我已有足够的依据。EMOE (CVPR 2025) 是一个强有力且近期的基线模型，文中已包含。论文中引用的五个基线模型（MulT, MISA, EmotionCLIP, TCL-MAP, EMOE）均为已发表的模型。研究阶段结束，现在开始撰写审稿意见。

论文审稿：SpEmoC：一种平衡的说话人片段多模态情感基准

论文类型: 数据型 / benchmark 型（数据集构建 + benchmark 评测）

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 论文针对的对象——多模态情感识别（MER）中数据集类别不平衡、split 泄漏、modality 对齐缺失——是 affective computing 社区真实存在的问题。MELD（Neutral 47.2%，Fear 1.9%）和 CAER（Neutral 34.7%，Fear 3.9%）的类别分布数据来自论文 Table 3 及 Figure 2(a)，与已知文献一致。论文提出的”speaking-segment”对齐（3-6s 对话片段，含可见人脸）是一个可操作化定义，且有明确阈值（≥12 words、终端标点、face ≥ 90% frames、duration 偏差 ≤ 0.1s）。Ekman 七类情感是标准化分类。claim 外延（balanced data → 更稳定的 cross-dataset 性能，尤其 minority class）与实验范围基本一致。问题值得社区投入：MER 是 empathetic AI/ HCI/ mental health 的基础能力，minority emotion（Fear/ Disgust）建模是公认瓶颈。
• 分数: 8
• Wiki 证据: OMC wiki 无记录；paper-wiki search 无输出（命令完成但未返回结果）；free-search 确认 MELD（ACL 2019, arXiv 1810.02508）与 EMOE（CVPR 2025, openreview Wdazx1ducu）均为真实且被广泛引用的 baseline，对象问题成立。

公理二：识别公理

• 判定: ⚠️
• 依据: 论文是数据集论文而非 method 论文，其核心 claim 是”balanced data + careful split → 更稳定的 minority class 性能”。验证这一因果需要隔离两个变量：(a) 类别平衡 vs 不平衡，(b) split 策略（movie-level vs random）。论文同时改变了类别分布、split 策略、数据规模（30k vs 13k）和来源（movie+TV vs TV-only），没有单独隔离每个因素的 ablation。不过论文提供了 neutral-class removal ablation（Supplementary Sec: 2，正文引用但未展开）和 low-data 实验，部分回应了”是 balance 还是 scale 起作用”的问题。更关键的是：in-domain Table 4 显示 SpEmoC 上所有模型 Macro-F1 大幅提升（如 EMOE 38.19→70.25），但这可能主要来自类别平衡本身（更均匀的 test 分布自然抬高 Macro-F1），而非训练信号更好——论文未报告在 balanced test set 上评估 MELD-trained 模型的对照，也未做”在 SpEmoC 上用 imbalanced 子集训练”的对照。这是一个识别缺口。
• 分数: 5
• Wiki 证据: OMC wiki 无记录；free-search 确认 EMOE/ TCL-MAP/ MISA/ MulT/ EmotionCLIP 均为已发表 baseline，模型选择合理。但识别缺口在于实验设计本身，不在 baseline 选择。

公理三：独立性公理

• 判定: ⚠️
• 依据: 标注 pipeline 使用 DistilRoBERTa + Wav2Vec2.0 生成伪标签，再由 20 位标注员人工验证。论文明确声明”Annotators did not have access to model-predicted labels during this process”，Fleiss’ κ = 0.62（substantial agreement）。这是正面的。但存在两个独立性隐患：(1) 筛选阶段（50k→30k）依赖模型 logits 的 neutral-score 阈值（θ_t = θ_a = 0.05）和 face-presence 阈值，这一步用模型筛掉了”弱情感”样本，可能引入与模型偏见一致的选择偏差——即最终数据集偏向 DistilRoBERTa/ Wav2Vec2.0 已能识别的样本。(2) 评测用的 baseline 模型（尤其是 EmotionCLIP 基于 vision-language contrastive pretraining）与标注用模型不属同一家族，这点独立。但标注模型与数据筛选构成闭环：筛选用模型 logits → 人工验证 → 训练新模型 → 在同源筛选标准产生的 test set 上评测。论文未做”纯人工标注子集 vs 模型辅助子集”的对照来量化这个偏差。严重程度：major（辅助指标和筛选有重叠，但最终标签有人工独立判定）。
• 分数: 5
• Wiki 证据: OMC wiki 无记录；论文正文 Sec 3.3 提供了 Fleiss’ κ 和标注协议细节，free-search 未返回独立第三方对该 pipeline 的评估。

公理四：压缩公理

• 判定: ⚠️
• 依据: 数据集构建 pipeline 是标准组件的组合：Whisper ASR（对话分割）+ DistilRoBERTa（文本情感 logits）+ Wav2Vec2.0（音频情感 logits）+ YOLOv8（人脸检测）+ logit-based fusion + KL-divergence 正则 + 人工验证。每个组件都是已有工具，组合方式也是常见的 pseudo-label + human-in-the-loop 范式。logit-based fusion with KL penalty（Eq 5-8）是一个具体设计选择，但并非新机制——它是 softmax 后做 log-prob 加和再减 KL 惩罚，等价于带正则的朴素贝叶斯乘积，论文未讨论这一等价性或为何优于更简单的方法（如直接 averaging logits 或 majority voting），只声称”Unlike majority voting or hard max fusion”但无 ablation 对比。命名”SpEmoC”无膨胀。压缩价值主要在经验层面：balanced supervision → minority class 迁移更稳定，这是一个可迁移的发现，但论文未将其提炼为可推广的规律（如给出 balance ratio 的 threshold 或 trade-off 曲线）。
• 分数: 5
• Wiki 证据: OMC wiki 无记录；free-search 确认 Whisper/ Wav2Vec2.0/ YOLOv8 均为标准工具，组合范式在 EmotionTalk/ EMOVONE/ EmotionLLAMA 等同期工作中也类似使用。

公理五：效用公理

• 判定: ⚠️
• 依据: 绝对指标：SpEmoC in-domain 最佳 W-F1 = 73.67（TCL-MAP），Macro-F1 = 73.34，per-class F1 在 71-76 之间，这在 7-class MER 中是可用水准。相对提升：vs MELD（Macro-F1 18.61-45.46）和 CAER（15.54-20.99）提升巨大（+30 abs），但需注意这是不同 test set 上的分数，SpEmoC 的 balanced test set 天然抬高 Macro-F1（分母是 7 类平均，各类样本量接近），不完全是模型变强。核心指标的广度：5 个模型 × 3 数据集 × in-domain + cross-dataset + low-data + transfer，覆盖面充足。诚实性：论文承认”MELD↔CAER transfers are often stronger than transfers involving SpEmoC”（Sec 4.2），这是诚实的。但 cross-dataset 表中 SpEmoC→MELD/ CAER 的 W-F1（17-33）很低，说明 SpEmoC 训练的模型迁移到 Neutral-dominant 数据集时性能反而差——论文将此解释为”distributional similarity”但未深入分析这是否构成实用限制。baseline 覆盖：5 个 baseline 包含 2025 年 CVPR 的 EMOE（最新强 baseline），覆盖度合理。但缺少 EmotionLLAMA/ MERR（2024 NeurIPS）和 EMOVOME（2024）作为 baseline——论文在 Table 1 中列了它们作为对比数据集却未跑模型，是一个缺口。benchmark 论文更严标准：数据来源为 YouTube movies/ TV（公开但版权敏感），fair-use 释放是合理但非完全开放，可能限制复现和采用。
• 分数: 6
• Wiki 证据: OMC wiki 无记录；free-search 确认 EMOE（CVPR 2025）是最新 SOTA，已纳入；EmotionLLAMA（NeurIPS 2024）未纳入为 baseline，是遗漏。

公理六：新颖性公理

• 判定: ⚠️
• 依据: 核心贡献是”一个更大、更平衡、movie-level split 的 MER 数据集”。与已有数据集对比（Table 1）：vs MELD（13k, TV, imbalanced）、CAER（13k, TV, imbalanced）、CMU-MOSEI（23k, YouTube monologue）、M3ED（9k, TV）、EmotionTalk（2026 ACL, Chinese）、EMOVOME（2024, spontaneous speech）、EmotionLLAMA/ MERR（28k, 多语言 dubbed）。SpEmoC 的差异点：(a) 30k 规模（比 MELD/ CAER 大 2.3x，但比 CMU-MOSEI 的 23k 仅大 1.3x）；(b) 类别平衡（这是真正区别于所有已有数据集的点）；(c) movie-level split（CAER 也用了 show-level split，不完全是新机制）。真正的增量是”balanced + human-validated + movie-level split 的组合”，这是一个工程组合而非机制创新。annotation pipeline（logit fusion + KL + 人工验证）是已有方法的组合，无新机制。论文未证明每个组件的必要性（如：为何 DistilRoBERTa 而非 RoBERTa？为何 Wav2Vec2.0 而非 HuBERT？为何 λ=0.5？无 ablation）。无组件间 synergy 的证据。跨领域迁移：从 movie/ TV 到 MER 不是跨领域，数据来源与任务同域。综合：这是一个”better engineering of existing ideas”的数据集，增量真实但不大。
• 分数: 5
• Wiki 证据: OMC wiki 无记录；free-search 确认 EmotionTalk（ACL 2026 Findings）和 EmotionLLAMA（NeurIPS 2024）是同期/近期工作，前者中文多模态、后者含 28k 样本，与 SpEmoC 形成同期竞争（EmotionTalk 2026-07 发表，2 个月内可视为 concurrent）。

公理七：可复现公理

• 判定: ⚠️
• 依据: 论文声明”The full dataset is available at the following link”（Abstract 末尾）但正文未给出具体 URL（链接文字未渲染）。数据：从 YouTube movie/ TV 提取，受版权约束，通过 EULA 释放（fair-use, non-commercial），这限制了完全开放复现。代码：论文未提及训练/评测代码是否开源，未提供 GitHub 链接。训练细节：正文提到”identical training protocols”但具体超参数放在 Supplementary Sec: 3（本次审查未获取 supplementary）。模型 checkpoint：未提及是否释放。pipeline 工具：Whisper/ Wav2Vec2.0/ YOLOv8/ FFmpeg 均为开源工具，pipeline 原则上可复现。标注协议：Ekman-based guidelines、20 annotators、3-per-sample、majority vote、Fleiss’ κ=0.62，描述充分。关键风险：如果数据集仅通过 EULA 受限释放且训练代码不开源，独立复现 in-domain 数字会很困难。
• 分数: 5
• Wiki 证据: OMC wiki 无记录；论文正文提供了 pipeline 细节但缺少代码/ checkpoint 释放声明，free-search 未找到 SpEmoC 的 GitHub 仓库。

日报摘要

• Strength: 30k 类别平衡、movie-level split、三模态对齐的 MER 数据集，用 5 个 SOTA 模型（含 CVPR 2025 EMOE）验证 balanced supervision 使 minority class（Fear/ Disgust）F1 从近 0 提升至 36-71，imbalance gap ∆ 从 15-27 降至 ≤0.65。
• Weakness: 因果识别不足（同时改变 balance/ scale/ split/ source 无隔离 ablation），标注模型参与数据筛选构成选择偏差闭环（50k→30k 依赖模型 logits 阈值），cross-dataset 迁移到 Neutral-dominant 数据集时 W-F1 仅 17-33，实用价值受限。

总评

• 科学价值: 中 — 现象可靠（balanced supervision 改善 minority class）但因果归因不清晰，未隔离 balance/ scale/ split 各自贡献。
• 方法价值: 低 — pipeline 是标准工具组合，logit fusion 无新机制且无 ablation 对比简单替代方案。
• 社区价值: 中 — 数据集填补了 balanced MER benchmark 的空白，但 EULA 受限释放和缺少代码可能限制采用。

打分

加权总分: 5.47/10（加权分之和 52.5 / 权重之和 9.5） 最终建议: Borderline 5-6.5

研究过程工具使用记录（透明披露）：

• WebFetch：失败（turndown package 缺失）
• pdftotext：成功，提取 1848 行全文
• OMC wiki_query：执行 6 次查询，全部返回”No wiki pages match”——OMC wiki 无此领域经验记录
• paper-wiki search：执行 3 次（concept/ dataset），命令完成但无输出——paper-wiki 无相关收录
• free-search：执行 2 次学术搜索，成功返回 MELD/ EMOE/ EmotionTalk 等论文记录，用于确认 baseline 真实性和遗漏
• 综上：事实锚点主要来自论文全文 + free-search 交叉验证，wiki 记录为空（已如实记录，未假装查到）