HEALTHDIAL：面向知识 grounding 信息检索的多语言多平行口语对话数据集
计算与语言
2026-05-29 v1
摘要
创建口语对话数据集在方法论上具有挑战性，这些挑战在目标是构建大规模的多语言、多平行数据集时尤为突出。本工作介绍了 HEALTHDIAL，一个大规模、多语言、多平行数据集，用于开发和评估基于检索增强生成 (RAG) 的口语对话系统。该数据集包含 6000 条信息 seeking 对话（每种语言 1500 条），其内容基于来自世界卫生组织 (WHO) 的可信内容；此外，还记录了来自四种官方 WHO 语言（阿拉伯语、中文、英文、西班牙语）母语者的 163 小时用户语音，语音来自不同方言的本地说话者。每个说话者都标注了人口学（如性别、年龄）和社会语言学（如主要语言、地区来源）变量。我们报告了关键对话任务的基准结果，这些结果揭示了即使在高资源语言之间也存在一致的性能差异。为支持未来研究，我们发布了数据集、一个原型系统以及一个用于数据收集和系统评估的工具套件。
引用
@article{arxiv.2605.30107,
title = {Dial HEALTHDIAL for Advice: A Multilingual and Multi-Parallel Spoken Dialogue Dataset for Knowledge-Grounded Information Seeking},
author = {Songbo Hu and Yinhong Liu and Ej Zhou and Evgeniia Razumovskaia and Xiaobin Wang and Alexander Fraser and Ivan Vulić and Anna Korhonen},
journal= {arXiv preprint arXiv:2605.30107},
year = {2026}
}
备注
Accepted to Findings of ACL 2026