从 EMNLP 2026 全量论文中筛出与数据相关的研究，做成一份可按主题、作者、标签浏览的中英双语导读页。
在线浏览：https://logic-bean.github.io/emnlp-2026-paperguide/
- 语料来源：ACL Anthology 四个卷（Main 2,705 / Findings 2,479 / Industry 267 / Demo 87，合计 5,538 篇），摘要从每篇论文页抓取，覆盖 5,534 篇。
- 筛选口径：三层信号（标题强信号 + 摘要信号 + 资源性发布短语）打分，阈值 ≥8，得到 1,282 篇数据相关论文。
- 导读生成：每篇论文经模型生成七维中文导读——一句话总结、动机、问题、方法、数据、实验、贡献，另标注其在数据价值链中的角色与标签。
- 12 个主题：语料与数据集建设 583、语音与多模态 138、多语言与低资源 97、合成数据 65、人机协同与 LLM 标注 40、评测数据 40、数据标注方法与质量 31、数据归因溯源 23、数据选择与配比 20、数据合规 7、污染与基准 5、质量清洗去重 3、其他 230。
| 模块 | 说明 |
|---|---|
| 论文导览 | 按 12 个主题分组，每篇七维导读 + 数据集标签 + 跳转 ACL 原文 |
| 作者索引 | 7,987 位作者，含机构、邮箱、置信度（五因子可解释打分） |
| 标签与数据集热点 | 60 条数据集/基准榜（区分语料与基准两类）+ 18 类方法分布 |
| 数据治理活动 | 6 类数据工程活动，每类给定义、范围、技术走向，以及从论文摘要提炼的创新点（附支撑论文） |
| 统计分析 | 主题分布、数据治理活动构成、主要机构 Top 24 |
| 收藏 / 历史 | 本地记录感兴趣的内容与浏览轨迹，收藏可导出 Markdown |
全局搜索覆盖标题、作者、摘要导读与标签；中英文可切换。
单文件自包含：CSS、JS、全部数据（1,282 篇论文 + 作者索引）都内联在一个 index.html 里，无任何外部依赖（没有 CDN、外链字体、外部脚本或图片），因此离线双击也能完整使用。
- 作者单位与邮箱来自论文 PDF 首页解析。ACL Anthology 页面和 bib 都不含单位信息，故只按 Range 取 PDF 前 450 KB（必要时回退 1.4 MB），从截断文件里直接解压内容流还原首页文本；对 Type0/Identity-H 字体按字体资源逐一套用
/ToUnicodeCMap 解码。 - 置信度为五因子加权：姓名可定位 30% + 单位可解析 25% + 邮箱覆盖 15% + 域名互证 15% + 模型自评 15%；邮箱须在首页原文中可验证，防止误配。
- 收藏与历史用
localStorage；在file://下浏览器拒绝 opaque origin 时会回退到内存存储（功能可用，刷新丢失），用在线地址访问则正常持久化。
index.html # 全部内容（约 8.7 MB）
.nojekyll # 关闭 Jekyll 处理，直接原样托管
论文标题、作者、摘要版权归原作者与 ACL 所有，本页仅做导航与导读，所有论文均链接至 ACL Anthology 原文。导读文字由模型生成，用于快速浏览，具体结论请以原文为准。