內在評估（Intrinsic Evaluation）是什麼？

評估指標自然語言處理

術語快查

搜尋意圖： 如果你在找「內在評估是什麼」或「內在評估和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。

TL;DR： 在特定子任務上直接評估模型或表示的質量，如詞向量的類比任務，不涉及下游應用。

實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。

下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。

在特定子任務上直接評估模型或表示的質量，如詞向量的類比任務，不涉及下游應用。

內在評估（Intrinsic Evaluation）與外在評估（Extrinsic Evaluation）是 NLP 系統評估的兩個互補維度。理解兩者的區別、適用場景與局限對於科學評估 AI 系統至關重要。

核心概念

內在評估直接在某個特定的子任務或基準上評測模型或表示，該任務本身是「目的」而非「手段」。例如：

詞向量：在詞相似度數據集上計算預測相似度與人工標注相似度的相關性。
語言模型：計算困惑度（Perplexity）或語料的對數機率。
句向量：在 SentEval 基準上測試多個下游任務的表現。

這些評估不涉及實際應用，而是抽象地衡量模型對某種語言現象的捕捉能力。

詞向量評估的典型基準

詞相似度任務（Word Similarity）

給定詞對集合，人工標注者為每對詞評分相似度（通常 0–10 分）。模型需要計算詞向量的相似度（如餘弦相似度），與人工評分的相關性（通常用斯皮爾曼相關係數或皮爾森相關係數衡量）衈高越好。常見基準包括：

RareWord（RW）：353 對常用詞，訓練測試詞向量的一般能力。
WordSim-353：常見詞對，區分相關性（relevance）和相似性（similarity）。
SimLex-999：強調詞義相似度而非關聯性（「tiger」和「tiger」相似度 10，「tiger」和「tiger cub」關聯度高但相似度低）。

詞類比任務（Word Analogy）

給定 A–B 和 C 的類比，預測 D。例如：Paris – France = Bangkok – ? → Thailand。Google Word2Vec 發布的經典基準包含 19,544 個類比，分為語義類比（如首都–國家、性別、形容詞–副詞）和句法類比（如比較級、複數）。模型計算 vec(C) + vec(B) – vec(A) 後，找最近鄰詞（應該是 D）。

類比任務對詞向量的要求很高，因為它涉及多維的語義操作。Word2Vec 和 GloVe 在類比任務上的表現成為評估詞向量質量的重要指標。

語言模型的內在評估

困惑度（Perplexity）

對於語言模型，困惑度是最常用的內在指標。定義為： PP = exp(-1/N Σ log P(w_i)) 或 PP = (∏ P(w_i))^(-1/N)

其中 N 是測試集的詞數，P(w_i) 是模型對第 i 個詞的預測機率。困惑度可解釋為模型平均「困惑」程度：詞表中有多少個等概率的詞能達到相同的損失。困惑度越低越好。

例如，若模型在句子「貓坐在墊子上」中：

P(貓) = 0.1（低，模型認為「貓」不太可能作為句首）
P(坐 | 貓) = 0.2（給定「貓」，預測「坐」的機率）
...

困惑度大約是 5 時，表示平均而言模型「對 5 個等概率的詞一樣困惑」。

困惑度在比較同類模型（如不同大小的 LSTM）時有用，但跨模型比較需謹慎（預處理、詞表大小、訓練資料差異都影響困惑度）。

BLEU、ROUGE、METEOR（序列到序列任務）

對於機器翻譯、文摘、問答等生成任務，基於參考答案的自動評估指標：

BLEU（Bilingual Evaluation Understudy）：計算模型生成的 n-gram 與參考的 n-gram 重疊比例。
ROUGE（Recall-Oriented Understudy for Gisting Evaluation）：類似但更關注召回率，常用於文摘評估。
METEOR：利用詞幹、同義詞、語義相似度等高階特徵改進 BLEU。

這些指標速度快、可重複，但無法完美衡量生成質量（如流暢度、創意性），往往與人工評分的相關性中等（0.3–0.6）。

內在評估與外在評估的關係

內在評估的根本問題是「與下游應用相關性弱」。一個在詞類比上表現優秀的詞向量，不一定在文本分類或情感分析上表現好。類似地，低困惑度的語言模型，在實際對話或翻譯應用中可能性能不佳。

Empirical 證據表明：

詞相似度與詞類比之間相關性較好（都反映靜態語義），但與下游任務的相關性參差不齊。
困惑度與翻譯質量、問答準確度的相關性中等（0.4–0.7）。
BLEU 與人工評估的相關性甚至不足 0.5，尤其在新領域或低資源語言。

理由是：內在任務往往簡化或片面地反映語言現象，而真實應用往往需要綜合多個語言層面的理解。例如，詞類比強調語義向量操作，但文本分類需要的是鯉序列建模能力，靜態詞向量可能不夠。

內在評估的優點與缺點

優點：

快速且可重複：無需訓練下游任務的模型。
易於診斷：如果模型在詞相似度上失敗，表明詞向量品質有問題。
通用性：同一份詞向量可在多個內在任務上評估。

缺點：

與實際應用的相關性弱：內在優秀不保證外在優秀。
片面性：只衡量特定方面（如語義），忽視其他（如句法）。
人工標注成本：許多基準需要專家手工標注（詞相似度、類比）。
天花板與偏差：某些基準的 inter-rater agreement 本身就低（如詞相似度，人與人間相關性 0.7–0.8）。

現代 NLP 的評估實踐

當代 NLP 研究越來越重視外在評估（在真實下游任務上測試），因為：

大型語言模型（BERT、GPT）的預訓練是通用的，不針對特定內在任務。
研究者發現內在指標改進不一定帶來外在性能提升。
實際應用關心的是最終用戶體驗，而非模型內部指標。

CONLL、GLUE、SuperGLUE、SQuAD 等外在評估基準成為新興主流。不過，內在評估仍有價值：快速診斷、對比同類模型、資源受限時的務實選擇。

典型用法

開發 NLP 系統時的建議流程：

在內在任務上快速篩選備選模型（如從 10 個詞向量中選 3 個）。
在外在任務上仔細評估最終候選（在真實應用場景測試）。
若外在評估指標不理想，回到內在評估診斷瓶頸（詞義相似度？句法理解？）。
迭代改進。

常見問題

詞向量在詞類比上準確率 80%，但下游文本分類只有 70% F1，說明什麼？

說明詞向量較好地捕捉了靜態語義（詞的相似性與關係），但文本分類還需要其他信息：序列上下文、詞序、句法結構、甚至領域特定的詞義。詞向量只是特徵的一部分。改進策略包括：第一，嘗試更強大的上下文化詞向量（ELMo、BERT），它們在詞類比上不一定最優，但捕捉序列信息更強。第二，改進下游模型架構，如用 RNN 或 Transformer 代替簡單的平均池化。第三，加入額外特徵（詞性、情感詞典）。這個例子說明內在評估不能完全預測外在表現。

困惑度 5 好還是 50 好？如何比較不同模型的困惑度？

困惑度越低越好，5 遠優於 50。但困惑度的絕對值難以直觀解讀，主要用於比較。比較時需要注意：第一，相同的測試集與預處理：不同詞表大小、未知詞處理方式會改變困惑度。第二，相同的訓練資料量與質量：訓練資料多的模型通常困惑度更低。第三，模型類型相同：比較兩個 LSTM 的困惑度有意義，但比較 n-gram 模型與神經模型的困惑度容易誤導（詞表大小、平滑方式差異）。最安全的做法是在固定實驗設置下（同一份測試集、預處理、詞表）比較相對改進，而非絕對值。

BLEU 分數 25 說明翻譯質量如何？

很難直觀判斷。BLEU 是相對指標，需要參照點才有意義。業界粗略標準是：BLEU < 10 表示翻譯可讀性很低；10–20 是可讀但不夠自然；20–30 是可接受品質；30–40 是不錯；40+ 是高質量。但這些標準因語言對、域、參考數量而異。例如，中英翻譯的 BLEU 通常低於英德翻譯（語言差異）；多個參考翻譯時 BLEU 分數會升高。最好的做法是與人工評估並行，或與強基線（如商用系統）比較相對改進。許多研究者現在傾向於用更新的指標（如 BERTScore、METEOR），或直接進行人工評估，因為 BLEU 與人工評分的相關性只有 0.4–0.6。