中國人民大學(xué)科學(xué)研究處、中國人民大學(xué)信息資源管理學(xué)院：錢明輝、楊建梁

在人工智能加速邁向通用化與復(fù)雜化的進(jìn)程中，數(shù)據(jù)標(biāo)注已不再是單一操作維度下的輔助任務(wù)，而逐步演變?yōu)槟Ｐ徒?gòu)、語義理解與系統(tǒng)泛化的關(guān)鍵一環(huán)。尤其在多模態(tài)交互、跨領(lǐng)域推理與深語義表達(dá)等場景不斷拓展的當(dāng)下，傳統(tǒng)的一次性標(biāo)注范式難以承載復(fù)雜任務(wù)的語義深度需求。多階段數(shù)據(jù)標(biāo)注由此應(yīng)運(yùn)而生，作為一種兼顧結(jié)構(gòu)性、遞進(jìn)性與協(xié)同性的數(shù)據(jù)構(gòu)建機(jī)制，正在成為推動(dòng)高質(zhì)量訓(xùn)練數(shù)據(jù)構(gòu)建與人工智能系統(tǒng)深度認(rèn)知演進(jìn)的重要策略工具。

相關(guān)閱讀：

高響應(yīng)數(shù)據(jù)集：人工智能新時(shí)代的關(guān)鍵要素

高對齊數(shù)據(jù)集：人工智能新時(shí)代的文明守護(hù)

高密度數(shù)據(jù)集：人工智能新時(shí)代的進(jìn)化引擎

數(shù)據(jù)萃取：“三高”數(shù)據(jù)集構(gòu)建的點(diǎn)睛之筆

知識(shí)蒸餾與數(shù)據(jù)萃取：開發(fā)人工智能訓(xùn)練所需的“動(dòng)態(tài)食譜”與“黃金食材”

分布式數(shù)據(jù)集與聯(lián)邦學(xué)習(xí)：人工智能持續(xù)生長的協(xié)作之道

數(shù)據(jù)與數(shù)據(jù)集：面向新一代人工智能“聚沙成塔”

多模態(tài)數(shù)據(jù)集構(gòu)建：為人工智能的世界模型筑基

開放數(shù)據(jù)集生態(tài)：人工智能發(fā)展的群體智慧引擎

領(lǐng)域?qū)ｎ}數(shù)據(jù)集：培育“行業(yè)智能專家”的精品教材

瞬時(shí)數(shù)據(jù)集建設(shè)：揭示實(shí)時(shí)性流式數(shù)據(jù)中的智能因子

數(shù)據(jù)集的道德負(fù)荷：成就更具責(zé)任感的人工智能

數(shù)據(jù)集噪聲治理：為人工智能的持續(xù)生長“澄沙汰礫”

生成式數(shù)據(jù)增強(qiáng)：小樣本數(shù)據(jù)集效用放大的創(chuàng)新范式

一、多階段數(shù)據(jù)標(biāo)注的本質(zhì)：內(nèi)在邏輯與深層價(jià)值

數(shù)據(jù)標(biāo)注是對原始數(shù)據(jù)賦予特定語義標(biāo)簽的過程，其核心在于將未經(jīng)處理的語音、圖像、文本或視頻等非結(jié)構(gòu)化數(shù)據(jù)，轉(zhuǎn)化為機(jī)器可識(shí)別的結(jié)構(gòu)化信息。這一過程旨在為人工智能算法提供具有明確語義指向的訓(xùn)練數(shù)據(jù)，使機(jī)器學(xué)習(xí)模型能夠識(shí)別數(shù)據(jù)中的模式，并基于標(biāo)注信息進(jìn)行有效的推理和決策。例如，在圖像分類任務(wù)中，標(biāo)注人員需要為每張圖片賦予一個(gè)或多個(gè)類別標(biāo)簽；在文本情感分析中，標(biāo)注人員則需要判斷文本所表達(dá)的情感傾向并賦予相應(yīng)標(biāo)簽。

然而，隨著任務(wù)復(fù)雜性增加，單次標(biāo)注難以兼顧語義層級、上下文關(guān)聯(lián)與跨模態(tài)一致性，很容易造成標(biāo)簽粒度不足、歧義增加、上下文脫節(jié)等問題。多階段數(shù)據(jù)標(biāo)注則以“從粗到細(xì)、由淺入深”的方式，通過分步驟的“粗篩-精標(biāo)-校驗(yàn)”流程，逐步細(xì)化標(biāo)注顆粒度，引導(dǎo)數(shù)據(jù)向更高語義層級過渡。多階段數(shù)據(jù)標(biāo)注核心邏輯體現(xiàn)在兩個(gè)方面：一是“復(fù)雜度拆解”，即將高難度的標(biāo)注任務(wù)分解為多個(gè)相對簡單的子任務(wù)。例如，在醫(yī)療影像的病灶分割任務(wù)中，首先進(jìn)行疑似區(qū)域的粗篩，再進(jìn)行病變輪廓的精標(biāo)，最后進(jìn)行標(biāo)注結(jié)果的校驗(yàn)，逐步細(xì)化標(biāo)注顆粒度。二是“誤差逐級修正”，在前序階段標(biāo)注結(jié)果的基礎(chǔ)上，通過后續(xù)階段的迭代優(yōu)化，修正前序階段可能存在的標(biāo)注誤差，提高標(biāo)注質(zhì)量。例如，在法律判決文書的罪名標(biāo)注任務(wù)中，可以首先根據(jù)關(guān)鍵詞自動(dòng)匹配罪名標(biāo)簽，接著校正因上下文理解錯(cuò)誤導(dǎo)致的誤標(biāo)，如區(qū)分“詐騙”與“合同糾紛”，最后統(tǒng)一術(shù)語與適用法條，確保標(biāo)注合法性與一致性。

多階段數(shù)據(jù)標(biāo)注不僅提升了標(biāo)簽本身的精度，更重塑了數(shù)據(jù)構(gòu)建與模型訓(xùn)練之間的協(xié)同邏輯。這種分階段策略體現(xiàn)了從感知到理解、從淺層語義到深層結(jié)構(gòu)的認(rèn)知遞進(jìn)過程，通過“分階段 + 分角色”的組織方式，標(biāo)注流程得以與模型的預(yù)訓(xùn)練、微調(diào)和部署階段精準(zhǔn)匹配，實(shí)現(xiàn)數(shù)據(jù)與模型節(jié)奏上的動(dòng)態(tài)耦合。在預(yù)訓(xùn)練階段，智能模型可以調(diào)用基礎(chǔ)標(biāo)簽完成通用模式的學(xué)習(xí)；在微調(diào)階段，工程師可以通過引入更細(xì)粒度的標(biāo)簽實(shí)現(xiàn)模型與任務(wù)的有效適配；在部署運(yùn)行后，標(biāo)注人員則可依據(jù)實(shí)際場景反饋持續(xù)補(bǔ)充標(biāo)簽，優(yōu)化模型表現(xiàn)。

此外，多階段標(biāo)注能有效緩解語義歧義對下游任務(wù)的干擾，從而提升模型的穩(wěn)定性與泛化能力。在初始階段，由于標(biāo)注粗略或理解差異，同一語義可能對應(yīng)多個(gè)標(biāo)簽，導(dǎo)致模型在訓(xùn)練中學(xué)到含糊甚至沖突的特征表示；而多階段標(biāo)注通過逐步澄清模糊標(biāo)簽，在后續(xù)階段細(xì)化語義、規(guī)范術(shù)語，標(biāo)注過程能夠統(tǒng)一標(biāo)準(zhǔn)，消除標(biāo)簽漂移，從根源上降低誤導(dǎo)風(fēng)險(xiǎn)。例如，在多標(biāo)簽新聞分類中，一則關(guān)于“校園沖突”的報(bào)道若初步被粗略標(biāo)注為“社會(huì)事件”，可能導(dǎo)致模型將其推薦給關(guān)心城市治安的用戶，產(chǎn)生語義偏差；通過后續(xù)階段將其進(jìn)一步細(xì)化為“青少年事件”，則不僅明確了語境邊界，還能夠顯著提升模型在推薦與分類任務(wù)中的匹配度與表達(dá)精度。

二、多階段數(shù)據(jù)標(biāo)注的難點(diǎn)：理想目標(biāo)與現(xiàn)實(shí)考量

盡管多階段數(shù)據(jù)標(biāo)注在提升語義質(zhì)量與訓(xùn)練適配性方面展現(xiàn)出巨大潛力，但在實(shí)際落地過程中依然面臨一系列工程與技術(shù)難題。

一是多階段數(shù)據(jù)標(biāo)注的一致性難以保障。由于參與標(biāo)注的人員在專業(yè)背景、理解維度、操作習(xí)慣等方面存在差異，且各階段的標(biāo)簽定義往往涉及不同語義層級，容易出現(xiàn)前后標(biāo)準(zhǔn)不統(tǒng)一、標(biāo)簽內(nèi)涵沖突的問題，直接影響數(shù)據(jù)的穩(wěn)定性與模型訓(xùn)練效果。例如，在情感分析中，第一階段標(biāo)注員將“還行”歸為“中性”，而第二階段標(biāo)注員則因語境理解差異改標(biāo)為“輕度正面”，結(jié)果前后標(biāo)簽標(biāo)準(zhǔn)不一，使模型在處理模糊情緒時(shí)無所適從。

二是數(shù)據(jù)標(biāo)注工作的成本控制難度加大。相比一次性標(biāo)注，多階段流程需要更多的人力投入、培訓(xùn)成本與工具支出，尤其在處理大規(guī)模、多輪數(shù)據(jù)任務(wù)時(shí)，標(biāo)注成本呈指數(shù)級增長，給實(shí)際應(yīng)用帶來較大資源壓力。例如，在短視頻審核中，一條10秒視頻需經(jīng)歷模型篩選、動(dòng)作識(shí)別、語音轉(zhuǎn)寫與場景分類等多輪細(xì)化標(biāo)注，流程繁復(fù)、人力密集，整體人時(shí)成本會(huì)超過單一階段標(biāo)注任務(wù)的好幾倍。

三是數(shù)據(jù)標(biāo)注過程的組織管理也更為復(fù)雜。多階段流程通常涉及多個(gè)團(tuán)隊(duì)的協(xié)同工作，一旦缺乏有效的流程規(guī)范與溝通機(jī)制，極易出現(xiàn)任務(wù)延誤、信息孤島、重復(fù)勞動(dòng)等問題，削弱標(biāo)注體系的整體效率與產(chǎn)出質(zhì)量。例如，在多語種語音標(biāo)注中，不同階段由分散在各地的團(tuán)隊(duì)完成，因缺乏統(tǒng)一術(shù)語和接口規(guī)范，常出現(xiàn)前后不銜接、格式混亂、重復(fù)返工等問題，嚴(yán)重拉長項(xiàng)目周期。

在技術(shù)層面，多階段數(shù)據(jù)標(biāo)注還面臨多個(gè)關(guān)鍵難點(diǎn)亟待突破。首先，數(shù)據(jù)安全與隱私保護(hù)問題突出。標(biāo)注過程中數(shù)據(jù)頻繁在人員與系統(tǒng)之間流轉(zhuǎn)，尤其是涉及醫(yī)療記錄、身份信息等敏感數(shù)據(jù)時(shí)，如何防止信息泄露、確保權(quán)限控制與訪問審計(jì)，成為保障體系可信性的底線要求。

其次，多模態(tài)數(shù)據(jù)標(biāo)注的融合與同步難度高。在圖像、文本、音頻、視頻等數(shù)據(jù)組合標(biāo)注中，如何實(shí)現(xiàn)不同模態(tài)之間的時(shí)間對齊、語義配對與任務(wù)統(tǒng)一，是實(shí)現(xiàn)有效協(xié)同的技術(shù)門檻。例如，在視頻分析中，需要同步標(biāo)注畫面中動(dòng)作內(nèi)容與語音描述、字幕信息之間的對應(yīng)關(guān)系，這對標(biāo)注機(jī)制和標(biāo)注工具平臺(tái)提出更高要求。

再次，自動(dòng)化標(biāo)注與人工標(biāo)注之間的協(xié)同機(jī)制尚不成熟。雖然自動(dòng)化技術(shù)已能處理部分低難度任務(wù)，但其結(jié)果仍需人工復(fù)核與精修，如何合理劃分任務(wù)邊界、實(shí)現(xiàn)高效銜接，是提升整體標(biāo)注效率的關(guān)鍵。例如，在輿情評論分類中，模型可快速識(shí)別情緒傾向，但對帶有雙關(guān)、諷刺或情緒反轉(zhuǎn)的表達(dá)，常常會(huì)發(fā)生識(shí)別錯(cuò)誤，人工介入后往往需要重新審視上下文甚至修改標(biāo)注規(guī)則，從而帶來流程中人機(jī)之間銜接不暢、修正成本高。

最后，標(biāo)注質(zhì)量評估體系尚不完善。當(dāng)前缺乏統(tǒng)一、通用的標(biāo)注質(zhì)量監(jiān)控機(jī)制，難以針對不同數(shù)據(jù)類型和任務(wù)目標(biāo)設(shè)定個(gè)性化評估標(biāo)準(zhǔn)，導(dǎo)致部分階段的錯(cuò)誤難以及時(shí)發(fā)現(xiàn)并糾正，降低數(shù)據(jù)集的最終可用性與可信度。例如，在跨語言機(jī)器翻譯標(biāo)注中，評估系統(tǒng)常常只會(huì)檢測語句對齊和語法正確，卻無法發(fā)現(xiàn)文化含義偏差或隱喻誤譯，導(dǎo)致譯文形式合格但語義失真，影響下游模型的理解與生成效果。

三、多階段數(shù)據(jù)標(biāo)注的實(shí)現(xiàn)：思路規(guī)劃與工程路徑

多階段數(shù)據(jù)標(biāo)注的實(shí)現(xiàn)，需從系統(tǒng)工程的高度進(jìn)行整體布局，涵蓋任務(wù)規(guī)劃、平臺(tái)配置、流程執(zhí)行與質(zhì)量控制等關(guān)鍵環(huán)節(jié)，構(gòu)建貫穿“數(shù)據(jù)輸入—語義加工—模型反饋”的閉環(huán)機(jī)制。多階段數(shù)據(jù)標(biāo)注的根本目的不只是更加有效地完成數(shù)據(jù)標(biāo)注任務(wù)，更在于構(gòu)建一個(gè)適應(yīng)復(fù)雜任務(wù)邏輯、支持智能系統(tǒng)進(jìn)化的數(shù)據(jù)基礎(chǔ)設(shè)施。

第一步，從頂層任務(wù)規(guī)劃切入，明確標(biāo)注目標(biāo)與階段性策略。復(fù)雜任務(wù)往往包含多層語義結(jié)構(gòu)和階段性認(rèn)知要求，必須將整體數(shù)據(jù)需求拆分為邏輯上遞進(jìn)、語義上獨(dú)立的若干子任務(wù)，并依托“語義層級—標(biāo)注角色—任務(wù)順序”的方式進(jìn)行系統(tǒng)性設(shè)計(jì)。每一階段的標(biāo)簽都應(yīng)做到邊界清晰、作用明確，避免多階段標(biāo)簽出現(xiàn)冗余交叉或語義沖突。例如，在多輪對話系統(tǒng)中，初步階段可聚焦于用戶意圖識(shí)別，中間階段進(jìn)行情緒色彩判斷，后續(xù)階段則標(biāo)注話題遷移路徑和上下文延續(xù)，逐步構(gòu)建起完整的對話語義框架。

第二步，從平臺(tái)選配著手，拓展功能以適配多階段需求。當(dāng)前主流的標(biāo)注平臺(tái)已逐步支持標(biāo)簽嵌套、模塊化任務(wù)調(diào)度與流程可視化管理，為多階段數(shù)據(jù)標(biāo)注提供了技術(shù)基礎(chǔ)。但在處理高維復(fù)雜語義或多模態(tài)數(shù)據(jù)時(shí)，仍需要擴(kuò)展標(biāo)注平臺(tái)的功能邊界，包括標(biāo)簽版本繼承機(jī)制、跨階段上下文保持能力、沖突檢測與糾錯(cuò)提醒等，以確保數(shù)據(jù)在流轉(zhuǎn)過程中的語義一致性和任務(wù)連續(xù)性。同時(shí)，平臺(tái)還應(yīng)集成權(quán)限控制、日志記錄與進(jìn)度追蹤等功能，為標(biāo)注全流程的合規(guī)性、可審計(jì)性和過程可控性提供支撐。

第三步，構(gòu)建人機(jī)協(xié)同的動(dòng)態(tài)執(zhí)行機(jī)制，提升整體效率與標(biāo)注質(zhì)量。預(yù)訓(xùn)練模型可以承擔(dān)初步標(biāo)注任務(wù)，尤其適用于實(shí)體識(shí)別、情感分析等淺層語義處理環(huán)節(jié)，釋放人工標(biāo)注者的重復(fù)勞動(dòng)；人工標(biāo)注人員則可以專注于高復(fù)雜度語義判斷、標(biāo)簽邊界劃分與語境判斷。結(jié)合主動(dòng)學(xué)習(xí)、弱監(jiān)督學(xué)習(xí)與知識(shí)蒸餾等技術(shù)，可實(shí)現(xiàn)“自動(dòng)預(yù)標(biāo)—人工校驗(yàn)—模型更新”的閉環(huán)機(jī)制，使標(biāo)注系統(tǒng)在效率與精度間取得更優(yōu)平衡，也讓模型在數(shù)據(jù)反饋中持續(xù)進(jìn)化，形成“標(biāo)注即訓(xùn)練”的認(rèn)知協(xié)同模式。

第四步，構(gòu)建系統(tǒng)化的質(zhì)量控制體系，保障數(shù)據(jù)一致性與標(biāo)注可靠性。一方面，應(yīng)在每一階段設(shè)立質(zhì)量監(jiān)測節(jié)點(diǎn)，結(jié)合抽樣審核、交叉驗(yàn)證與一致性評估機(jī)制，確保標(biāo)簽本身的準(zhǔn)確性與穩(wěn)定性。另一方面，還需建立跨階段的語義核驗(yàn)機(jī)制，對不同階段標(biāo)簽之間的邏輯一致性、上下文連貫性進(jìn)行全面檢視，避免出現(xiàn)標(biāo)簽漂移或語義斷裂等問題。配合精細(xì)化的指標(biāo)體系（如準(zhǔn)確率、一致率、修改頻率等），實(shí)現(xiàn)質(zhì)量監(jiān)控的可量化、問題溯源的可操作與反饋機(jī)制的可閉環(huán)。

以醫(yī)療問診對話系統(tǒng)為例，多階段數(shù)據(jù)標(biāo)注可按照語義層級依次展開：首先識(shí)別“咳嗽”“發(fā)熱”等醫(yī)學(xué)實(shí)體，其次提取用戶主訴與次訴的結(jié)構(gòu)關(guān)系，接著判斷對話中的情緒狀態(tài)（如焦慮、猶豫），最后標(biāo)注病情演變路徑與意圖變化，逐步構(gòu)建層次清晰、語義完整的對話理解框架。在平臺(tái)支持上，系統(tǒng)需支持標(biāo)簽跨階段繼承、上下文保持和邏輯沖突提醒，例如在情緒與主訴標(biāo)簽矛盾時(shí)可自動(dòng)提示修正。在執(zhí)行環(huán)節(jié)，預(yù)訓(xùn)練模型承擔(dān)初步標(biāo)注，人工部分則可以專注語境理解與邊界判斷，結(jié)合主動(dòng)學(xué)習(xí)策略優(yōu)先處理模型不確定的樣本，實(shí)現(xiàn)“自動(dòng)預(yù)標(biāo)-人工校驗(yàn)-模型優(yōu)化”的閉環(huán)流程。在質(zhì)量控制方面，通過設(shè)立抽檢機(jī)制、語義一致性校驗(yàn)及多維評估指標(biāo)，不僅確保每一階段的準(zhǔn)確性，也維護(hù)標(biāo)簽間的上下游連貫性，形成高可控、高質(zhì)量的多階段標(biāo)注閉環(huán)。

放眼未來，多階段數(shù)據(jù)標(biāo)注將朝著更高層次的語義驅(qū)動(dòng)、知識(shí)支撐與智能協(xié)同方向演化。結(jié)構(gòu)化知識(shí)圖譜的引入，將使標(biāo)簽之間的因果邏輯與概念關(guān)聯(lián)更加清晰；可解釋標(biāo)注平臺(tái)的建設(shè)，將強(qiáng)化模型與標(biāo)注之間的透明互動(dòng)；而嵌入倫理治理與文化適配機(jī)制的數(shù)據(jù)體系，則將更好地支撐智能系統(tǒng)在全球多元場景下的部署與應(yīng)用。可以預(yù)見，隨著人工智能不斷走向社會(huì)深處，多階段數(shù)據(jù)標(biāo)注也不再只是構(gòu)建高質(zhì)量數(shù)據(jù)集的工具手段，更是推動(dòng)模型認(rèn)知架構(gòu)優(yōu)化、保障系統(tǒng)可控安全、引導(dǎo)技術(shù)價(jià)值取向的關(guān)鍵策略之一。它所構(gòu)筑的不僅是語義的支架，更是面向未來的智能能力生成框架，是“復(fù)雜任務(wù)數(shù)據(jù)構(gòu)建”真正走向智能化、系統(tǒng)化與可信化的核心路徑。

基金項(xiàng)目：國家社會(huì)科學(xué)基金重點(diǎn)項(xiàng)目“基于數(shù)智融合的信息分析方法創(chuàng)新與應(yīng)用”；國家檔案局科技項(xiàng)目“基于生成式人工智能的檔案數(shù)據(jù)化關(guān)鍵方法及其應(yīng)用研究”。

致謝：感謝中國人民大學(xué)信息資源管理學(xué)院應(yīng)芷安博士后在本文完成過程中所提供的資料收集與整理支持