确认数据从哪来
检查采集或生成方式、覆盖语言与时间、字段定义、分割方式和许可链接。查看是否有缺失字段或个人资料;卡片未列出的内容先记待确认,不把平台展示等同于许可已获核实。
做最小抽样记录
从不同子集挑少量记录,对照标签定义、重复项和格式,记录实际查看的版本。不要用训练样本替代独立测试,也不要把数据量当质量指标。示例:发现日期字段部分为空,先说明缺值比例和计算方法,再决定如何过滤。抽样结果只说明已查看的部分,未检查的来源和子集应另外标注,方便下一轮扩大范围。
资料来源:Hugging Face 官方数据集卡说明。本站整理,非官方发布。