Z2.08.4Corrections as bias telemetry设计研究
频繁纠正意味着传感器或模型本身存在系统性偏差
别名: 纠正遥测 · 系统性偏差 · systematic bias signal
概念解释
用户纠正不是单纯的使用反馈，而是免费的偏差遥测：每一次「认错了」都是一条「模型与现实不符」的带标签样本。零星的纠正是个体噪声（真实的不典型情境）；频繁、聚集的纠正是系统性偏差的信号——传感器装错了位置、训练数据没覆盖这类人群、阈值定得过敏。纠正当流量看是负担，当遥测看是资源。
判断的分界在聚集模式：随机散布在全时段、全空间、全用户的纠正，多半是推断的固有不确定性（那类只能逐次处理）；聚在某时段、某房间、某类用户、某传感器组合上的纠正，指向一个可定位、可修复的系统原因。
机制
为什么纠正聚集指向系统原因？因为系统性偏差的特征就是条件依赖：
- 传感器层的偏差按空间与时间聚类——装在空调出风口旁的温度传感器，偏差集中在制冷时段；被家具半遮挡的人体传感器，误判集中在那张沙发的坐向。纠正的聚集形状是传感器物理处境的画像。
- 模型层的偏差按人群与情境聚类——训练数据里没有夜班作息的人，「晚间在家=准备休息」的判断对这类用户系统性错误；纠正会集中在这类用户的这类时段。聚集形状是训练数据缺口的画像。
- 对照之下，固有不确定性的纠正是近均匀的：推断链本身的随机误差不挑时段、不挑房间、不挑人。
这条区分把「该逐次纠正的」与「该修根源的」分开：均匀背景交给纠正通道消化（那是它的正常工作），聚集信号升级到传感器复核与模型再训练——不升级的话，同一个人会为同一个系统问题反复支付纠正成本，直到放弃（这正是信任流失的路径）。
怎么研究
- 机器学习的误差分析与概念漂移检测（concept drift detection）提供直接的方法框架：错误率按条件维度的切片分析定位偏差子群；漂移检测器（错误率的统计监控）区分「稳定的偏差」与「随时间漂移」。纠正流就是现成的错误信号源，方法平移即用。
- 公平性研究（fairness in ML）的子群误差分析范式完全同构：按人群切片的假阳/假阴差异定位模型对谁失灵——情境判断里的「对夜班用户失灵」「对多口之家失灵」就是同一类问题在环境计算里的形态。
- 评测范式：向系统注入已知条件的偏差（把某房间传感器的置信度调偏），检验纠正聚集分析能否在多少样本量内定位到偏差条件；定位灵敏度（样本量）与定位精度（条件切片的粒度）是两个关键指标。
方法论注意点：纠正流有自选择偏差——用户只在「错得值得说」时纠正，小错懒得提；聚集分析看到的不是全部错误而是「被报上来的错误」。结论方向可靠（聚集处确有偏差），绝对量级偏低估；修完一个聚集源后剩余聚集的相对排序比绝对计数更有用。
边界
- 频繁纠正也可能来自过高的用户期待。 判断达到了设计精度（如九成准），而用户预期十成——纠正频率高但不存在可修的偏差源。这时该动的是预期管理（解释判断的固有不确定），不是传感器；两类原因用「聚集与否」区分开再决定动哪边。
- 多人共存的纠正可能互相抵消。 两个人对同一判断轮番反向纠正（一个说太敏感、一个说太迟钝），聚看起来是高频纠正，实际是按人分模型缺失——先按人拆分再看聚集，别急着调全局阈值。
- 低后果判断的纠正稀疏。 用户懒得纠正无关痛痒的误判，这些判断的纠正是不到位的遥测——不能拿「没多少纠正」推断「没有偏差」，只能推断「偏差没被报上来」。
怎么落地
- 纠正记录结构化：除判断内容与结果外，强制存下当时的条件维度（时段、房间、在场者、传感器组合、判断置信度）——没有条件维度的纠正流做不了聚集分析，只是一堆抱怨。
- 上纠正聚集看板：按条件维度切片的纠正频率热图，配漂移检测告警（某切片频率超基线若干个标准差）。热图上是人找模式，检测器是机器守夜，两套并行。
- 聚集信号挂升级路径：同一条件切片的纠正超阈值自动生成工单（复核该传感器 / 该子群加采再训练），而不是躺在日志里等人偶然发现。
- 验证办法：注入式演练——人为偏置某传感器的读数，看从偏置生效到聚集告警触发、到工单生成的全链路时延与定位准确性；修复后该切片的纠正频率应回落到全局背景水平，回落的幅度就是修复收益的度量。