面向可信AI的高质量数据集构建与评估体系研究

孙蕊

doi:10.16009/j.issn.1009-5624.2026.12.043

信息记录材料 ›› 2026, Vol. 27 ›› Issue (12) : 130 -132. DOI: 10.16009/j.issn.1009-5624.2026.12.043

面向可信AI的高质量数据集构建与评估体系研究

孙蕊

作者信息 +

Author information +

文章历史 +

摘要

针对人工智能模型(AI)训练中存在的数据质量低下、标注一致性不足及隐私安全保障缺失等核心问题，本研究提出了一套面向可信人工智能的高质量数据集构建与评估体系。通过多源异构数据采集与预处理、主动学习辅助标注验证、合成少数类过采样技术类别平衡及差分隐私协同保障，系统性提升数据集可信度；建立完整性、一致性、准确性与时效性四维评估指标体系，结合闭环反馈迭代机制，实现质量持续优化。以金融风控信贷违约预测任务为验证案例，实验结果表明：数据集综合质量评分由74.2分提升至92.6分，标注一致性系数由0.74提升至0.91,为人工智能系统公平性与鲁棒性目标的实现提供了数据基础。