开放数据集

爬虫只抓公开发布的新闻，每篇落库时记来源和原文链接； 爬取稿在站内只展示摘要 + 回原文的链接，不做全文搬运。

• 守 robots。 只抓允许抓取的路径，按各站的抓取间隔限速，不绕反爬、不伪装身份。
• 注明来源。 每篇都带来源媒体名和原文链接，详情页第一屏就能点回原文核对。
• 控制频率。 定时任务一天两轮、单轮单源有上限；实测日均抓取量和这个上限的对照写在数据来源页上。

标注台一次只出一条、不亮出算法的判断——先给结论再让人标， 人会跟着结论走，标出来的东西就没法当尺用。同一篇允许多人各标一次， 重叠的那部分用来算一致性。

这两组选项是直接从标注台的字段定义读出来的，不是在这一页抄的一份—— 标注台改了选项，这里跟着变，两边永远是同一套口径。

争议条怎么处理，三条都写在这儿：
① 标注人自己拿不准的可以勾「待复核」——现有 0 条，不进训练集、也不进一致性计算；
② 标在演示稿上的标注一律剔除，现有 0 条—— 拿自己造的稿子训模型、算准确率，被问一句「这篇哪来的」就穿了；
③ 整批不合格的标注人会被导出闸拦下（满 30 条才评判；单一标签占比超过 90% 就没有判别力；相邻两条间隔中位数低于 5.0 秒就读不完一篇稿）。

引用格式先摆出来，是为了让人知道将来该怎么引； 每条 BibTeX 的 note 字段里都写着「筹备中、当前多少条、 达到什么条件才开放」——抄走的人会连着这句话一起抄走， 这样它就不会变成一条假引用。

@misc{autonews3k,
  title        = {AutoNews-3K: 中文汽车新闻质量标注数据集},
  author       = {AutoNews 新闻检测站},
  year         = {2026},
  note         = {筹备中，尚未发布；当前 0 条，达到 3000 条且标注一致性 κ >= 0.6 后开放下载},
  howpublished = {\url{https://chejianlu.cn/datasets/}}
}

@misc{autopromise,
  title        = {AutoPromise: 中文车企公开承诺数据集},
  author       = {AutoNews 新闻检测站},
  year         = {2026},
  note         = {筹备中，尚未发布；v0.1 内部版 47 条，首期 50 条全部人工复核后开放下载},
  howpublished = {\url{https://chejianlu.cn/datasets/}}
}