删除还是保留？一种完全本地化的人工智能级联方法用于教育对话去标识化

教育对话数据是研究学习过程的重要资源，但由于包含学生姓名等个人可识别信息（PII），其共享受到严格限制。更棘手的是，许多课程术语与姓名高度相似，例如数学中的“Riemann”既可能是人名也可能是数学概念。现有的去标识化方法在隐私保护和准确性之间存在根本矛盾：使用商用大语言模型（LLM）虽然能处理这种歧义，但需要将对话数据发送至第三方服务器，这在教育领域常被视为违反数据治理原则；而本地部署的命名实体识别（NER）系统虽然确保了数据主权，却倾向于过度激进地删除课程相关词汇，导致有价值的教育信息丢失。

为了解决这一困境，Haocheng Zhang及其合作者提出了一种完全运行在本地设备上的级联框架，重新定义了去标识化问题。他们的核心创新是将任务从“识别所有可能的实体”转变为“在有限上下文中判断是否属于隐私信息”，即约束隐私分类。框架分为两个阶段：第一阶段是“召回优先的联合提议器”，它结合两个轻量级编码器（快速本地模型）和确定性规则，以高召回率生成可能包含PII的文本片段候选。第二阶段是“上下文感知评审器”，该评审器利用对话的上下文（包括说话者角色、历史发言等）对每个候选片段做出“删除”或“保留”的二元决定。

研究团队在来自两个大型数学辅导平台的对话转录数据上进行了实验，测试了三种不同大小的评审器配置，并与相同技术路线的纯LLM基线及一款商业API进行了对比。结果表明，最强的本地配置（使用相对较大的本地评审器）实现了0.958的宏F1分数，显著优于纯LLM基线（0.767）和商业API（0.706）。值得注意的是，整个系统只需在一台普通笔记本电脑上即可运行，无需任何云端资源。在专门设计的课程-人名混淆测试集上，该配置的F1分数仅下降0.03，而较小的评审器下降幅度达0.19至0.25，显示出强大的鲁棒性。

这些发现表明，在教育场景的去标识化任务中，问题定义和框架设计比单纯增加模型规模更为关键。该方案不仅保护了数据隐私，还保持了高准确率，为教育数据的共享和研究开辟了新途径。随着教育数字化的发展，这种本地化、高效且保护隐私的方法有望成为处理敏感教育对话数据的标准流程。