数据质量与专业验证

数据生成规模扩大后，人工逐个浏览很难稳定发现字段缺失、参数冲突、信号异常和样本重复。不同人员依靠经验抽查，也容易得到不一致的质量判断。

平台先用规则与统计检查定位问题，再把需要专业判断的样本交给审核人员。自动检查提高覆盖范围，专业复核负责解释检测意义，两者共同决定一项数据是否适合继续使用。

质量结果与对应数据版本保持关联。上游场景或样本发生变化时，团队可以知道哪些检查需要重新执行，避免沿用已经失效的结论。

完整性检查关注对象、材料、方法、条件、原始数据和解释记录是否齐全；一致性检查关注单位、坐标、频率、通道与样本关系是否相互吻合；代表性检查关注数据分布能否覆盖目标任务中的关键变化。

这些检查不能互相替代。字段齐全的数据仍可能分布失衡，统计分布合理的数据也可能包含专业意义错误的标签或解释。平台分别记录检查结果，再由项目目标决定需要达到的质量要求。

专业人员在关键样本、异常结果和解释内容上给出复核意见，使自动检查无法回答的检测问题仍然保留清楚的判断依据。

生产任务完成后，平台汇总条件缺失、范围异常、近重复和信号质量等检查结果。问题可以定位到具体样本与场景，用户能够补充信息、重新生成或排除数据。

需要专业判断的样本进入审核，平台保留被审版本、检测证据、意见和修订关系。审核完成后，项目人员按目标任务选择可用样本并形成稳定版本。

这一过程让质量检查成为数据生产的一部分，而不是交付前临时补做的整理工作。

训练数据关注标签、分布、重复关系和来源独立性；评测数据还要检查与训练数据的隔离和任务覆盖；工程验证数据则更关注条件真实性、对照依据与专业复核。

合作项目可以先选择一组代表性场景，约定质量指标和审核责任，验证问题能否被定位、样本能否被修订或重生成，以及接收方能否理解质量结论。