Timnit Gebru 等人提出的〈Datasheets for Datasets〉指出,機器學習社群缺乏一致的資料集文件化程序,這可能在高風險應用造成嚴重後果。作者借鏡電子零件資料表,建議資料集應記錄其動機、組成、收集程序、前處理、用途、限制、維護與可能的倫理風險,讓使用者知道資料如何形成,以及哪些推論不應建立在其上。
資料集說明書不是保證資料無偏的證明,而是一種把隱藏假設揭露出來的問責工具。它讓資料來源、抽樣方式、標註規則與使用限制有機會被研究者、受影響社群及外部稽核者檢視。
思與行
- 挑選一份正在使用的資料集,記錄來源、抽樣、標註、授權、適用情境與限制。
- 邀請資料提供者或受影響社群檢查文件,確認未把資料取得誤當成使用正當。