高效可靠的命名实体链接质量估计：基于 GutBrainIE 的案例研究

命名实体链接（Named Entity Linking, NEL）是生物医学信息抽取（Information Extraction, IE）管道的核心组件，但由于专家标注成本高且语料规模庞大，难以对其进行大规模质量评估。本文提出一种基于抽样的框架，用于在统计保证和受限标注预算约束下，估计大规模 IE 语料库的 NEL 准确率。我们将 NEL 准确率估计建模为一个受约束的优化问题，目标是最小化预期标注成本，同时满足语料库级准确率估计的目标误差范围（Margin of Error, MoE）。基于近期关于知识图谱准确率估计的工作，我们将分层两阶段聚类抽样（Stratified Two-Stage Cluster Sampling, STWCS）应用于 NEL 场景，定义基于标签的分层和与 NEL 标注无关的全局表面形式聚类。应用于 GutBrainIE 中的 11,184 条 NEL 标注——该 biomedical 语料库于 2025 年秋季公开发布——我们的框架通过仅手动标注 2,749 条样本（占比 24.6%），即可达到 MoE ≤ 0.05，得到整体准确率估计为 $0.915 \pm 0.0473$。基于时间成本模型和与简单随机抽样（Simple Random Sampling, SRS）基线的仿真结果表明，在固定样本量下，我们的设计约为专家标注时间缩短约 29%。该框架具有通用性，可应用于其他 NEL 基准数据集和需要可扩展且统计上稳健准确性评估的 IE 管道。