.7626262626262627,
"acc_norm_stderr": 0.0303137105381989
},
"harness|hendrycksTest-high_school_government_and_politics|5": {
"acc": 0.7823834196891192,
"acc_stderr": 0.029778663037752954,
"acc_norm": 0.7823834196891192,
"acc_norm_stderr": 0.029778663037752954
},
"harness|hendrycksTest-high_school_macroeconomics|5": {
"acc": 0.5769230769230769,
"acc_stderr": 0.025049197876042345,
"acc_norm": 0.5769230769230769,
"acc_norm_stderr": 0.025049197876042345
},
"harness|hendrycksTest-high_school_mathematics|5": {
"acc": 0.3037037037037037,
"acc_stderr": 0.028037929969114986,
"acc_norm": 0.3037037037037037,
"acc_norm_stderr": 0.028037929969114986
},
"harness|hendrycksTest-high_school_microeconomics|5": {
"acc": 0.5630252100840336,
"acc_stderr": 0.032219436365661956,
"acc_norm": 0.5630252100840336,
"acc_norm_stderr": 0.032219436365661956
},
"harness|hendrycksTest-high_school_physics|5": {
"acc": 0.37748344370860926,
"acc_stderr": 0.0395802723112157,
"acc_norm": 0.37748344370860926,
"acc_norm_stderr": 0.0395802723112157
},
"harness|hendrycksTest-high_school_psychology|5": {
"acc": 0.7798165137614679,
"acc_stderr": 0.017765978652327562,
"acc_norm": 0.7798165137614679,
"acc_norm_stderr": 0.017765978652327562
},
"harness|hendrycksTest-high_school_statistics|5": {
"acc": 0.39814814814814814,
"acc_stderr": 0.033384734032074016,
"acc_norm": 0.39814814814814814,
"acc_norm_stderr": 0.033384734032074016
},
"harness|hendrycksTest-high_school_us_history|5": {
"acc": 0.7450980392156863,
"acc_stderr": 0.03058759135160425,
"acc_norm": 0.7450980392156863,
"acc_norm_stderr": 0.03058759135160425
},
"harness|hendrycksTest-high_school_world_history|5": {
"acc": 0.7848101265822784,
"acc_stderr": 0.026750826994676166,
"acc_norm": 0.7848101265822784,
"acc_norm_stderr": 0.026750826994676166
},
"harness|hendrycksTest-human_aging|5": {
"acc": 0.6412556053811659,
"acc_stderr": 0.03219079200419995,
"acc_norm": 0.6412556053811659,
"acc_norm_stderr": 0.03219079200419995
},
"harness|hendrycksTest-human_sexuality|5": {
"acc": 0.7022900763358778,
"acc_stderr": 0.04010358942462203,
"acc_norm": 0.7022900763358778,
"acc_norm_stderr": 0.04010358942462203
},
"harness|hendrycksTest-international_law|5": {
"acc": 0.71900826446281,
"acc_stderr": 0.04103203830514511,
"acc_norm": 0.71900826446281,
"acc_norm_stderr": 0.04103203830514511
},
"harness|hendrycksTest-jurisprudence|5": {
"acc": 0.6481481481481481,
"acc_stderr": 0.046166311118017125,
"acc_norm": 0.6481481481481481,
"acc_norm_stderr": 0.046166311118017125
},
"harness|hendrycksTest-logical_fallacies|5": {
"acc": 0.6687116564417178,
"acc_stderr": 0.03697983910025588,
"acc_norm": 0.6687116564417178,
"acc_norm_stderr": 0.03697983910025588
},
"harness|hendrycksTest-machine_learning|5": {
"acc": 0.375,
"acc_stderr": 0.04595091388086298,
"acc_norm": 0.375,
"acc_norm_stderr": 0.04595091388086298
},
"harness|hendrycksTest-management|5": {
"acc": 0.7864077669902912,
"acc_stderr": 0.040580420156460344,
"acc_norm": 0.7864077669902912,
"acc_norm_stderr": 0.040580420156460344
},
"harness|hendrycksTest-marketing|5": {
"acc": 0.8162393162393162,
"acc_stderr": 0.025372139671722933,
"acc_norm": 0.8162393162393162,
"acc_norm_stderr": 0.025372139671722933
},
"harness|hendrycksTest-medical_genetics|5": {
"acc": 0.72,
"acc_stderr": 0.04512608598542129,
"acc_norm": 0.72,
"acc_norm_stderr": 0.04512608598542129
},
"harness|hendrycksTest-miscellaneous|5": {
"acc": 0.7739463601532567,
"acc_stderr": 0.014957458504335833,
"acc_norm": 0.7739463601532567,
"acc_norm_stderr": 0.014957458504335833
},
"harness|hendrycksTest-moral_disputes|5": {
"acc": 0.615606936416185,
"acc_stderr": 0.026189666966272035,
"acc_norm": 0.615606936416185,
"acc_norm_stderr": 0.026189666966272035
},
"harness|hendrycksTest-moral_scenarios|5": {
"acc": 0.3553072625698324,
"acc_stderr": 0.01600698993480319,
"acc_norm": 0.3553072625698324,
"acc_norm_stderr": 0.01600698993480319
},
"harness|hendrycksTest-nutrition|5": {
"acc": 0.630718954248366,
"acc_stderr": 0.02763417668960266,
"acc_norm": 0.630718954248366,
"acc_norm_stderr": 0.02763417668960266
},
"harness|hendrycksTest-philosophy|5": {
"acc": 0.6463022508038585,
"acc_stderr": 0.02715520810320086,
"acc_norm": 0.6463022508038585,
"acc_norm_stderr": 0.02715520810320086
},
"harness|hendrycksTest-prehistory|5": {
"acc": 0.6759259259259259,
"acc_stderr": 0.02604176620271716,
"acc_norm": 0.6759259259259259,
"acc_norm_stderr": 0.02604176620271716
},
"harness|hendrycksTest-professional_accounting|5": {
"acc": 0.42907801418439717,
"acc_stderr": 0.02952591430255856,
"acc_norm": 0.42907801418439717,
"acc_norm_stderr": 0.02952591430255856
},
"harness|hendrycksTest-professional_law|5": {
"acc": 0.4302477183833116,
"acc_stderr": 0.012645361435115233,
"acc_norm": 0.4302477183833116,
"acc_norm_stderr": 0.012645361435115233
},
"harness|hendrycksTest-professional_medicine|5": {
"acc": 0.5220588235294118,
"acc_stderr": 0.03034326422421352,
"acc_norm": 0.5220588235294118,
"acc_norm_stderr": 0.03034326422421352
},
"harness|hendrycksTest-professional_psychology|5": {
"acc": 0.5980392156862745,
"acc_stderr": 0.01983517648437539,
"acc_norm": 0.5980392156862745,
"acc_norm_stderr": 0.01983517648437539
},
"harness|hendrycksTest-public_relations|5": {
"acc": 0.6454545454545455,
"acc_stderr": 0.04582004841505417,
"acc_norm": 0.6454545454545455,
"acc_norm_stderr": 0.04582004841505417
},
"harness|hendrycksTest-security_studies|5": {
"acc": 0.5265306122448979,
"acc_stderr": 0.03196412734523272,
"acc_norm": 0.5265306122448979,
"acc_norm_stderr": 0.03196412734523272
},
"harness|hendrycksTest-sociology|5": {
"acc": 0.7711442786069652,
"acc_stderr": 0.029705284056772432,
"acc_norm": 0.7711442786069652,
"acc_norm_stderr": 0.029705284056772432
},
"harness|hendrycksTest-us_foreign_policy|5": {
"acc": 0.79,
"acc_stderr": 0.040936018074033256,
"acc_norm": 0.79,
"acc_norm_stderr": 0.040936018074033256
},
"harness|hendrycksTest-virology|5": {
"acc": 0.4578313253012048,
"acc_stderr": 0.0387862677100236,
"acc_norm": 0.4578313253012048,
"acc_norm_stderr": 0.0387862677100236
},
"harness|hendrycksTest-world_religions|5": {
"acc": 0.7602339181286549,
"acc_stderr": 0.032744852119469564,
"acc_norm": 0.7602339181286549,
"acc_norm_stderr": 0.032744852119469564
},
"harness|truthfulqa:mc|0": {
"mc1": 0.3684210526315789,
"mc1_stderr": 0.016886551261046046,
"mc2": 0.531795789007015,
"mc2_stderr": 0.015539765760842488
}
}
```
### Supported Tasks and Leaderboards
[More Information Needed]
### Languages
[More Information Needed]
## Dataset Structure
### Data Instances
[More Information Needed]
### Data Fields
[More Information Needed]
### Data Splits
[More Information Needed]
## Dataset Creation
### Curation Rationale
[More Information Needed]
### Source Data
#### Initial Data Collection and Normalization
[More Information Needed]
#### Who are the source language producers?
[More Information Needed]
### Annotations
#### Annotation process
[More Information Needed]
#### Who are the annotators?
[More Information Needed]
### Personal and Sensitive Information
[More Information Needed]
## Considerations for Using the Data
### Social Impact of Dataset
[More Information Needed]
### Discussion of Biases
[More Information Needed]
### Other Known Limitations
[More Information Needed]
## Additional Information
### Dataset Curators
[More Information Needed]
### Licensing Information
[More Information Needed]
### Citation Information
[More Information Needed]
### Contributions
[More Information Needed] | open-llm-leaderboard/details_Weyaxi__OpenOrca-Nebula-7B | [
"region:us"
]
| 2023-11-08T12:00:48+00:00 | {"pretty_name": "Evaluation run of Weyaxi/OpenOrca-Nebula-7B", "dataset_summary": "Dataset automatically created during the evaluation run of model [Weyaxi/OpenOrca-Nebula-7B](https://huggingface.co/Weyaxi/OpenOrca-Nebula-7B) on the [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard).\n\nThe dataset is composed of 61 configuration, each one coresponding to one of the evaluated task.\n\nThe dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The \"train\" split is always pointing to the latest results.\n\nAn additional configuration \"results\" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the [Open LLM Leaderboard](https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard)).\n\nTo load the details from a run, you can for instance do the following:\n```python\nfrom datasets import load_dataset\ndata = load_dataset(\"open-llm-leaderboard/details_Weyaxi__OpenOrca-Nebula-7B_public\",\n\t\"harness_truthfulqa_mc_0\",\n\tsplit=\"train\")\n```\n\n## Latest results\n\nThese are the [latest results from run 2023-11-08T11:58:02.317093](https://huggingface.co/datasets/open-llm-leaderboard/details_Weyaxi__OpenOrca-Nebula-7B_public/blob/main/results_2023-11-08T11-58-02.317093.json)(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the \"latest\" split for each eval):\n\n```python\n{\n \"all\": {\n \"acc\": 0.5781344309327976,\n \"acc_stderr\": 0.03435050067075012,\n \"acc_norm\": 0.581933273042423,\n \"acc_norm_stderr\": 0.03433158518593753,\n \"mc1\": 0.3684210526315789,\n \"mc1_stderr\": 0.016886551261046046,\n \"mc2\": 0.531795789007015,\n \"mc2_stderr\": 0.015539765760842488\n },\n \"harness|arc:challenge|25\": {\n \"acc\": 0.552901023890785,\n \"acc_stderr\": 0.014529380160526848,\n \"acc_norm\": 0.5870307167235495,\n \"acc_norm_stderr\": 0.014388344935398326\n },\n \"harness|hellaswag|10\": {\n \"acc\": 0.6283608842859988,\n \"acc_stderr\": 0.004822550638450896,\n \"acc_norm\": 0.8183628759211312,\n \"acc_norm_stderr\": 0.0038475722596364257\n },\n \"harness|hendrycksTest-abstract_algebra|5\": {\n \"acc\": 0.32,\n \"acc_stderr\": 0.04688261722621504,\n \"acc_norm\": 0.32,\n \"acc_norm_stderr\": 0.04688261722621504\n },\n \"harness|hendrycksTest-anatomy|5\": {\n \"acc\": 0.5777777777777777,\n \"acc_stderr\": 0.04266763404099582,\n \"acc_norm\": 0.5777777777777777,\n \"acc_norm_stderr\": 0.04266763404099582\n },\n \"harness|hendrycksTest-astronomy|5\": {\n \"acc\": 0.5986842105263158,\n \"acc_stderr\": 0.03988903703336284,\n \"acc_norm\": 0.5986842105263158,\n \"acc_norm_stderr\": 0.03988903703336284\n },\n \"harness|hendrycksTest-business_ethics|5\": {\n \"acc\": 0.52,\n \"acc_stderr\": 0.05021167315686779,\n \"acc_norm\": 0.52,\n \"acc_norm_stderr\": 0.05021167315686779\n },\n \"harness|hendrycksTest-clinical_knowledge|5\": {\n \"acc\": 0.5773584905660377,\n \"acc_stderr\": 0.03040233144576954,\n \"acc_norm\": 0.5773584905660377,\n \"acc_norm_stderr\": 0.03040233144576954\n },\n \"harness|hendrycksTest-college_biology|5\": {\n \"acc\": 0.6597222222222222,\n \"acc_stderr\": 0.039621355734862175,\n \"acc_norm\": 0.6597222222222222,\n \"acc_norm_stderr\": 0.039621355734862175\n },\n \"harness|hendrycksTest-college_chemistry|5\": {\n \"acc\": 0.42,\n \"acc_stderr\": 0.049604496374885836,\n \"acc_norm\": 0.42,\n \"acc_norm_stderr\": 0.049604496374885836\n },\n \"harness|hendrycksTest-college_computer_science|5\": {\n \"acc\": 0.48,\n \"acc_stderr\": 0.050211673156867795,\n \"acc_norm\": 0.48,\n \"acc_norm_stderr\": 0.050211673156867795\n },\n \"harness|hendrycksTest-college_mathematics|5\": {\n \"acc\": 0.38,\n \"acc_stderr\": 0.048783173121456316,\n \"acc_norm\": 0.38,\n \"acc_norm_stderr\": 0.048783173121456316\n },\n \"harness|hendrycksTest-college_medicine|5\": {\n \"acc\": 0.6127167630057804,\n \"acc_stderr\": 0.03714325906302065,\n \"acc_norm\": 0.6127167630057804,\n \"acc_norm_stderr\": 0.03714325906302065\n },\n \"harness|hendrycksTest-college_physics|5\": {\n \"acc\": 0.3235294117647059,\n \"acc_stderr\": 0.046550104113196177,\n \"acc_norm\": 0.3235294117647059,\n \"acc_norm_stderr\": 0.046550104113196177\n },\n \"harness|hendrycksTest-computer_security|5\": {\n \"acc\": 0.68,\n \"acc_stderr\": 0.046882617226215034,\n \"acc_norm\": 0.68,\n \"acc_norm_stderr\": 0.046882617226215034\n },\n \"harness|hendrycksTest-conceptual_physics|5\": {\n \"acc\": 0.4595744680851064,\n \"acc_stderr\": 0.03257901482099835,\n \"acc_norm\": 0.4595744680851064,\n \"acc_norm_stderr\": 0.03257901482099835\n },\n \"harness|hendrycksTest-econometrics|5\": {\n \"acc\": 0.39473684210526316,\n \"acc_stderr\": 0.045981880578165414,\n \"acc_norm\": 0.39473684210526316,\n \"acc_norm_stderr\": 0.045981880578165414\n },\n \"harness|hendrycksTest-electrical_engineering|5\": {\n \"acc\": 0.5310344827586206,\n \"acc_stderr\": 0.04158632762097828,\n \"acc_norm\": 0.5310344827586206,\n \"acc_norm_stderr\": 0.04158632762097828\n },\n \"harness|hendrycksTest-elementary_mathematics|5\": {\n \"acc\": 0.41798941798941797,\n \"acc_stderr\": 0.02540255550326091,\n \"acc_norm\": 0.41798941798941797,\n \"acc_norm_stderr\": 0.02540255550326091\n },\n \"harness|hendrycksTest-formal_logic|5\": {\n \"acc\": 0.36507936507936506,\n \"acc_stderr\": 0.04306241259127153,\n \"acc_norm\": 0.36507936507936506,\n \"acc_norm_stderr\": 0.04306241259127153\n },\n \"harness|hendrycksTest-global_facts|5\": {\n \"acc\": 0.33,\n \"acc_stderr\": 0.04725815626252605,\n \"acc_norm\": 0.33,\n \"acc_norm_stderr\": 0.04725815626252605\n },\n \"harness|hendrycksTest-high_school_biology|5\": {\n \"acc\": 0.7129032258064516,\n \"acc_stderr\": 0.025736542745594528,\n \"acc_norm\": 0.7129032258064516,\n \"acc_norm_stderr\": 0.025736542745594528\n },\n \"harness|hendrycksTest-high_school_chemistry|5\": {\n \"acc\": 0.4729064039408867,\n \"acc_stderr\": 0.03512819077876106,\n \"acc_norm\": 0.4729064039408867,\n \"acc_norm_stderr\": 0.03512819077876106\n },\n \"harness|hendrycksTest-high_school_computer_science|5\": {\n \"acc\": 0.6,\n \"acc_stderr\": 0.049236596391733084,\n \"acc_norm\": 0.6,\n \"acc_norm_stderr\": 0.049236596391733084\n },\n \"harness|hendrycksTest-high_school_european_history|5\": {\n \"acc\": 0.7151515151515152,\n \"acc_stderr\": 0.0352439084451178,\n \"acc_norm\": 0.7151515151515152,\n \"acc_norm_stderr\": 0.0352439084451178\n },\n \"harness|hendrycksTest-high_school_geography|5\": {\n \"acc\": 0.7626262626262627,\n \"acc_stderr\": 0.0303137105381989,\n \"acc_norm\": 0.7626262626262627,\n \"acc_norm_stderr\": 0.0303137105381989\n },\n \"harness|hendrycksTest-high_school_government_and_politics|5\": {\n \"acc\": 0.7823834196891192,\n \"acc_stderr\": 0.029778663037752954,\n \"acc_norm\": 0.7823834196891192,\n \"acc_norm_stderr\": 0.029778663037752954\n },\n \"harness|hendrycksTest-high_school_macroeconomics|5\": {\n \"acc\": 0.5769230769230769,\n \"acc_stderr\": 0.025049197876042345,\n \"acc_norm\": 0.5769230769230769,\n \"acc_norm_stderr\": 0.025049197876042345\n },\n \"harness|hendrycksTest-high_school_mathematics|5\": {\n \"acc\": 0.3037037037037037,\n \"acc_stderr\": 0.028037929969114986,\n \"acc_norm\": 0.3037037037037037,\n \"acc_norm_stderr\": 0.028037929969114986\n },\n \"harness|hendrycksTest-high_school_microeconomics|5\": {\n \"acc\": 0.5630252100840336,\n \"acc_stderr\": 0.032219436365661956,\n \"acc_norm\": 0.5630252100840336,\n \"acc_norm_stderr\": 0.032219436365661956\n },\n \"harness|hendrycksTest-high_school_physics|5\": {\n \"acc\": 0.37748344370860926,\n \"acc_stderr\": 0.0395802723112157,\n \"acc_norm\": 0.37748344370860926,\n \"acc_norm_stderr\": 0.0395802723112157\n },\n \"harness|hendrycksTest-high_school_psychology|5\": {\n \"acc\": 0.7798165137614679,\n \"acc_stderr\": 0.017765978652327562,\n \"acc_norm\": 0.7798165137614679,\n \"acc_norm_stderr\": 0.017765978652327562\n },\n \"harness|hendrycksTest-high_school_statistics|5\": {\n \"acc\": 0.39814814814814814,\n \"acc_stderr\": 0.033384734032074016,\n \"acc_norm\": 0.39814814814814814,\n \"acc_norm_stderr\": 0.033384734032074016\n },\n \"harness|hendrycksTest-high_school_us_history|5\": {\n \"acc\": 0.7450980392156863,\n \"acc_stderr\": 0.03058759135160425,\n \"acc_norm\": 0.7450980392156863,\n \"acc_norm_stderr\": 0.03058759135160425\n },\n \"harness|hendrycksTest-high_school_world_history|5\": {\n \"acc\": 0.7848101265822784,\n \"acc_stderr\": 0.026750826994676166,\n \"acc_norm\": 0.7848101265822784,\n \"acc_norm_stderr\": 0.026750826994676166\n },\n \"harness|hendrycksTest-human_aging|5\": {\n \"acc\": 0.6412556053811659,\n \"acc_stderr\": 0.03219079200419995,\n \"acc_norm\": 0.6412556053811659,\n \"acc_norm_stderr\": 0.03219079200419995\n },\n \"harness|hendrycksTest-human_sexuality|5\": {\n \"acc\": 0.7022900763358778,\n \"acc_stderr\": 0.04010358942462203,\n \"acc_norm\": 0.7022900763358778,\n \"acc_norm_stderr\": 0.04010358942462203\n },\n \"harness|hendrycksTest-international_law|5\": {\n \"acc\": 0.71900826446281,\n \"acc_stderr\": 0.04103203830514511,\n \"acc_norm\": 0.71900826446281,\n \"acc_norm_stderr\": 0.04103203830514511\n },\n \"harness|hendrycksTest-jurisprudence|5\": {\n \"acc\": 0.6481481481481481,\n \"acc_stderr\": 0.046166311118017125,\n \"acc_norm\": 0.6481481481481481,\n \"acc_norm_stderr\": 0.046166311118017125\n },\n \"harness|hendrycksTest-logical_fallacies|5\": {\n \"acc\": 0.6687116564417178,\n \"acc_stderr\": 0.03697983910025588,\n \"acc_norm\": 0.6687116564417178,\n \"acc_norm_stderr\": 0.03697983910025588\n },\n \"harness|hendrycksTest-machine_learning|5\": {\n \"acc\": 0.375,\n \"acc_stderr\": 0.04595091388086298,\n \"acc_norm\": 0.375,\n \"acc_norm_stderr\": 0.04595091388086298\n },\n \"harness|hendrycksTest-management|5\": {\n \"acc\": 0.7864077669902912,\n \"acc_stderr\": 0.040580420156460344,\n \"acc_norm\": 0.7864077669902912,\n \"acc_norm_stderr\": 0.040580420156460344\n },\n \"harness|hendrycksTest-marketing|5\": {\n \"acc\": 0.8162393162393162,\n \"acc_stderr\": 0.025372139671722933,\n \"acc_norm\": 0.8162393162393162,\n \"acc_norm_stderr\": 0.025372139671722933\n },\n \"harness|hendrycksTest-medical_genetics|5\": {\n \"acc\": 0.72,\n \"acc_stderr\": 0.04512608598542129,\n \"acc_norm\": 0.72,\n \"acc_norm_stderr\": 0.04512608598542129\n },\n \"harness|hendrycksTest-miscellaneous|5\": {\n \"acc\": 0.7739463601532567,\n \"acc_stderr\": 0.014957458504335833,\n \"acc_norm\": 0.7739463601532567,\n \"acc_norm_stderr\": 0.014957458504335833\n },\n \"harness|hendrycksTest-moral_disputes|5\": {\n \"acc\": 0.615606936416185,\n \"acc_stderr\": 0.026189666966272035,\n \"acc_norm\": 0.615606936416185,\n \"acc_norm_stderr\": 0.026189666966272035\n },\n \"harness|hendrycksTest-moral_scenarios|5\": {\n \"acc\": 0.3553072625698324,\n \"acc_stderr\": 0.01600698993480319,\n \"acc_norm\": 0.3553072625698324,\n \"acc_norm_stderr\": 0.01600698993480319\n },\n \"harness|hendrycksTest-nutrition|5\": {\n \"acc\": 0.630718954248366,\n \"acc_stderr\": 0.02763417668960266,\n \"acc_norm\": 0.630718954248366,\n \"acc_norm_stderr\": 0.02763417668960266\n },\n \"harness|hendrycksTest-philosophy|5\": {\n \"acc\": 0.6463022508038585,\n \"acc_stderr\": 0.02715520810320086,\n \"acc_norm\": 0.6463022508038585,\n \"acc_norm_stderr\": 0.02715520810320086\n },\n \"harness|hendrycksTest-prehistory|5\": {\n \"acc\": 0.6759259259259259,\n \"acc_stderr\": 0.02604176620271716,\n \"acc_norm\": 0.6759259259259259,\n \"acc_norm_stderr\": 0.02604176620271716\n },\n \"harness|hendrycksTest-professional_accounting|5\": {\n \"acc\": 0.42907801418439717,\n \"acc_stderr\": 0.02952591430255856,\n \"acc_norm\": 0.42907801418439717,\n \"acc_norm_stderr\": 0.02952591430255856\n },\n \"harness|hendrycksTest-professional_law|5\": {\n \"acc\": 0.4302477183833116,\n \"acc_stderr\": 0.012645361435115233,\n \"acc_norm\": 0.4302477183833116,\n \"acc_norm_stderr\": 0.012645361435115233\n },\n \"harness|hendrycksTest-professional_medicine|5\": {\n \"acc\": 0.5220588235294118,\n \"acc_stderr\": 0.03034326422421352,\n \"acc_norm\": 0.5220588235294118,\n \"acc_norm_stderr\": 0.03034326422421352\n },\n \"harness|hendrycksTest-professional_psychology|5\": {\n \"acc\": 0.5980392156862745,\n \"acc_stderr\": 0.01983517648437539,\n \"acc_norm\": 0.5980392156862745,\n \"acc_norm_stderr\": 0.01983517648437539\n },\n \"harness|hendrycksTest-public_relations|5\": {\n \"acc\": 0.6454545454545455,\n \"acc_stderr\": 0.04582004841505417,\n \"acc_norm\": 0.6454545454545455,\n \"acc_norm_stderr\": 0.04582004841505417\n },\n \"harness|hendrycksTest-security_studies|5\": {\n \"acc\": 0.5265306122448979,\n \"acc_stderr\": 0.03196412734523272,\n \"acc_norm\": 0.5265306122448979,\n \"acc_norm_stderr\": 0.03196412734523272\n },\n \"harness|hendrycksTest-sociology|5\": {\n \"acc\": 0.7711442786069652,\n \"acc_stderr\": 0.029705284056772432,\n \"acc_norm\": 0.7711442786069652,\n \"acc_norm_stderr\": 0.029705284056772432\n },\n \"harness|hendrycksTest-us_foreign_policy|5\": {\n \"acc\": 0.79,\n \"acc_stderr\": 0.040936018074033256,\n \"acc_norm\": 0.79,\n \"acc_norm_stderr\": 0.040936018074033256\n },\n \"harness|hendrycksTest-virology|5\": {\n \"acc\": 0.4578313253012048,\n \"acc_stderr\": 0.0387862677100236,\n \"acc_norm\": 0.4578313253012048,\n \"acc_norm_stderr\": 0.0387862677100236\n },\n \"harness|hendrycksTest-world_religions|5\": {\n \"acc\": 0.7602339181286549,\n \"acc_stderr\": 0.032744852119469564,\n \"acc_norm\": 0.7602339181286549,\n \"acc_norm_stderr\": 0.032744852119469564\n },\n \"harness|truthfulqa:mc|0\": {\n \"mc1\": 0.3684210526315789,\n \"mc1_stderr\": 0.016886551261046046,\n \"mc2\": 0.531795789007015,\n \"mc2_stderr\": 0.015539765760842488\n }\n}\n```", "repo_url": "https://huggingface.co/Weyaxi/OpenOrca-Nebula-7B", "leaderboard_url": "https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard", "point_of_contact": "[email protected]", "configs": [{"config_name": "harness_arc_challenge_25", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|arc:challenge|25_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|arc:challenge|25_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hellaswag_10", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hellaswag|10_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hellaswag|10_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-abstract_algebra|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-anatomy|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-astronomy|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-business_ethics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-clinical_knowledge|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_biology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_chemistry|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_computer_science|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_mathematics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_medicine|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_physics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-computer_security|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-conceptual_physics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-econometrics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-electrical_engineering|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-elementary_mathematics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-formal_logic|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-global_facts|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_biology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_chemistry|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_computer_science|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_european_history|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_geography|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_mathematics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_microeconomics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_physics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_psychology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_statistics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_us_history|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_world_history|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-human_aging|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-human_sexuality|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-international_law|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-jurisprudence|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-logical_fallacies|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-machine_learning|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-management|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-marketing|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-medical_genetics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-miscellaneous|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-moral_disputes|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-moral_scenarios|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-nutrition|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-philosophy|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-prehistory|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-professional_accounting|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-professional_law|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-professional_medicine|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-professional_psychology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-public_relations|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-security_studies|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-sociology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-us_foreign_policy|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-virology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-world_religions|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-abstract_algebra|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-anatomy|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-astronomy|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-business_ethics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-clinical_knowledge|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_biology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_chemistry|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_computer_science|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_mathematics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_medicine|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-college_physics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-computer_security|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-conceptual_physics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-econometrics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-electrical_engineering|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-elementary_mathematics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-formal_logic|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-global_facts|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_biology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_chemistry|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_computer_science|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_european_history|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_geography|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_mathematics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_microeconomics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_physics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_psychology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_statistics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_us_history|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-high_school_world_history|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-human_aging|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-human_sexuality|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-international_law|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-jurisprudence|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-logical_fallacies|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-machine_learning|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-management|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-marketing|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-medical_genetics|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-miscellaneous|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-moral_disputes|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-moral_scenarios|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-nutrition|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-philosophy|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-prehistory|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-professional_accounting|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-professional_law|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-professional_medicine|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-professional_psychology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-public_relations|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-security_studies|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-sociology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-us_foreign_policy|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-virology|5_2023-11-08T11-58-02.317093.parquet", "**/details_harness|hendrycksTest-world_religions|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_abstract_algebra_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-abstract_algebra|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-abstract_algebra|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_anatomy_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-anatomy|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-anatomy|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_astronomy_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-astronomy|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-astronomy|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_business_ethics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-business_ethics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-business_ethics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_clinical_knowledge_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-clinical_knowledge|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-clinical_knowledge|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_college_biology_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-college_biology|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-college_biology|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_college_chemistry_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-college_chemistry|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-college_chemistry|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_college_computer_science_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-college_computer_science|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-college_computer_science|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_college_mathematics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-college_mathematics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-college_mathematics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_college_medicine_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-college_medicine|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-college_medicine|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_college_physics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-college_physics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-college_physics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_computer_security_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-computer_security|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-computer_security|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_conceptual_physics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-conceptual_physics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-conceptual_physics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_econometrics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-econometrics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-econometrics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_electrical_engineering_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-electrical_engineering|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-electrical_engineering|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_elementary_mathematics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-elementary_mathematics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-elementary_mathematics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_formal_logic_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-formal_logic|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-formal_logic|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_global_facts_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-global_facts|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-global_facts|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_biology_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_biology|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_biology|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_chemistry_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_chemistry|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_chemistry|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_computer_science_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_computer_science|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_computer_science|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_european_history_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_european_history|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_european_history|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_geography_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_geography|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_geography|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_government_and_politics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_government_and_politics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_macroeconomics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_macroeconomics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_mathematics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_mathematics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_mathematics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_microeconomics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_microeconomics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_microeconomics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_physics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_physics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_physics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_psychology_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_psychology|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_psychology|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_statistics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_statistics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_statistics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_us_history_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_us_history|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_us_history|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_high_school_world_history_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-high_school_world_history|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-high_school_world_history|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_human_aging_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-human_aging|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-human_aging|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_human_sexuality_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-human_sexuality|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-human_sexuality|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_international_law_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-international_law|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-international_law|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_jurisprudence_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-jurisprudence|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-jurisprudence|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_logical_fallacies_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-logical_fallacies|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-logical_fallacies|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_machine_learning_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-machine_learning|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-machine_learning|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_management_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-management|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-management|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_marketing_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-marketing|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-marketing|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_medical_genetics_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-medical_genetics|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-medical_genetics|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_miscellaneous_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-miscellaneous|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-miscellaneous|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_moral_disputes_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-moral_disputes|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-moral_disputes|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_moral_scenarios_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-moral_scenarios|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-moral_scenarios|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_nutrition_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-nutrition|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-nutrition|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_philosophy_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-philosophy|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-philosophy|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_prehistory_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-prehistory|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-prehistory|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_professional_accounting_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-professional_accounting|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-professional_accounting|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_professional_law_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-professional_law|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-professional_law|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_professional_medicine_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-professional_medicine|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-professional_medicine|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_professional_psychology_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-professional_psychology|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-professional_psychology|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_public_relations_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-public_relations|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-public_relations|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_security_studies_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-security_studies|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-security_studies|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_sociology_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-sociology|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-sociology|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_us_foreign_policy_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-us_foreign_policy|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-us_foreign_policy|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_virology_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-virology|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-virology|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_hendrycksTest_world_religions_5", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|hendrycksTest-world_religions|5_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|hendrycksTest-world_religions|5_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "harness_truthfulqa_mc_0", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["**/details_harness|truthfulqa:mc|0_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["**/details_harness|truthfulqa:mc|0_2023-11-08T11-58-02.317093.parquet"]}]}, {"config_name": "results", "data_files": [{"split": "2023_11_08T11_58_02.317093", "path": ["results_2023-11-08T11-58-02.317093.parquet"]}, {"split": "latest", "path": ["results_2023-11-08T11-58-02.317093.parquet"]}]}]} | 2023-11-08T12:01:52+00:00 | []
| []
| TAGS
#region-us
|
# Dataset Card for Evaluation run of Weyaxi/OpenOrca-Nebula-7B
## Dataset Description
- Homepage:
- Repository: URL
- Paper:
- Leaderboard: URL
- Point of Contact: clementine@URL
### Dataset Summary
Dataset automatically created during the evaluation run of model Weyaxi/OpenOrca-Nebula-7B on the Open LLM Leaderboard.
The dataset is composed of 61 configuration, each one coresponding to one of the evaluated task.
The dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The "train" split is always pointing to the latest results.
An additional configuration "results" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the Open LLM Leaderboard).
To load the details from a run, you can for instance do the following:
## Latest results
These are the latest results from run 2023-11-08T11:58:02.317093(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the "latest" split for each eval):
### Supported Tasks and Leaderboards
### Languages
## Dataset Structure
### Data Instances
### Data Fields
### Data Splits
## Dataset Creation
### Curation Rationale
### Source Data
#### Initial Data Collection and Normalization
#### Who are the source language producers?
### Annotations
#### Annotation process
#### Who are the annotators?
### Personal and Sensitive Information
## Considerations for Using the Data
### Social Impact of Dataset
### Discussion of Biases
### Other Known Limitations
## Additional Information
### Dataset Curators
### Licensing Information
### Contributions
| [
"# Dataset Card for Evaluation run of Weyaxi/OpenOrca-Nebula-7B",
"## Dataset Description\n\n- Homepage: \n- Repository: URL\n- Paper: \n- Leaderboard: URL\n- Point of Contact: clementine@URL",
"### Dataset Summary\n\nDataset automatically created during the evaluation run of model Weyaxi/OpenOrca-Nebula-7B on the Open LLM Leaderboard.\n\nThe dataset is composed of 61 configuration, each one coresponding to one of the evaluated task.\n\nThe dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The \"train\" split is always pointing to the latest results.\n\nAn additional configuration \"results\" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the Open LLM Leaderboard).\n\nTo load the details from a run, you can for instance do the following:",
"## Latest results\n\nThese are the latest results from run 2023-11-08T11:58:02.317093(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the \"latest\" split for each eval):",
"### Supported Tasks and Leaderboards",
"### Languages",
"## Dataset Structure",
"### Data Instances",
"### Data Fields",
"### Data Splits",
"## Dataset Creation",
"### Curation Rationale",
"### Source Data",
"#### Initial Data Collection and Normalization",
"#### Who are the source language producers?",
"### Annotations",
"#### Annotation process",
"#### Who are the annotators?",
"### Personal and Sensitive Information",
"## Considerations for Using the Data",
"### Social Impact of Dataset",
"### Discussion of Biases",
"### Other Known Limitations",
"## Additional Information",
"### Dataset Curators",
"### Licensing Information",
"### Contributions"
]
| [
"TAGS\n#region-us \n",
"# Dataset Card for Evaluation run of Weyaxi/OpenOrca-Nebula-7B",
"## Dataset Description\n\n- Homepage: \n- Repository: URL\n- Paper: \n- Leaderboard: URL\n- Point of Contact: clementine@URL",
"### Dataset Summary\n\nDataset automatically created during the evaluation run of model Weyaxi/OpenOrca-Nebula-7B on the Open LLM Leaderboard.\n\nThe dataset is composed of 61 configuration, each one coresponding to one of the evaluated task.\n\nThe dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The \"train\" split is always pointing to the latest results.\n\nAn additional configuration \"results\" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the Open LLM Leaderboard).\n\nTo load the details from a run, you can for instance do the following:",
"## Latest results\n\nThese are the latest results from run 2023-11-08T11:58:02.317093(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the \"latest\" split for each eval):",
"### Supported Tasks and Leaderboards",
"### Languages",
"## Dataset Structure",
"### Data Instances",
"### Data Fields",
"### Data Splits",
"## Dataset Creation",
"### Curation Rationale",
"### Source Data",
"#### Initial Data Collection and Normalization",
"#### Who are the source language producers?",
"### Annotations",
"#### Annotation process",
"#### Who are the annotators?",
"### Personal and Sensitive Information",
"## Considerations for Using the Data",
"### Social Impact of Dataset",
"### Discussion of Biases",
"### Other Known Limitations",
"## Additional Information",
"### Dataset Curators",
"### Licensing Information",
"### Contributions"
]
| [
6,
21,
31,
170,
67,
10,
4,
6,
6,
5,
5,
5,
7,
4,
10,
10,
5,
5,
9,
8,
8,
7,
8,
7,
5,
6,
6,
5
]
| [
"passage: TAGS\n#region-us \n# Dataset Card for Evaluation run of Weyaxi/OpenOrca-Nebula-7B## Dataset Description\n\n- Homepage: \n- Repository: URL\n- Paper: \n- Leaderboard: URL\n- Point of Contact: clementine@URL### Dataset Summary\n\nDataset automatically created during the evaluation run of model Weyaxi/OpenOrca-Nebula-7B on the Open LLM Leaderboard.\n\nThe dataset is composed of 61 configuration, each one coresponding to one of the evaluated task.\n\nThe dataset has been created from 1 run(s). Each run can be found as a specific split in each configuration, the split being named using the timestamp of the run.The \"train\" split is always pointing to the latest results.\n\nAn additional configuration \"results\" store all the aggregated results of the run (and is used to compute and display the aggregated metrics on the Open LLM Leaderboard).\n\nTo load the details from a run, you can for instance do the following:## Latest results\n\nThese are the latest results from run 2023-11-08T11:58:02.317093(note that their might be results for other tasks in the repos if successive evals didn't cover the same tasks. You find each in the results and the \"latest\" split for each eval):### Supported Tasks and Leaderboards### Languages## Dataset Structure### Data Instances### Data Fields### Data Splits## Dataset Creation### Curation Rationale### Source Data#### Initial Data Collection and Normalization#### Who are the source language producers?### Annotations#### Annotation process#### Who are the annotators?### Personal and Sensitive Information## Considerations for Using the Data### Social Impact of Dataset### Discussion of Biases### Other Known Limitations## Additional Information### Dataset Curators### Licensing Information### Contributions"
]
|
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.