数据集文档要记录数据从何而来并允许怎样使用

模型文件可以重新训练，数据的来源条件却往往无法复原。采集对象为何被选中、哪些记录被排除、标签由谁定义、许可允许什么用途，这些信息如果只留在个人记忆里，数据一经流转就会失去解释边界。

数据集文档把这些背景变成可审查资产。它不只是列字段的技术说明，也不等同于宣传页，而是围绕动机、组成、采集、处理、用途、分发和维护回答一组可追溯问题。

先说明为什么建立这套数据

数据集应写明要支持的问题、资助或委托关系、预期用户和最初决策。相同样本为一个目的采集，未必适合另一个目的。客服记录可用于分析流程瓶颈，不一定获得了训练公开对话模型的授权。

动机还要包含没有被纳入的目标。数据不是“现实的完整切片”，而是受预算、渠道、时间和定义约束的选择。明确非目标能阻止后来使用者把局部数据误当作总体代表。

若数据来自已有资源，需要记录原始版本、获取日期、许可和转换关系。简单写“来自互联网”无法判断版权、同意、删除义务或时间泄漏，也无法在来源更新后重建同一版本。

文档要说明实例单位、数量、字段、标签、时间和地理范围，以及训练、验证、测试之间的关系。汇总数字之外还应描述重要子群、稀有事件、缺失值和重复记录。

敏感信息不只包括显式姓名。位置轨迹、设备标识、自由文本和多个弱标识组合也可能重新识别人。应记录识别评估、去标识方法、保留字段和访问级别，而不是笼统声称“已经匿名”。

合成样本、增强样本和人工构造负例要有标记。若它们与真实观测混合而无法区分，后续评价会把生成规则当成自然分布。样本之间存在同源关系时，也要防止同一主体或事件跨训练和测试集合泄漏。

采集设备、查询条件、招募方式、地理覆盖和时间窗口都会形成选择偏差。只保存最终文件而不保存采集协议，使用者就无法判断缺失是随机发生，还是某类对象从未有机会进入数据。

标签应记录定义、说明书版本、标注者资格、复核流程和分歧处理。多数投票不能自动产生客观真值；模糊任务中的分歧可能反映真实不确定性。保留原始标注和一致性统计，通常比只保留最终单标签更有价值。

自动标签、弱监督和模型辅助标注需要写出所用规则或模型版本。否则后续模型可能学习旧模型的系统性错误，并在测试集同样的自动标签上得到虚高分数。

清洗、去重、归一化、过滤、采样和特征派生都会改变数据。文档应连接到可执行流程、参数和输入输出校验，而不是只写“完成预处理”。不可逆操作尤其要保留原始层和转换日志。

删除异常值前要说明异常定义。看似错误的极端值可能正是安全任务关心的少数事件。按结果变量过滤样本还可能引入未来信息，使训练阶段获得部署时不可见的线索。

版本变更应区分新增、修正、删除和重新标注，并给出兼容性影响。数据集使用同一名称却静默替换内容，会让模型、指标和审计结果无法复现。

文档应列出已验证用途、未经验证用途和明确不建议用途。限制需要落到任务、群体、地域、时间或风险等级，而不是一句“仅供研究”。若许可、同意或监管要求限制再分发和衍生使用，也应写入机器可执行的访问控制流程。

已知偏差和质量缺陷不能只放在附注。要说明哪些群体样本少、哪些标签可靠性低、哪些时间段受到制度变化影响，以及这些缺陷可能怎样改变模型结果。

数据文档齐全并不证明公平、安全或合法。它提供检查所需的证据入口，后续仍需做适用性评价、隐私审查、偏差分析和领域验证。文档模板也不能替代对具体风险的判断。

分发信息包括保存位置、访问条件、许可证、校验和、格式和依赖资源。对受限数据，应记录审批人、访问日志、到期和撤销机制。公开下载不意味着没有使用限制。

维护责任要明确到角色：谁接收纠错、谁批准版本、谁处理删除请求、多久复审一次。数据主体撤回、上游许可变化或发现严重标签错误时，需要能定位受影响版本和由其训练的模型。

生产 MLOps 应把数据版本、代码版本、模型版本和评估报告连接起来。模型上线后发现问题，才能从结果追到训练切片，再追到原始来源和处理步骤。

好的数据集文档不会把复杂数据包装成“高质量”标签，而是让使用者看清证据与空白。它的价值在于把隐含假设公开，使“不应使用”与“可以在何种条件下使用”同样容易被发现。

Timnit Gebru 等：Datasheets for Datasets，https://arxiv.org/abs/1803.09010
National Institute of Standards and Technology：Artificial Intelligence Risk Management Framework 1.0，https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf