调查报告探讨机器学习和自然语言处理领域中数据收集的现状和挑战，特别关注数据获取、标注和模型优化三个方面，提供技术选择建议，并指出有待研究的问题。

Nov, 2018

本研究提出了一种新的数据收集框架，使用 Learn-Optimize-Collect 算法最小化未来预期成本，有效降低了多个分类、分割和检测任务中未达到预期性能目标的风险，同时保持低总收集成本。

Oct, 2022

发展机器学习数据集的方法论和实践经验，涵盖数据准备、集合、质量评估等方面。

Apr, 2024

本文综述了在机器学习中收集和使用数据的许多问题和担忧，并提倡通过更谨慎和深入的数据理解来解决实践和伦理问题。

Dec, 2020

本文强调数据收集是机器学习中一个被忽视的环节，社会文化机器学习可以从档案馆中汲取数据收集方法的经验，以此提高数据收集的公正性、透明度等方面。

Dec, 2019

本研究从算法设计到数据收集到模型评估的全过程，引起注意常见陷阱，并提供实用建议以改进机器学习，通过案例研究强调这些缺陷在实践中如何发生以及在哪里可以进行改进。

Nov, 2020

在这篇论文中，我们提出了一种负责任的人工智能（RAI）方法，旨在通过一套指标对数据进行迭代深入分析，从而引导数据收集并影响应用于现实世界中多样用户和内容的人工智能的数据鲁棒性评估。

Aug, 2023

通过对 14 位机器学习从业者的半结构化访谈，发现目前数据文档化方法在性质上往往是临时性和目光短浅的，因此需要一种适应他们的上下文、与他们现有的工具和工作流程相结合、并在可能的情况下自动完成的数据文档化框架的设计要求，以解决现有文档化方法无法满足其需求的问题。

Jun, 2022

机器学习的数据敏感性和数据不完整性的研究，包括公平表示学习、对不可靠功能进行学习的问题，以及强化学习中的数据不充分覆盖问题。

Dec, 2023

本文提供了一个设计分类和子分类的方法，以便收集一个全面的数据集，以用于测试和开发鲁棒和公平的 AI 系统。

Nov, 2022