English(EN) Do We Still Need Humans in the Loop? Comparing Human and LLM Annotation in Active Learning for Hostility Detection

LLM标注在低成本下可媲美人类标签，用于敌意检测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-17 04:00

一篇新的arXiv论文研究了大型语言模型（LLM）在主动学习数据标注方面的有效性，特别是在在线评论的敌意检测方面。研究发现，LLM，特别是使用两问界面的GPT-5.2，可以以远低于人类标注者的成本标注数据，并取得相当或更优的性能。然而，研究也指出，在使用LLM标注者时，主动学习并未提供优于随机抽样的可靠优势，且不同LLM的错误结构各不相同，有些会将经济或边境管制言论错误分类。 AI

影响 LLM标注为特定任务提供了比人工标注更具成本效益的替代方案，可能加速AI开发的数据标注。

排序理由该集群包含一篇详细介绍LLM标注研究结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Ahmad Dawar Hakimi, Lea Hirlimann, Isabelle Augenstein, Hinrich Sch\"utze · 2026-06-17 04:00

Do We Still Need Humans in the Loop? Comparing Human and LLM Annotation in Active Learning for Hostility Detection

arXiv:2604.13899v3 Announce Type: replace-cross Abstract: Instruction-tuned LLMs can annotate thousands of instances at low cost. This raises two questions for active learning (AL): can LLM labels replace human labels within the AL loop, and does AL remain necessary when entire c…

报道来源 [1]

Do We Still Need Humans in the Loop? Comparing Human and LLM Annotation in Active Learning for Hostility Detection

相关实体

相关话题