[目的/意义] 大规模预训练模型的发展开启了人工智能领域的新阶段，越来越多的研究者将BERT、GPT等模型引入到各应用领域，但其复杂性和可解释性的问题给模型通用化带来一定程度的风险，与此同时，分类任务中训练数据的人工标注成本高，其质量直接影响模型的可用性，自动优化数据标注质量往往可以节约资源，提高模型的训练效率和模型的可用性。[方法/过程] 提出GSBERT（Gradient Saliency BERT Model）模型，该模型基于梯度显著度的方法探寻BERT模型决断依据，并通过可视化方式呈现BERT模型决断过程，使模型决策具有可解释性；在通过梯度显著度计算样本特征词的基础上，提取样本特征分布作为GSBERT检测标注的依据。为了检验GSBERT在分析数据一致性上的效果，利用GSBERT模型对新闻分类数据集的“误分类”样本进行重新标注，由于标注质量的提高，使模型在验证集上准确率提升12.55%。[结果/结论] 从大模型可解释性的角度出发，探究一种全新有效的挖掘数据价值的方法，为各领域更广泛地应用深度学习技术提供借鉴思路。
