NLP 标注一致性：数据集质量不是靠人数堆出来
一、标注多不代表标注稳
NLP 任务常依赖人工标注：分类、实体识别、关系抽取、问答质量、偏好评测。很多项目以为多找几个人标就能提高质量，但如果标注规范不清，标注者理解不同，人数越多，分歧越多。
数据集质量首先来自一致性，而不是标注规模。
二、先定义标注规范
flowchart TD A[任务定义] --> B[标签体系] B --> C[正反例] C --> D[边界规则] D --> E[标注培训] E --> F[一致性检查]标注规范要说明每个标签的含义、边界、典型正例、典型反例和冲突处理方式。只给标签名是不够的。
annotation_guideline: label: "support_request" positive_examples: 20 negative_examples: 20 ambiguity_policy: escalate模糊样本要有升级机制，不要让标注者各自猜。
三、用一致性指标检查
def simple_agreement(a, b): total = len(a) same = sum(x == y for x, y in zip(a, b)) return same / total简单一致率容易理解，但不能处理随机一致。更严谨可以使用 Cohen's Kappa、Krippendorff's Alpha 等指标。
如果一致性低，先不要急着扩大标注。应该回到规范，找出标签定义不清、样本模糊或标注工具误导的地方。
四、分歧样本最有价值
标注分歧不是噪声垃圾，它往往暴露任务边界。把分歧样本拿出来讨论，能改进标签体系和模型评测。
disagreement_review: sample_rate: 1.0 require_adjudicator: true update_guideline: true仲裁结果也要记录。最终标签为什么这样定，是否修改了规范，后续同类样本怎么处理，都应该留下痕迹。
还要关注标注者偏差。某个标注者持续和多数人不一致，可能需要重新培训；某类标签持续分歧高，可能说明标签本身不可分。
最后，训练集和评测集都要看一致性。评测集标注不稳，模型分数就不稳。高质量评测集宁愿小一点，也不要边界混乱。
标注流程还要加入金标样本。金标样本由专家提前确认，用来监控标注者是否理解规则。如果金标准确率持续下降，就要暂停扩标，先做培训或修订规范。
annotation_quality_control: gold_sample_rate: 0.05 min_gold_accuracy: 0.9 pause_when_below_threshold: true还要记录标注耗时。某类样本耗时异常长，往往说明规则难理解或界面不友好。标注质量不只来自人，也来自工具和流程。
对模型训练来说，可以把分歧样本单独标记。训练时降低权重或用于困难样本分析，比直接混进普通样本更稳。
最后，标注规范要版本化。标签定义变化后，旧数据是否需要重标，评测结果能否和历史比较，都要说清楚。
实际落地时，可以采用小批量双标抽检。每完成一批数据，就随机抽出一部分交给第二位标注者复核，并把分歧按标签、样本来源、文本长度和业务场景归类。这样能更快发现系统性问题，而不是等全量标完才发现某个标签长期不稳定。
double_annotation_sample: batch_size: 1000 review_rate: 0.1 group_by: - label - data_source - text_length_bucket规范变更也要有变更日志。新增边界案例、删除标签、合并标签、调整优先级，都应该说明原因和影响范围。否则后续看到历史数据时，很难判断某个标签差异来自模型变化，还是来自标注规则变化。
五、总结
NLP 标注一致性要靠清晰规范、正反例、边界规则、一致性指标和分歧仲裁共同保证。
数据集质量不是靠人数堆出来的。标注者能稳定理解任务，模型评测才有基础。
