我已获取全文及外部研究背景，现在开始输出最终评审。

论文评审: Comparing British and American Audio Description of Movies

论文类型: 分析型

这是一篇基于语料库的对比分析论文，通过定量方法验证关于英美音频描述（AD）差异的假设。它不提出新方法、新模型或新基准，而是对已有语料进行语言学特征的统计分析。

公理审查结果

公理一：对象公理

• 判定: ✅
• 依据: 音频描述（AD）是一个真实存在的无障碍服务领域，为盲人和视障人群服务。英美两个地区的AD指南确实存在差异（Rai 2010附录4和6），这一差异此前的定量验证为空白。研究对象可操作化定义清楚：7个具体假设（词汇、时态、被动语态、主观性、命名提前、对话重叠、场景提示）均有明确的语言学定义。问题具有真实社会价值和一定的学术意义——AD作为”高度受限的叙事形式”对叙事学研究有理论价值。不过对象范围较窄：仅限英式与美式英语AD的对比，不涉及其他语言或地区。
• Wiki 证据: wiki_query 对 “audio description movies”、”corpus linguistic analysis”、”British American dialect” 等查询均返回 “No wiki pages match”。paper-wiki 搜索 “audio description accessibility narration” 和 “dialect comparison corpus linguistics” 均无输出。free-search 补充发现：(1) Salway (2011) 已对91部电影AD做语料库分析，但未做英美对比；(2) Grinenko MA Thesis 做了跨品种AD对比但规模小；(3) Campbell (Red Bee Media) 的博客文章提出定性假设但无定量验证。确认该具体对比（英美AD在同一语料上的定量差异分析）此前无定量先例。
• 分数: 8

公理二：识别公理

• 判定: ✅
• 依据: 论文的研究设计天然隔离了关键变量：对于同一部电影（206部），同时拥有英美两个版本的人撰写AD，使用配对置换检验（paired permutation test, N=10,000, α=0.05）来检测差异。这个设计控制了电影内容变量，只暴露地区/指南差异。每个假设的测量方法清晰：词汇差异用地区特定词频；时态用UD语法标注检测gerund+auxiliary be+present tense；被动语态用passive subject/auxiliary依赖关系；主观性用De Smedt的形容词主观性评分算法；命名提前用IMDb角色列表匹配NER。没有同时改变多个变量然后把提升归因于单一因素的问题。唯一弱点：场景变化分析仅用10部手动标注电影训练BERT，数据量很小，但论文坦诚报告了这一限制。
• Wiki 证据: wiki_query “permutation test paired statistical significance” 无记录。free-search 确认配对置换检验是语料库语言学中的标准方法。
• 分数: 8

公理三：独立性公理

• 判定: ⚠️
• 依据: 语料库本身是”pre-existing”的（引用Sterner 2026），不是为本研究构造的，这是积极的一面。但存在几个独立性隐患：(1) 词汇差异列表来自Wikipedia的”American terms not widely used in UK”和”British terms not widely used in US”页面，这些列表本身反映的是语言直觉而非独立语料证据，用它们来验证语料中的词汇差异存在一定循环；(2) 主观性评分来自De Smedt (2012)的形容词标注，这是一个独立的第三方资源，独立性较好；(3) 场景边界标注由作者团队手动完成，虽然用于交叉验证，但标注者可能知晓研究假设；(4) 语料库的自动转录和对齐工具在另外10部电影上验证过，但验证集也是作者自己的。总体而言，核心结论的独立性中等——词汇和语法分析受工具和列表选择的影响，但多源证据（指南对比+从业者访谈+定量验证）部分缓解了这一问题。
• Wiki 证据: wiki_query “judge 独立性 循环论证” 和 “synthetic 人类校验” 均无记录。无直接wiki证据。
• 分数: 6

公理四：压缩公理

• 判定: ✅
• 依据: 方法极其简洁：没有提出新模型、新架构或复杂pipeline。所有分析基于现成NLP工具（Stanza + UD）+ 标准统计检验 + 现有词汇/主观性资源。场景变化分析用了BERT，但仅用于验证”英国AD场景提示更不明确”这一假设，不是核心贡献。论文的压缩价值在于：将此前散落在指南文本、从业者经验和定性分析中的7个假设，压缩为一张统一的定量验证表（Table 2），用206部电影的配对数据一次性回答了所有假设。这是经验压缩的典型形式——用更少的任意性（统一语料+统一方法）解释更多现象（7个维度的差异）。没有命名膨胀，没有把标准做法换名。论文标题和内容完全匹配。
• Wiki 证据: wiki_query “已有方法 标准做法 等价” 无记录。free-search 确认此前无同类定量工作，因此不存在”换名”风险。
• 分数: 8

公理五：效用公理

• 判定: ⚠️
• 依据: 效用需从分析型论文标准评估。现象可靠性：所有7个假设均在p<0.01水平显著，样本量206部电影足够大，配对设计控制了内容变量，现象本身是可靠的。但效用局限明显：(1) 差异幅度普遍很小——词汇差异约1%的句子受影响；现在进行时3% vs 0.3%；被动4.6% vs 1.3%；主观性16.2% vs 13.3%。这些差异虽统计显著，但实际效应量有限。(2) 场景变化分析仅用10部电影，BERT交叉验证F1在53.7%-67.0%之间，数据量不足以支撑强结论。(3) 论文无法区分”指南导致的差异”和”地区文化习惯导致的差异”——词汇差异（假设1-2）明确与指南无关，其他假设虽与指南一致但无法排除文化因素的混淆。(4) 对自动AD生成的实际指导意义有限：论文未讨论这些发现如何改进自动AD系统。不过作为首个定量证据，为AD研究和实践提供了基线参照，有中等社区价值。
• Wiki 证据: wiki_query “SOTA 最新 最强 baseline” 和 “同类工作 已有方法” 均无wiki记录。free-search 发现Salway (2011)对91部电影做了AD语料分析（非对比），NAACL 2025和EMNLP 2025有自动AD生成和评估的工作，但均未做英美对比。本文在该细分问题上无直接竞争者，但自动AD领域已有更先进的方法论。
• 分数: 6

公理六：新颖性公理

• 判定: ⚠️
• 依据: 新颖性需分层评估。(1) 研究对象新颖：英美AD在同一语料上的定量对比此前确实没有，这是真增量。(2) 方法新颖性几乎为零：所有分析工具（Stanza、UD、BERT、置换检验、De Smedt主观性词典、Wikipedia词汇表）均为现成资源的标准使用，没有任何方法创新。(3) 发现的可预测性高：假设全部来自现有指南和从业者经验，且7个假设全部被验证为真，没有一个反直觉的发现。如果假设来自专家分析且全部为真，论文更像是”验证已知”而非”发现未知”。(4) 论文在cs.CL分类下，但技术含量对CL社区而言偏低——更接近语料库语言学/翻译研究的方法论。作为CMN 2026 Workshop论文，新颖性对workshop级别合理，但对顶会主会不足。
• Wiki 证据: wiki_query “是否已有 first new unified” 和 “来源 已有工作 迁移” 均无记录。free-search 确认无同类定量工作，但确认Salway (2011)已有AD语料分析先例，Campbell (2025)已有定性假设——本文的贡献是”定量验证”而非”发现”。
• 分数: 5

公理七：可复现公理

• 判定: ⚠️
• 依据: (1) 论文使用”pre-existing corpus”，引用Sterner 2026，但该语料的公开可用性未在本文中明确说明——是否公开获取、是否需要授权未知。(2) 没有提及代码开源。(3) 词汇列表来自Wikipedia公开页面，可复现。(4) De Smedt主观性评分算法来自已发表工作，可复现。(5) Stanza和BERT为公开工具。(6) 但自动转录和对齐pipeline的细节在本文中不充分，需参考Sterner 2026。(7) 10部手动标注电影的标注规范未在本文中描述。(8) CC BY 4.0许可，论文本身开放获取。核心语料库的可获取性是复现的最大障碍——如果Sterner 2026的语料不公开，则所有实验无法独立验证。
• Wiki 证据: 无wiki记录。free-search 未返回语料库公开链接。
• 分数: 5

总评

• 科学价值: 中 — 首次对英美AD差异提供定量证据，但发现高度可预测（7/7假设全部验证为真），无反直觉结果，效应量普遍较小。
• 方法价值: 低 — 全部使用现成工具的标准应用，无方法创新；但研究设计（配对语料+置换检验）对类似对比研究有参考价值。
• 社区价值: 中 — 对AD从业者和无障碍研究社区有实际参考价值（帮助理解指南如何影响实践）；对cs.CL社区的技术贡献有限，更适合语料库语言学/翻译研究/无障碍研究社区。

日报摘要

• Strength: 首次在206部电影的配对语料上定量验证了英美音频描述在7个语言学维度上的显著差异（全部p<0.01），填补了此前仅有定性分析的空白。
• Weakness: 方法全为现成工具的标准应用、7个假设全部来自现有指南且全部为真（无反直觉发现）、效应量普遍很小（如被动语态4.6% vs 1.3%），且核心语料库的可获取性和代码开源情况未明确。

打分

加权总分: 6.4/10（加权分之和 61.0 / 权重之和 9.5） 最终建议: Weak Accept 6.5-8 — 实际得分6.4略低于Weak Accept下限6.5，处于 Borderline 5-6.5 上沿。作为CMN Workshop论文，研究设计规范、填补真实空白、对AD社区有实用价值；但作为cs.CL论文，技术新颖性不足、效应量有限、可复现性存疑。综合判定为 Borderline。