L3.04.3unlabeled generation pollutes the information environment设计研究
标识缺失会污染后续信息环境
别名: 标识缺失污染 · 合成物入语料 · corpus contamination
概念解释
一张无标记的生成街景被新闻聚合抓取，再被当成「实地照片」写进条目，再被下一轮模型扫进训练。下游没有恶意，只是按「没有标记就是记录」在收。标识缺失污染（unlabeled pollution）指的是：未标明的生成物进入公共信息环境后，会把后续的检索、引用和训练当成人类记录来消化，错误以环境的方式放大，而不是以单次误读的方式结束。
某一个接收者当时有没有看出来，是可识别问题。这里管的是缺标识之后，环境如何被改写。
机制
信息环境依赖来源类别做过滤：搜索引擎、编辑室、数据集管道都用「这是不是记录」当入选条件。缺标识时，默认规则几乎全是「当记录收」。生成物产量高于人工记录，无标记输出会在后续语料里占越来越大的份额，下一轮系统又从被污染的环境里学「真实长什么样」，合成特征被当成世界特征。
污染是累积的。单次误读可以纠正；环境一旦把生成物编进「已核实资料」，纠正要面对的是引用网络，不是一张图。
怎么研究
追踪无标记生成物进入：搜索索引、百科引用、开放数据集。度量：被当成记录引用的次数、进入训练集的比例、下游模型在相关事实上的漂移。自变量：有无类别元数据、平台是否在入库时检测。因变量：污染率（被误分类为人类记录的比例）、二次引用后的类别恢复率。
实验室里的单人判断不够。污染发生在管道和批量入库，方法要跟着管道走，而不是只做受试者问卷。
边界
封闭、不归档、禁止导出的会话几乎不污染公共环境。明确的虚构社区（角色扮演、设定集）把合成当合成用，缺标识不一定造成「当记录」的污染，但仍可能污染「风格是谁的」。检测器误报把人类记录标成生成，是反向污染，不能用「多标」一笔勾销。这条不处理守规者负担，也不处理检测失败不能当人类创作的证据。
怎么落地
- 在内容进入可被第三方收割的状态（公开、可索引、可下载）之前，类别必须已在载荷里，而不是只在本站皮肤上。
- 自己的检索与推荐管道不要把无类别材料默认当成人类记录入库；无类别应是单独一档。
- 发现已污染的下游引用时，提供可机读的更正，而不是只改原帖。
- 验证：用公开爬虫或站点地图抽一批已发布生成物，看外部索引里还有没有来源类别。类别在外部为零，污染通道已经打开。