待验证50% 置信观点精确时间
在数据集审计场景中，低假阳性率（FPR）至关重要，因为错误指控模型使用了某数据集可能带来法律或声誉风险。
1
来源数
50%
置信度
长期有效
时效性
2026/10/23
首次发现
来源
涉及实体
相关事实
待验证从传真、扫描件中提取记录的数据质量存在级联效应，OCR的错误可能导致NLP误判进而影响下游AI决策，是医疗数据聚合的关键挑战70% 相似待验证在数据质量验证中，不同错误的代价是不对称的：错误接受脏数据可能导致下游分析崩坏，而误拒好数据只是损失一个样本69% 相似待验证伪标签的风险在于确认偏差——错误预测被强化；因此实践中通常结合新颖性检测（如马氏距离）来判断分布是否已漂移，仅在漂移显著且预测置信度高时才启用伪标签更新。68% 相似待验证Judge标记的低分不等于真实失败，需要人工复核来区分模型真实问题和Judge误判或用户输入不合理。68% 相似待验证发票字段识别错误（如金额、税号）会对财务数据产生直接且敏感的影响，因此人工复核和置信度提示很重要67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1088312API
curl https://kongchang.com/api/v1/knowledge/claims/1088312MCP
get_claim(id=1088312)