反馈类型与维度：显式反馈与隐式反馈、评分、排序、文本纠错、偏好选择
聊到人类反馈采集，我第一个想跟你聊的，就是反馈到底长什么样。
说白了，反馈不是铁板一块。它有不同的「形态」和「维度」。你采集什么样的反馈，直接决定了你能训练出什么样的模型。我在做数据 pipeline 的时候，踩过最大的坑就是——以为用户点了个赞就是「好」，其实人家只是手滑。
显式反馈 vs 隐式反馈
这是最基础的一个二分法。我习惯这么区分：显式反馈是用户主动告诉你的，隐式反馈是你从用户行为里「偷」出来的。
显式反馈
用户明确表达了自己的态度。比如你让用户给一段回答打 1-5 分，或者点「有用/没用」。这类反馈信号强、噪音低，但问题是——用户懒得做。你想想看，谁会在刷短视频的时候还去点个「非常满意」？
隐式反馈
用户没有直接告诉你，但行为暴露了一切。比如：
- 用户看了多久这条内容？
- 有没有复制、转发、收藏？
- 有没有在看完后立刻搜索另一个关键词？
这些行为背后藏着大量的偏好信号。我曾经在一个推荐系统项目里，把用户的「停留时长」作为隐式反馈信号，结果模型效果直接提升了 12%。但要注意——隐式反馈噪音很大。用户可能只是去接了个电话，页面没关，停留时长就虚高了。
反馈的五个核心维度
下面这五种，是我在实际项目中用得最多的反馈类型。每种都有它的适用场景和坑。
1. 评分（Rating）
最常见，比如 1-5 星、1-10 分。优点是简单直观，缺点是每个人对「4 分」的理解不一样。有人觉得 4 分是「还不错」，有人觉得是「差强人意」。
| 评分制 | 优点 | 缺点 |
|---|---|---|
| 1-5 星 | 用户熟悉，采集率高 | 中间值倾向严重（大家都打 3-4 分） |
| 1-10 分 | 区分度更高 | 用户认知负担重，容易随意填 |
| 二元（好/坏） | 决策成本最低 | 丢失了程度信息 |
2. 排序（Ranking）
让用户把多个选项按偏好排个序。比如「请把下面三个回答按质量从高到低排列」。
排序的优点是能直接得到相对偏好，比评分更可靠。因为人天生擅长「比较」而不是「打分」。我做过一个实验：同一组数据，用评分采集到的标注一致性只有 65%，换成排序后一致性提升到了 82%。
3. 文本纠错（Text Correction）
让用户直接修改模型生成的文本。这是最「富信息」的反馈类型——你不仅知道哪里错了，还知道正确的应该是什么。
但代价也高：用户需要花时间打字。我一般在以下场景用：
- 机器翻译的译后编辑
- 语音识别的文本修正
- 对话系统的回复润色
4. 偏好选择（Preference Selection）
给用户看两个选项，问「你更喜欢哪一个？」。这是 RLHF（基于人类反馈的强化学习）里最核心的反馈形式。
为什么它这么流行？因为简单。用户不需要思考「打几分」，只需要凭直觉选一个。而且两个选项的对比，天然消除了评分中的「尺度不一致」问题。
5. 多维反馈（Multi-dimensional Feedback）
有时候一个分数不够。比如评估一段对话，你可能需要从「有用性」「安全性」「流畅度」三个维度分别打分。
多维反馈的好处是能捕捉到更细粒度的信号。但坏处是——标注员会累死。我建议每个任务最多 3-4 个维度，再多标注质量就会断崖式下跌。
知识体系总览
下面这张图，是我自己梳理的反馈类型与维度的关系。你可以把它当作一个「选型地图」：
如何选择反馈类型？
没有银弹。我一般会问自己三个问题：
- 我的用户愿意花多少时间？ 如果只有 1 秒，用隐式反馈。如果有 10 秒，用偏好选择。如果有 1 分钟，用文本纠错。
- 我需要多细粒度的信号？ 只是判断「好/坏」？用二元评价。需要知道「哪里好哪里坏」？用多维评分。
- 我的数据量够吗？ 显式反馈数据量少但质量高，适合做评估集。隐式反馈量大但噪音多，适合做训练集。
嗯，反馈的类型和维度，大概就是这些。下一节我们会聊到具体的采集工具和平台搭建——到时候我会分享一些我在搭建标注平台时踩过的坑，比如「怎么防止标注员刷量」「怎么设计任务队列」这些实战问题。