Dial HEALTHDIAL 寻求建议：用于知识基础信息搜索的多语言和多并行口语对话数据集

创建口语对话数据集在方法上具有挑战性，而当目标是大规模构建多语言、多并行数据集时，这些挑战会更加严重。这项工作介绍了 HEALTHDIAL，这是一个大规模、多语言、多并行的数据集，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 6,000 个基于世界卫生组织 (WHO) 可信内容的信息检索对话（每种语言 1,500 个），以及由不同方言的母语者录制的 163 小时用户语音，包括四种世界卫生组织官方语言：阿拉伯语、中文、英语和西班牙语。每个说话者都标有人口统计（例如性别、年龄）和社会语言学（例如主要语言、原籍地区）变量。我们报告了关键对话任务的基准结果，这些结果揭示了不同语言之间一致的性能差异，甚至在高资源语言之间也是如此。为了支持未来的研究，我们发布了数据集、原型系统以及用于数据收集和系统评估的工具包。