刪除還是保留？一種完全本地化的人工智能級聯方法用於教育對話去標識化

教育對話數據是研究學習過程的重要資源，但由於包含學生姓名等個人可識別信息（PII），其共享受到嚴格限制。更棘手的是，許多課程術語與姓名高度相似，例如數學中的“Riemann”既可能是人名也可能是數學概念。現有的去標識化方法在隱私保護和準確性之間存在根本矛盾：使用商用大語言模型（LLM）雖然能處理這種歧義，但需要將對話數據發送至第三方服務器，這在教育領域常被視為違反數據治理原則；而本地部署的命名實體識別（NER）系統雖然確保了數據主權，卻傾向於過度激進地刪除課程相關詞彙，導致有價值的教育信息丟失。

為了解決這一困境，Haocheng Zhang及其合作者提出了一種完全運行在本地設備上的級聯框架，重新定義了去標識化問題。他們的核心創新是將任務從“識別所有可能的實體”轉變為“在有限上下文中判斷是否屬於隱私信息”，即約束隱私分類。框架分為兩個階段：第一階段是“召回優先的聯合提議器”，它結合兩個輕量級編碼器（快速本地模型）和確定性規則，以高召回率生成可能包含PII的文本片段候選。第二階段是“上下文感知評審器”，該評審器利用對話的上下文（包括説話者角色、歷史發言等）對每個候選片段做出“刪除”或“保留”的二元決定。

研究團隊在來自兩個大型數學輔導平台的對話轉錄數據上進行了實驗，測試了三種不同大小的評審器配置，並與相同技術路線的純LLM基線及一款商業API進行了對比。結果表明，最強的本地配置（使用相對較大的本地評審器）實現了0.958的宏F1分數，顯著優於純LLM基線（0.767）和商業API（0.706）。值得注意的是，整個系統只需在一台普通筆記本電腦上即可運行，無需任何雲端資源。在專門設計的課程-人名混淆測試集上，該配置的F1分數僅下降0.03，而較小的評審器下降幅度達0.19至0.25，顯示出強大的魯棒性。

這些發現表明，在教育場景的去標識化任務中，問題定義和框架設計比單純增加模型規模更為關鍵。該方案不僅保護了數據隱私，還保持了高準確率，為教育數據的共享和研究開闢了新途徑。隨着教育數字化的發展，這種本地化、高效且保護隱私的方法有望成為處理敏感教育對話數據的標準流程。