--- task_categories: - text-classification language: - ru tags: - biology - medical - chemistry --- # Dataset for acronym disambiguatuion on Russian-language biomedical texts ## Dataset Details This dataset forms part of the Master's dissertation carried out at **Saint-Peterburg State University, Department of Computational and Applied Linguistics** (to be defended on the 18.06.2024) **Dissertation title**: Automatic acronym disambiguation based on the Russian medical corpus **Author**: Polina Gousyatskaya This is the first attempt of acronym disambiguation on Russian material and the first dataset of the kind available for the task. ### Dataset Description This dataset is aimed at automatic acronym disambiguation based on the Russian medical corpus and suited for text classification task. The dataset is **structured** in a basic tabular format, easily readable as pandas DataFrames. ### Contents and structure The dataset contains 75 ambiguous acronyms, all pertaining to biomedical domain. For each acronym sense we scraped a number of contexts (this number depends on the availability of each sense in the Internet texts, but all senses are represented by the sufficient number of contexts to ensure successful classification.) Contexts representing each sense of the ambiguous acronym are labeled. Therefore, the **table structure** looks like this: | ACRONYM | CONTEXT | num_sense | |----------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------| | ПМП |наличие диабета и др. информация на сайте подлежит консультации лечащим врачом и не заменяет очной консультации с ним. см. подробнее в пользовательском соглашении. определение ПМП определение ПМП по стройковой: где - ПМП , г; мб - масса тела беременной, кг; ож- окружность живота, см; вдм - высота дна матки над лоном, см; к - константа (табл. 10). таблица 10 величина константы в зависимости от массы тела матери по данным а.в. ланковица (1961), вычисление ПМП по формуле стройковой дало следующие результаты : она определена практически правильно (± 200 г) у 45,7% новорожденных, со значительной ошибкой (± 500-1000 г) - у 16,7% новорожденных. грубая ошибка (более 1000 г) имелась у 1,5% новорожденных. определение ПМП по якубовой: где - ПМП , г; ож - окружность живота, см; вдм - высота дна матки над лоном, см; 4 и 100 -условные коэффициенты. определение ПМП по рудакову. измеряют длину | 0 | | ПМП |оказались в экстренной ситуации, такой как несчастный случай, сердечный приступ, удушье и другие состояния, угрожающие жизни. основным принципом ПМП является немедленная реакция на ситуацию и предоставление первоначальной помощи в ожидании профессиональной медицинской помощи. это может спасти жизнь пострадавшего и улучшить его шансы на выздоровление. оказывая ПМП , важно соблюдать определенные правила, чтобы минимизировать риски и максимизировать эффективность помощи. последовательность оказания ПМП может быть разной в зависимости от типа травмы или состояния, но существует некоторая общая структура. важно помнить о трех основных шагах: проверить, позвонить, оказать помощь. основная цель ПМП – предотвратить развитие осложнений и спасти жизнь пострадавшего до прибытия квалифицированной медицинской помощи. важно помнить, что скорая помощь должна быть оказана как можно быстрее | 1 | **NB!** The number of senses for each acronym varies throughout the dataset. There are 50 *binary acronyms:* АДГ, АЕ, АГ, АНФ, АТК, БА, БАТ, ВМС, ВПС, ВСА, ГБ, ГИП, ГР, ДФА, КФК, КК, КОА, КСР, ЛП, ЛТГ, МА, МКБ, МЛД, МО, МОС, МПА, МПБ, НОВ, ПА, ПДП, ПФ, ПГБ, ПГД, ПИР, ПЛР, ПВ, РФ, РПГА, РСК, РТ, САД, СЕ, СКО, СМА, ССС, СВЧ, ТТГ, УФР, УЗТ, ЭОП. 16 acronyms with *three senses:* АД, АГК, АР, БКК, ДОК, МС, МВЛ, НС, ОАА, ПМП, ПНП, ППГ, СА, СИ, СКП, ВКК. 3 acronyms with *four senses:* ДЭ, ЭД, ЭС. 2 acronyms with *five senses:* АС, ОВ. 2 acronyms with *six senses:* ДК, СД. 1 acronym with *seven senses:* СП. 1 acronym with *nine senses:* ПД. 1 acronym with *eleven senses:* ПГ. ### Original use In the paper we used SVM and RuBioBERT to classify contexts of the ambiguous acronyms to their respective num_senses. The SVM implementation reaches 93% accuracy and F1, RuBioBERT - 0.976% accuracy and F1. ### Contacts Polina Gousyatskaya, Saint-Petersburg, Russia polinagousyatskaya@gmail.com Telegram: @voidbeholder