《方志数据标注手册》框架 V1.0

定位：面向社内资深编辑（非技术背景）的操作指南，不是给工程师看的技术文档。 核心目标：让不懂数据库的老编辑，在2周内达到”双人独立标注一致率≥95%”的验收线。 配套文件：附件A《事件类型受控词表》、附件B《P0指标模板全集》、抽取流水线提示词模板包（另行交付）。 版本纪律：V1.0冻结期90天，本手册只补案例、不改规则；规则变更须本体负责人+首席编辑双签。

〇、写在最前面：致各位编辑老师

您手里这本手册，不是让您学编程，也不是让您背字段名。它是把您几十年读志、修志、审志的经验，翻译成机器能听懂的话。

机器抽出来的东西对不对，只有您能判。您的判断就是数据质量的天花板。

手册里所有规则，都来自您熟悉的志书体例与记述习惯。遇到规则和您的经验冲突时，以您的经验为准，但请标记”待裁”而不是自行变通——我们会据此修订规则，而不是让您适应一条错的规则。

这本手册会随试抽取不断长厚。您每一次”待裁”标记，都是在帮它长大。

一、手册结构总览（7章 + 4附录）

章标题内容性质阅读对象预计用时
1我们在做什么项目意义、数据产品形态、编辑的角色全员必读30分钟
2标注工作台使用界面操作、快捷键、提交/待裁/异议流程标注员1小时（含上机）
3核心概念速查六类实体、事件vs观测、溯源锚点、置信度、时态标注员1小时
4分类判定流程主章：从原文到event_type的决策树+30条判例标注员反复查阅
5字段填写规范measures各字段的填写口径、模糊值处理、单位换算标注员按类目查阅
6质检与校准自检清单、双人校准流程、待裁处理、异议申诉标注员+质检员首次通读+日常查阅
7敏感内容处理GA0304/MI0405/SO0903/PE0804的分级流程标注员+审核员30分钟
A受控词表速查卡62个二级类目一页纸索引+消歧规则摘要桌面常备—
B古今对照速查朝代纪年换算、度量衡换算、政区层级对照桌面常备—
C30条种子判例集每条例子=原文+标注结果+判定理由+易错点培训教材—
D常见问题FAQ试抽取阶段积累的真实问题（动态更新）日常查阅—

二、各章内容要点与设计意图

第1章 我们在做什么（解决”为什么要这样标”）

  • 1.1 一句话讲清项目：”我们把志书变成可查询、可计算、可卖给保险/研究/AI公司的结构化数据集，您的标注就是数据集的质量底线。”
  • 1.2 数据产品的样子：展示水灾事件数据集demo截图、建置沿革时间轴可视化、人物关系图谱——让编辑看到自己标的东西最终长成什么样（看见产出，才有质量感）；
  • 1.3 编辑 vs 机器 的分工边界：机器做初抽（准确率约60—70%），编辑做复核与裁决（目标是95%+）；编辑不是给机器纠错，是在定义”什么叫对”；
  • 1.4 标注成果的去向：L1知识层→数据集产品→客户付费→反哺加工业务→更多志书进入标注循环（闭环叙事，避免”标完就散”的项目制心态）。

设计意图：老编辑最容易产生的抵触是”我又不是程序员，为什么要干这个”。本章不回避这个问题，直接把”为什么是你”讲透。

第2章 标注工作台使用（解决”怎么点”）

  • 2.1 界面三区布局：左=原文图像+OCR文本（可缩放、可跳转页码）；中=标注表单（实体/字段/值）；右=上下文面板（同段其他已标实体、关联事件预览）；
  • 2.2 核心操作：选中文本→创建实体→填字段→绑定溯源→提交/存草稿/标待裁；
  • 2.3 快捷键表（一页纸）：Tab切换字段、Ctrl+S暂存、F1调出当前字段帮助、Ctrl+Z撤销；
  • 2.4 待裁与异议按钮：这两个按钮的使用频率是健康度指标——用得少说明规则不清或编辑不敢标；用得多说明规则需要修订。本章明确告诉编辑：”标待裁不是能力不足，是负责任。”
  • 2.5 上机练习任务：用3条预置样例走完提交流程，不计入正式标注。

设计意图：工具恐惧是老编辑的第一道坎。本章只做最小必要操作教学，不讲原理；复杂功能（批量操作、高级检索）放到进阶培训，不在V1.0手册出现。

第3章 核心概念速查（解决”这些词是什么意思”）

用志书语言类比解释技术概念，禁止直接用技术术语定义：

技术概念志书语言类比一句话解释
实体(Entity)志书里的”条目”一个可被单独指称的人、地、事、物、机构、数值
事件(Event)大事记里的一条有明确时间点、涉及主体、产生变化的记述单元
指标观测(Observation)食货志里的一行数字某时某地的某个数值记录，本身不构成事件
溯源(Provenance)注释里的出处这条数据从哪部志书哪一页哪一段来的
置信度(Confidence)审校时的”存疑”标记这条数据有多可靠，分AI初抽/人工初检/专家定稿三级
时态(Temporal)建置沿革里的”某年至某年”关系和属性都有有效期，不是永恒的
不确定度(Uncertainty)“约””不详””一说”原文本身的模糊性，如实记录，不伪造精度
异说(Conflict)新旧志书的矛盾记载不裁决，并存呈现，让下游用户自己判断

设计意图：概念对齐是后续所有规则理解的前提。用类比而非定义，降低认知负荷；每个概念配一个志书原文例子，让抽象落地。

第4章 分类判定流程（主章，解决”这条算哪类”）

这是整本手册的核心，采用决策树+判例双层结构：

4.1 五步决策树（从原文到event_type）

Step 1: 这条记述有没有明确时间点？
   → 无时间点且为静态描述 → 不是事件，归地点/机构属性或指标观测
   → 有时间点（含模糊时间）→ Step 2

Step 2: 这条记述的主体是什么？
   → 灾害现象 → ND大类
   → 政区/地名变化 → AD大类
   → 工程营建废毁 → EN大类
   → 人物生平节点 → PE大类
   → 制度/政策/会议 → GA大类
   → 战事/驻防 → MI大类
   → 经济生产变动 → EC大类
   → 文教科技活动 → CU大类
   → 社会民生事件 → SO大类
   → 无法判断 → 标"待裁"

Step 3: 在大类内，按附件A词表的"收录边界"匹配二级类目
   → 匹配成功 → Step 4
   → 匹配多个 → 走消歧规则R1-R7（见4.2）
   → 都不匹配 → 标"待裁"

Step 4: 检查是否为附属信息（R3规则）
   → 是灾后赈济/重建等附属记述，且无独立规模数据 → 回填主事件的measures，不单建事件
   → 有独立规模、独立成段 → 建独立事件，挂caused关系

Step 5: 确认时代适用性
   → 按志书断限核对附件B模板的时代标记，禁用不适用字段

4.2 消歧规则实操版（把附件A第三节改写为编辑语言）

每条规则 = 规则表述 + 正反例各1条 + 常见误判提醒

示例（R3 附属信息不独立建条）：

规则：灾害条文里附带一句赈济信息，没有独立的粮款数额、施赈机构、持续时间等规模数据时，不单独建SO0902事件，而是填到主灾事件的relief_attached字段里。

✅ 正确：“光绪三年大旱，饥民流徙，知县某某设粥厂三处赈之。” → 赈济信息填入ND0102的relief_attached，不单建SO0902。 ❌ 错误：同上原文，单独建了一条SO0902事件。

✅ 正确：“光绪三年大旱……冬，巡抚奏请拨银五万两，设局于城南，自十一月至次年二月，日赈三千人。” → 有独立规模（银数、局址、时长、日赈人数），建独立SO0902，挂caused→ND0102。

⚠️ 常见误判：看到”赈””恤””蠲”就建SO0902。关键词不是判定依据，规模数据和段落独立性才是。

4.3 30条种子判例索引（附录C的导读）

按类目分组，每条判例标注：

  • 难度星级（★基础 / ★★边界 / ★★★争议）
  • 涉及的消歧规则编号
  • 易错点标签（如”易混淆EN0501与ND0101″”易漏时态字段””币种换算陷阱”）

设计意图：决策树给路径，判例给手感。老编辑的学习方式是”看例子”而非”读规则”，判例集的权重应高于规则文本。30条覆盖全部P0类目×古/今，确保每个编辑在正式标注前至少精读10条。

第5章 字段填写规范（解决”这个格子怎么填”）

按附件B模板逐字段说明，每个字段 = 定义 + 填写口径 + 正反例 + 特殊情形

重点强调三类高频出错字段：

  1. 模糊数值：重申value_type六值枚举，给出”千余人””无算””十之七八””斗米千钱”四类典型原文的标准填法；
  2. 单位换算：哪些必须换算双存、哪些只存原值、哪些永不换算（币种）；换算规则ID怎么查（附录B）；
  3. 时态字段：valid_from/valid_to的填写规范，”不详”vs空值的区别，开放区间（延续至今）的标记方式。

设计意图：本章是”字典”，不需要通读，按字段名检索即可。排版上采用字段名醒目标题+折叠详情，方便快速定位。

第6章 质检与校准（解决”怎么知道我标对了”）

  • 6.1 自检清单（提交前过一遍）：
    • 每条事实都有溯源锚点（chunk_id非空）
    • 数值字段的value_type已填，无裸数字
    • 时态关系的valid_from/valid_to已填或明确标记”不详”
    • 币种字段未做跨代换算
    • 待裁项已填写”待裁理由”（不少于10字）
  • 6.2 双人校准流程：
    • 同一批原文，两人独立标注→系统自动比对→不一致项进入校准会→首席编辑裁决→裁决结果写入FAQ（附录D）；
    • 校准会每周一次，每次不超过1小时，只讨论不一致项；
    • 一致率<95%时暂停新标注，先修订规则/补充判例；
  • 6.3 待裁处理SLA：
    • 普通待裁：48小时内由首席编辑回复；
    • 争议待裁（多人标同一原文结论不同）：纳入下次校准会；
    • 超时未回复的待裁，标注员有权跳过该条继续后续工作（不让流程卡住）；
  • 6.4 异议申诉：标注员对裁决不服，可发起二次复核，由本体负责人终审；终审结果写入规则修订日志。

设计意图：质检不是”找错”，是”对齐”。双人校准的核心产出不是分数，是FAQ和规则修订。待裁SLA保护编辑的工作节奏，避免”标了没人理”的挫败感。

第7章 敏感内容处理（解决”这条敢不敢标”）

  • 7.1 四类敏感类目清单：GA0304（政治运动）、MI0405（起事平乱）、SO0903（治安/群体事件）、PE0804（轶事传说）；
  • 7.2 分级处理流程：
    • L1（默认受限）：GA0304、MI0405、SO0903 → 正常标注，visibility=受限，不进入对外数据集；
    • L2（强制标记）：PE0804 → fact_level=传说，confidence≤0.5，仅供C端文化产品；
    • L3（脱敏审查）：涉及在世人物、未解密档案、民族宗教敏感表述 → 标”待审”，由审核员（非标注员）处理后决定是否入库；
  • 7.3 立场中立化原则：旧志”寇””匪””逆”等称谓照录原文，不加现代价值判断；如需现代史实标注，由编辑规则库统一提供标准表述，标注员不自行发挥；
  • 7.4 免责条款：按本手册流程标注的敏感内容，责任在规则设计方，不在标注员个人。

设计意图：敏感内容是老编辑最大的心理负担。本章的核心信息是”按流程做，责任不在你”。免责条款必须白纸黑字写出来，否则编辑会倾向于”宁可不标”，导致数据缺失。

三、附录设计要点

附录A 受控词表速查卡（单页A4，可打印贴工位）

  • 62个二级类目按大类色块分区；
  • 每个类目只列：编码+名称+一句话收录边界+优先级星标；
  • 底部印消歧规则R1-R7的七字口诀版（如”一体记述不拆分””主体决定归哪类”）；
  • 这张卡是标注员的”方向盘”，必须做到一眼能查到。

附录B 古今对照速查（单页A4）

  • 朝代纪年↔公历对照表（明洪武—2005，按帝号/年号分段）；
  • 度量衡换算表（尺/丈/里/斤/石/亩，按朝代分列，标注conv-xxx规则ID）；
  • 政区层级对照表（古/民/今三列并排）；
  • 禁止标注员心算换算，一律查表填规则ID。

附录C 30条种子判例集（独立装订，便于翻阅）

格式统一：

【判例编号】ND0101-古-03 ★★
【原文】"万历十四年秋，大水，决堤三十六处，溺毙千余人，
        知县某某捐俸赈之，民赖以全。"
【标注结果】event_type=ND0101; flood_type=洪灾; 
           breach_count={raw:"三十六处",value:36,value_type:exact};
           death_toll={raw:"千余人",value:1000,value_type:approx};
           relief_attached={raw:"知县某某捐俸赈之",方法:发银,actor:知县某某}
【判定理由】赈济信息无独立规模数据（无粮款数额、无持续时间），
           依R3规则回填relief_attached，不单建SO0902。
【易错点】看到"赈"就建SO0902；"千余人"存为exact。
【关联规则】R3、value_type=approx

附录D 常见问题FAQ（动态更新，电子版为主）

  • 按”分类判定””字段填写””工具操作””敏感内容”四组分类；
  • 每条FAQ = 问题+回答+来源（哪次校准会/哪位编辑提出）；
  • 每周校准会后24小时内更新，标注员开工前先扫一眼新增条目。

四、手册的产出计划与验收

阶段产出物负责人工期验收标准
W1第1-3章初稿 + 附录A/B本体设计+首席编辑5个工作日编辑通读后能复述项目意义与核心概念
W2第4章决策树 + 附录C前15条判例本体设计+2名资深编辑5个工作日2名编辑独立标注同一批20条原文，一致率≥85%（W2门槛）
W3第5-7章 + 附录C后15条 + 附录D初版本体设计+质检员5个工作日2名编辑独立标注同一批30条原文，一致率≥90%（W3门槛）
W4全册统稿 + 上机练习任务 + 培训本体设计5个工作日正式验收：双人独立标注50条P0样章，一致率≥95%

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

这个站点使用 Akismet 来减少垃圾评论。了解你的评论数据如何被处理。