Skip to main content

Documentation Index

Fetch the complete documentation index at: https://mintlify.com/NicolasHoyosDevss/MaternaQA-es/llms.txt

Use this file to discover all available pages before exploring further.

MaternaQA-es is distributed as three JSONL variants that share the same underlying content but expose it in different structures. The two SFT variants — sft_grounded and sft_closed_book — use the standard chat messages array format, making them directly compatible with training frameworks that accept conversational data. The qa_flat_jsonl variant stores every field as a top-level key, giving full access to provenance and quality metadata without unpacking nested objects. All three variants omit the operational judge quality metric fields (faithfulness, answer_relevancy, roundtrip_consistency, quality_verdict, quality_reason) that appear in the raw generation artifacts.

​
SFT Variants Schema

Both sft_grounded and sft_closed_book records share this top-level structure.

​
Top-Level Fields

​
messages
array
required
Ordered list of chat turn objects forming the conversation. Each record contains exactly three turns: system, user, and assistant. In sft_grounded, the user turn includes the source context followed by the question. In sft_closed_book, the user turn contains only the question.
​
metadata
object
required
Per-record audit and provenance metadata. Fields inside this object are consistent across both SFT variants.

​
Messages Turn Fields

​
messages[].role
string
required
Role of the speaker in the conversation. One of system, user, or assistant.
​
messages[].content
string
required
Text content of the turn. For the system role, this is a fixed Spanish-language clinical instruction prompt. For user in sft_grounded, this is Contexto fuente: followed by the chunk text and then the question. For user in sft_closed_book, this is only the question. For assistant, this is the clinical answer.

​
Metadata Fields

​
metadata.chunk_id
string
Stable identifier for the source corpus chunk. Format: <pdf_slug>_<chunk_index> (e.g., s0213005x09004418_00006). Use this to join Q&A records back to the LM corpus dataset.
​
metadata.source_pdf
string
Filename of the source clinical PDF from which the chunk was extracted (e.g., S0213005X09004418.pdf).
​
metadata.qa_id
string
Unique identifier for this specific Q&A pair. Format: <chunk_id>_qa_<index> (e.g., s0213005x09004418_00006_qa_001).
​
metadata.pages
array
List of integer page numbers within the source PDF that the chunk spans.
​
metadata.tipo
string
Question type. One of factual, definicion, comparacion, razonamiento, aplicacion, or hipotetico.
​
metadata.dificultad
string
Difficulty level assigned during generation. One of basico, intermedio, or avanzado.
​
metadata.topics
array
List of clinical topic tags annotated for the source chunk (e.g., ["newborn_care", "prenatal_care"]).
​
metadata.token_estimate
integer
Estimated token count of the source context chunk.
​
metadata.clinical_score
integer
Quality score assigned to the chunk during corpus construction. Higher values indicate more clinically dense and useful content.
​
metadata.contexto_fuente
string
The source chunk text that grounds the Q&A pair. Present in both sft_grounded and sft_closed_book metadata records. In sft_grounded, this same text is also embedded in the user message turn; in sft_closed_book, it is carried in metadata only and not shown to the model at inference time.
​
metadata.split
string
Dataset split this record belongs to. One of train, validation, or test.

​
Complete sft_grounded Example

{
  "messages": [
    {
      "role": "system",
      "content": "Eres un asistente especializado en obstetricia y ginecología. Responde en español con precisión clínica, claridad y vocabulario médico apropiado. Prioriza respuestas fieles a la evidencia disponible, bien estructuradas y útiles para resolver la pregunta planteada. Si la evidencia disponible no permite una afirmación concluyente, indícalo con claridad en lugar de inventar detalles."
    },
    {
      "role": "user",
      "content": "Contexto fuente:\n\"A pesar de los efectos teratogénicos observados en los estudios con animales, no se ha evidenciado un incremento del riesgo de abortos espontáneos ni de malformaciones congénitas en los neonatos de las mujeres tratadas con mebendazol durante el primer trimestre del embarazo\"\n\nPregunta:\n¿Qué se ha observado sobre el riesgo de abortos espontáneos y malformaciones congénitas en neonatos cuando se usa mebendazol durante el primer trimestre del embarazo?"
    },
    {
      "role": "assistant",
      "content": "A pesar de que en estudios con animales se han descrito efectos teratogénicos, en mujeres tratadas con mebendazol durante el primer trimestre no se ha evidenciado un incremento del riesgo de abortos espontáneos ni de malformaciones congénitas en los neonatos."
    }
  ],
  "metadata": {
    "source": "obstetrics_spanish_synthetic",
    "source_pdf": "S0213005X09004418.pdf",
    "chunk_id": "s0213005x09004418_00006",
    "qa_id": "s0213005x09004418_00006_qa_001",
    "pages": [6],
    "section": "Sin seccion",
    "section_type": "unknown",
    "content_role": "evidence",
    "topics": ["newborn_care", "prenatal_care"],
    "split": "train",
    "clinical_score": 9,
    "token_estimate": 279,
    "tipo": "factual",
    "dificultad": "intermedio",
    "contexto_fuente": "\"A pesar de los efectos teratogénicos observados en los estudios con animales, no se ha evidenciado un incremento del riesgo de abortos espontáneos ni de malformaciones congénitas en los neonatos de las mujeres tratadas con mebendazol durante el primer trimestre del embarazo\""
  }
}

​
Complete sft_closed_book Example

{
  "messages": [
    {
      "role": "system",
      "content": "Eres un asistente especializado en obstetricia y ginecología. Responde en español con precisión clínica, claridad y vocabulario médico apropiado. Prioriza respuestas fieles a la evidencia disponible, bien estructuradas y útiles para resolver la pregunta planteada. Si la evidencia disponible no permite una afirmación concluyente, indícalo con claridad en lugar de inventar detalles."
    },
    {
      "role": "user",
      "content": "¿Qué se ha observado sobre el riesgo de abortos espontáneos y malformaciones congénitas en neonatos cuando se usa mebendazol durante el primer trimestre del embarazo?"
    },
    {
      "role": "assistant",
      "content": "A pesar de que en estudios con animales se han descrito efectos teratogénicos, en mujeres tratadas con mebendazol durante el primer trimestre no se ha evidenciado un incremento del riesgo de abortos espontáneos ni de malformaciones congénitas en los neonatos."
    }
  ],
  "metadata": {
    "source": "obstetrics_spanish_synthetic",
    "source_pdf": "S0213005X09004418.pdf",
    "chunk_id": "s0213005x09004418_00006",
    "qa_id": "s0213005x09004418_00006_qa_001",
    "pages": [6],
    "section": "Sin seccion",
    "section_type": "unknown",
    "content_role": "evidence",
    "topics": ["newborn_care", "prenatal_care"],
    "split": "train",
    "clinical_score": 9,
    "token_estimate": 279,
    "tipo": "factual",
    "dificultad": "intermedio",
    "contexto_fuente": "\"A pesar de los efectos teratogénicos observados en los estudios con animales, no se ha evidenciado un incremento del riesgo de abortos espontáneos ni de malformaciones congénitas en los neonatos de las mujeres tratadas con mebendazol durante el primer trimestre del embarazo\""
  }
}

​
qa_flat_jsonl Schema

The flat variant exposes all fields at the top level. The question and answer fields use Spanish-language names consistent with the generation pipeline.
​
pregunta
string
required
The clinical question in Spanish.
​
respuesta
string
required
The clinical answer in Spanish, grounded in the source chunk.
​
contexto_fuente
string
The source chunk text used during grounded generation. This is the same content that appears in the user turn of sft_grounded records.
​
chunk_id
string
Stable chunk identifier in the format <pdf_slug>_<chunk_index>. Links back to the LM corpus dataset.
​
qa_id
string
Unique identifier for the Q&A pair. Format: <chunk_id>_qa_<index>.
​
source_pdf
string
Filename of the source clinical PDF (e.g., S0213005X09004418.pdf).
​
pages
array
Integer page numbers within the source PDF that the chunk covers.
​
tipo
string
Question type. One of factual, definicion, comparacion, razonamiento, aplicacion, or hipotetico.
​
dificultad
string
Difficulty level. One of basico, intermedio, or avanzado.
​
topics
array
List of clinical topic tags (e.g., ["prenatal_care", "infection"]).
​
token_estimate
integer
Estimated token count of the source context chunk.
​
clinical_score
integer
Quality score for the source chunk from corpus construction. Higher values indicate more clinically relevant content.
​
split
string
Dataset split. One of train, validation, or test.

​
Complete qa_flat_jsonl Example

{
  "qa_id": "s0213005x09004418_00006_qa_001",
  "chunk_id": "s0213005x09004418_00006",
  "source_pdf": "S0213005X09004418.pdf",
  "section": "Sin seccion",
  "section_type": "unknown",
  "content_role": "evidence",
  "topics": ["newborn_care", "prenatal_care"],
  "split": "train",
  "pages": [6],
  "clinical_score": 9,
  "token_estimate": 279,
  "pregunta": "¿Qué se ha observado sobre el riesgo de abortos espontáneos y malformaciones congénitas en neonatos cuando se usa mebendazol durante el primer trimestre del embarazo?",
  "respuesta": "A pesar de que en estudios con animales se han descrito efectos teratogénicos, en mujeres tratadas con mebendazol durante el primer trimestre no se ha evidenciado un incremento del riesgo de abortos espontáneos ni de malformaciones congénitas en los neonatos.",
  "tipo": "factual",
  "dificultad": "intermedio",
  "contexto_fuente": "\"A pesar de los efectos teratogénicos observados en los estudios con animales, no se ha evidenciado un incremento del riesgo de abortos espontáneos ni de malformaciones congénitas en los neonatos de las mujeres tratadas con mebendazol durante el primer trimestre del embarazo\""
}

​
Quality Metric Fields

The fields faithfulness, answer_relevancy, roundtrip_consistency, quality_verdict, and quality_reason are omitted from all publication files. They appear as null in the raw generation artifacts at datasets/obstetrics/qa/final/<split>/raw.jsonl and are produced by the operational judge used during data construction. They are not part of the formal Ragas evaluation results. See the Quality page for the formal evaluation methodology and scores.

Build docs developers (and LLMs) love

Get started for freeTalk to us