主要观点：自然语言处理（NLP）模型依赖数据，获取大规模高质量标注数据是最大障碍，标注数据能推动模型改进，主动学习和人在环方法很有价值。
关键信息：

• NLP 中数据标注挑战，收集大量文本数据易但标注难且贵，需识别并标注能提升模型的数据。
• 主动学习是数据中心的机器学习方法，算法选下一个学习的数据点，让人类参与标注关键数据以提升模型。
• 人在环指让人类直接参与模型训练和改进，有多种好处，如提高效率、准确性等。
• NLP 中主动学习策略包括不确定性采样、多样性采样、随机采样、委员会查询等，常组合使用。
• 实现主动学习循环需训练模型、计算不确定性、选最不确定数据让人类标注等步骤，有相关库和工具支持。
• 主动学习不仅用于训练，还用于模型部署后的维护，可捕捉偏差等。
  重要细节：
• 不确定性采样通过模型对预测最没信心的例子进行标注，先解决最弱区域以快速提升。
• 多样性采样选不同的数据以避免模型只从窄数据切片学习。
• 随机采样易实现可与其他方法结合，避免偏差。
• 委员会查询训练多个模型让其对未标注实例投票，选分歧大的标注。
• 实施主动学习时要先有好模型，选合适不确定性度量，分批标注，支持标注者，权衡自动化与人的努力。