数据：从哪来，没有的时候怎么办

动手前的三个问题

信息在物理上存在哪里、谁有访问权；它处于什么状态——格式、完整性、重复；以及是否被允许用于这个用途。第三个问题拦下的项目，比前两个加起来还多。

没有标注的时候

从小开始：两百个标注良好的样本，胜过一万个草率标注的。写标注指南、对一份样本做双人标注，并度量标注者之间的一致性——不一致说明定义含糊，而不是标注员不行。

也可以先用模型生成初始标注再人工修正。这样快，但需要抽查样本，以免把偏差固化下来。

值得做的清洗

合并重复实体、归一化希伯来语文本、修正日期和数字，以及删掉没有意义的记录。质量上的大部分跃升来自这里，而不是来自一个更好的模型。