研究人员推出了一种名为多标签一致性(MLA)的新框架,旨在改进多标签标注任务中标注者间可靠性的评估。与主要用于单标签场景的现有指标不同,MLA考虑了分配给每个项目的完整二元标签向量,通过平均成对汉明一致性来考虑联合选择和遗漏。该框架通过汇集边际、Gwet AC1和固定基线归一化提供了灵活性,并提供项目、标签和语料库级别的详细结果,以及条件最小一致性诊断。提供了Python实现,可进行透明且可解释的多标签一致性分析。 AI
影响 增强了数据标注的可靠性,这是开发和评估AI模型的关键步骤。
排序理由 该项目是一篇介绍评估标注者间一致性新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- CatalyzeX Code Finder for Papers
- Cohen's kappa
- DagsHub
- Fleiss' kappa
- Gotit.pub
- Gwet AC1
- Hamming agreement
- Hugging Face
- Krippendorff's alpha
- Multi-Label Agreement (MLA)
- Python
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →