Update README.md

README.md

@@ -142,9 +142,9 @@ descripción de la fuente de información con los siguientes datos:
 ### Curation Rationale
 
 <!-- Motivation for the creation of this dataset. -->
-Más de 600 millones de personas hablantes del idioma español necesitan recursos, como los LLMs,  
-para la obtención de información médica de forma libre y segura, cumpliendo con los objetivo del milenio: Salud y Bienestar, Educación y Calidad, 
-Fin de la Pobreza propuestos por la ONU. Existen pocos recursos o conjuntos de datos del dominio médico para el entrenamiento o autoajuste de un LLM en idioma español.
+Más de 600 millones de personas hablantes del idioma español necesitan recursos, como los LLMs, para la obtención de información médica de forma libre
+y segura, cumpliendo con los objetivo del milenio: Salud y Bienestar, Educación y Calidad, Fin de la Pobreza propuestos por la ONU. 
+Existen pocos recursos o conjuntos de datos del dominio médico para el entrenamiento o autoajuste de un LLM en idioma español.
 
 Para entrenar un autoajustar un LLM en el dominio de la medicina y los cuidados de salud se necesitan gran cantidad de datos de este contexto.
 Para crear un conjunto de datos en el dominio médico es necesaria alguna certificación por especialistas en la construcción del corpus.
@@ -209,7 +209,7 @@ Diferentes eventos, competencias de PLN o la construcción de los conjuntos de d
 
 <!-- Enlazar aquí el notebook utilizado para crear el espacio de anotación de Argilla y la guía de anotación. -->
 
-[More Information Needed]
+El proceso de anotacion fue automático, realizando la converción de las fuentes de datos a los atributos del nuevo conjunto de datos.
 
 #### Who are the annotators?
 
@@ -239,7 +239,8 @@ Hugginface. En el siguiente ejemplo de código se obtienen del conjunto de datos
 
 ` 
   spanishMedicaLllmDataset = load_dataset(SPANISH_MEDICA_LLM_DATASET, split="train")
-  spanishMedicaLllmDataset = spanishMedicaLllmDataset.filter(lambda example: example["topic_type"] in ['medical_diagnostic' | 'medical_topic'])
+  spanishMedicaLllmDataset = 
+  spanishMedicaLllmDataset.filter(lambda example: example["topic_type"] in ['medical_diagnostic' | 'medical_topic'])
 `
 
 ### Recommendations
@@ -252,9 +253,12 @@ Users should be made aware of the risks, biases and limitations of the dataset.
 
 Los usuarios deben ser conscientes de los riesgos, sesgos y limitaciones del conjunto de datos.
 
-Se sugiere tener en cuenta las filas donde el tipo del topic (e.d., campo topic_type) tenga valores `medical_topic`, 
-`medical_diagnostic`, `answer`, `natural_medicine_topic` para un autojuste del modelo y en el caso de que el texto se `open_text` 
-un pre-entranmiento inicial del modelo LLM.
+Para el autojuste de un LLM se sugiere tener en cuenta las filas donde el tipo del tópico (ed., campo topic_type) tenga valores: `medical_topic`, 
+`medical_diagnostic`, `answer`, `natural_medicine_topic`. Porque indica que este campo no está vacio y tiene valor para la creación de intrucciones de la 
+forma pregunta y respuestas.
+
+Para el prentrenamiento de un LLM se sugiere tener en cuenta cuando el campo `raw_text_type` sea igual a `open_text`. Esto indica que el texto
+presente no forma parte de un formato pregunta/respuesta pero tiene un valor importante para el prentrenamiento de un LLM.
 
 <!--  
    In case of using this dataset for the LLM training or finetuning for natural language generating with a production