Cette page n'est pas encore disponible dans votre langue. La version anglaise est affichée.

Annotationsverlauf

Jede Annotationsaktion mit Zeitstempeln für Auditing und Analyse verfolgen.

Annotationsverlauf

Potato bietet eine umfassende Verfolgung aller Annotationsaktionen mit detaillierter Zeitstempel-Metadaten. Dies ermöglicht Leistungsanalysen, Qualitätssicherung und detaillierte Prüfprotokolle.

Übersicht

Das Annotationsverlaufssystem verfolgt:

Jede Annotationsaktion: Label-Auswahl, Span-Annotationen, Texteingaben
Präzise Zeitstempel: Server- und clientseitige Zeitstempel
Aktions-Metadaten: Nutzer, Instanz, Schema, alte/neue Werte
Leistungsmetriken: Verarbeitungszeiten, Aktionsraten
Verdächtige Aktivitäten: Ungewöhnlich schnelle oder stoßartige Aktivitätsmuster

Aktionsverfolgung

Jede Annotationsänderung wird als AnnotationAction mit folgenden Feldern aufgezeichnet:

Feld	Beschreibung
`action_id`	Eindeutige UUID für jede Aktion
`timestamp`	Serverseitiger Zeitstempel
`client_timestamp`	Browserseitiger Zeitstempel (falls verfügbar)
`user_id`	Nutzer, der die Aktion durchgeführt hat
`instance_id`	Annotierte Instanz
`action_type`	Art der durchgeführten Aktion
`schema_name`	Name des Annotationsschemas
`label_name`	Spezifisches Label innerhalb des Schemas
`old_value`	Vorheriger Wert (bei Aktualisierungen/Löschungen)
`new_value`	Neuer Wert (bei Hinzufügungen/Aktualisierungen)
`span_data`	Span-Details für Span-Annotationen
`server_processing_time_ms`	Serverseitige Verarbeitungszeit

Aktionstypen

Das System verfolgt folgende Aktionstypen:

add_label – Neue Label-Auswahl
update_label – Label-Wert geändert
delete_label – Label entfernt
add_span – Neue Span-Annotation erstellt
update_span – Span-Annotation geändert
delete_span – Span-Annotation entfernt

Konfiguration

Die Verfolgung des Annotationsverlaufs ist standardmäßig aktiviert. Keine zusätzliche Konfiguration erforderlich.

Leistungsmetriken

Das System berechnet Leistungsmetriken aus dem Aktionsverlauf:

python

from potato.annotation_history import AnnotationHistoryManager
 
metrics = AnnotationHistoryManager.calculate_performance_metrics(actions)
 
# Returns:
{
    'total_actions': 150,
    'average_action_time_ms': 45.2,
    'fastest_action_time_ms': 12,
    'slowest_action_time_ms': 234,
    'actions_per_minute': 8.5,
    'total_processing_time_ms': 6780
}

Erkennung verdächtiger Aktivitäten

Das System kann potenziell problematische Annotationsmuster erkennen:

python

from potato.annotation_history import AnnotationHistoryManager
 
analysis = AnnotationHistoryManager.detect_suspicious_activity(
    actions,
    fast_threshold_ms=500,      # Actions faster than this are flagged
    burst_threshold_seconds=2   # Actions closer than this are flagged
)
 
# Returns:
{
    'suspicious_actions': [...],
    'fast_actions_count': 5,
    'burst_actions_count': 12,
    'fast_actions_percentage': 3.3,
    'burst_actions_percentage': 8.0,
    'suspicious_score': 15.2,
    'suspicious_level': 'Low'
}

Verdächtigkeitsstufen

Wert	Stufe	Interpretation
0–10	Normal	Typisches Annotationsverhalten
10–30	Niedrig	Einige schnelle Aktionen, wahrscheinlich akzeptabel
30–60	Mittel	Auffälliges Muster, Überprüfung möglicherweise angebracht
60–80	Hoch	Besorgniserregendes Muster, Überprüfung empfohlen
80–100	Sehr hoch	Wahrscheinliches Qualitätsproblem, sofortige Überprüfung

API-Referenz

AnnotationAction

python

from potato.annotation_history import AnnotationAction
 
action = AnnotationAction(
    action_id="uuid-here",
    timestamp=datetime.now(),
    user_id="annotator1",
    instance_id="doc_001",
    action_type="add_label",
    schema_name="sentiment",
    label_name="positive",
    old_value=None,
    new_value=True
)
 
# Serialize to dictionary
data = action.to_dict()
 
# Deserialize from dictionary
action = AnnotationAction.from_dict(data)

AnnotationHistoryManager

python

from potato.annotation_history import AnnotationHistoryManager
 
# Create a new action with current timestamp
action = AnnotationHistoryManager.create_action(
    user_id="annotator1",
    instance_id="doc_001",
    action_type="add_label",
    schema_name="sentiment",
    label_name="positive",
    old_value=None,
    new_value=True
)
 
# Filter actions by time range
filtered = AnnotationHistoryManager.get_actions_by_time_range(
    actions,
    start_time=datetime(2024, 1, 1),
    end_time=datetime(2024, 1, 31)
)
 
# Filter actions by instance
instance_actions = AnnotationHistoryManager.get_actions_by_instance(
    actions, instance_id="doc_001"
)
 
# Calculate performance metrics
metrics = AnnotationHistoryManager.calculate_performance_metrics(actions)
 
# Detect suspicious activity
analysis = AnnotationHistoryManager.detect_suspicious_activity(actions)

Anwendungsfälle

Qualitätssicherung

Annotatorverhalten auf Qualitätsprobleme überwachen:

python

for user_id in get_all_users():
    user_actions = get_user_actions(user_id)
    analysis = AnnotationHistoryManager.detect_suspicious_activity(user_actions)
 
    if analysis['suspicious_level'] in ['High', 'Very High']:
        flag_for_review(user_id, analysis)

Prüfpfad

Änderungen für die Einhaltung von Vorschriften verfolgen:

python

instance_actions = AnnotationHistoryManager.get_actions_by_instance(
    all_actions, "doc_001"
)
 
audit_log = [action.to_dict() for action in instance_actions]
with open("audit_doc_001.json", "w") as f:
    json.dump(audit_log, f, indent=2)

Zeitanalyse

Annotationszeitpläne verstehen:

python

from collections import Counter
 
hours = Counter(action.timestamp.hour for action in all_actions)
print("Peak annotation hours:", hours.most_common(5))

Datenspeicherung

Der Annotationsverlauf wird in den Nutzerzustandsdateien gespeichert:

text

output/
  annotations/
    user_state_annotator1.json  # Includes action history
    user_state_annotator2.json

Exportformat

Aktionen werden mit ISO-8601-Zeitstempeln serialisiert:

json

{
  "action_id": "550e8400-e29b-41d4-a716-446655440000",
  "timestamp": "2024-01-15T10:30:45.123456",
  "user_id": "annotator1",
  "instance_id": "doc_001",
  "action_type": "add_label",
  "schema_name": "sentiment",
  "label_name": "positive",
  "old_value": null,
  "new_value": true,
  "server_processing_time_ms": 23
}

Bewährte Vorgehensweisen

Regelmäßige Überwachung: Verdächtigkeitsberichte regelmäßig prüfen
Schwellenwert-Anpassung: Erkennungsschwellenwerte an die Aufgabenkomplexität anpassen
Export-Sicherungen: Verlauf regelmäßig für die Langzeitspeicherung exportieren
Datenschutzkonformität: Datenaufbewahrungsrichtlinien für Zeitstempel berücksichtigen

Weiterführende Informationen

Admin-Dashboard – Annotationsstatistiken anzeigen
Verhaltens-Tracking – Tracking auf Interaktionsebene
Qualitätskontrolle – Automatisierte Qualitätsprüfungen

Implementierungsdetails finden Sie in der Quelldokumentation.