我已经获取了完整的论文文本和所有搜索结果。现在我将整理结构化的评审意见。

Paper Review: From Sinhala to Dhivehi: Cross-Lingual Transfer Learning for Low-Resource Speech Recognition

论文类型: 方法型（跨语言迁移策略比较），兼具分析型特征

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 依据: Dhivehi ASR 是一个真实的低资源语言问题，论文用 Common Voice 22.0（仅 37h 验证数据）和 OpenSLR SLR52（~224h Sinhala）作为实验基础。问题定义清晰：语言相关性是否能在跨语言迁移中带来可测量的 ASR 改善。作者进一步用 Turkish 控制实验将问题从”优化单一小语种”提升到”语言相关性在迁移中的因果作用”这一具有机制意义的层面。然而，Dhivehi 说话人口仅约 335,000–410,000，直接应用场景极为有限。论文虽有科学机制意义（relatedness vs. generic augmentation），但未证明该结论无法从更大规模的相关语言对实验中获得，也未论证 Dhivehi 本身具有超越个案的社区价值。核心概念（WER/CER）操作化定义清晰，claim 外延与实验范围基本一致。
• Wiki 证据: OMC Wiki 三个查询（cross-lingual ASR SOTA / Dhivehi Sinhala / continual pre-training multilingual）均返回”No wiki pages match”。paper-wiki 概念搜索（”cross-lingual transfer learning speech recognition”、”low-resource ASR Dhivehi Sinhala”、”ASR low-resource”、”wav2vec whisper multilingual”）均无结果。free-search 补充发现 Ahmed [5] 2023 是此前 Dhivehi ASR SOTA（14.26% WER, MMS 1B + LM + subword + spelling correction, Common Voice 13.0），以及 Dhasmana et al. 2026 (arXiv:2601.04373) 研究了 Indic 语言变体的跨语言 ASR 迁移，说明该问题方向存在社区关注。
• 分数: 6

公理二：识别公理

• 判定: ⚠️
• 依据: 论文隔离了迁移策略变量（sequential / multilingual / CPT），并用 Turkish 控制实验隔离语言相关性 vs. 通用数据增强，这是良好的实验设计。但存在多个识别缺陷：(1) 架构不一致：CPT 实验使用 XLS-R，而其他实验使用 Wav2Vec2-BERT，作者承认这一不一致但未控制。最佳结果（CPT + KenLM 12.89% WER）的改善可能部分来自架构差异而非迁移策略。(2) 主效应偷换：KenLM 解码贡献 27.77 个绝对 WER 点（41.27%→13.50%），而迁移策略本身的贡献仅 0.61 WER 点（13.50%→12.89%）。论文声称的贡献是跨语言迁移，但实际最大的效应来自外部语言模型解码，这是一个数量级以上的差距。(3) CPT 无 Turkish 控制：Turkish 控制仅在 multilingual 设置下进行，未在 CPT 设置下验证，因此 CPT 的改善无法排除”任何语言的 CPT 都会改善”这一替代解释。(4) 无多次运行、无交叉验证，统计显著性未知。
• Wiki 证据: OMC Wiki 查询无结果。paper-wiki 查询无结果。free-search 发现 Nowakowski et al. 2023（Information Processing & Management, cited 57 times）已证明 CPT 是适应新语言最有效的方法，且该工作在 Ainu ASR 中使用了 English 作为不相关控制——本文的 Turkish 控制设计与此类似但不如其完整（Nowakowski 在 CPT 设置中也测试了不相关语言）。
• 分数: 5

公理三：独立性公理

• 判定: ✅
• 依据: 数据来源独立公开（OpenSLR SLR52, Common Voice 22.0）。评测使用标准 WER/CER 指标，训练/测试分割来自 Common Voice 官方 split。KenLM 在转录文本上训练，这是 ASR 领域的标准做法，不构成循环论证。无 synthetic data pipeline，无 LLM-as-judge，无闭源评测依赖。评测指标（WER/CER）与训练目标（CTC loss）不直接重叠。
• Wiki 证据: OMC Wiki 查询无结果。free-search 确认 Ahmed [5] 的评测也使用 WER 作为标准指标，与本文一致。Common Voice 数据集由 Mozilla 维护，数据收集和验证流程独立于本研究。
• 分数: 8

公理四：压缩公理

• 判定: ⚠️
• 依据: 论文方法是已有技术的组合：Wav2Vec2-BERT/XLS-R + KenLM + CPT + multilingual fine-tuning + sequential fine-tuning。每个组件都是标准做法，无新架构、无新训练方法、无新解码算法。论文提供了一些有价值的经验压缩：(1) 发现 language ID tokens 在低资源双语字符级设置中反而有害（13.26% vs 18.46% WER），这与大规模多语言系统的常识相反；(2) KenLM 是一阶效应的发现；(3) 迁移策略比语言相关性更重要的结论。但这些发现更接近工程经验总结，缺乏机制解释（为什么 LID tokens 有害？CPT 为什么比 sequential 更好？论文给出了直觉解释但未验证）。存在命名膨胀倾向：将标准 CPT + fine-tuning + KenLM 包装为”reproducible framework”。
• Wiki 证据: OMC Wiki 查询无结果。paper-wiki 查询无结果。free-search 确认 CPT 用于低资源 ASR 已有成熟先例（Nowakowski et al. 2023, Getman et al. 2024 for Northern Sámi），multilingual fine-tuning 和 sequential transfer 也是标准方法。Whistle (arXiv:2406.02166) 和 Omnilingual ASR (arXiv:2511.09690) 代表了更系统化的多语言 ASR 方法。
• 分数: 5

公理五：效用公理

• 判定: ⚠️
• 依据: 绝对指标方面，最佳 WER 12.89% 在低资源 ASR 领域属于可用水平，且数值上优于此前 SOTA（Ahmed [5] 的 14.26% WER）。但存在多个问题：(1) 数据版本不可比：本文使用 Common Voice 22.0，Ahmed 使用 Common Voice 13.0，作者自己指出”direct comparison requires caution”。(2) 迁移效应微小：相对 Dhivehi-only baseline（13.50% WER），CPT 仅改善 0.61 个绝对 WER 点（4.5% 相对改善），远小于 KenLM 的 27.77 点改善。(3) 缺失关键 baseline：未与 Whisper、MMS 1B（Ahmed 使用的模型）进行比较。Ahmed 的 14.26% 是用 MMS 1B + subword + LM + spelling correction 获得的，本文用不同模型和不同数据版本，无法确定改进来自迁移还是来自更新的预训练模型。(4) Sinhala 结果需谨慎：7.00% WER vs 文献 17.19%，但数据版本和评测条件完全不同。(5) 无多次运行，无置信区间，0.61 WER 点的改善可能不显著。
• Wiki 证据: OMC Wiki 查询无结果。paper-wiki 数据集搜索（”Common Voice”）无结果。free-search 确认 Ahmed [5] 的 14.26% WER 是此前 Dhivehi ASR 最强基准，使用 MMS 1B + subword vocabulary + 5-gram KenLM + spelling correction。本文未与 MMS 1B 比较。arXiv:2607.04814 也在研究非洲低资源语言的相关性迁移，说明该方向有同期活跃工作。
• 分数: 5

公理六：新颖性公理

• 判定: ⚠️
• 依据: 跨语言迁移学习在 ASR 中已被广泛研究（论文自己引用了 7+ 篇相关工作：Yu et al. for Tujia, Li for Cantonese, Pillai et al. for Malasar, Kim & Kang for Korean, Černiavski for Scandinavian, Nowakowski et al. for Ainu, Getman et al. for Sámi）。CPT 作为低资源 ASR 的有效方法已被 Nowakowski et al. 2023 证明（cited 57 times）。语言相关性在迁移中的作用已被 Dhamecha et al. 2021（Indo-Aryan languages, EMNLP）和 arXiv:2607.04814（African languages）研究。Sinhala→Dhivehi 这一特定语言对在 ASR 迁移中是新的，但这只是将已知方法应用到新语言对，不是方法论创新。Turkish 控制实验的设计也与 Nowakowski et al. 的 English 控制类似。LID tokens 有害的发现具有一定新意，但这是一个经验观察而非方法论贡献。整体而言，这是 A+B+C 的已知方法组合应用于新语言对，缺少 ablation 证明各组件的必要性和 synergy。
• Wiki 证据: OMC Wiki 查询无结果。paper-wiki 查询无结果。free-search 确认：(1) Nowakowski et al. 2023 已证明 CPT 是低资源 ASR 最有效方法，且使用了不相关语言控制（English），结构上先于本文。(2) Dhasmana et al. 2026 (arXiv:2601.04373) 研究了 Indic 语言变体的跨语言 ASR 迁移，与本文主题高度重叠，发表时间差距约 6 个月，不构成同期工作但说明该方向已被研究。(3) Dhamecha et al. 2021 (EMNLP) 已研究 Indo-Aryan 语言中语言相关性的作用。
• 分数: 4

公理七：可复现公理

• 判定: ✅
• 依据: 代码已开源（https://github.com/lukmalilyas/From-Sinhala-to-Dhivehi-ASR），数据集均为公开数据（OpenSLR SLR52, Common Voice 22.0）。训练超参数充分说明：batch size 16, gradient accumulation 2, learning rate 5e-5, 10 epochs, FP16, gradient checkpointing。KenLM 超参数：α=0.5, β=1.0, beam width 64。tokenisation（character-level）和 preprocessing（NFC normalisation, punctuation removal）有描述。缺陷：(1) CPT 使用 XLS-R 而其他实验使用 Wav2Vec2-BERT，复现时需注意架构差异；(2) 无模型 checkpoint 发布；(3) 作者承认存在 pipeline instability；(4) 无多次运行的方差报告。但整体复现条件良好。
• Wiki 证据: OMC Wiki 查询无结果。free-search 确认 GitHub 仓库存在且可访问。
• 分数: 8

总评

• 科学价值: 中 — 提供了 Sinhala→Dhivehi 迁移的系统性比较和 Turkish 控制实验，但迁移效应微小（0.61 WER points）且存在架构不一致，主效应来自 KenLM 而非迁移策略。
• 方法价值: 低 — 所有方法组件（CPT, multilingual fine-tuning, sequential transfer, KenLM）均为已有标准方法，无方法论创新。LID tokens 有害的发现有参考价值但属经验观察。
• 社区价值: 中 — 为 Dhivehi ASR 提供了新的强 baseline（12.89% WER），代码开源可复现。但 Dhivehi 说话人口极少（~40 万），且该方向已有更系统化的相关工作。

日报摘要

• Strength: 系统性比较了 5 种迁移策略（17 项实验），用 Turkish 控制实验有效隔离了语言相关性效应，最佳系统达到 12.89% WER，且代码完全开源。
• Weakness: 迁移策略本身仅贡献 0.61 个绝对 WER 点改善（vs KenLM 的 27.77 点），CPT 实验存在架构不一致（XLS-R vs Wav2Vec2-BERT），未与 MMS 1B 和 Whisper 等关键 baseline 比较。

打分

加权总分: 5.53/10（加权分之和 52.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5