gaokao-volunteer-system/docs/CROWD_DB_DATA_QUALITY.md

CROWD_DB_DATA_QUALITY

最后更新: 2026-06-14

1. 目标

明确区分：

• 27 省结构覆盖：所有省份文件存在、字段 schema 基本可读
• 高置信推荐覆盖：可以对外输出较强推荐结论

防止把“文件齐全”误报为“所有省份都具备高质量反扎堆推荐能力”。

---

2. 当前已存在能力

代码中已经存在以下质量信号：

1. confidence 字段
2. USABLE_CONFIDENCE_THRESHOLD = 0.5
   • 位置：data/crowd_db/loader.py
3. 低置信度 warning
   • confidence < 0.5 会产生 UserWarning
4. CLI / risk report 已能暴露 confidence
   • data/crowd_db/cli.py
   • data/crowd_db/risk_report.py

这说明当前并不是“完全没有质量分层”，而是尚未把分层规则沉淀成对外统一口径。

---

3. 当前推荐的质量分级口径

A 级（高置信）

• confidence >= 0.8
• 允许输出较强推荐/较明确风险提示

B 级（可用）

• 0.5 <= confidence < 0.8
• 可展示，但要保留审慎提示

C 级（骨架）

• confidence < 0.5
• 只能作为结构占位或弱提示
• 不应对外宣称“高质量推荐已覆盖”

---

4. 当前真相

• 湖南应视为当前重点高置信省份
• 其他部分省份仍属于“结构覆盖已完成，但推荐质量待增强”
• 因此对外更准确说法应为：

已支持 27 省规则/数据结构接入；其中高置信推荐能力当前重点仍在湖南，其他省份按 confidence 分级展示。

---

5. 后续实现动作

1. 在报告/CLI 中显式输出质量等级（A/B/C）
2. 在低置信省份自动降级文案
3. 在 README / 产品文案中避免“27 省高质量推荐全覆盖”表述
4. 增加 province-level completeness/quality summary（已补 data.crowd_db.quality_summary）
5. 继续提升非湖南省份高置信数据密度

---

6. 完成口径

只有同时满足以下条件，才可将 X-08 视为整体完成：

• 已有统一质量分级文档（本文件）
• 报告/CLI/对外文案至少一处真实使用该分级
• 低置信省份不会再输出与湖南同级别强结论

当前状态：

• 文档基线已补齐
• risk_report 已输出 quality_level / quality_label
• gaokao-data-trace --human 已输出质量等级
• data.crowd_db.quality_summary 已提供 province-level 汇总
• 低置信省份已通过 confidence 分级与 warning 机制降级