你的数据集README也是数据的一部分——每次发布前都要审计它

📋总体概括

作者在发布一份公开Telegram消息数据集时执行发布前审计，发现README中的核心描述与事实不符：所谓关键词过滤发生在采集阶段且那台机器已不存在，人工核查仅覆盖部分数据，去重情况也未核实。作者提出核心观点：每条流水线产出两个东西——数据和关于数据的声明，大多数团队对前者做版本管理，对后者却凭感觉写。README本身就是数据集的一部分，必须随每次发布同步审计，否则元数据中的失实声明会像脏数据一样污染下游使用者的判断。