已有足够锚点。现在输出最终评审。

论文评审：Context-Aware ASR for Mandarin Technical Lectures

论文类型: 问题定义 + Benchmark + 方法型（混合，以问题定义/benchmark 为主）

论文同时提出 (a) 新评测视角（term-centric metrics）+ benchmark，(b) 一个 reference-free 的两遍 decoding 方法。主轴是”问题重构 + benchmark + 简单方法验证”。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 研究对象真实且清晰：Mandarin 技术讲座中英文术语 ASR 误识别问题。问题真实存在——CER 作为代理指标掩盖了术语错误（一个 transcript CER 很低但把 RAG 识别成 RIG，内容失效）。术语突发性（burstiness）是可操作化定义的现象，benchmark 量化了它（8,888 术语出现，1,030 unique，重尾分布）。问题有社区价值：讲座 ASR → 字幕、搜索、笔记；技术术语是内容锚点。属下一代多语种/代码切换 ASR 的真实能力缺口。
• 反驳检验：是否简单方法已解决？现有 SEAME/ASRU2019/ASCEND 都是会话型，不是讲座型；讲座术语 bursty 特性未被专门 benchmark 覆盖。问题定义不是发明模糊概念，而是把”CER 隐藏术语错误”这一可测量现象显式化。
• Wiki 证据: paper-wiki 无记录（三次查询均无输出，exit 0 但空）。free-search 学术搜索返回 SEAME/ASRU2019/ASCEND/CS-Dialogue/DOTA-ME-CS 等代码切换 benchmark——均面向会话非讲座技术术语，证实讲座型 + 术语中心评测的空白真实存在。

公理二：识别公理

• 判定: ✅
• 分数: 8
• 依据: 因果识别扎实。控制变量：5 个 ASR backbone 全部 frozen，仅改 decoding 时上下文，因此提升归因于 glossary 而非训练数据/参数。消融充分：(1) glossary size k∈{10,20,30,50,100,all} sweep；(2) term-selection 准则 ablation（frequency vs first-occurrence vs random vs downweight-generic），证明 bursty frequency 是有效信号而非”有 term 就行”；(3) guard sentence ablation（移除后 Qwen3-0.6B 精度降 1.39、CER 升）；(4) beam vs greedy 鲁棒性（+7.56 持续）；(5) 第三遍 pass 收益 +0.90 但 F1/CER 不升 → 一遍足够。Oracle 上界（68.88% recall）与所有 deployable 设置有 gap，且 55–65% oracle-only 术语从未出现在任何 first-pass hypothesis → 清晰归因到”覆盖问题”而非”算法不够强”。
• Wiki 证据: paper-wiki 无 baseline 论文记录。free-search 找到 contextual biasing 同类工作（Le 2021 trie-based shallow fusion, NAM+, Lightweight Prompt Biasing 2025, XCB 2024）。本文 baseline 是 5 个冻结的现代 ASR backbone（Breeze-ASR-25/26, whisper-l-v3-turbo, Qwen3-ASR-1.7B/0.6B），覆盖强 baseline。最简 baseline（segment-only 自身）已作为对照存在。

公理三：独立性公理

• 判定: ⚠️
• 分数: 6
• 依据: 部分独立。评测 reference transcript 来自人工标注（独立），term-centric 指标基于 canonical key 计算不依赖模型——这部分干净。但 benchmark 和 first-pass glossary 都来自同一来源（rule-based term extractor），且 benchmark 仅基于一位讲师、一个领域（AI/ML）的讲座——作者自己在 Limitations 中承认。rule-based extractor 的 term 定义既用于 benchmark 标注又用于 glossary 提取，存在评测/方法共享 pipeline 的轻微闭环风险。Hybrid 设置的 external list 是 course-level ML/LLM 术语，与 benchmark 领域高度重叠，非完全独立外部知识源。
• 严重程度：辅助环节轻微重叠，非核心闭环。主结论（glossary 提升 recall）不依赖此闭环——Oracle 上界、weighted purity 95.56%/92.19%/90.75% 的独立采样校验提供了部分独立锚点。但缺多讲师、多领域、多说话人独立验证是真实缺口。
• Wiki 证据: paper-wiki 无评测方法论文记录。free-search 未返回关于 term-centric ASR 评测独立校验的先例。无证据表明该评测框架已被独立复现。

公理四：压缩公理

• 判定: ✅
• 分数: 8
• 依据: 方法极简，且是 problem reframing 而非模块堆叠。Algorithm 1 仅 9 行：first pass → 频率排名取 top-k → second pass with glossary。k=30 单一超参。无新增参数、无训练、无外部模型。更重要的压缩价值在 problem reframing：把 contextual biasing 重构为”对录音本身的检索”（first pass 检索，second pass 条件化），消除了”需要外部 phrase list”这一传统假设。term-centric 评测框架（recall/precision/F1/TermER）是对 CER 单一指标的压缩性重构，揭示 CER 隐藏的失败模式。可靠经验规律：term burstiness 驱动增益，跨 5 个 backbone 一致（+6.95 到 +17.59），且 recall/precision 同时升、CER 同时降——不是 recall-for-precision trade-off，这是反直觉且可迁移的发现。
• 命名检查：方法名 “ASR-GLOSSARY” 朴素无膨胀。”first-pass glossary” 描述性命名。
• Wiki 证据: paper-wiki 无组件来源记录。free-search 确认 two-pass ASR (Sainath 2019, Hu 2020)、contextual biasing (Pundak 2018, Le 2021)、RAG (Lewis 2020) 均为已有技术，作者在 Related Work 中诚实引用并明确区分：”Unlike rescoring or correction, we feed the terms back as context… we derive that list from the model’s own lecture-level output, so the method is reference-free.” 压缩在于”reference-free + self-retrieved”这一约束的发现，而非新模块。

公理五：效用公理

• 判定: ⚠️
• 分数: 6
• 依据: 效用混合。正面：相对提升扎实且跨 backbone 一致（recall +6.95 到 +17.59，CER 同时不升反降，p<0.001 bootstrap 2000 resamples），hybrid 达 62.05% recall / 9.40% CER / 82.73% precision。负面（绝对值）：即便最好 deployable 设置，term recall 仍只有 62.05%——意味着近 4 成技术术语仍错。Oracle 上界 68.88% recall 表明即便完美 glossary，剩余 31% 术语靠此机制无法解决。绝对可用性存疑：讲座字幕若 38% 术语错，对学生记笔记是否”可用”是开放问题。trade-off 诚实讨论（combined context 在小模型上 CER 暴涨到 25.39–34.01，明确报告）。基准覆盖：5 个 backbone 含 SOTA 级（Breeze-ASR-25 CER 10.72, Qwen3-ASR），但全是 frozen 推理时方法，未与 fine-tuning/蒸馏类方法（引用 [4][5] 同组作者工作）公平比较——作者将此界定为”我们不动模型，只加 decoding context”的范畴选择，合理但限制了效用上界。
• benchmark 类论文证据标准应更严：单讲师、单领域、5 小时 term-rich、rule-based extractor——作为社区基础设施偏薄。
• Wiki 证据: paper-wiki 无 SOTA 论文记录，无该 benchmark 数据集记录。free-search 确认 Breeze-ASR-25/26、Qwen3-ASR、Whisper-large-v3-turbo 是当前 Mandarin/多语种 ASR 强 backbone，baseline 选择合理。但未找到同领域（讲座技术术语）直接竞品 benchmark 做 head-to-head。

公理六：新颖性公理

• 判定: ⚠️
• 分数: 5
• 依据: 增量真实但偏小。新颖点：(1) term-centric 评测指标 + 讲座型 term-rich benchmark；(2) reference-free 的 self-retrieved glossary（从 first-pass 输出提取，非外部 list）。两者结合是真增量。但各组件均有强先例：contextual biasing via prompt/initial-prompt 是 Whisper 标准用法（Radford 2023 [12]）；two-pass ASR rescoring (Sainath 2019 [13], Hu 2020 [14])；LLM-based recognizer 消费 free-form context (Seed-ASR [10], Qwen3-ASR [11])；从 N-best/hypothesis 提取再 feedback 的工作有 HyPoradise [15]（虽然用的是 LLM correction 而非 glossary feedback）。”从 first-pass hypothesis 提取 term 频率再 feed back” 这一具体组合，作者自己定位为”simple idea”（”The idea is simple”），且诚实承认是”retrieval over the recording itself”——这降低了 novelty 强度。不过 reference-free 这一约束 + burstiness 经验规律的跨 5-backbone 验证，提供了超出纯拼装的压缩价值。
• Wiki 证据: paper-wiki 未收录此 idea。free-search 找到 XCB (2024)、Lightweight Prompt Biasing (2025)、NAM+ 等同期/近期 contextual biasing 工作，均依赖外部 phrase list，未发现”从 model 自身 first-pass 提取 glossary”的先例——该具体 idea 在已有文献中确无重复，但整体方法属”已知模块 + 一个新约束”层级。

公理七：可复现公理

• 判定: ⚠️
• 分数: 5
• 依据: 论文声明”Dataset, code, and term metadata will be released upon publication”——发表前不可复现。benchmark 基于公开讲座系列（脚注1）但未明确指名哪一系列，仅说”publicly available Mandarin-English AI/ML lecture series”。term extractor 是 rule-based（acronym/model-name/code-string/multi-word 四类规则 + NFKC + lowercasing + light stemming），规则细节未全公开（”light stemming”未定义）。所有 backbone 为公开模型（Breeze-ASR-25/26, Whisper, Qwen3-ASR）可下载。评测 normalize 用 OpenCC s2twp 公开。prompt 构造细节（160 token cap, guard sentence 措辞）部分给出但 guard sentence 原文未逐字给出。k=30 给定。统计方法（paired bootstrap 2000 resamples）给定。结论：核心实验设置描述充分，但代码/数据/extractor 规则/guard sentence 原文待释出后才能完全复现。不依赖闭源 API，全是开源 backbone——这点干净。
• Wiki 证据: paper-wiki 无复现记录。无独立第三方复现证据。

总评

• 科学价值: 中 — 真实问题 + 可操作化重构 + 跨 5 backbone 一致经验规律（burstiness 驱动），但单讲师单领域 + rule-based extractor 限制结论外延，且 absolute recall 62% 意味着方法本身未达可用阈值。
• 方法价值: 中 — 极简、reference-free、无训练，problem reframing 有压缩价值；但各组件强先例已存在，新颖增量集中在”self-retrieved glossary”单一约束。
• 社区价值: 中 — term-centric 评测视角可迁移到任何专业词汇领域（医疗/法律讲座），benchmark 填补讲座型空白；但作为社区基础设施偏薄（5h/单讲师/单领域），需多讲师多领域扩展才能成为持久 benchmark。

打分

加权总分: 6.42/10（加权分之和 61.0 / 权重之和 9.5） 最终建议: Weak Accept

理由简述：问题真实、识别扎实、方法极简且跨 5 backbone 一致，term-centric 评测视角有可迁移的压缩价值。拖低分项是绝对 recall 仍低（62%）、benchmark 单讲师单领域偏薄、各组件强先例下新颖增量集中、代码/数据发表前未释出。属可接受的扎实 incremental 工作，但需多讲师多领域扩展和代码释出才能升格为强 accept。