探索 LLMs 在数据标注中的应用潜力：观察、思考与前景展望

编者按： 目前，LLMs 在机器翻译、文本生成、多轮问答等任务上已表现得非常出色了。人们开始思考它们是否也可以用于数据标注工作。数据标注是训练和评估各种机器学习模型的基础，一直是一项昂贵且耗时的工作。是否能够借助 LLMs 的强大能力来为数据标注流程降本增效呢？本文深入探讨了这一问题。

本文作者从业界最新研究入手，全面评估了 LLMs 在数据标注领域的应用前景。文章指出，在某些场景下使用 LLMs 确实可以加快标注流程、降低成本，但也需要注意 LLMs 存在一些局限性，如对提示词的高度敏感性、不能支持多种人类语言符号，以及难以模拟人类的内在推理逻辑等。因此，我们不能期望 LLMs 完全取代人工标注，特别是在涉及需要主观判断或敏感内容的领域。

本文立足前沿，观点中肯，为 LLMs 在数据标注领域的应用前景勾勒出了轮廓，同时也直面了其短板，启发读者理性审视这一新兴技术在实践中的利弊权衡，为未来研究和实践提供了极有价值的思路，对于推动人工智能技术在数据标注领域的良性发展具有重要意义。

本文旨在提供一份简单易懂的技术总结，介绍有关使用 LLMs 对数据进行标注的研究。我们将探讨当前关于使用 LLMs¹ 标注文本数据的观点，以及在实践中使用该技术方案时需要注意的事项。

文章总览：

为什么使用 LLMs 进行数据标注？
当前业界主流观点
使用 LLMs 进行数据标注时需要注意哪些事项
Summary | TL;DR

Source: Pexels

01 为什么使用 LLMs 进行数据标注？

高质量的标注数据是训练和评估各种机器学习模型的基础。 目前，最常见的数据标注方法是雇佣众包工人（例如 Amazon Mechanical Turk），或在涉及专业知识时雇佣相关领域专家。

这些方法可能相当昂贵且极其耗时，因此很多人开始想了解是否可以使用 LLMs 完成数据标注工作。对于预算有限的企业，可以通过构建满足其特定需求的专用数据标注模型（specialised models）来完成数据标注需求。在医学等较为敏感的领域，可以通过让相关领域专家审查和修正 LLM 的标注内容来加快标注流程，而不是从头开始进行数据标注。

此外，卡内基梅隆大学（Carnegie Mellon）和谷歌（Google）的研究人员还发现，保护人工标注者免受标注过程中（例如仇恨言论）造成的心理伤害，以及保证数据中观点的多样性，也是行业推动使用 LLMs 进行数据标注的动机之一。

02 当前业界主流观点

关于 LLMs 是否有潜力成为优秀的数据标注工具，各项研究的意见不一。虽然一些研究对其能力持乐观态度，但也有一些研究持怀疑态度。表 1 概述了十二项相关研究的研究方法和研究结论。您可以在本文末尾的参考文献中找到这些内容的出处。

表 1 — z: zero-shot，f: few-shot，z&f: zero&few-shot；en+: 主要为英文语料 | 图片由原文作者提供

2.1 模型²

表 1 中的 Model Families 列元素数量显示 —— 大多数研究只测试了一个 Model Families。查看使用的具体模型可以发现，除了研究[7][11]外，几乎所有研究都使用了 GPT。 研究[7]是唯一专注于探索开源 LLMs 的研究（见表2）。

表 2 | 图片由原文作者提供

2.2 数据集

表 1 的 Number of Datasets 列介绍了该研究用于数据标注的数据集数量。不同的研究所探索的任务不同，因此也探索使用了不同的数据集。大多数研究在多个数据集上进行了性能测试。研究[3]通过在20个不同数据集上测试 LLM 的分类性能（LLM classification performance）而显得特别突出。关于数据集的更多细节，请在下方的表 3 中寻找，应当可以帮助您找到最相关的研究。

表 3 | 图片由原文作者提供

如果一开始手头没有标注数据：请寻找、查看现有的与目标任务类似的标注数据集（labelled datasets），并用 LLM 对其进行标注。通过详细分析错误和潜在问题（the errors and potential issues），将 LLM 生成的标签与人工标注的标签进行比较。这样，就能够帮助我们了解 LLM 在目标任务中的表现，以及是否值得投入时间和其他成本。

2.3 Perspectivist Approach

Perspectivist Approach 简单来说就是认识到理解数据集或解决问题（understand a dataset or solve a problem）没有一种“唯一正确”的方法。从不同的角度看问题可以带来不同的见解（insights）或解决方案（solutions）。在传统方法中，大多数数据集都是使用 majority voting approach（译者注：会让多个人（如专家或众包工人）为同一个数据样本打上标签。由于每个人的判断可能有出入，最终需要一种机制来确定这个数据样本的“ground truth”(真实标签)。在传统的数据标注过程中，这种机制通常为“少数服从多数”。）进行标注，这意味着最常被选择的标签被视为“ground truth”(真实标签) ：

Majority Voting Vs. Perspectivist Approach | 图片由原文作者提供

在表 1 中，根据研究采用的是 majority voting 方法还是 perspectivist mindset 方法，对数据标注方法进行了分类。可以看到，大多数研究都采用了 majority voting 方法进行数据标注工作。

2.4 真的可以将 LLMs 使用为数据标注工具？

最后一列总结了每项研究的结果，打勾☑️表示该研究倾向于认为 LLMs 可以在数据标注过程中发挥作用。虽然有些研究对其潜力非常乐观，甚至认为完全可以取代人工标注者，但也有一些研究认为它们更适合作为辅助工具，而不是完全替代人类进行数据标注。即便在这些持积极态度的研究中，也有些任务场景是 LLMs 表现不够出色的。

此外，有三项研究（其中两项采用了 perspectivist approach 方法）得出结论认为 LLMs 不适合用于数据标注。另一项研究（未在表中记录）采用了不同的方法，表明目前通过单一奖励函数（single reward function）对 LLMs 进行对齐的方法，并不能反映不同人类子群体（human subgroups）的偏好多样性（diversity of preferences），特别是少数群体的观点。

03 使用 LLMs 作为标注工具时需要考虑的事项

3.1 Prompting: Zero vs. Few-shot

直接从 LLMs 中获得非常有意义的模型响应可能颇具挑战。那么，如何最有效地通过提示词让 LLM 来标注数据集呢？ 从表 1 中我们可以看到，上述研究探讨了 zero-shot 或 few-shot prompting （译者注：Zero-shot prompting 不向语言模型提供任何相关示例，直接向模型发送自然语言的问题或指令，让模型自行生成答案或执行任务。没有提供任何“示例”说明预期的输出应该是什么样的。Few-shot prompting 在prompt中包含了少量的“示例”内容，告诉大模型用户期望的输出格式和风格是什么样的。），或两者兼而有之。Zero-shot prompting 要求 LLM 在没有任何示例的情况下回答问题。而 Few-shot prompting 则在提示词中包含多个示例，以便 LLM 能理解用户期望的回答格式：

Zero Vs Few-Shot Prompting | source：github.com/amitsangani…

至于哪种方法效果更好，研究结果各不相同。一些研究在解决目标任务时采用 few-shot prompting，另一些则采用 zero-shot prompting 。因此，我们可能需要探索哪种方法最适合我们的任务场景和使用的模型。

如果你想知道如何学习撰写提示词（Prompt），Sander Schulhoff 和 Shyamal H Anadkat 创建了 LearnPrompting[1]，可以帮助我们学习有关提示词的基础知识和更高级的技巧。

3.2 LLMs 对提示词的敏感程度

LLMs 对 prompt（提示词）的细微变化非常敏感。 改变 prompt 中的一个词可能就会影响模型响应。如果想要尽量应对这种变化，可以参考研究[3]的做法。首先，由 task expert （译者注：对任务所在领域有深入理解的领域专家。）提供初始提示词。然后，使用 GPT 生成 4 个意义相似的提示词，并对这 5 个提示词的模型响应的内容评估指标取平均值。或者，我们也可以尝试使用 signature[2] （译者注：一种自动化的提示词生成方式，可以理解为一种参数化的提示词模板。）代替人工输入的提示词，并让 DSPy[3] 来优化提示词，如 Leonie Monigatti 的博客文章内容[4]所示。

3.3 如何选择用于数据标注的模型？

选择哪个模型来标注数据集？有几个因素需要考虑。让我们简要谈谈一些关键的考虑因素：

开源 vs. 闭源：是选择最新的、性能最好的模型？还是更注重定制化开源模型？需要考虑的因素包括预算、性能要求、是否需要定制、是否需要拥有模型所有权、安全需求以及社区支持要求等方面。
保护措施（Guardrails） ：LLMs 配备了防止产生不良信息或有害内容的保护措施。如果目标任务涉及敏感内容，模型可能会拒绝标注这些数据。 而且，不同 LLMs 的保护措施强度不一，因此需要不断进行探索和比较，找到最适合目标任务的数据标注模型。
模型大小（Model Size） ：LLMs 有不同的 size ，较大的模型可能表现更好，但也需要更多的计算资源。如果你想要使用开源 LLMs 但是计算资源有限，可以试试使用模型量化技术[5]。就闭源模型而言，目前较大的模型每次使用的成本更高。但较大 size 的模型一定更好吗？

3.4 模型存在的偏见问题

根据研究[3]，较大的、经过指令微调的³（instruction-tuned）模型在数据标注性能方面表现更优越。 然而，该研究并未评估其模型输出中是否存在偏见。另一项研究表明，偏见会随着模型规模（scale）和上下文模糊程度（ambiguous contexts）的增加而增加。 有几项研究还警告说，LLMs 有左倾倾向，并且在准确代表少数群体（如老年人或少数宗教）的观点方面能力有限。总体来看，当前的 LLMs 存在相当大的文化偏见（cultural biases），并且在看待少数群体的相关问题时存在刻板印象。这些都是在项目各个阶段需要根据目标任务考虑的问题。

“默认情况下，LLM 的响应更类似于某些群体的观点，如来自美国、某些欧洲和南美洲国家的群体” — 摘自研究[2]

3.5 模型参数：Temperature

表 1 中的大多数研究都提到了 temperature 参数，该参数主要用于调整 LLMs 输出内容的“创造力”表现。研究[5]和[6]在较高和较低的 temperature 参数值下进行了实验，发现使用较低的 temperature 参数值时 LLMs 响应的一致性更高（译者注：对于同一提示词输入，模型在不同时刻生成的响应彼此之间的差异较小，更加一致），同时不影响准确性。因此，他们建议在数据标注任务中使用较低的 temperature 参数值。

3.6 使用 LLMs 进行数据标注任务存在语言方面的限制

如表 1 所示，大多数研究都评估了 LLMs 在英语数据集上的标注性能。研究[7]探索了法语、荷兰语和英语数据集的性能，发现非英语语言的标注性能显著下降。 目前，LLMs 在英语数据集中的表现更好，但也有其他方法尝试将这种优势扩展到非英语语言。包括 Aleksa Gordić 开发的 YugoGPT[6]（用于塞尔维亚语、克罗地亚语、波斯尼亚语、黑山语）和 Cohere for AI 的 Aya[7]（支持101种不同语言）。

3.7 分析人类的标注内容，来窥探和理解人类在做出某些判断时的内在推理逻辑和行为动机

除了简单地请求 LLM 为数据打上标签外，我们还可以要求其为所选择的标签提供一段解释。研究[10]发现，GPT 提供的解释内容与人类的解释内容相当，甚至更为清晰。 然而，卡内基梅隆大学和谷歌的研究人员指出，LLMs 尚未能模拟人类的决策过程[8]，在标签的选择决策过程中也未表现出类似人类的行为[9]。他们发现，经过指令微调的模型更无法表现出类似人类的行为，因此他们认为在标注流程中，不应当使用 LLMs 来替代人类。在目前的阶段，作者建议谨慎使用大语言模型(LLM)生成的自然语言解释内容。

“使用 LLMs 替代标注员会影响三种价值观：参与者利益的代表性（译者注：如果完全由 LLM 生成自然语言解释内容，可能无法充分代表参与标注任务的人员（如专家、工人等）的真实利益和关切点。）；人类在开发过程中的参与权、发言权、主导权和决策权。” — 摘自 Agnew（2023）

04 Summary | TL;DR

使用 LLMs 进行数据标注优点与缺点 | image by author

对于那些预算有限、任务相对客观的情况，使用 LLM 进行数据标注是一个不错的选择，在这些任务中，一般关注的是最可能的标签。 在意见可能存在较大分歧的主观任务中，对正确标签（correct label）的看法可能会大相径庭，这时就要小心了！
避免使用 LLMs 来模拟人类的内在推理逻辑和行为动机。
对于更关键的任务（如医疗保健领域任务），可以使用 LLMs 来加速标注过程，让人类来纠正已标注的数据；但千万不要让人类完全脱离数据标注过程！
批判性地评估标注方案，检查是否存在偏见和其他问题，并考虑这些错误可能带来的麻烦是否值得。

这篇文章并非对使用 LLMs 和人工标注进行详尽的比较。如果您有其他资料或在使用 LLM 进行数据标注的个人经验，烦请在评论中留言分享。

References