यह पृष्ठ अभी आपकी भाषा में उपलब्ध नहीं है। अंग्रेज़ी संस्करण दिखाया जा रहा है।

Qualitätskontrolle

Aufmerksamkeitschecks, Gold-Standards und Inter-Annotator-Übereinstimmungsmetriken.

Qualitätskontrolle

Potato bietet umfassende Qualitätskontrollfunktionen, um hochwertige Annotationen zu gewährleisten. Dazu gehören Aufmerksamkeitschecks, Gold-Standards, Vorausfüll-Unterstützung und Echtzeit-Übereinstimmungsmetriken.

Übersicht

Qualitätskontrolle in Potato umfasst vier Schlüsselfunktionen:

Aufmerksamkeitschecks – Annotatorenengagement mit Elementen mit bekannten Antworten überprüfen
Gold-Standards – Genauigkeit gegenüber expertenannotierten Elementen verfolgen
Vorausfüll-Unterstützung – Formulare mit Modellvorhersagen vorab ausfüllen
Übereinstimmungsmetriken – Inter-Annotator-Übereinstimmung in Echtzeit berechnen

Aufmerksamkeitschecks

Aufmerksamkeitschecks sind Elemente mit bekannten richtigen Antworten, die überprüfen, ob Annotatoren aufmerksam sind und nicht zufällig klicken.

Konfiguration

yaml

attention_checks:
  enabled: true
  items_file: "attention_checks.json"
 
  # How often to inject attention checks
  frequency: 10              # Insert one every 10 items
  # OR
  probability: 0.1           # 10% chance per item
 
  # Optional: flag suspiciously fast responses
  min_response_time: 3.0     # Flag if answered in < 3 seconds
 
  # Failure handling
  failure_handling:
    warn_threshold: 2        # Show warning after 2 failures
    warn_message: "Please read items carefully before answering."
    block_threshold: 5       # Block user after 5 failures
    block_message: "You have been blocked due to too many incorrect responses."

Aufmerksamkeitscheck-Elementdatei

json

[
  {
    "id": "attn_001",
    "text": "Please select 'Positive' for this item to verify you are reading carefully.",
    "expected_answer": {
      "sentiment": "positive"
    }
  }
]

Gold-Standards

Gold-Standards sind expertengelabelte Elemente, die zur Messung der Annotatorgenauigkeit verwendet werden. Standardmäßig sind Gold-Standards still – Ergebnisse werden für die Admin-Überprüfung aufgezeichnet, aber Annotatoren erhalten kein Feedback.

Konfiguration

yaml

gold_standards:
  enabled: true
  items_file: "gold_standards.json"
 
  # How to use gold standards
  mode: "mixed"              # Options: training, mixed, separate
  frequency: 20              # Insert one every 20 items
 
  # Accuracy requirements
  accuracy:
    min_threshold: 0.7       # Minimum required accuracy (70%)
    evaluation_count: 10     # Evaluate after this many gold items
 
  # Feedback settings (disabled by default)
  feedback:
    show_correct_answer: false
    show_explanation: false
 
  # Auto-promotion from high-agreement items
  auto_promote:
    enabled: true
    min_annotators: 3
    agreement_threshold: 1.0   # 1.0 = unanimous

Gold-Standard-Elementdatei

json

[
  {
    "id": "gold_001",
    "text": "The service was absolutely terrible and I will never return.",
    "gold_label": {
      "sentiment": "negative"
    },
    "explanation": "Strong negative language clearly indicates negative sentiment.",
    "difficulty": "easy"
  }
]

Automatische Hochstufung

Elemente können automatisch zu Gold-Standards werden, wenn mehrere Annotatoren übereinstimmen:

yaml

gold_standards:
  auto_promote:
    enabled: true
    min_annotators: 3          # Wait for at least 3 annotators
    agreement_threshold: 1.0   # 100% must agree (unanimous)

Vorausfüll-Unterstützung

Vorausfüllen ermöglicht es, Annotationsformulare mit Modellvorhersagen vorab auszufüllen – nützlich für Active-Learning- und Korrektur-Workflows.

Konfiguration

yaml

pre_annotation:
  enabled: true
  field: "predictions"        # Field in data containing predictions
  allow_modification: true    # Can annotators change pre-filled values?
  show_confidence: true
  highlight_low_confidence: 0.7

Datenformat

Vorhersagen in Ihren Datenelementen einschließen:

json

{
  "id": "item_001",
  "text": "I love this product!",
  "predictions": {
    "sentiment": "positive",
    "confidence": 0.92
  }
}

Übereinstimmungsmetriken

Echtzeit-Inter-Annotator-Übereinstimmungsmetriken mit Krippendorffs Alpha sind im Admin-Dashboard verfügbar.

Konfiguration

yaml

agreement_metrics:
  enabled: true
  min_overlap: 2             # Minimum annotators per item
  auto_refresh: true
  refresh_interval: 60       # Seconds between updates

Interpretation von Krippendorffs Alpha

Alpha-Wert	Interpretation
α ≥ 0,8	Gute Übereinstimmung – für die meisten Zwecke zuverlässig
0,67 ≤ α ≤ 0,8	Tentative Übereinstimmung – vorläufige Schlussfolgerungen möglich
0,33 ≤ α ≤ 0,67	Niedrige Übereinstimmung – Richtlinien überprüfen
α ≤ 0,33	Schlechte Übereinstimmung – erhebliche Probleme

Admin-Dashboard-Integration

Qualitätskontrollmetriken im Admin-Dashboard unter /admin anzeigen:

Aufmerksamkeitschecks: Gesamte Bestanden-/Nichtbestanden-Raten, Statistiken je Annotator
Gold-Standards: Genauigkeit je Annotator, Schwierigkeitsanalyse je Element
Übereinstimmung: Krippendorffs Alpha pro Schema mit Interpretation
Automatisch hochgestufte Elemente: Liste der durch hohe Übereinstimmung hochgestuften Elemente

API-Endpunkte

Qualitätskontrollmetriken

http

GET /admin/api/quality_control

Gibt Aufmerksamkeitscheck- und Gold-Standard-Statistiken zurück.

Übereinstimmungsmetriken

http

GET /admin/api/agreement

Gibt Krippendorffs Alpha pro Schema mit Interpretation zurück.

Vollständiges Beispiel

yaml

annotation_task_name: "Sentiment Analysis with Quality Control"
 
annotation_schemes:
  - name: sentiment
    annotation_type: radio
    labels: [positive, negative, neutral]
    description: "Select the sentiment of the text"
 
attention_checks:
  enabled: true
  items_file: "data/attention_checks.json"
  frequency: 15
  failure_handling:
    warn_threshold: 2
    block_threshold: 5
 
gold_standards:
  enabled: true
  items_file: "data/gold_standards.json"
  mode: mixed
  frequency: 25
  accuracy:
    min_threshold: 0.7
    evaluation_count: 5
 
agreement_metrics:
  enabled: true
  min_overlap: 2
  refresh_interval: 60

Fehlerbehebung

Aufmerksamkeitschecks erscheinen nicht

Sicherstellen, dass der items_file-Pfad korrekt ist (relativ zum Task-Verzeichnis)
Prüfen, ob Elemente die erforderlichen Felder haben (id, expected_answer)
Sicherstellen, dass frequency oder probability gesetzt ist

Übereinstimmungsmetriken zeigen „No items with N+ annotators"

Sicherstellen, dass Elemente von mehreren Nutzern annotiert wurden
min_overlap bei Bedarf reduzieren
Prüfen, ob Annotationen korrekt gespeichert werden

Weiterführende Informationen

Trainingsphase – Annotator-Qualifizierung
Admin-Dashboard – Metriken überwachen
Aufgabenzuweisung – Annotationsverteilung steuern

Implementierungsdetails finden Sie in der Quelldokumentation.