我已经获取了完整的论文文本并进行了充分的研究。现在我来整理最终的评审报告。

论文评审: Progressive Refinement: An Iterative Pseudo-Labeling Approach for Mandarin-English Code-Switching ASR

论文类型: 方法型

本文将已有的迭代式伪标签方法（Xu et al. 2020, arXiv 2005.09267）应用于汉英码切换ASR领域，使用CTC+Attention conformer架构，通过伪标签生成→两阶段训练→迭代精化三阶段pipeline提升CS-ASR性能。

公理审查结果

公理一：对象公理

• 判定: ✅
• 分数: 8
• 依据: 码切换ASR是一个真实、清晰且具有社区价值的研究对象。Mandarin-English CS在东南亚多语言社会中普遍存在，SEAME是公认的标准评测基准。MER（Mix Error Rate）作为CS-ASR的评测指标有明确的操作化定义，同时涵盖英文WER和中文CER。数据稀缺是CS-ASR领域的公认瓶颈。问题定义无需质疑。
• Wiki 证据: OMC Wiki 无记录。free-search 返回大量 SEAME 相关工作（2311.17382, 2403.05887, 2606.19381, 2601.00935 等），确认该问题被广泛研究。

公理二：识别公理

• 判定: ⚠️
• 分数: 4
• 依据: 存在严重的变量混淆问题。Baseline 模型仅在 SEAME（96.6小时）上训练，MER 为 19.23%/27.18%。而 M2 使用了 100k 小时英文 + 44k 小时普通话 + 22.4k 小时 CS 伪标签数据 + 11.6k+6.9k+1k 小时有监督数据。性能提升（19.23%→12.88%）究竟来自迭代精化机制本身，还是单纯来自训练数据量增加了三个数量级？论文未隔离这一关键变量。虽然 Table 3 对训练策略做了消融（single-stage vs two-stage, fine-tuning order），Table 4 对采样权重做了消融，但缺少最关键的消融：单次伪标签 vs 迭代伪标签 的直接对比（即用 M0 一次性生成伪标签训练 vs M0→M1→M2 迭代）。M1→M2 的提升仅 0.51%/0.58%，迭代收益边际递减严重，进一步说明大部分增益来自数据量而非迭代机制。Baseline 过弱（仅96.6小时训练），不是公平比较。
• Wiki 证据: OMC Wiki 无记录。Xu et al. 2020（arXiv 2005.09267）被论文引用为 ref [30]，是该方法的直接来源，其在 monolingual ASR 上已做迭代 vs 非迭代消融。本文未做同等消融。

公理三：独立性公理

• 判定: ⚠️
• 分数: 5
• 依据: 最终评测在 SEAME 上进行，使用人工标注的 ground truth，评测独立于训练pipeline。但训练pipeline完全自指：M0 生成伪标签→M1 用伪标签训练→M1 生成新伪标签→M2 训练。22.4k 小时 CS 音频来自新加坡私有数据，伪标签由作者自己的模型生成，无任何外部独立校验伪标签质量。无人类抽检伪标签错误率的报告。自训练的循环性是方法固有的，但缺少独立质量锚点降低了证据效力。
• Wiki 证据: OMC Wiki 无记录。free-search 找到 “Semi-supervised Learning for Code-Switching ASR with Large Language Model Filter”（arXiv 2407.04219），该工作使用 LLM 作为独立 filter 校验伪标签质量，形成对比。

公理四：压缩公理

• 判定: ❌
• 分数: 3
• 依据: 方法是已有技术的直接组合，无新机制、新洞察或新压缩。核心算法（Algorithm 1）与 Xu et al. 2020 的迭代伪标签方法完全一致。CTC+Attention 架构（§2.1）是标准架构（ref [28, 9]）。两阶段训练（pre-train + fine-tune）是标准做法。Bilingual initialization 是标准做法。”Progressive Refinement” 这一命名只是对 iterative pseudo-labeling 的重新包装，不构成新的概念贡献。论文未发现任何可迁移的经验规律、新的 trade-off 或 failure mode analysis。组件间无 synergy 证明——仅是 A+B+C 的简单组合。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 Xu et al. 2020（arXiv 2005.09267, Interspeech 2020, 98 citations）是该方法的直接来源，已有完整的迭代伪标签框架。

公理五：效用公理

• 判定: ⚠️
• 分数: 4
• 依据: 多个严重问题：(1) Baseline 过弱：Baseline 仅在 96.6 小时 SEAME 上训练，而 M2 使用了 ~178k 小时数据（含伪标签），数据量差距约 1800 倍。这不是公平比较。(2) 绝对性能落后于 SOTA：M2 在 SEAME devman/devsge 上 MER 为 12.88%/18.89%，而近期工作 “Improving Code-Switching ASR with Code-Mixing Guided Synthetic Speech”（arXiv 2606.19381, 2026年6月）在 DevMAN 上达到 8.9%/14.2% MER。Whisper-based 系统（2311.17382）也是更强的基线。(3) 缺少关键 baseline 对比：未与 Whisper-based CS-ASR、MLSS（IEEE SPL 2025, semi-supervised CS-ASR）、LLM-filter semi-supervised CS-ASR（2407.04219）等近期工作对比。(4) 私有数据不可比：大量训练数据为私有（100k+44k+22.4k小时），外部研究者无法在同等条件下验证。(5) 迭代收益递减：M1→M2 仅提升 0.51%/0.58%，迭代机制的实际效用存疑。
• Wiki 证据: OMC Wiki 无记录。free-search 找到多篇近期 SEAME SOTA 工作（2606.19381: MER 8.9%/14.2%; 2403.05887; 2406.18021; 2412.08651），本文均未对比。paper-wiki 搜索无结果。

公理六：新颖性公理

• 判定: ❌
• 分数: 3
• 依据: 论文声称 “first work to apply iterative pseudo-labeling to code-switching ASR”。这一 “first” 声明在技术上可能成立，但属于极窄的 scope engineering transfer。迭代伪标签方法本身来自 Xu et al. 2020。CS-ASR 的半监督学习已有多个先例：MLSS（2025, mutual learning-based semi-supervised CS-ASR）、LLM-filter semi-supervised CS-ASR（2407.04219, 2024）、Self-supervised pre-training for CS-ASR（Tseng et al. 2021, ref [26]）。本文的 “创新” 仅是将 Xu et al. 2020 的方法原封不动地应用于 CS-ASR 领域，使用 bilingual initialization（标准做法）和 two-stage training（标准做法）。无新机制、无新 loss、无新架构、无新经验洞察。跨领域方法迁移本身可以有贡献，但必须证明迁移后解决了本领域真实问题或发现新现象——本文未做到，仅是 engineering application。
• Wiki 证据: OMC Wiki 无记录。free-search 确认 MLSS（2025）、Semi-supervised CS-ASR with LLM Filter（2024）等同类半监督 CS-ASR 工作已存在。Xu et al. 2020 是直接方法来源。

公理七：可复现公理

• 判定: ❌
• 分数: 2
• 依据: 严重不可复现。(1) 核心训练数据为私有：100k 小时英文伪标签数据、44k 小时普通话数据、22.4k 小时 CS 伪标签数据均为私有。(2) 有监督数据部分私有：enSGeval 15小时、部分 supervised 数据为 private。(3) 训练框架为私有：”trained using a private framework/tooling”。(4) 无代码开源声明。(5) 无模型 checkpoint 发布。(6) 无评测脚本公开。仅有 SEAME 数据集（公开）和 NSC（需申请）可获取。核心实验结果完全依赖于不可获取的私有数据和工具，外部研究者无法独立验证。
• Wiki 证据: OMC Wiki 无记录。

总评

• 科学价值: 低 — 未产生新的科学认知或可迁移经验规律，仅验证了已有方法在新领域的适用性。
• 方法价值: 低 — 方法为已有迭代伪标签方法的直接迁移，无新架构、新 loss 或新机制贡献。
• 社区价值: 低 — 私有数据和工具使结果不可复现，性能落后于近期 SOTA，对社区参考价值有限。

日报摘要

• Strength: 在 SEAME 上利用 178k 小时伪标签数据将 MER 从 19.23%/27.18% 降至 12.88%/18.89%，证明了大规模伪标签数据对 CS-ASR 的有效性。
• Weakness: 方法是 Xu et al. 2020 迭代伪标签的直接迁移，缺少迭代 vs 非迭代的关键消融；Baseline 过弱（96.6h vs 178kh 数据量差 1800 倍）；绝对性能落后于 2026 年 SOTA（8.9%/14.2%）；大量私有数据和私有工具使结果不可复现。

打分

加权总分: 4.0/10（加权分之和 38 / 权重之和 9.5） 最终建议: Weak Reject