Datasetpublic

BrainHealthAI/MedQADataDarijaSaad

Health QA Darija — Medical QA in Moroccan Arabic (الدارجة المغربية) Dataset Description A curated dataset of 8,129 medical question-answer pairs in Moroccan Darija (الدارجة المغربية). Each entry contains a patient scenario, a focused medical question, and a doctor's response — all in authentic Darija. Enriched with named medical entities (symptoms, diseases, medications, tests). 🇲🇦 First large-scale medical QA dataset in Moroccan Darija — addressing the… See the full description on the dataset page: https://huggingface.co/datasets/BrainHealthAI/MedQADataDarijaSaad.

sourceHugging Faceapache-2.0updated 5mo agoView on Hugging Face

0likes24downloads

Dataset Card

Health QA Darija — Medical QA in Moroccan Arabic (الدارجة المغربية)

Dataset Description

A curated dataset of 8,129 medical question-answer pairs in Moroccan Darija (الدارجة المغربية). Each entry contains a patient scenario, a focused medical question, and a doctor's response — all in authentic Darija. Enriched with named medical entities (symptoms, diseases, medications, tests).

🇲🇦 First large-scale medical QA dataset in Moroccan Darija — addressing the critical gap in low-resource medical NLP for North African Arabic dialects.

Key Features

—8,129 entries across 27 medical specialties
—Moroccan Darija language — written as spoken by patients
—Structured schema: question + context_question + answer
—Rich entity annotations: symptoms, diseases, medications, medical fields
—Urgency classification: High / Moyen / Faible
—Quality score: 93.8/100

Dataset Structure

Schema

Field	Type	Description
`question`	string	المريض كيسأل سؤال طبي بالدارجة
`context_question`	string	السياق الطبي ديال المريض
`answer`	string	الجواب ديال الطبيب بالدارجة
`language`	string	Darija
`urgency`	string	High / Moyen / Faible
`speciality`	string	التخصص الطبي
`article_title`	string	عنوان الموضوع الطبي
`entities_*`	list[str]	الكيانات الطبية المستخرجة

Example

json

{
  "question": "عندي حساسية من القصاصات، شنو ندير؟",
  "context_question": "كنعاني من حساسية وبغيت نعرف شنو ندير.",
  "answer": "خاصك تجنب القصاصات وتستاشر مع طبيب مختص.",
  "urgency": "Moyen",
  "speciality": "طب الحساسية والمناعة",
  "entities_sympt": ["حساسية"]
}

Specialty Distribution

التخصص	العدد	النسبة
طب الغدد والسكري	859	10.6%
طب الأمراض الجلدية	751	9.2%
الطب النفسي	475	5.8%
طب العيون	461	5.7%
الطب الباطني	449	5.5%
طب الأطفال	449	5.5%
طب القلب والشرايين	437	5.4%
طب الأسنان	422	5.2%
طب الأعصاب	417	5.1%
طب التخدير	415	5.1%
طب التغذية	384	4.7%
طب العظام والمفاصل	384	4.7%
طب الأذن والأنف والحنجرة	361	4.4%
طب الأورام	354	4.4%
طب أمراض الدم	351	4.3%
الطب العام	340	4.2%
طب النساء والتوليد	322	4.0%
طب الأمراض الصدرية	146	1.8%
طب الحساسية والمناعة	129	1.6%
طب الأمراض المعدية	85	1.0%
طب الجهاز الهضمي	47	0.6%
الجراحة العامة	45	0.6%
طب المسالك البولية والتناسلية	35	0.4%
الطب الوراثي	6	0.1%
الطب البيطري	3	0.0%
علم السموم	1	0.0%
العلاج الطبيعي	1	0.0%

Urgency Distribution

الاستعجال	العدد	النسبة
Moyen (متوسط)	5416	66.6%
Faible (منخفض)	1632	20.1%
High (مرتفع)	1081	13.3%

Quality Metrics

Metric	Value
Overall Quality Score	93.8/100
Field Completeness	100%
Entity Coverage	99.7%
Vocabulary Size	21,447 unique words
Specialty Balance	0.90
Identical Q/CQ	0

Intended Use

—Medical QA fine-tuning for Darija language models
—Low-resource NLP research for Moroccan Arabic
—Medical chatbot development for Moroccan patients
—Cross-lingual medical NLP (paired with HealthQAEnglish)

Limitations

—Synthetic Darija text (GPT-generated from English medical QA)
—Smaller dataset compared to English counterpart
—Some specialties underrepresented
—Not for direct medical advice — research only

Related Datasets

—Health_QA_English — English medical QA (13.8K entries)

Citation

bibtex

@dataset{health_qa_darija_2026,
  title={Health QA Darija: Medical Question Answering in Moroccan Arabic},
  author={Saad Karzabi},
  year={2026},
  publisher={Hugging Face},
  url={https://huggingface.co/datasets/BrainHealthAI/MedQADataDarijaSaad}
}

License

Apache 2.0