数据质量评估六大标准｜准确性+完整性+一致性+Cohen Kappa系数

摘要：数据质量评估六大标准：准确性、完整性、一致性、时效性、唯一性、有效性详解，附Cohen’s Kappa一致性系数计算方法。数据质量决定模型上限，本文详解六个质量维度的定义、检查方法和修复策略，以及标注员间一致性评估的数学计算方法，覆盖考试约8-10题。

数据质量评估标准与检查方法：保障标注数据"物有所值"

专栏：人工智能训练师三级备考全攻略
所属模块：卷三·知识体系 — 数据标注与处理
考试关联度：⭐⭐⭐⭐⭐（超级高频，训练师核心技能，选择题+判断题+实操，约 8～10 题）

前言：数据质量决定模型上限

业内有一句话：“Garbage In, Garbage Out”（垃圾进，垃圾出）——如果训练数据质量差，无论算法多先进，模型表现也会很差。

作为人工智能训练师，数据质量管理是你最重要的职责之一。如何定义数据质量、如何检查数据质量、如何修复质量问题——这些都是考试高频考点，也是日常工作核心。

一、数据质量的六个维度

1.1 数据质量六维度框架

数据质量六维度： ┌──────────────────────────