竞赛不是 Kaggle 唯一的记分牌。平台上有四个并列的维度，除了竞赛之外，Notebooks（公开代码）、Datasets（数据集）、Discussions（讨论）各自都能积累公开产出与段位。对大多数中国学生来说，卡在竞赛名次上迟迟没有结果时，另外三条路往往能更早做出一件”拿得出手、说得清楚”的东西——前提是知道它们各自的质量标准是什么。
段位阶梯本身（Novice 到 Grandmaster 五级）我们在《Kaggle 是什么？完整入门指南》里已经讲过，这篇不重复，只回答一个更实际的问题：在这三个维度上，”做出东西”具体指做什么。
一、四个维度是并列的，不是竞赛的附属
很多家长和学生的默认理解是”Kaggle = 打比赛，其它都是顺带的”。平台的结构其实不是这样：一个账号在四个维度上各有一条独立的进度线，互不换算。竞赛维度的奖牌按排行榜名次比例授予（比例随参赛队数变化，具体规则以官方为准）；另外三个维度则由社区认可度驱动——你的 Notebook、数据集、讨论帖被多少人认可。
这个差别很关键：竞赛是相对排名，你做得再好，别人更好你就没有名次；另外三条路是绝对质量，只要东西真的有人用得上，就会被看见。这不等于”更容易”——各维度奖牌的具体门槛（需要多少认可、以及不同段位的要求）以 kaggle.com 的官方 progression 页面为准，我们不在这里写死数字。
二、Notebooks：从”跑通”到”值得别人读”的四道门槛
公开一个 Notebook 技术上只需要点一下按钮，所以真正的门槛不在发布，而在它是否回答了一个别人也有的问题。按我们带学生的经验，一份能被读下去的 Notebook 通常跨过四道门槛：
- 有一个明确的问题：不是”我跑了一遍这个数据集”，而是”这个字段的缺失值有三种不同成因，分别该怎么处理”。
- 结论能被复现：随机种子固定、依赖写清楚、从头运行不报错。别人跑不通的 Notebook 等于没发。
- 解释多于代码：每个关键决策后面有一句”为什么这么做”。只有代码没有推理的版本，读者拿不走任何东西。
- 诚实标注来源：基于别人的公开思路时写清楚出处和自己改了什么。这既是学术诚信，也是规则问题。
我们观察到的最普遍误用，是把别人的高分 Notebook 复制过来、改几行参数就重新发布。这类内容既不会被社区认可，在申请材料里被追问时也基本撑不住——面试者只要问一句”你为什么选这个特征”，就会露馅。
三、Datasets：学生最被低估的一条路
在我们接触的学生里，几乎没人主动想过”我可以自己发布一个数据集”。但对中学生来说，这条路的性价比往往比硬冲竞赛名次更高，原因有三个：
- 它考的是学生真正具备的能力：找问题、收集、清洗、写文档——而不是拼算力和调参经验。
- 它天然产出可讲述的东西：一份带数据字典和来源说明的数据集，比”我在某比赛排 812 名”更容易被非技术的人读懂。
- 它可以和学校项目自然衔接：本地调研、问卷、公开统计数据的二次整理，都可能是合法且有用的选题。
但有两条硬边界必须先讲清楚：第一，来源与授权。发布时需要标明数据来源并选择许可协议，具体可选项与要求以 kaggle.com 的发布界面和条款为准；把别人有版权的数据、爬来的受限内容、或含个人身份信息的数据直接上传，是明确的风险动作。第二，不要做”搬运”。把已有的公开数据集原样转存一遍，没有任何增量，也是最常见的灌水形态。
四、Discussions：门槛最低，也最容易做成灌水
讨论区是四个维度里入场成本最低的：不需要跑模型，也不需要准备数据。正因为低，它也是最容易被做坏的一个——发一串”感谢分享””学到了”，除了留下记录之外没有任何意义，社区也不会认可。
真正有价值的讨论帖通常是这三类：可复现的问题报告（我做了什么、期望什么、实际得到什么、附最小复现代码）；一个被验证过的发现（某个字段在训练集和测试集分布不一致，附证据）；赛后方案说明（自己的做法、失败的尝试、以及为什么失败）。第三类对英语不算强的学生也友好：结构清楚比辞藻重要，写不长可以，但不要写空。
五、三条路的时间成本与产出对比
| 维度 | 典型产出物 | 主要工作量在哪 | 对作品集的意义 | 最常见的灌水形态 |
|---|---|---|---|---|
| Notebooks | 一份可从头跑通的公开分析 | 把推理写清楚（写作时间常超过写代码） | 能证明”这段代码确实是我想出来的” | 复制高分方案改几行参数重发 |
| Datasets | 数据文件 + 数据字典 + 来源说明 | 采集与清洗，以及授权合规确认 | 非技术读者也能读懂你做了什么 | 把已有公开数据原样转存 |
| Discussions | 问题报告 / 发现 / 赛后说明 | 把一件事讲到别人能复现 | 体现协作与表达，单条分量较轻 | 大量无信息量的短回复 |
| Competitions（对照） | 排行榜名次 | 验证方案、特征与模型迭代 | 名次是相对的，需要配解释才成立 | 只交结果、说不清怎么来的 |
需要说明的是：这张表比较的是工作性质，不是难度高低。三条路各自的奖牌门槛以官方规则为准，我们也不认为”避开竞赛去刷另外三个维度”是更聪明的策略——四个维度记录的是四种不同能力，值得按学生自身的强项来选，而不是按哪条看起来更快。
六、家长可以核对的三件事
如果孩子说”我在 Kaggle 上发布了东西”，不需要懂技术也能核对三点：一，能不能在三分钟内讲清”这个东西解决了谁的什么问题”；二，数据或代码的来源说得清吗（哪些是自己做的、哪些是基于别人的）；三，有没有人真的用了（有提问、有引用、有人跑通，比数字本身更说明问题）。
三条都答得上，说明这段时间投入是真的在产生能力；一条都答不上，通常意味着孩子还停在”点了发布按钮”的阶段。想先建立整体认知的家长，可以从平台入门指南读起，再回来看这三条路的取舍。
常见问答
Q：另外三个维度的奖牌，是不是比竞赛奖牌”水”？
A：它们记录的是不同的东西，不是同一把尺子的高低。竞赛奖牌反映的是在特定赛题上的相对排名，另外三类反映的是产出被社区认可的程度。真正的差别在于：竞赛名次可以靠抄公开方案短期虚高，而一份被人反复使用的数据集或 Notebook 很难伪造。各维度的具体门槛请以 kaggle.com 官方 progression 页面为准。
Q：中学生自己发布数据集，会不会有法律或隐私风险？
A：会，所以这一步必须先确认再动手。核心是三条：数据来源合法且可说明出处；不含可识别个人身份的信息；发布时选择的许可协议与数据来源的授权一致。涉及问卷或访谈的，还需要事先取得受访者同意。具体的许可选项与平台条款以 kaggle.com 为准，拿不准时宁可不发。
Q：孩子英语一般，能在讨论区发帖吗？
A：可以。讨论区看重的是信息量而不是文采，一个结构清楚的问题报告（做了什么、期望什么、实际结果、最小复现代码）通常比长篇但没有细节的帖子更受欢迎。建议先固定用一个模板写，把”能被复现”当成唯一标准；写短没关系，不要写空。
Q：这三条路需要多长时间才能看到结果？
A：没有统一答案，取决于选题和投入。经验上，一份认真的数据集从选题到发布通常需要数周的断续投入，其中清洗和写文档占大头；Notebook 的周期更短但需要持续产出；讨论区则是长期积累。我们的辅导只负责教方法与把关质量，不对任何名次或奖牌做保证。
本文由 Kaggle 中文编辑部发布，由翰林教育为中国国际学校学生运营；本站独立运营，不代表 Kaggle 或任何赛事主办方。平台规则与各项门槛由官方制定并会逐年调整，注册、发布与最新细节请以 kaggle.com 为准。如发现内容错误，我们将在 7 个工作日内更正。