面向生物多样性监测的主动学习：从标注效率到可靠的生态推断

一篇来自 arXiv AI 的论文综述指出，生物多样性监测中专家标注能力有限，被动声学记录仪和相机陷阱产生的数据远超专家处理速度。主动学习可在固定标注预算下优先选择对模型提升最大的样本，已有证据显示它能减少达到目标性能所需的标注量；但主动学习采样非随机，其标签不适合验证、校准或阈值选择，且真实监测流程中的部署研究稀少，主要集中在鸟类和鲸类。

此前对主动学习的评价多聚焦于降低标注量的表面收益，较少讨论其标签因非随机采样而无法用于验证与校准这一结构性矛盾。该综述把问题从单纯的标注效率扩展到专家预算如何在训练、验证和生态估计之间分配，并指出多模态应用与蝙蝠、昆虫、两栖类、鱼类等类群的研究缺口。

主动学习通过查询策略在固定预算下选择预期对模型改进最大的样本，因此降低达到目标性能所需的标注数量。但正因为选择非随机，这些标签的分布偏离自然分布，不能直接用于验证、概率校准或阈值选择；若把同一批标签同时用于训练与验证，会引入选择偏差。监测项目还需额外预留专家预算用于随机验证样本，才能支撑可靠的生态推断。

对涉及专家标注的 AI 产品与研发流程，需要把标注预算拆分为主动学习训练样本与随机验证样本两部分，并在成本模型中计入验证、校准和阈值选择所需的人力。产品设计上应支持随机基线采样、分类别结果输出和校准分析，而不是只报告标注量下降这一单一指标。

• 在生物多样性监测工具中内置随机采样验证集，与主动学习训练集分离管理，避免标签复用带来的偏差。
• 为声学与图像监测产品提供按类群的校准与阈值选择模块，输出概率校准结果而非仅分类标签。
• 面向蝙蝠、昆虫、两栖类、鱼类等空缺类群构建主动学习标注流程模板，并配套多模态数据接入。
• 在标注预算管理功能中同时追踪训练标签量与验证标签量，并展示两者对生态估计可靠性的影响。

• 主动学习在真实监测工作流中的部署效果是否与预标注基准上的模拟结果一致，证据尚不充分。
• 如何划分有限专家预算才能在训练、验证和生态估计之间同时保持可靠性，综述未给出确定方案。
• 多模态主动学习在生物多样性监测中的具体收益与实现路径仍基本未被探索。
• 缺少随机采样基线、分类别结果和校准分析时，已报告的标注量下降幅度能否复现尚不明确。