Lexicon of endometriosis and menopause terms in Spanish and English for fine-tuning language models

The dataset is designed in plain text format but follows a CSV structure. The first column contains the lemmas, and the second one includes the different forms and variants of each lemma. El proyecto "DIGITENDER: Extracción terminológica automática y corpora de dominios específicos para la visibilización de los problemas de salud relacionados con la mujer" tiene como objetivo principal crear un extractor automático de términos en los ámbitos de la endometriosis y la menopausia con el fin de visibilizar problemas de salud de la mujer habitualmente invisibilizados.

Con este fin, se entrena un modelo de lenguaje con anotaciones previstas de términos en su contexto. Esta publicación se trata del dataset anotado manualmente por lingüistas. Se trata de un lexicón de términos relacionados con la endometriosis y otro con la menopausia, ambos en español y en inglés (cuatro en total).

Los términos se han obtenido del Gold Standard de la anotación de textos de dichas temáticas y tienen como fin entrenar un modelo de lenguaje que funcione como extractor de términos de especialidad. El dataset se ha diseñado en formato de texto plano, pero con estructura de csv. En la primera columna aparecen los lemas y, en la siguiente, las distintas formas y variantes de cada lema.