📄 0.76 分里的诚实：当语音失灵时，眼睛如何泄露下一句话的时机
一句话：在四人自由对话中用转折前 3 秒的响度与符号化注视预测间隙还是重叠，论文以弹性网络逻辑回归证明注视能在噪声下提供稳定但幅度有限的互补增益，代价是刻意稀疏的语音特征与小样本实验室数据把天花板压在了 0.76 的 ROC AUC。
标签：#语音交互 #可解释性 #模型评估
评分：6.0/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5
👥 作者与机构
- Mark Dourado：Research & Exploration, GN Store Nord, Ballerup, Denmark；Department of Architecture, Design and Media Technology, Aalborg University, Copenhagen, Denmark
- Karim Haddad：Research & Exploration, GN Store Nord, Ballerup, Denmark
- Henrik G. Hassager：Research & Exploration, GN Store Nord, Ballerup, Denmark
- Stefania Serafin：Department of Engineering Technology and Didactics, Technical University of Denmark, Kongens Lyngby, Denmark
💬 毒舌点评
用可解释的注视二元组 bigram 熵与寻址权重在真实四人自由对话上验证了视觉线索的噪声鲁棒性，设计克制且主动放弃用未来说话人响度作弊；短板是语音侧仅用响度 Phon 单一特征且全程依赖弹性网络逻辑回归，在无现代时序模型对比、代码闭源的背景下 0.76 的 ROC AUC 难以判断是任务天花板还是模型容量不足，小样本实验室数据的泛化说服力有限。
📌 核心摘要
该研究预测多人自由对话中地板转移偏移 Floor-Transfer Offset (FTO) 的结局是间隙 Gap（\(FTO \ge 0\)）还是重叠 Overlap（\(FTO < 0\)），旨在解决噪声环境下仅靠语音难以提前预判轮替时机的问题。方法基于 GaMMA 四人对话语料，在每次地板转移前 3 s 窗口内抽取可解释特征并用弹性网络 Elastic-Net 逻辑回归分类，输入包括响度 Phon、符号化注视二元组 bigram 的主成分分析 Principal Component Analysis (PCA) 与非负矩阵分解 Non-negative Matrix Factorization (NMF) 表征、静态与转移注视熵 Static Gaze Entropy (SGE) / Gaze Transition Entropy (GTE) 以及人际亲密度 Inclusion of Other in Self (IOS)。与仅注视模型相比，多模态模型将受试者工作特征曲线下面积 Receiver Operating Characteristic Area Under Curve (ROC AUC) 提升至 \(0.76 \pm 0.04\)，注视单独提供约 \(0.03\) 的 ROC AUC 增益且在 Quiet / 55 dB / 65 dB / Varying 条件下保持稳定。结果表明响度编码说话人保持力，注视分散度与指向性编码听者就绪度与竞争性进入，二者互补且注视对噪声不敏感。局限在于数据来自受控实验室母语者小样本、时间分辨率与窗口化建模限制动态建模，且语音侧刻意稀疏导致性能上限偏低。
🔗 开源与复现资源
- 代码：论文中未提及代码链接，Code Availability 明确说明分析代码因工业合作知识产权限制无法公开
- 模型权重：论文中未提及
- 数据集：GaMMA corpus，通过 Zenodo 公开获取，链接 https://doi.org/10.5281/zenodo.18343509，相关数据描述见 Dourado et al. (2026a)
- Demo：论文中未提及
- 复现材料：论文中未提及检查点链接，训练配置在 Methods 第 5.3 节详细描述，包括 3 s 预转折窗口、正则化 logistic 回归 elastic-net 惩罚 \(\alpha = 0.5\)、内层 5 折交叉验证调优 \(\lambda\)、外层 LOGO 与 LOCO 共 15 折验证，使用 ROC AUC、PR AUC、F1 等指标评估，论文称可据此独立复现
- 论文中引用的开源项目：ChatGPT 和 GitHub Copilot，用于代码调试生成及文本润色，论文中未提供具体链接
🧭 深度解读
为什么轮替不是等声音停了再反应？
想象你在 4 人饭桌上，A 刚把一句话说完，B 几乎没有停顿就接上了。你事后看录音会发现，B 其实在 A 最后一个音节还没落下时就已经开始准备了。语言学里把这种衔接的松紧叫做地板转移偏移（Floor-Transfer Offset，简称 FTO），也就是下一个说话人开口时刻减去上一个说话人结束时刻，负值是重叠，正值是间隙。跨语言的统计显示，这个偏移往往只有 300 毫秒，远比临时组织一句话所需的时间短，这意味着听者必须提前预测，而不是被动等待静音。
预测的线索不只在声音里。说话人快说完时会把原本移开的视线转回听者，像是一种无声的邀请；在多人场合，视线还会指向被选中的下 1 位。反过来，想继续占有话轮的人则会移开视线、配合手势来抑制他人插入。这些行为在几百毫秒内交织，构成一个多模态的协商过程。
噪声让这件事更难。嘈杂环境下人会不自觉提高音量、改变语调，也就是伦巴德效应（Lombard effect），同时也会更依赖视觉来补偿。论文要回答的正是：在真实的 4 人自由对话里，眼睛的动向能否在声音变得不可靠时，依然提前泄露下 1 次地板转移会是间隙还是重叠？
这条路之前走到哪了，本文站在哪个岔口？
轮替研究有两条主线。一条是语言学与语音学，关注音高下降、音节拉长、句法完成点等如何标记一个话轮构造单元（Turn-Constructional Unit）走到可转移点（Transition-Relevance Place）。另一条是多模态交互，量化证明注视与头部朝向的序列能在说话前几百毫秒就预测下 1 位说话人及其时机。两条线共同指向一个结论：单靠声学很难在噪声下做提前判断，必须引入视觉。
近年多方对话建模多集中在 2 人或 3 人、任务受控的场景，特征也越来越依赖深度时序模型与大规模语言信息。GaMMA 这类同步采集 4 人近场语音、3 维注视与运动的语料，则把研究推向更自然、更嘈杂、竞争更激烈的自由对话。本文的选择与主流形成对比：不追逐端到端黑箱，而是用可解释的符号化注视与单一感知响度（Phon）去检验一个克制的假设——在完全不偷看未来说话人信息的前提下，视觉线索能否提供可度量且抗噪声的增益。
这种定位决定了它的评价方式。作者主动放弃了任何能轻易把分数刷到 0.9 以上的捷径，比如把候选说话人的能量或重叠时长本身当特征。分数因此不会惊艳，但每一点提升都更贴近真实预测能力，也更容易追溯到具体的行为含义。
任务到底在预测什么，输入输出如何界定？
任务被严格定义为二分类：给定 1 次真实发生的地板转移事件，判断它的 FTO 是间隙还是重叠。形式上记为
\[\mathrm{FTO}_{i}=t^{\text{on}}_{t,i}-t^{\text{off}}_{s,i}.\]其中 \(t^{\text{off}}_{s,i}\) 是离开话轮的说话人 \(s\) 在事件 \(i\) 的话语间暂停（Interpausal Unit，简称 IPU）结束时刻，\(t^{\text{on}}_{t,i}\) 是接管话轮的说话人 \(t\) 的 IPU 起始时刻，\(t\neq s\)。按交际状态分类（Communicative State Classification，简称 CSC）框架，只有地板所有权真正切换的事件才算数，独白内的重叠与后通道信号（backchannel）被排除。
输入是转移边界前 3 秒的单一预转折窗口内的多通道信号：4 路近场语音经语音活动检测（Voice Activity Detection，简称 VAD）与 CSC 对齐后得到的感知响度，以及 4 人同步的 3 维注视向量离散化后的状态流。输出是该事件属于间隙（\(y=1\)）或重叠（\(y=0\)）的概率。关键约束是防泄露：模型只能使用离开话轮者的信息，不能使用即将说话者的响度或任何与重叠时长同义的特征，否则就是在用答案预测答案。
一条从信号到概率的单窗口流水线
论文把整个过程做成一条可解释的单窗口流水线：原始信号 → 同步与事件定义 → 窗口对齐 → 四族特征 → 弹性网络逻辑回归。CSC 在这里扮演对齐层，把 IPU 边界、Phon 帧与离散注视状态映射到统一帧率，随后所有特征都在同一个 3 秒窗口内计算，末端用多个 200 毫秒子窗口捕捉临近转移的强度变化。
每个事件被压缩成一个拼接向量，论文写作
\[\mathbf{x}_{i}=\Big[\mathrm{Phon}_{s},\;\mathbf{C}^{(\mathrm{n\text{-}gram})},\;\mathbf{M}^{(\mathrm{n\text{-}gram})},\;\mathrm{SGE},\;\mathrm{GTE},\;\mathbf{IOS}_{s,t},\;\mathbf{A}\Big]_{i}\]其中 \(\mathrm{Phon}_s\) 是离开说话人的响度，\(\mathbf{C}\) 与 \(\mathbf{M}\) 分别是符号化注视二元组（bigram）经主成分分析（Principal Component Analysis，简称 PCA）与非负矩阵分解（Non-negative Matrix Factorization，简称 NMF）得到的表征，SGE 与 GTE 是静态与转移注视熵，人际亲密度（Inclusion of Other in Self，简称 IOS）是问卷得到的静态有向分数，\(\mathbf{A}\) 是寻址相关变量。
设计动机很明确：PCA 提供正交的方差对比，NMF 提供可加的主题基序，二者互补；熵与寻址则从不同粒度刻画注意力的分散与指向性。所有降维基与标准化参数都在训练折内拟合，再投影到测试折，避免信息泄露。
四个特征族各自在算什么，为什么由它来算？
响度族回答“说话人想不想守住话轮”。近场信号按 ISO 532-1 Zwicker 方法转为感知响度 Phon，对当前说话人计算全窗口均值与末端多个 200 毫秒子窗口均值，再做说话人内 z-score 标准化
\[\mathrm{Phon}_{i}^{(s)}=\frac{\mathrm{Phon}_{i}^{(s)}-\mu^{(s)}}{\sigma^{(s)}},\]其中 \(\mu^{(s)},\sigma^{(s)}\) 是该说话人跨事件的均值与标准差。只用离开者的 Phon 且对齐到其偏移，是为了不让模型偷看未来者的能量。直觉上，末端响度越高，越像在用声音把地板按住。
符号化注视族回答“视线在怎样组织竞争”。每人注视被量化为 7 状态空间
\[\mathcal{S}_{s}=\{\texttt{Outside},\,P_{t_{a}},\,P_{t_{b}},\,P_{t_{c}},\,P_{t_{a}}^{m},\,P_{t_{b}}^{m},\,P_{t_{c}}^{m}\},\]包含看向别处、指向 3 位他者以及与三者的互视。判定阈值为相对质心正负 15 度并带迟滞，掠过对侧说话人的恒定角速度过渡段被剔除，连续相同状态合并后统计 7×7 转移矩阵并归一化展平为 49 维向量 \(\mathbf{b}^{(s)}\)。这相当于把连续的眼动压成一本只有 49 个词的二元组词典。
降维与熵族解决高维共线与可解释性。49 维向量高度相关，训练折内 PCA 保留前 5 个主成分解释超过 90% 方差，NMF 则以秩 4 到 5、5 次重复的乘法更新学习基矩阵 \(\mathbf{H}\)，测试时固定 \(\mathbf{H}\) 做非负最小二乘投影得到激活 \(\mathbf{W}\)。同时计算两个香农熵
\[\mathrm{SGE}^{(s)}_{i}=-\sum_{u\in\mathcal{S}_{s}}p(u)\,\log_{2}p(u),\qquad \mathrm{GTE}^{(s)}_{i}=-\sum_{u,v\in\mathcal{S}_{s}}p(u,v)\,\log_{2}p(u,v).\]SGE 衡量状态分布的分散度，GTE 衡量转移的不可预测性。前者像“视线撒得有多开”，后者像“下一步看哪儿有多难猜”。
寻址与社会族回答“在看谁，以及关系有多近”。取转移前 600 毫秒的平均注视方向，若落在 15 度锥内则判定被寻址者，否则为无寻址，互视则移至互视类别，形式上扩展为 9 类但自视永不实现。由此派生二值互视标志与中心化加权寻址权重
\[\mathrm{Addressed}^{(\mathrm{Weighted})}_{i}=\hat{p}_{a_{i}}-\bar{p},\]其中 \(\hat{p}_{a_i}\) 是同折内寻址 \(a_i\) 时出现间隙的经验概率，\(\bar{p}\) 是该折平均间隙率，差值隔离了寻址本身的效应。IOS 则是静态有向问卷分数，经评分者内标准化后取双向分数及其和与差，若某人方差为零则置零。
论文图 1。这张图来自原论文 Figure 1:，图示内容为“CSC representation of a 4-talker segment.”。请结合“四个特征族各自在算什么，为什么由它来算？”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
没有深度网络，训练在练什么？
这篇工作没有训练神经网络，也就没有反向传播、学习率或批量大小可言。它的“学习”发生在两处：一是无监督的 PCA 与 NMF 基矩阵拟合，二是有监督的正则化逻辑回归。所有拟合都严格限制在训练折内完成，测试折只做投影与标准化，这是保证可解释性与防泄露的核心纪律。
分类器是弹性网络（Elastic-Net）逻辑回归，混合 L1 与 L2 惩罚，\(\alpha=0.5\)，正则强度 \(\lambda\) 在每个外折内部用 5 折交叉验证挑选。外层评估采用留一组交叉验证（Leave-One-Group-Out，简称 LOGO）11 折与留一条件交叉验证（Leave-One-Condition-Out，简称 LOCO）4 折，共 15 个外折。特征在折内 z-score，PCA 与 NMF 基仅在训练折拟合，寻址权重也按折内间隙先验中心化。
推理就是阈值分类：对逻辑回归输出的概率按最佳 F1 阈值判定间隙或重叠。论文未报告优化器细节与硬件配置，因为求解本身是凸优化的确定性过程，重点不在算力预算，而在交叉验证的诚实性。作者还用对照实验说明纪律的价值：一旦把候选说话人的 Phon 放进来，ROC AUC 会虚高到远超 0.90，这正是他们刻意不做的。
数据、划分与尺子：如何证明增益不是偶然？
数据来自 GaMMA 语料，4 人自由对话，11 个小组在安静（Quiet）、55 分贝、65 分贝与变化噪声（Varying）4 种声学条件下完成无脚本交流，同步提供近场语音、3 维注视与运动。VAD 产生二值语音流，CSC 将其切分为 IPU 并标注间隙、重叠与地板转移，FTO 据此计算。注视预处理采用 15 度阈值与迟滞，剔除掠视伪迹，窗口固定为转移前 3 秒。
评估协议是 15 折外层汇合（pooled）与按条件拆分并行。指标方向均为越高越好：受试者工作特征曲线下面积（Receiver Operating Characteristic Area Under Curve，简称 ROC AUC）与精确率-召回率曲线下面积（Precision-Recall AUC，简称 PR AUC）衡量可分性，精确率（Precision）、召回率（Recall）、F1 与准确率（Accuracy）在最佳 F1 阈值下报告。统计上采用配对 Wilcoxon 检验与 95% 置信区间，强调 15 折是否全部同向。基线包括仅注视、仅语音（Phon-only）以及双向消融的多模态去注视与去语音变体。
根据论文正文与图中报告值整理，数据集与实验协议如下：
| 项目 | 具体构成 | 关键设置 | 作用 |
|---|---|---|---|
| 语料 | GaMMA 4 人自由对话，11 组，母语者，无任务约束 | 4 条件：Quiet / 55 dB / 65 dB / Varying，同步近场语音 +3D 注视 | 提供自然竞争与噪声鲁棒性检验 |
| 事件定义 | CSC 框架，VAD→IPU→地板转移，排除 backchannel 与说话人内重叠 | FTO 负值为重叠，非负为间隙，窗口为转移前 3 秒 | 明确预测目标与防泄露边界 |
| 特征 | Phon 全窗+ 末端 200 ms 子窗；49 维 bigram→PCA 5 成分/NMF 秩 4-5；SGE/GTE；600 ms 寻址+ 加权权重；IOS 双向标准化 | 折内拟合与投影，折内 z-score，15 度锥判定 | 保证可解释性与交叉验证完整性 |
| 模型与划分 | 弹性网络逻辑回归 \(\alpha=0.5\)，内层 5 折调\(\lambda\) | 外层 LOGO 11 折+LOCO 4 折共 15 折 | 检验跨组与跨条件泛化 |
| 指标与统计 | ROC AUC、PR AUC、Precision、Recall、F1、Accuracy | 阈值按最佳 F1，配对 Wilcoxon 与 95% CI | 量化互补增益与稳定性 |
硬件与训练时长未披露，推理为单次阈值判断，无生成参数。
主结果：语音主导，注视提供稳定但克制的补充
第一个要回答的问题是：在不偷看未来说话人的前提下，注视是否在语音之外提供可度量的增益。下图要看的是配对折线：每条线连起同一外折在仅注视与多模态下的 ROC AUC，关注均值差异与是否所有折同向。PR 曲线则要看早期召回段的抬升幅度，这直接关系到实用中的误报控制。
根据论文正文与图中报告值整理，关键结果如下：
| 比较或条件 | 指标 | 明确报告值 | 这项数字支持什么 |
|---|---|---|---|
| 多模态 vs 仅注视（15 折汇合） | ROC AUC | 0.76±0.04 vs 0.58±0.05，Δ0.18 95% CI [0.16,0.19]，Wilcoxon p<0.001，15 折全正向 | 加入响度后可分性显著提升 |
| 多模态 vs 仅注视 | PR AUC | 0.77±0.05 vs 0.60±0.06，Δ0.17 95% CI [0.14,0.19] | 精度-召回权衡同步改善 |
| 仅语音基线加入注视 | PR AUC / ROC AUC | +0.08±0.02 / +0.03，全部折正向 p<0.001 | 注视提供精度导向的稳定增益，但幅度有限 |
| 仅注视基线加入语音 | ROC/PR AUC | 约 +0.17 | 语音是地板保持的主导线索 |
| 最佳 F1 阈值 | Precision/Recall/F1/Accuracy | 多模态 0.62/0.80/0.69/0.71 vs 仅注视 0.50/1.00/0.66/0.58 | 多模态更均衡，仅注视靠全召回换取分数 |
| 4 条件泛化 | ROC AUC | 多模态 0.74-0.77，仅注视 0.56-0.59，各条件 PR 曲线均抬升 | 注视对噪声不敏感，增益跨条件稳定 |
特征层面的方向性同样一致：200 至 600 毫秒的 Phon 窗口在所有折被选中且优势比（Odds Ratio）最大，指向重叠概率下降，即声音越响越能守住话轮；SGE、GTE 与加权寻址权重稳定指向重叠，NMF 组件 1 至 3 高频选中且优势比大于 1，PCA 组件则双向分化。这说明注视的分散与指向性编码的是听者的就绪与竞争性进入。
不能推出的是天花板归因。0.76 的绝对值既可能反映任务本身的难度，也可能反映单特征语音与线性模型的容量限制。论文未与基于声学-语言的时序模型如 Transformer 对比，也未报告类别分布与事件总数，PR 基线的解释因此受限。更重要的是，增益虽稳定但幅度小，且在 65 分贝与变化噪声下准确率与 F1 反而略升，提示对话者在噪声中会自适应调整策略，而非单纯退化。
论文图 2。这张图来自原论文 (a)，图示内容为“(a) Participant 1”。请结合“主结果：语音主导，注视提供稳定但克制的补充”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
论文图 3。这张图来自原论文 Figure 3:，图示内容为“Paired fold-level AUC (AUROC) for gaze-only and multimodal models.”。请结合“主结果：语音主导，注视提供稳定但克制的补充”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
论文图 4。这张图来自原论文 Figure 4:，图示内容为“Added value of gaze and phonetic features in predicting floor-transfer outcomes. Left: ΔPR–AUC; Right: ΔROC–AUC. Black squares show mean ± 95% CI across folds.”。请结合“主结果：语音主导，注视提供稳定但克制的补充”的正文，按图例、坐标轴或模块连线核对；图中没有呈现的内容不作外推。
边界在哪里，哪些结论需要谨慎外推？
作者承认的局限很具体。时间分辨率受采样率限制，3 秒静态窗口可能遗漏窗口外的动态；语音侧刻意只用 Phon 单一特征，虽保证了概念有效性，却也压低了上限；数据来自受控实验室的母语者小样本，缺乏任务多样性；IOS 是静态有向分数，未分析它与注视或语音行为的交互；未来需要引入头部朝向、手势、语言结构与连续时序建模。
从审稿视角看，还有几处未被充分检验。注视离散化的 15 度阈值与 600 毫秒寻址窗口没有敏感性分析，IOS 在小样本下对方差为零的参与者直接置零可能引入偏差，NMF 与 PCA 同源于同一 bigram 却未做正交性检验。评估上，11 组 LOGO 方差大而 4 条件 LOCO 方差小，组间个体差异与条件效应可能被混淆；仅做间隙与重叠的二分类，未评估 FTO 连续值或下一说话人身份，任务简化可能高估实用价值。
这些边界并不否定核心发现，但提醒读者：噪声鲁棒的结论目前建立在实验室 4 人自由对话与单窗口线性模型之上，外推到真实场景的连续预测与更丰富的语音-语言特征时，增益的幅度与稳定性仍需重新度量。
能否复现，需要什么，还缺什么？
可复现的部分集中在数据与方法描述。GaMMA 语料已通过 Zenodo 公开，包含同步近场语音与注视，论文在方法第 5.3 节详细说明了 3 秒预转折窗口、ISO 532-1 Phon 计算、7 状态 49 维 bigram、PCA 保留 5 成分、NMF 秩 4 到 5 与 5 次重复、SGE 与 GTE 熵式、15 度锥与 600 毫秒寻址判定、弹性网络\(\alpha=0.5\)与内外层交叉验证划分，原则上可据此独立重建流水线。
缺失的部分同样明确。分析代码因工业合作知识产权限制未公开，无模型权重与演示，优化器、学习率、批次、训练轮数与硬件配置等细节未说明，类别分布与事件总数也未报告。作者声明曾使用 ChatGPT 与 GitHub Copilot 辅助代码调试与文本润色，但未提供链接。这些缺口意味着他人可以复现思想与流程，却难以逐比特复刻数值结果，公平对比时需要自行补齐配置并报告方差。
对于刚入行的研究生，这是一个很好的练习：先用公开语料与折内投影的纪律重建基线，再尝试把语音侧从单一 Phon 扩展到韵律与句法特征，或把单窗口逻辑回归替换为时序模型，观察 0.76 的天花板究竟是任务难度还是模型容量所致。
收束：互补而非替代，诚实比高分更重要
回到最初的问题：当声音在噪声中变得不可靠，眼睛能否提前泄露下一句话的时机？论文的回答是互补而非替代。响度编码说话人的保持力，注视的分散度与指向性编码听者的就绪与竞争性进入，二者在 4 种声学条件下保持分工，多模态因此在 0.74 至 0.77 之间稳定，而仅注视也能维持 0.56 至 0.59 的基础可分。
更值得初学者学习的是研究姿态。作者宁愿承受 0.76 的平淡分数，也要守住不泄露未来信息的底线，并用 15 折配对检验与双向消融把 0.03 的 ROC 增益与 0.08 的 PR 增益讲清楚。这种克制让结论更可信，也让后续工作有了清晰的起点：如何在不作弊的前提下，让语音侧更丰富、让注视建模更连续，并把静态的人际亲密度真正与行为联系起来。
如果要把这篇工作带回自己的课题，不妨记住它的分工隐喻：声音像手握话筒的力度，视线像身体前倾的姿态。前者决定你是否放手，后者泄露你是否准备接手。预测轮替，本质是在这两股力量的拉锯中，捕捉那几百毫秒的缝隙。
📎 论文与评分元数据
标签：#语音交互 #可解释性 #模型评估
6.0/10 | 创新 1.2/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.9/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5
✅ 6.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：中 | #语音交互 | #可解释性 | #模型评估 | arxiv
⚖️ 评分依据与证据（展开查看）
逐维得分、全文证据与扣分边界
创新性 (1.2/2)：将连续注视离散为 7 状态含互视的 bigram 并用折内 PCA 与 NMF 双重降维提取正交对比与可加基序，结合 SGE 与 GTE 熵及 600 ms 寻址权重形成可解释符号化建模，在语音侧刻意稀疏防泄露前提下验证注视的噪声鲁棒互补性，属中等程度方法组合创新而非全新范式
技术严谨性 (1.2/1.5)：流水线逻辑自洽且防泄露设计严谨，PCA 与 NMF 基仅在训练折拟合后投影测试折，特征在折内 z-score，寻址权重按折内 Gap 先验中心化，仅用 outgoing 说话人 Phon 并对齐至偏移，弹性网络 alpha 0.5 配合内层 5 折调 lambda，外层 LOGO 11 折与 LOCO 4 折共 15 折评估，未见推导错误或不合理假设
实验充分性 (1.0/1.5)：在同一 15 折上完成多模态 0.76 加减 0.04 与仅注视 0.58 加减 0.05 的配对对比，报告 Delta ROC 0.18 95% CI 0.16 到 0.19 与 Delta PR 0.17 且 Wilcoxon p 小于 0.001，双向消融显示加注视提升 PR 0.08 加减 0.02 与 ROC 0.03，四噪声条件保持 0.74 到 0.77 稳定，但缺现代时序基线对比与跨数据集验证且样本仅 11 组实验室母语者
清晰度 (0.8/1)：结构完整且符号定义清晰，给出特征向量拼接式与 FTO 定义及 3 s 窗口与 200 ms 子窗口对齐说明，图表区分 pooled 与分条件 ROC 与 PR，但部分指标仅报告多模态与仅注视全量而仅语音消融缺 Precision 与 Recall 具体数值，阈值选取与类别基线说明分散
影响力 (0.9/1.5)：聚焦多人自由对话中 Gap 与 Overlap 的提前判别，直接面向噪声下轮替预测这一语音交互核心问题，证明注视分散度与指向性在 Quiet 到 65 dB 及 Varying 下保持 0.56 到 0.59 基础可分且为语音提供稳定增益，对助听与人机对话的噪声鲁棒策略有明确启发，但受限于实验室小样本与单窗口二分类简化
开源 (0.0/1.5)：核心方法代码明确因工业合作知识产权限制无法公开且无模型权重与 Demo，仅 GaMMA 语料通过 Zenodo 公开获取，方法研究的核心产物代码与模型均未开放，符合完全关闭且无承诺的锚点
可复现性 (0.3/0.5)：已披露 3 s 预转折窗口、ISO 532-1 Phon 计算、7 状态 bigram 49 维、PCA 保留 5 成分解释大于 90% 方差、NMF 秩 4 到 5 与 5 次重复、SGE 与 GTE 熵式及寻址 15 度锥与 600 ms 判定、弹性网络 alpha 0.5 与内外层交叉验证划分，但缺优化器、学习率、批次、训练轮数与硬件配置等关键细节
工程/实践价值 (0.6/1.5)：构建了从 VAD 与 CSC 对齐到 Phon 与符号化注视特征抽取再到弹性网络逻辑回归的端到端可解释流水线，具备防泄露与折内标准化等工程考量，但未报告真实延迟、吞吐或资源占用测量，也未提供可复用流水线产物，工程价值停留在概念验证层面