📝 Tips 笔记解读▾
- ● 不完整描述笔记缺漏：Tips文本中未包含"数据完整性"相关条目。本考点定义完全依据考点归纳（见下"笔记缺漏补充"）。
以下为完全依据考点归纳的考点定义：
⚠ 笔记缺漏补充▾
- ● 风险数据缺失/不完备（未覆盖）是AI应用（如审计计划中使用AI）的最大风险之一。
- ● 风险数据来源的可控性与可信度直接影响数据完整性：不受控/低质量来源（如社交媒体聚合的各地图片）会带来最大的完整性风险；受控来源（研究机构、签署知情同意的医生、开源增强文件）风险相对低。
- ● 关键词参照完整性校验（referential integrity check）：用于验证大型数据集之间的关系完整性，是数据质量/完整性评估方法。
🎯 考点分析▾
- 考察主线：本批题考查数据完整性的三层含义——数据本身完整无缺失（AI应用风险）、数据来源可信带来的完整性风险、以及数据集之间关系完整性的验证方法。
- 正确答案的共同知识方向：
- - 数据缺失/不完备是AI应用（尤其审计计划）的主要风险。
- - 数据来源不受控（如社交媒体聚合图）会引入最大的完整性风险，受控来源风险较低。
- - 验证大型数据集关系完整性应使用参照完整性校验。
- 常见干扰方向：
- - 把范围蔓延、知识有限、成本增加当作AI应用的最大风险（实为治理/成本层面）。
- - 把研究机构、知情同意医生、开源增强文件等受控来源当作完整性风险最大来源。
- - 把反事实分析、漂移检测、跨柱分析代替参照完整性校验。
- 场景分布：审计计划中应用AI、皮肤癌识别模型数据来源、大型数据集关系完整性验证。
📋 考察范围清单▾
- 数据完整性定义：数据完整、无缺失、来源可信、关系一致。
- 不完整数据风险：数据缺失/不完备是AI应用（如审计计划）的最大风险之一。
- 来源可信度：数据来源受控性影响完整性，不受控来源（社交媒体聚合等）风险最大；受控来源（研究机构、知情同意医生）风险低。
- 参照完整性：用参照完整性校验验证数据集之间的关系完整性。
- 与数据质量边界：完整性侧重"无缺失+关系一致+来源可信"，区别于准确性/异常等质量维度。