4.8 KiB
4.8 KiB
⚠️ 历史快照（非当前真相源）：本文件仅保留当时审查/收口结论。当前状态与执行顺序以
docs/CURRENT_STATE.md、docs/ACTIVE_REMEDIATION_2026-07-05_REVIEW.md、docs/ACTIVE_EXECUTION_BOARD_2026-07-05_REVIEW_REMEDIATION.md、docs/plans/2026-07-05-review-remediation-systemic-fix-plan.md和reports/REVIEW_REPORT_2026-07-05_COMPREHENSIVE_PROJECT_REVIEW.md为准。
Q-A 数据质量审计报告 — 非湖南数据密度
审计时间: 2026-06-20 | HEAD: 604c8b3 | 范围: data/crowd_db/*
1. crowd_db 现状 (省份覆盖, 时间窗口, 关键字段)
- 省份覆盖: 27 个 JSON 文件齐全（23 省 + 4 直辖市），不含 5 自治区/港澳台。结构 100% 落地。
- 时间窗口: 所有 27 个文件
data_year=2025、last_updated=2026-06-12（同一批次生成）。 - 关键字段: 顶层 8 字段（province / last_updated / data_year / source / source_url / source_type / confidence / score_ranges）全部齐备，符合 T3.1 schema。
- 不存位次/分数/选科/院校代码原始字段——本数据库是"大厂 AI 反扎堆推荐"库，不是录取数据库；院校用 name+major 标识，无标准院校代码。
2. 非湖南数据密度评估
| 维度 | 湖南 | 其它 26 省 | 高考生源大省（北京/上海/广东/江苏/山东/河南/四川） |
|---|---|---|---|
| confidence | 0.85 | 0.45 全部 | 0.45 全部 |
| quality_level | high (A级) | skeleton (C级) | skeleton (C级) |
| score_ranges 段数 | 10 | 1-3 | 2-3 |
| recommendations 条数 | 68 | 1-8 | 2-8 |
| alternatives 条数 | 136 | 0-3 | 0-3 |
| 覆盖分数段 | 440-690 | 多为头部 1-2 段 | 头部 2-3 段 |
结论: 湖南与其它 26 省是"高原+26 骨架"二八结构。高考生源大省无一例外都是 C 级骨架，平均只覆盖头部 2-3 个分数段、2-8 条推荐；典型如广东 2 段/4 条、贵州仅 1 段/1 条，不足以驱动反扎堆结论。
3. 已有数据质量工具
data/crowd_db/quality_summary.py+python -m data.crowd_db.quality_summary --human：列出 27 省质量分级（实测 high=1 / skeleton=26）。data/crowd_db/cli.py+scripts/gaokao-data-trace：按校名溯源查询（输出 confidence / quality_level / last_updated）。data/crowd_db/risk_report.py：三色风险分级，模板已绑audit_report.html。- 测试:
tests/test_crowd_db_data_quality.py（设计文档要求，实测未在仓库找到该文件——缺口）。data/crowd_db/tests/test_provenance.py已锁死湖南 confidence≥0.8、record_count>0，但未锁死"非湖南 ≤ skeleton"。
4. 2026 高考季数据完备性
- 2024 历史数据: 仓库无 2024 单独快照（
data_year=2025即为当前)。 - 2025 实际数据: 27 省全部为
data_year=2025，但实质只有湖南是真实整理。 - 2026 模拟数据: 不存在。
data_completeness=skeleton的 26 省predicted_increase是"预测 2026 上涨分"（仅 1 条/省的元字段），不是 2026 模拟卷。 - 官方进度：
spec_checker_v2.py:780注释"2026 年招生计划 6/15-20 公布、位次 6/25 出分后确定"——当前 6/20 处于真空期，可解释为何 2026 数据未落库。
5. 推荐改进 Top 5
- 补
tests/test_crowd_db_data_quality.py（CROWD_DB_DATA_QUALITY §7 承诺的锁死文件），断言"湖南 high + 其它 26 省 in {medium, skeleton}"——当前测试网有缺口。 - 明确 2026 高考季数据来源策略：在
data/crowd_db/README.md加data_year=2026字段约定与"6/25 前仅 2025 基线+湖南优先"口径。 - 为广东/江苏/山东/河南/四川优先扩容——这些是 top 5 考生大省，当前 C 级骨架对业务无支撑意义；按湖南 10 段模板补到 medium 即可大幅改善报告可用性。
- CRITICAL：修正
docs/CURRENT_STATE.md:302—— 文档写"27 省 crowd_db 均为高置信强推荐数据"，与代码事实（仅 1 省 high）严重不符，存在合规风险。 - 加
data_completeness字段到 JSON 顶层（CROWD_DB_DATA_QUALITY §2 已约定，但当前 27 个 JSON 均无此字段，仅以confidence间接推导），与quality_level一一对应后报告渲染可自动加[置信度: 中]标签。