在上一篇中，我們確定標註目標（情緒分類、主題分類）之後，下一步就是進行實際的資料標註。我們需要先決定要使用什麼標註工具以及標註的工作流程。

常見的標註工具選擇

這裡整理幾個常見的標註工具，並列出優缺點，讓大家在不同情境下能做出選擇：

開源工具

Label Studio

• 優點：支援多種資料型態（文字、影像、音訊）、可自訂標籤、與 ML pipeline 整合方便
• 缺點：需要自行架設伺服器，對新手略有門檻

doccano

• 優點：專為 NLP 任務設計，簡單易用，適合文字分類、NER 等標註
• 缺點：功能較簡單，對影像或音訊不支援

雲端平台

Prodigy（付費）

• 優點：與 spaCy 深度整合，支援主動學習（active learning）
• 缺點：商業授權費用高，適合企業或研究單位

Google Cloud Data Labeling / AWS SageMaker Ground Truth

• 優點：適合大規模專案，能與雲端 ML workflow 無縫銜接
• 缺點：上手需要學習成本，通常適合企業級專案

簡單表格方案

Google Sheet / Excel

• 優點：學習成本低，適合少量資料或快速 PoC
• 缺點：不支援進階功能，難以擴展

標註實作流程建議

不論你選擇哪種工具，標註流程通常可以分成以下幾步：

Step 1：標籤定義與規範制定

• 先將「情緒分類（正面、負面、中性）」與「主題分類（帳號、搜尋、商品資訊、結帳、售後…）」定義清楚
• 撰寫一份「標註規範文件」，提供範例，確保不同標註者理解一致
• （示例）可依電商顧客購買流程進行主題分類並給予定義
  

Step 2：工具環境準備

• 開源工具（如 doccano、Label Studio）：安裝並建立專案
• 表格方案：建立欄位（例如：review_text、emotion_label、topic_label）
• 雲端方案：建立 dataset 並設定標籤

Step 3：標註任務分配

• 將資料切分給不同標註人員
• 設定進度追蹤，避免遺漏或重複標註

Step 4：標註作業與質量檢查

• 透過工具進行逐筆標註
• 定期抽樣檢查一致性（inter-annotator agreement, IAA）
• 若標註結果有歧義，需回到規範文件修正

Step 5：資料匯出與整合

• 將標註好的資料匯出成 CSV / JSON 格式
• 與原始評論資料進行合併
• 準備進入模型訓練階段