在数智时代，高质量数据集作为人工智能模型训练与应用的基石，已成为国家科技发展与战略安全的核心稀缺要素。《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》要求：“强化算力、算法、数据等高效供给。”《国务院关于深入实施“人工智能+”行动的意见》提出：“加强数据供给创新。以应用为导向，持续加强人工智能高质量数据集建设。”在此背景下，加强优质数据供给，以高质量数据集驱动人工智能创新发展变得愈发关键。

档案作为人类社会活动的原始记录，在高质量数据集建设方面具有突出优势。目前，已有电子疾病档案（EDR）数据集、公共信用档案数据集等入选国家数据局高质量数据集典型案例，初步展现了档案资源向高质量语料转化的可行路径。档案部门应该面向人工智能积极行动，将档案信息化建设重心转向高质量档案数据集建设。

主要策略

1

建设高质量档案数据集，首要前提是弄清楚“数据要用来干什么”，将数据需求与具体应用场景紧密耦合。具体而言，高质量档案数据集的建设需求应当从三个方面入手加以系统梳理：一是面向外部模型的通用需求，如支持人工智能模型的价值对齐。二是面向数据要素市场的开发需求，如档案资源在医疗健康、城市治理、文化创意、金融风控等领域的深度利用。三是面向档案业务的内部应用需求，如档案鉴定、开放审核、利用服务、编研选题等环节的智能辅助。在此基础上，围绕不同应用场景，开展系统化的数据规划设计，界定所需档案数据的来源、属性与范围，并制定涵盖全流程的实施计划，明确数据采集、预处理、标注、模型验证等环节的责任分工、时间安排与质量控制要求，形成可执行的路线图。

为提高高质量档案数据集的建设效率，建议在数据集规划设计阶段统筹考虑既有档案数字化成果、档案数据库，有效整合分散资源，避免重复采集与处理。因此，高质量档案数据集对档案信息化建设也提出了更高要求。例如，在档案数据化阶段，应同步考虑样本切分、语义标注和脱敏处理等需求，使数据化成果成为数据集建设的前期基础。在档案数据库建模时，既要满足管理需要，也要尽量保留有助于数据集构建的结构信息与语义线索，避免因过度简化而削弱后续数据集建设空间。

2

统筹推进数据采集与预处理

3

构建面向语义的数据标注体系

以应用场景和任务需求为牵引，形成场景任务标签。例如，对于医疗健康等专业档案，可增加疾病分类、诊疗过程节点、干预措施与结果指标等标签；在开放审核场景中则增加涉密信息类型、个人隐私敏感度、公开风险等级等标签。

在具体标注过程中，根据不同任务的复杂程度和专业要求，合理配置领域专家、档案工作人员和数据标注人员，将业务规章和专业经验固化为标注指南，通过试标、示例库建设和标注培训，减少标注者之间的理解差异。在流程设计上，可采用“初标—复核—抽检”相结合的方式，对关键任务或高风险标签（如开放属性、风险类别等）实施更高强度的复核比例。同时，运用一致性指标和错误分析报告，对易混淆标签、模糊规则进行针对性修订，使标签体系和标注规程在实践中不断迭代。

4

建立闭环反馈的模型验证机制

当模型在相应任务上的表现达到预期，说明数据集在样本覆盖、标签体系与语义深度等方面具备较高的匹配度；反之，则需启动“诊断—反馈—优化”的闭环机制。具体而言，一方面，要首先厘清问题是否主要源于数据质量，而非算法设计；另一方面，应对训练与验证过程中暴露出的错误样本和系统性偏差进行归纳，据此优化样本构成、调整结构转换规则、细化标注规范或修订标签体系。

综上，推动档案高质量数据集建设，关键在于打破组织与资源壁垒，实现跨领域的系统规划与多元协同。一方面，应坚持试点先行、示范带动的推进思路，依托国家高水平数字档案馆（室）、重点科研项目或区域性平台率先布局数据集建设与模型测试任务，探索形成可复制、可推广的技术方案和经验模式。另一方面，要推动协同共建，构建良好生态。既要鼓励档案馆、高校、科研机构与技术企业等多元主体深度参与，在档案本体构建、语义标注与模型评估等关键环节协同攻关，也要秉持长期主义理念，推动档案数据的持续治理与动态更新，构建可滚动优化的档案数据资产体系。

档案高质量数据集的建设是一项复杂的系统工程，涉及法规标准、数据治理、技术研发、平台建设与场景应用等多个环节，需要多方共建、协同推进，以充分释放档案作为数据要素的潜力，将静态资源转化为驱动人工智能创新的智慧动能。

文章来源：《中国档案》2026年第1期（节选自《建设面向人工智能的高质量档案数据集》，文章标题有改动）

作者单位：中国人民大学档案事业发展研究中心、中国人民大学国家发展与战略研究院，中国人民大学信息资源管理学院