fenyo/MonEspaceSante-FAQ-QA

MonEspaceSanté FAQ — paires Q/R (réelles + synthétiques)

Jeu de paires question / réponse en français ayant servi à fine-tuner l'assistant **MonEspaceSanté-FAQ-Mistral-Small-24B-GGUF**, spécialisé sur la FAQ du service public [Mon espace santé](https://www.monespacesante.fr).

Le jeu mélange les questions/réponses officielles de la FAQ (vérité terrain) et une augmentation synthétique ancrée : des reformulations variées générées par un modèle enseignant, dont chaque réponse est strictement justifiée par le texte officiel (aucune information inventée).

Composition

Découpage 95 % / 5 % (graine 42). 526 paires synthétiques ont été générées ; 1 a été écartée car identique (après normalisation) à une question officielle, la version officielle étant prioritaire.

Champs

Fichiers

• —train.jsonl (584) / validation.jsonl (30) — les splits chargés par le dataset viewer.
• —combined/monespacesante_faq_qa.jsonl (614) — les deux splits en un seul fichier, avec une colonne supplémentaire `split` (train / validation). Pratique pour tout charger d'un coup ; placé à part pour ne pas dédoubler les splits du viewer.

Méthode de production

Questions réelles (real)

Récupérées via l'API CMS Drupal (JSON:API) qui alimente le site monespacesante.fr (une SPA Vite) — un appel structuré renvoie l'intégralité du corpus FAQ, bien plus propre qu'un scraping du HTML rendu. 89 paires officielles extraites, HTML converti en texte en préservant la structure.

Questions synthétiques (synthetic)

Génération synthétique ancrée (closed-QA) avec qwen3.5:27b (servi par Ollama, chaîne de pensée désactivée via l'API native think=false). Pour chaque réponse officielle, on demande k = 6 paires Q/R distinctes :

• —questions variées telles qu'un usager les poserait (reformulations, synonymes, formulations directes/indirectes) ;
• —réponses factuelles, concises (1–4 phrases), entièrement justifiées par le contexte ;
• —consigne stricte : ne rien inventer hors du texte source.

Échantillonnage temperature=0.4, top_p=0.9 ; déduplication sur la question normalisée (casse/espaces).

Une curation légère (NeMo Curator : normalisation NFC, écrasement des espaces, filtrage des documents quasi vides) est appliquée au corpus source avant génération. La déduplication sémantique GPU est inutile ici (corpus FAQ unique par construction).

Exemple

{"question": "Mon espace santé est-il accessible aux personnes en situation de handicap ?",
 "answer": "Oui, le Ministère chargé de la Santé s'est engagé à rendre ce service accessible pour tous, y compris les utilisateurs ayant des limitations physiques, sensorielles ou cognitives, conformément à l'article 47 de la loi du 11 février 2005.",
 "source": "synthetic",
 "category": "En savoir plus sur Mon espace santé"}

Usage prévu & limites

• —Pensé pour l'instruction-tuning d'un assistant FAQ francophone fermé sur Mon espace santé.
• —Petit corpus (~600 paires) : couvre les intentions de la FAQ, pas un usage généraliste.
• —Pas de conseil médical ; connaissances figées à la date de collecte — vérifiez toujours sur le site officiel.

Attribution & licence

• —Contenu source : FAQ publique de Mon espace santé (service public français).
• —Augmentation synthétique : générée avec qwen3.5.
• —Distribué sous Apache 2.0. Modèle associé : `fenyo/MonEspaceSante-FAQ-Mistral-Small-24B-GGUF`.