立场：每个地面真相都是人类构建，而非客观真理
这篇立场论文认为，机器学习中的地面真相数据集并非客观中立的测量，而是由人类和技术安排构建的。社区应关注这些隐形选择，承认数据集的局限性，并提倡“情境可靠性”以提升透明度与责任。
一篇于2026年5月28日提交至arXiv的立场论文，由Charlotte Högberg等人撰写，挑战了机器学习领域中对“地面真相”的传统认知。论文指出，用于训练和评估模型的地面真相数据集并非中立的客观测量，而是由人类和技术共同构建的结果。作者强调，这些数据集依赖于特定的情境、上下文和决策，具有偶然性而非普遍性。
论文呼吁机器学习社区更明确地讨论这些通常被忽视或未报告的选择，认识到参考数据集的局限性和依赖性。通过承认地面真相的情境依赖性，社区可以更好地理解数据集及由其塑造的模型在何时、何地以及如何最有效地使用。作者认为，关注地面真相的“情境性”和“上下文依赖性”能够提升可靠性，使人们能够更明智地判断数据集及其塑造的模型的最佳使用场景。
为了提升可靠性，作者提出了“情境可靠性”的概念，要求明确模型的优势和限制，以及其真理主张的边界。这种方法不仅有助于提高模型的透明度，还能促进问责制和跨学科合作。论文还指出，更加关注地面真相的构建过程，可以为负责任的人工智能开发提供坚实基础。该论文共有13页，包含1幅图表，将发表在2026年于韩国首尔举行的国际机器学习大会（ICML）的会议论文集中，收录于PMLR 306卷。其观点对当前数据驱动的AI范式提出了深刻反思，可能对未来的数据集建设和模型评估实践产生重要影响。