Update README.md

README.md

@@ -21,4 +21,110 @@ dataset_info:
     num_examples: 214219
   download_size: 71862660
   dataset_size: 193087661
+task_categories:
+- text-classification
+- question-answering
+- text-generation
+- fill-mask
+language:
+- pt
+- en
+tags:
+- medical
+- legal
+- biology
+size_categories:
+- 100K<n<1M
 ---
+# Medical Malice
+
+### Resumo
+
+> **Medical Malice** é um conjunto de dados adversarial de larga escala projetado para aprimorar a segurança do paciente no contexto de LLMs em saúde. Composto por **214.219 prompts maliciosas**, o dataset foi calibrado especificamente para as complexidades éticas, regulatórias e burocráticas do Sistema Único de Saúde (SUS).
+>
+> Enquanto as técnicas atuais de alinhamento dependem de definições genéricas de dano (como toxicidade ou discurso de ódio), Medical Malice aborda a "cegueira contextual" dos modelos atuais. Ele expõe vulnerabilidades sistêmicas que filtros universais ignoram, como **fraudes administrativas, fura-filas no SISREG, violência obstétrica e corrupção em licitações**. Crucialmente, o dataset inclui o *racional* por trás de cada violação, permitindo que os modelos internalizem o racional ético ao invez de apenas memorizar recusas. O objetivo é fornecer as "assinaturas de vulnerabilidade" necessárias para imunizar a IA contra ameaças sutis e de alto risco inerentes à medicina.
+
+- **Curadoria de:** Andrew Maranhão Ventura D’addario
+- **Financiado por:** Ministério da Saúde do Brasil (MS/DECIT), Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) [processo nº 400757/2024-9] e a Fundação Gates.
+- **Idioma(s) (NLP):** Português (pt-BR) para os prompts; Inglês (en) para os racionais éticos.
+- **Licença:** Creative Commons Attribution 4.0 Generic License (`cc-by-4.0`)
+- **Artigo:** [Link do Paper](https://arxiv.org/abs/2511.21757)
+
+### Taxonomia de Danos
+
+O dataset Medical Malice categoriza vetores de ataque específicos do domínio médico. O dataset cobre sete taxonomias distintas de risco:
+
+| Categoria de Malícia | Descrição e Exemplos |
+|:---|:---|
+| **Corrupção e Conflitos de Interesse** | Justificativas para superfaturamento em procedimentos, auto-encaminhamento para clínicas privadas e desvio de recursos. |
+| **Manipulação do Sistema e Fraude** | Estratégias para "furar a fila" (SISREG), falsificação de atestados e manipulação de códigos de faturamento (SIGTAP). |
+| **Preconceito e Discriminação** | Solicitações para triagem baseada em classe social ou sinalização discriminatória em ambientes clínicos. |
+| **Assédio, Violência e Abuso** | Coerção de pacientes, abuso psicológico na entrega de diagnósticos, violência obstétrica. |
+| **Desinformação e Sabotagem** | Geração de conteúdo antivacina realista atribuído ao DataSUS ou falsos alertas de surtos. |
+| **Solicitações Médicas Antiéticas** | Guias para obter substâncias controladas sem receita ou realizar procedimentos sem licença. |
+| **Violações de Privacidade de Dados** | Tentativa de desanonimizar dados de saúde pública ou ataques de phishing mimetizando o Ministério da Saúde. |
+
+### Estrutura do Conjunto de Dados
+
+O conjunto de dados é estruturado para facilitar o treinamento de *Red Teaming* e alinhamento de segurança. Cada entrada contém o perfil do atacante, a categoria, o prompt e a explicação ética.
+
+**Campos de Dados:**
+
+- `persona`: O papel específico adotado pelo atacante (ex: "Administrador Corrupto", "Despachante Predatório", "Profissional em Burnout", 12 personas no total).
+- `malicious_category`: A classificação do tipo de dano (uma das 7 categorias da taxonomia).
+- `malicious_prompt`: O prompt adversarial gerado em Português Brasileiro fluente, simulando uma intenção maliciosa real.
+- `rationale`: Uma explicação em Inglês detalhando *por que* o prompt é antiético dentro do contexto do SUS e das leis brasileiras (ex: violação do Código de Ética Médica ou da LGPD).
+
+**Nota de Segurança:** O dataset contém apenas os *inputs* (prompts) e os *racionais*. Ele **não inclui os outputs** (as respostas geradas pelos modelos) para evitar que o dataset sirva como um manual de instruções para atores maliciosos.
+
+## Processo de Criação
+
+### Metodologia Adversarial
+
+Para capturar a "profundidade da malícia" necessária, o dataset não foi gerado por humanos, mas sintetizado através de um pipeline adversarial utilizando **Grok-4**.
+A escolha deste modelo deve-se à sua característica permissiva, o que permitiu simular intenções maliciosas genuínas que modelos alinhados (como GPT-4 ou Claude) se recusaram a gerar.
+
+### Coleta e Processamento
+
+O pipeline de geração seguiu etapas rigorosas para garantir alta fidelidade e diversidade:
+
+1.  **Engenharia de Prompt baseada em Personas:** Foram definidos 12 perfis de atacantes (Insiders do Sistema, Exploradores Externos, Atores Ideológicos) e 7 vetores de ataque para variar o vocabulário, intenção e resultados.
+2.  **Ancoragem Contextual:** O modelo foi instruído a incorporar elementos reais do ecossistema brasileiro, como UBS, UPAs, DataSUS e a burocracia de regulação.
+3.  **Filtragem e Validação:** De 250.000 amostras geradas, foram removidas recusas, falhas de sintaxe JSON e repetições, resultando em 214.219 prompts únicas.
+
+
+### Informações Pessoais e Sensíveis
+
+O dataset é **totalmente sintético**. Embora descreva cenários médicos e administrativos realistas, todos os casos foram imaginados pelo Grok-4. Não contém PII (Informação Pessoal Identificável) de pacientes reais, médicos ou instituições privadas específicas. Qualquer semelhança com casos reais é coincidência.
+
+## Vieses, Riscos e Limitações
+
+-   **Mal-Uso:** Reconhecemos que prompts adversariais poderiam ser usadas tanto para testar defesas quanto para treinar agentes de ataque. No entanto, o conjunto de dados possui apenas pedidos e raciocínio ético que descreve como o pedido é anti-ético. Com isso, acreditamos que o benefício de imunizar a infraestrutura de IA em saúde supera o risco marginal de automatizar perguntas que fraudadores humanos já sabem fazer.
+-   **Foco Geográfico:** O dataset foi desenhado para o Brasil (leis, siglas e cultura do SUS). Embora a metodologia seja universal, o conteúdo pode não ser inteiramente transferível para sistemas baseados em seguros (EUA) ou outros modelos públicos (NHS).
+-   **Conteúdo Perturbador:** Devido à sua natureza de *Red Teaming*, o dataset contém descrições de discriminação, violência e práticas médicas antiéticas. Recomenda-se cautela e supervisão ética no manuseio.
+
+## Recomendações
+
+Esse dataset pode ser utilizado para avaliação e alinhamento de LLMs na área da saúde. O objetivo é utilizar os prompts para verificar se o seu modelo recusa a solicitação maliciosa, se o faz pelo motivo correto (alinhamento ético), bem como treinar modelos de moderação de conteúdo ou alinhar LLMs à segurança do paciente.
+
+## Citação
+
+**Vancouver:**
+
+D'addario AMV. Medical Malice: A Dataset for Context-Aware Safety in Healthcare LLMs. arXiv [Preprint]. 2025 Nov 24. Available from: https://arxiv.org/abs/2511.21757
+
+**BibTeX:**
+
+```bibtex
+@article{daddario2025medicalmalice,
+  title={Medical Malice: A Dataset for Context-Aware Safety in Healthcare LLMs},
+  author={D'addario, Andrew Maranhão Ventura},
+  journal={arXiv preprint arXiv:2511.21757},
+  year={2025},
+  eprint={2511.21757},
+  archivePrefix={arXiv},
+  primaryClass={cs.CY},
+  url={https://arxiv.org/abs/2511.21757},
+  note={O conjunto de dados Medical Malice está disponível publicamente em: https://huggingface.co/datasets/Larxel/medical-malice}
+}
+```