一篇於2026年5月28日提交至arXiv的立場論文，由Charlotte Högberg等人撰寫，挑戰了機器學習領域中對“地面真相”的傳統認知。論文指出，用於訓練和評估模型的地面真相資料集並非中立的客觀測量，而是由人類和技術共同構建的結果。作者強調，這些資料集依賴於特定的情境、上下文和決策，具有偶然性而非普遍性。
論文呼籲機器學習社群更明確地討論這些通常被忽視或未報告的選擇，認識到參考資料集的侷限性和依賴性。透過承認地面真相的情境依賴性，社群可以更好地理解資料集及由其塑造的模型在何時、何地以及如何最有效地使用。作者認為，關注地面真相的“情境性”和“上下文依賴性”能夠提升可靠性，使人們能夠更明智地判斷資料集及其塑造的模型的最佳使用場景。
為了提升可靠性，作者提出了“情境可靠性”的概念，要求明確模型的優勢和限制，以及其真理主張的邊界。這種方法不僅有助於提高模型的透明度，還能促進問責制和跨學科合作。論文還指出，更加關注地面真相的構建過程，可以為負責任的人工智慧開發提供堅實基礎。該論文共有13頁，包含1幅圖表，將發表在2026年於韓國首爾舉行的國際機器學習大會（ICML）的會議論文集中，收錄於PMLR 306卷。其觀點對當前資料驅動的AI正規化提出了深刻反思，可能對未來的資料集建設和模型評估實踐產生重要影響。