我已经阅读了全文 (HTML+PDF)，并完成了所有 wiki/paper-wiki/free-search 锚定。现在开始输出评审。

论文评审：在 L2 英语口语自动评分器中控制隐式捷径依赖

论文类型: 方法型

本文提出了一种基于秩相关的输出级惩罚项，用于减少基于编码器的自动评分器（包括文本和音频）对隐式计算的代理特征（捷径）的过度依赖。主要贡献在于一种新颖的训练准则，在 S&I 2025 语料库上进行了跨模态评估。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 该对象（端到端、基于编码器的 L2 口语自动评分器中的隐式捷径依赖）是真实且清晰的。本文给出了操作性定义 (式 5)：当 ρ(ŷ, ẑ_j) ≫ ρ(y, ẑ_j) 时，即存在捷径。对于自动评分器的安全性/有效性而言，这一问题具有实际意义：考生可以通过“说得更长”来利用长度捷径，而无需提高实际能力。动机明确（引用了 Powers 2002 中在 37 次重复段落中获得最高自动评分的案例；以及自动作文评分中关于长度依赖的研究）。该问题在当前模型中确实存在——本文实证证明 ModernBERT 与字数的 ρ=0.874，而人类基准为 0.659；wav2vec 2.0 与 VAD 时间的 ρ=0.705，而人类基准为 0.450。研究范围合理：针对实际部署的评分器（用于 Cambridge S&I 的 ModernBERT, wav2vec 2.0），目标对象并非微不足道。
• Wiki 证据: OMC wiki 无记录；paper-wiki 无记录。Free-search 确认 S&I 2025 语料库 (arXiv 2412.11986) 和 S&I Challenge 2025 基准 (arXiv 2412.11985) 是本文针对的实际评估平台；相关工作“Natural Language-based Assessment of L2 Oral Proficiency using LLMs”(arXiv 2507.10200) 和“Assessment of L2 Oral Proficiency using Speech LLMs”(Interspeech 2025) 证实了该任务的现实性。

公理二：识别公理

• 判定: ⚠️
• 依据: 本文隔离了关键变量——λ 惩罚强度在 [0, 0.30] 范围内扫描，其他一切保持不变。基线比较包括 MSE 与 SRC 损失函数的对比，证实了使用 SRC 本身并不会导致该现象。零样本 Qwen2.5-72B 作为非微调参考，显示更接近人类的特征相关性（ρ_wc=0.733 vs 0.874），这被正确识别为“无任务特定微调 → 无任务特定捷径”的证据，而非替代解释。选择性检查（平均 ASR 置信度相关性在惩罚下应保持稳定）是一个合理的对照变量。然而，关于为什么编码器会将长度吸收为捷径的机制解释较弱——本文展示了现象并对其进行了惩罚，但并未隔离导致过度依赖的编码器内部表示路径。没有针对特征基评分器（II-A 节）的消融研究，以确认该惩罚在显式输入捷径场景下的有效性。式 8 声称普遍适用性，但仅在编码器评分器上进行了测试。
• Wiki 证据: OMC wiki 无记录；paper-wiki 无记录。Free-search 找到了 RRR [Ross 2017]、Right for Better Reasons [Shao 2021]、COMI [Zhao 2024]、FiLoRA [Chung 2026] 作为先前的机制——本文正确地识别出它们都需要显式的可微分输入访问权限，而其输出级惩罚避免了这一限制。

公理三：独立性公理

• 判定: ✅
• 依据: 评估独立性良好。S&I 2025 语料库是一个独立的收集数据集，具有人工整体评分。捷径代理（字数、VAD 时间）是从原始输入中独立计算的（Whisper-small.en 转录文本、Praat VAD），而非由被评估的模型生成。人工参考相关性作为独立锚点，用于定义“拟人化”操作模式。Z-score 校准特意避免使用 y 进行校准，防止了基于结果的符号翻转循环。一个细微的顾虑：Whisper ASR 转录文本同时用于计算代理和作为文本评分器的输入，因此字数与 Whisper 特有的转录质量存在轻微耦合；但 ASR 置信度相关性（0.657 vs 0.653）表明人工和模型对 ASR 的依赖相似，因此这种耦合并不构成严重的循环性。
• Wiki 证据: OMC wiki 无记录。Paper-wiki 无记录。Free-search 确认 S&I 2025 是一个公开发布的、带有人工评分的语料库（Knill et al. 2025），支持其作为独立评估锚点的地位。

公理四：压缩公理

• 判定: ✅
• 依据: 该方法简洁——式 8 仅在可微 SRC 训练目标中增加了一个秩相关惩罚项，无需修改编码器，无需显式特征访问，无需额外模块。这直接解决了 II-A/III-B 中指出的局限性，即所有先前的基于梯度的方法（RRR、RBR、COMI、FiLoRA）都要求捷径必须是显式的可微分输入。“输出级、模型无关”的框架是一个真正的概念简化，扩展了适用范围。两种操作模式（拟人化 λ≈0.13/0.17；防作弊更大值）是自然的、可解释的旋钮，而非人为构造。没有命名膨胀。确实存在轻微的任意性：选择字数而非唯一字数作为主要代理，理由是“直接可操作”，但这是一个合理的领域论点。
• Wiki 证据: OMC wiki 无记录。Free-search 证实 prior-art (RRR/RBR/COMI/FiLoRA) 全部在输入/表示层面操作，并要求显式特征访问——证实了该输出级公式是一个真正的简化，而非重新命名。

公理五：效用公理

• 判定: ⚠️
• 依据: 结果真实但有限。文本评分器 (ModernBERT)：在拟人化模式下 (λ_WC≈0.13)，ρ(ŷ,y) 在 0.761 附近保持竞争力，同时字数相关性从 0.874 下降到 ≈0.659（人类水平）——这是一个干净、可用的结果。音频评分器 (wav2vec 2.0)：在 λ_VAD≈0.17 的拟人化模式下，相关性从 0.612 开始，文章提到“以适度的准确性代价”——但表 III 显示 wav2vec 基线 ρ(ŷ,y)=0.612 已经远弱于 ModernBERT 的 0.761 和 Qwen2.5-72B 的 0.755，且拟人化模式进一步降低了它。音频评分器在绝对项上较弱，惩罚使其更弱——这里的效用交换更成问题。未与 S&I Challenge 2025 基线系统 (arXiv 2412.11985) 进行比较，这是对使用同一语料库的最近强基线的明显遗漏。报告了 λ 扫描，但只显示了选择性检查的数字（ASR 置信度“保持稳定”）；定量选择性表格将比仅依赖图表更严谨。核心胜利是受控的捷径抑制，但绝对评分效用仅在一个评分器（文本）上得到验证，而在另一个（音频）上受到损害。
• Wiki 证据: OMC wiki 无记录。Paper-wiki 无记录。Free-search 确认 S&I Challenge 2025 基线论文 (Qian et al. 2025, arXiv 2412.11985) 存在，且与同一语料库直接相关——其基线应被引用，但其缺席是一个实质性遗漏。“One Whisper to Grade Them All”(arXiv 2507.17918) 是同一挑战中较强的端到端系统，也未进行比较。

公理六：新颖性公理

• 判定: ✅
• 依据: 核心创新是真实的增量。现有的捷径缓解方法（RRR [Ross 2017]、RBR [Shao 2021]、COMI [Zhao 2024]、FiLoRA [Chung 2026]、基于反事实的 [Wang 2024]、基于 IG 的 [Kumar 2023]）全部要求捷径特征必须是显式的、可微分的输入。本文的输出级秩相关惩罚移除了这一要求，将适用性扩展到隐式编码器表示——一个真正的机制边界跨越，而非重新命名。跨模态统一（文本 + 音频在相同的式 8 下）是新颖的；之前的 SLA 针对捷径的工作（如 SpeechRater 中的特征重新加权， Linguaskill）仅针对特征基评分器。使用可微排序 [Blondel 2020] 进行基于 SRC 的训练，是从序列级属性估计 [Fathullah 2024] 中采用的，但将其与基于代理的相关性惩罚结合是新的。防作弊操作模式框架增加了解释价值。没有发现 prior-art 涵盖这种特定的组合。
• Wiki 证据: OMC wiki 无记录。Paper-wiki 无记录。Free-search 确认 RRR/RBR/COMI/FiLoRA 是 prior-art，且全部需要显式输入访问——证实了该隐式特征公式的真实新颖性。

公理七：可复现公理

• 判定: ⚠️
• 依据: 大部分可复现，但不完全。数据集 (S&I 2025) 公开可用 (arXiv 2412.11986)。预训练模型为开源 (ModernBERT-base, wav2vec 2.0-base, Whisper-small.en, Qwen2.5-72B)。可微排序实现为开源 (github.com/google-research/fast-soft-sort, 脚注 1)。报告了训练细节：2 个 epochs，AdamW，针对不同部分调整 batch size，对 ModernBERT 进行 10 个随机种子集成，λ 扫描 [0, 0.30]。然而：没有代码发布声明，没有发布模型 checkpoint，没有评估脚本，确切的 λ 扫描值没有完全列出，用于获取 VAD 时间的 Praat VAD 参数未指定，以及“四个自注意力头”池化架构细节在文本中不完整（尽管参考文献 [23, 27] 指向了部分规范）。没有报告统计显著性或跨随机种子的方差。这将允许近似的复现，但无法实现精确复现。
• Wiki 证据: OMC wiki 无记录。Free-search 确认 fast-soft-sort 仓库存在；S&I 语料库和所有预训练模型为公开；确认了复现的骨干，但缺失训练/评估代码是一个空白。

日报摘要

• Strength: 提出输出级秩相关惩罚（式 8），首次将捷径缓解扩展到不要求捷径特征为显式可微输入的端到端编码器评分器，在 ModernBERT 文本评分器上以拟人化模式 (λ≈0.13) 将字数相关性从 0.874 降至 0.659（人类水平），同时保持评分 ρ≈0.761。
• Weakness: 未与同一 S&I 2025 语料库的 Challenge 2025 官方基线 (arXiv 2412.11985) 及同期强系统 (arXiv 2507.17918) 比较；音频评分器基线绝对 ρ 仅 0.612 且拟人化模式进一步下降，效用证据在音频模态偏弱；未发布训练/评测代码。

总评

• 科学价值: 中 — 识别并缓解了一个真实、可操作的问题（编码器评分器中的隐式捷径依赖），方法合理且机制明确；但机制解释停留在输出层，未深入编码器内部表示路径。
• 方法价值: 高 — 式 8 简洁、模型无关、跨模态统一，且首次去除了”捷径特征必须是显式可微输入”这一先验限制，是对 RRR/RBR/COMI/FiLoRA 线的真实增量。
• 社区价值: 中 — S&I 2025 是活跃的共享任务平台，拟人化/防作弊双模式为评估设计者提供了可操作的旋钮；但缺少与官方 baseline 的直接比较限制了即插即用价值，且未发布代码/checkpoint。

打分

加权总分: 6.84/10（加权分之和 68.0 / 权重之和 9.5） 最终建议: 弱接受 (Weak Accept) 6.5-8

工具使用记录：PDF (8 页) 和 HTML 全文已读取；paper-wiki search --concept/--dataset/--paper 均返回空；wiki_query (3 个查询) 均无记录；free-search (3 个查询) 成功获取了 S&I 2025 语料库/挑战基线、RRR prior art 以及相关的自动评分工作，作为事实锚点。根据指令，跳过了 wiki_ingest 写回（第 5 步）。