我已获取全文并进行了事实核查。论文的 Related Work 中引用了几个关键锚点（Ma et al. 2023 LLM post-ASR correction, Adedeji et al. 2024/2025 medical ASR+LLM, Sudo et al. 2024 contextual biasing, Chapman et al. 2001 negation, Zheng et al. 2026 dysarthric post-ASR）。Wiki 记录为空；free-search 确认了该领域已有先前研究。现在我将输出最终评审。

Paper Review: AI_LectureNote: A Retrospective Pilot Study of a Post-ASR Workflow for English-Script Rendering and Semantic Drift in Korean–English Medical Lectures

论文类型: 分析型（retrospective pilot / diagnostic case study）

这是一篇回顾性试点研究，诊断 readability-oriented post-ASR rewriting 与 medical-meaning faithfulness 之间的 trade-off。不提出新方法、不构造 benchmark、不释放新数据集，核心贡献是失败模式描述与方法学建议（分开评测 surface / script / consistency / meaning）。按分析型论文尺子审查。

公理审查结果

公理一：对象公理

• 判定: ⚠️
• 依据: 研究对象真实但范围极窄。问题（Korean–English medical lecture 中 ASR 将英文医学术语音译为韩文拼音，影响可读性）真实存在，且 polarity/negation 在医学文本中确实是一等风险（Chapman et al. 2001; Uzuner et al. 2011 已建立）。但外延极小：4 段作者自录讲座（13m+13m+12m+4.5m）、2 位说话人、单标注人，且作者自承 “speaker, topic, lecture length, and reference style remain confounded”。论文明确不主张 population rates，只描述 “concrete failure modes”，这是一个合法但很小的分析对象。更严重的是，问题的新颖性不足：论文自身 Related Work 已指出 LLM post-ASR correction 的 faithfulness 风险是已知问题（Ma et al. 2023; Tang et al. 2025; Zheng et al. 2026），且 “WER is unaware” / “WER 不够” 是反复被指出的观点（free-search 检索到 2511.16544 “WER is Unaware: Assessing How ASR Errors Distort Clinical Understanding”）。本文只是在一个极窄切片上再次确认。
• Wiki 证据: OMC wiki 无记录。free-search 找到 Adedeji et al. 2024/2025（medical ASR+LLM correction，本文已引用）、Sachdev et al. 2024 “Evolutionary Prompt Design for LLM-Based Post-ASR Error Correction”、2511.16544 “WER is Unaware”。对象真实但已被多篇文章覆盖。

公理二：识别公理

• 判定: ⚠️
• 依据: 没有真正的因果识别。论文声称 cross-input control（gpt4o_ailn_post）能区分 introduced vs propagated errors，但这是描述性标签而非因果识别：单标注人、无对照基线、无统计检验。5 个条件之间没有控制变量——chunking 策略（3-min non-overlapping）、prompt、front-end、post-processing 同时变化，无法把 rendering rate 提升归因到任一单一变量。论文诚实承认 “Condition 5 is a diagnostic control, not an optimized modern-STT post-processor”，因此作为诊断可接受，但作为识别公理满足度只能算部分。最简 baseline（仅做 glossary replacement / span-level 术语规范化，不进行 LLM 改写）缺失，作者只在 Conclusion 中提到 “future work should test more constrained alternatives”，但未在实验中包含。这恰好是最关键的对照——它能告诉我们 LLM 改写引入的 drift 有多少是 “readability-oriented rewriting” 本身造成的。
• Wiki 证据: OMC wiki 无记录。free-search 确认 Sudo et al. 2024a/b contextual biasing / dynamic vocabulary 是更受约束的术语规范化替代方案，本文已引用但未作为 baseline 实验。

公理三：独立性公理

• 判定: ❌
• 依据: 严重循环。References 由作者自建（”author-created, lightly cleaned, content-preserving study transcripts”），domain terms 由作者 curate，polarity tags 由作者标，semantic drift 标签由同一作者单 pass 标注（”single author-annotator in one pass, without independent replication or adjudication”）。更关键的是，标注人就是 AI_LectureNote 系统的开发者——既有动机又有先验知识，标注必然偏向系统已处理的部分。论文 §8 明确承认 “Annotation provenance and evaluator overlap”，但没有采取任何补救（无第二标注人、无 IAA、无 adjudication）。对于一篇核心贡献是 “failure mode taxonomy” 的分析型论文，这是 fatal：taxonomy 本身就是结论，而 taxonomy 来自与系统开发者同一人。
• Wiki 证据: OMC wiki 无 “judge independence / 循环论证” 记录。这是论文自承的 fatal 缺陷，无需外部锚定。

公理四：压缩公理

• 判定: ⚠️
• 依据: 压缩价值有限但有。正面：提出 “surface / script-rendering / chunk-consistency / medical-meaning” 四维分开评测的框架，是一个可迁移的方法学压缩（其他 post-ASR 系统可复用）。introduced vs propagated 标签也是一个有用的二分。负面：四维中每一维的指标都已在先前工作中出现（CER/WER、term recall、chunk consistency、polarity error counts 均非新指标），只是首次在这一特定场景下组合报告。论文 12 页中大量篇幅是叙述性 trade-off 描述而非可压缩的规律。没有发现反直觉经验规律——”readability 改善但 faithfulness 下降” 是 LLM post-ASR correction 文献中预期的结果。命名膨胀轻度：cross-input control / introduced vs propagated / English-script rendering rate 都是新名字但对应熟悉概念。
• Wiki 证据: OMC wiki 无记录。free-search 确认 “WER is Unaware”（2511.16544）已主张 WER 不足以捕捉临床语义错误，本文的”分开评测”主张与此高度重合。

公理五：效用公理

• 判定: ❌
• 依据: 效用极低。绝对效果：post-processing 后 English-script rendering 0.39→0.71 / 0.26→0.65 看似可观，但伴随 34/36 of 282 句 semantic drift（12-13%）和 11/13 of 101 polarity-cue rows 失败（~11-13%）——在医学语境下，polarity 失败率 11% 是不可接受水平（hypokalemia→hyperkalemia 是致命错误）。相对 baseline：没有与任何外部 baseline 比较（无 constrained glossary replacement、无 verifier-backed correction、无其他 LLM post-ASR 系统），只与自身的 5 个条件互比。指标覆盖：CER/WER/rendering/consistency/drift/polarity 六维都有报告，覆盖面好。但 baseline 可靠性严重不足——论文明确说 “this is not a benchmark of ASR systems”，作为分析型论文这可以接受，但效用公理要求”现象可靠”，而 4 讲座、2 说话人、单标注人、polarity 失败集中在 1 讲座（diuretics_01）使现象不可靠。论文自承 “polarity comparisons are illustrative rather than robust rate estimates”。
• Wiki 证据: OMC wiki 无 SOTA 记录。paper-wiki 检索 “Whisper ASR” 返回 2405.14632 / 2504.07053 / 2507.16632 但与本文任务不直接可比。free-search 找到 Adedeji et al. 2024/2025 医学 ASR+LLM 工作，本文引用但未做效果对比。

公理六：新颖性公理

• 判定: ❌
• 依据: 增量极小。(1) LLM post-ASR correction 已被 Ma et al. 2023、Tang et al. 2025、Zheng et al. 2026 研究；(2) medical ASR + LLM correction 已被 Adedeji et al. 2024/2025 研究；(3) code-switched Korean–English ASR 已被 Wang et al. 2019、Paik et al. 2025（HiKE 评测框架）研究；(4) polarity/negation 在临床 NLP 中是 Chapman et al. 2001 以来的成熟方向；(5) “WER 不足以捕捉语义错误” 已被 2511.16544 “WER is Unaware” 直接主张。本文的真正增量是：(a) Korean–English medical lecture 这一具体场景下报告 rendering rate vs drift 共存，(b) introduced vs propagated 二分标签，(c) 跨 front-end Jaccard 对比。其中 (a) 是场景特化，(b) 是一个有用但很小的标签，(c) 是一个描述性观察。没有新机制、新方法、新 benchmark。论文标题自称 “Retrospective Pilot Study” 是诚实的，但分析型论文仍需压缩价值或可靠可迁移规律——此处规律（”readability 改善伴随 faithfulness 风险”）已是领域共识。
• Wiki 证据: OMC wiki 无记录。free-search 与论文自身 Related Work 共同确认上述 5 类先前工作均存在且本文已引用。

公理七：可复现公理

• 判定: ✅
• 依据: 复现性是本文最强项。代码、references、annotations、manifest 公开在 GitHub（https://github.com/boyskier/ailecturenote-retrospective-pilot），python analysis/run_all.py 一键复现所有 tables/figures。manifest 记录 model names、API dates、prompt text。音频有条件释放（含作者同意）。依赖闭源 API（whisper-1、gpt-4o-transcribe）是局限，但 manifest 记录了执行日期，且论文不主张 byte-for-byte 历史复现——这是诚实的。标注过程虽然单标注人，但标注文件全部公开，他人可独立重标。这是分析型论文应有的标准。
• Wiki 证据: OMC wiki 无记录。GitHub repo URL 在论文中给出，可独立验证。

总评

• 科学价值: 低 — 现象（readability vs faithfulness trade-off）已在 LLM post-ASR correction 文献中预期并报告；4 讲座 / 单标注人 / 标注人即系统开发者使现象可靠性不足。
• 方法价值: 低至中 — 四维分开评测的框架和 introduced/propagated 二分有一定迁移性，但都是熟悉概念的组合，无新机制。
• 社区价值: 低 — Korean–English medical lecture 切片极窄，无 benchmark、无 leaderboard、无新数据集（4 讲座不构成可用 benchmark），方法学建议（分开评测）已被先前工作主张。

日报摘要

• Strength: 代码与标注全部开源、manifest 完整、复现性强；诚实承认单标注人与 4 讲座局限，明确不主张 population rate。
• Weakness: 标注人即系统开发者且无第二标注人/IAA，使核心 taxonomy 存在循环论证；4 讲座/2 说话人/polarity 集中在 1 讲座使现象不可靠；核心”readability vs faithfulness trade-off”在 LLM post-ASR correction 文献中已是预期结果，新颖性增量极小。

打分

加权总分: 3.58/10（加权分之和 36.0 / 权重之和 9.5） 最终建议: Weak Reject