面向 AI 辅助生物多样性调查的定向复核：主动连续评分占域建模

研究者提出 ACORN 方法，将机器学习预测嵌入占域模型，并按对下游生态结论的信息量优先挑选样本交由专家复核。在相机陷阱与生物声学数据集上，该方法只需较少专家复核即可得到接近全人工标注的生态结论，优于非定向复核策略。

以往流程把复核预算用于提升分类器准确率，此次转向以最终科学推断为目标分配人力，说明评估标准从模型指标转向下游结论可靠性，对人工复核成本敏感的科学工作流是实质改变。

ACORN 不追求逐条纠正标签，而是用 ML 预测的连续分数驱动占域模型，并识别哪些样本对参数估计与结论偏差影响最大，优先送审这些样本，从而在有限专家预算下压低系统性偏差对结论的传导。

对研发而言，标注与复核环节的排序策略需要与业务目标指标对齐，而非只优化分类指标；标注工具需支持按信息量排序的抽样队列，模型输出要保留连续分数。这会影响标注成本结构与质量评估口径。

• 在数据标注平台中加入按下游指标信息量排序的复核队列，替代随机抽样或按置信度抽样
• 为生态、环境等科学客户提供以结论偏差为验收标准的人机协同建模服务
• 将连续分数输出与占域模型接口标准化，形成可复用的复核调度组件

• ACORN 在相机陷阱与生物声学之外的数据类型上是否同样有效
• 节省的专家复核量具体比例与统计显著性未在证据中给出
• 方法对 ML 预测系统性偏差的鲁棒性边界尚不明确
• 代码虽已开源，但尚无独立复现或第三方评测结果