采集渠道决定谁根本没有进入数据
别名: 覆盖偏差 · selection of data sources · sampling frame gaps
概念解释
任何数据集都先是一个采集渠道的产物：用哪个 App 收集、在哪些地区推广、靠什么设备接入、以谁愿意注册为前提。渠道对人群的可达性不均等，于是覆盖偏差（coverage bias）在第一条数据产生之前就已完成——不是「某些人被标错了」，而是某些人从未进入样本框，系统对他们的行为没有任何学习材料。这与标注问题不同：标注是「进入数据的人被如何判断」，覆盖是「谁有资格被判断」。缺席者不产生错误率，因为系统根本没有关于他们的行；他们的缺失不报警，只在部署后以整体失效的形式显现。
机制
渠道的过滤是层层叠加的。接入层：需要智能手机、稳定网络、实名账号，已经筛掉年长者、低收入者、特定地区人群。招募层：靠应用商店推荐、社交媒体投放、校园渠道获得的样本，继承投放渠道自身的人群偏向。参与层：愿意授权数据、容忍采集条款、坚持使用的人与中途退出的人系统性不同（隐私敏感者更早离开）。语言与文化层：以英语（或主流语言）为主的采集天然低估其他语言区，非文字人群（口语社群、低识字率群体）在文本与点击类数据里近乎全体缺席。每层的筛选都与下游关心的变量（收入、年龄、数字素养）相关，因此不是随机缺失——缺失本身携带信号，且是被系统忽略的信号。
怎么研究
覆盖审计的基准方法是把样本构成对照外部人口统计：数据集的人群分布（地区、语言、设备、年龄段）与目标服务人群的权威统计（普查、电信渗透率、语言人口数据）逐项对比，差值即覆盖缺口的量化。数字不平等研究提供了系统性证据：全球设备持有、带宽、语言内容量的分布严重偏斜，互联网样本对世界人口的代表性有结构性上限。方法论注意点：审计只能发现「已知维度」的缺席，想不到的维度（如某类职业者全体不在特定 App 用户中）需要定性补充——田野访谈与社区调查常揭示统计对比看不见的空白；「目标人群」本身的界定也是一次价值选择，审计报告应披露基准选取理由。
边界
覆盖偏差不总是问题：明确的服务边界内（某款面向本国用户的工具）按目标人群校准即可，无须为全球代表性负责。扩大覆盖也有代价——为补样本而进入新渠道，会同时引入新渠道的行为噪声与新的隐私风险（对数据保护薄弱的人群采集本身就是伦理问题）。「所有人都必须进入数据」不是默认正确的立场；正确的立场是：服务人群与训练人群的错位必须被知道、被声明，而非默默发生。
怎么落地
- 为每个训练数据集建立来源清单：采集渠道、时间窗口、接入门槛、语言范围，与目标服务人群对照并列出已知缺口，随数据集文档一并交付。
- 发布任何人群相关的模型前做覆盖自查：目标人群中最可能缺席的三类人是谁、他们在数据里的估计占比、外部基准占比，三项写进发布评审。
- 补覆盖优先换渠道而非加激励：对已进入渠道的人加报酬不增加覆盖，只增加同质样本；覆盖新人群需要新的采集路径与该人群的知情参与。
- 验证：上线后按「数据内 / 数据外」人群分组监控错误率差异——若数据外人群的错误率显著更高且随时间未收敛，说明覆盖缺口正在变现为伤害，触发补充采集或明确的功能边界收缩。