英文题目：Processing and classifying bird songs using wavelet techniques and supervised learning
标签：#音频分类 | #信号处理 | #生物声学监测 | #统计分析
评分：3.9/10 | 创新 0.8/2 | 技术严谨 0.8/1.5 | 实验充分 0.7/1.5 | 清晰度 0.4/1 | 影响力 0.4/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5
👥 作者与机构
- Laura Lucia Dominguez Barrios：机构信息未在 arXiv HTML 中可靠披露
- Fidel Aniano Causil Barrios：机构信息未在 arXiv HTML 中可靠披露
- Alex Rodrigo dos Santos Sousa：机构信息未在 arXiv HTML 中可靠披露
- Mariana Rodrigues Motta：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
本文输入为iNaturalist平台2025年采集的高噪声野外鸟声，输出为紫蓝饰雀、红嘴相思鸟与家麻雀三物种中的两两二分类标签，难点在于风声虫鸣他种鸣声与录制距离导致的低信噪比和种内变异。方法链分为四步：静音切除与16 kHz重采样及截断到2的幂统一输入长度，离散小波变换将含噪信号映射到稀疏小波域，点质量加Epanechnikov混合先验的后验均值收缩去噪并逆变换重构波形，去噪波形提取梅尔频率倒谱系数与熵及过零率等特征后训练分类器。去噪重构的输出直接进入特征提取，特征矩阵再按分层抽样划分为训练集与测试集供随机森林、多项逻辑回归与支持向量机比较。与通用阈值收缩相比，该先验支撑自适应且后验均值有闭式解，在低信噪比下更稳并避免迭代计算，利于处理大规模生物声学数据。在Data 2紫蓝饰雀对红嘴相思鸟200次重复的评测设置下，支持向量机的准确率为0.9398，高于多项逻辑回归的0.9376。该结论适用边界仅限小样本两两二分类与200次重复平均，尚未验证多物种混叠、长时声景检测与跨设备泛化等外推。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么、目标是什么、本文输出什么？
本文输入是来自 iNaturalist 平台的野外鸟鸣录音，目标是在高环境噪声下区分 3 个物种：紫黄腹歌雀、红嘴相思鸟和家麻雀。野外录音混有风声、虫鸣、其他物种鸣声以及录音距离和设备差异带来的衰减，信噪比随时间剧烈起伏，静默段和突发噪声都会干扰分类。
论文要解决的不是在干净实验室录音上提高准确率，而是在自然声景中先恢复可用的鸣声波形，再用可复述的特征加监督分类器完成入侵物种监测。全文输出是一条完整流水线：静默剔除与采样率统一加长度截断、贝叶斯小波去噪、倒谱与谱指数特征提取、分层划分训练测试集、多分类器比较与变量重要性分析。
研究生复述时要抓住这条主线，任何脱离去噪条件谈分类数字的说法都不符合原文设计。资源状态方面，本次未发现来源绑定且完成验证的资源，因此不得声称代码、模型或数据已公开，只能按正文描述的软件包与处理步骤复述做法。
已有路线如何处理鸟鸣噪声与分类？
论文把相关工作放在两条线上。第一条是小波在统计与信号处理中的定位：小波基对分段光滑、峰值、间断和振荡具有稀疏性和局部化能力，大量系数接近零而少数大系数集中在重要结构附近，因此适合做非参数回归、密度估计和函数型数据建模。
第二条是贝叶斯小波收缩的先验选择：常用做法是零点质量加对称单峰分布的混合，也就是尖峰平板先验，文献中出现过正态、双指数、双威布尔、贝塔和逻辑分布等，多数在高噪声下表现不佳。近期工作提出零点质量加 Epanechnikov 分布的混合先验，在低信噪比仿真中表现有竞争力，且有显式后验均值规则，避免迭代采样，适合处理大量生物声学文件。
分类一侧，论文引用了基于声景的小样本卷积网络迁移学习与数据增强思路，但本研究并未采用深度网络，而是选择随机森林、多项逻辑回归、支持向量机等经典监督模型，配合梅尔频率倒谱系数等可解释声学特征。这种选择意味着论文的对照是同特征、同划分下的传统分类器比较，而不是与深度端到端系统的同条件对比，阅读时不应把类别差异当作胜负证据。
为什么野外鸟鸣分类难在信噪比与变异？
论文强调了 4 个现实困难。第一，传播衰减与遮挡使同一物种在不同距离和植被条件下的波形幅度与细节差异很大。第二，物种内存在多种鸣声型，个体差异和拟态进一步模糊类间边界。第三，传感器位置、设备频率响应和录音时长不统一，直接拼接会引入系统偏差。
第四，背景噪声不是平稳白噪声，而是间歇出现的风声、虫声和其他鸟声，表现为信噪比时间序列上的高峰与低谷交替。论文用两组两分类数据展示这种异质性：家麻雀对红嘴相思鸟的信噪比波动更宽、偶发超过 10 分贝的清晰段更多，而紫黄腹歌雀对红嘴相思鸟的信噪比更集中于低值、清晰段更稀疏。
这决定了方法必须先做自适应去噪，而不是指望分类器在原始含噪特征上直接学出鲁棒边界。主成分分析也显示，第一组存在中心重叠而第二组分离更明显，说明两组任务的难度本就不一致，后文数字不能跨组直接比较难易之外的优劣。
整条流水线如何从波形走到物种标签？
沿一个样本走完全程有助于建立学习依赖。输入是一段从网址下载的异构音频文件，可能是不同编码和采样率。第一步用解码工具统一转为波形并重采样到统一采样率，用声学工具包去除静默段，再把信号截断为不超过原长的最大 2 的幂次长度，以满足小波变换对长度的要求。
第二步做离散小波变换，把时域波形投影为经验小波系数。第三步对每个系数应用贝叶斯收缩规则，得到真实系数的后验均值估计，再做逆变换回到时域，得到去噪波形。第四步在去噪波形上提取特征：多分辨率能量描述、小波细节系数的总能量与平均能量、去噪信号标准差，以及梅尔频率倒谱系数在不同阶数上的汇总统计，外加质心、均方根、熵、四分位距、过零率等全局指标。
第五步把所有样本的特征表按分层抽样分为训练与测试，保持类别比例，用交叉验证调参并在测试集上用混淆矩阵计算准确率、灵敏度、特异度、平衡准确率、卡帕系数和麦克尼马尔检验值。
离散小波变换 × 逆离散小波变换： 离散小波变换负责把时域含噪波形正交投影到多分辨率小波系数上使噪声方差结构保持不变，逆离散小波变换负责把逐系数收缩后的估计系数投影回时域波形，两者搭配的原因是收缩只能在稀疏域有效进行而分类特征需要在时域重构信号上提取，组合后形成时域到小波域再回到时域的去噪闭环，保证后续倒谱提取面对的是已平滑但保留鸣声起止结构的信号。
贝叶斯小波收缩的计算对象与显式规则是什么？
先建立符号与计算目标。观测模型把每个采样点的值看作未知函数值加独立同分布零均值正态噪声，噪声方差未知。未知函数在正交小波基下展开为小波系数加权和，估计函数就转化为估计这些系数。把同样的正交变换矩阵作用于观测向量，就得到小波域模型：经验系数等于真实系数加正态噪声，且噪声仍独立同分布、方差不变。这一步的关键是正交性保持噪声结构，使逐系数收缩在理论上可行。
\[\displaystyle y_{i}=f(x_{i})+\epsilon_{i},\hskip 20.00003pti=1,\ldots,n,\]上式说明时域的非参数回归问题已被转化为小波域的逐系数去噪问题，其中观测为含噪采样，待估为未知函数，噪声项服从零均值正态分布。
\[\displaystyle f(x)=\sum_{j,k\in\mathbb{Z}}\theta_{j,k}\psi_{j,k}(x),\]上式说明函数用伸缩和平移生成的小波基展开，系数下标分别对应尺度和位置，稀疏性意味着只有少数系数显著非零。
\[\boldsymbol{d}=\boldsymbol{\theta}+\boldsymbol{\epsilon},\]上式是矩阵形式的小波域观测方程，经验系数是真实稀疏系数的含噪版本，变换的正交性是逐系数处理的前提。
\[\pi(\theta;\alpha,\beta)=\alpha\delta_{0}(\theta)+(1-\alpha)g(\theta;\beta),\]上式是尖峰平板先验，阿尔法是取零的概率，连续部分体现对稀疏性的先验信念。
\[\displaystyle g(\theta;\beta)=\frac{3}{4\beta^{3}}(\beta^{2}-\theta^{2})\mathbb{I}_{(-\beta,\beta)}(\theta),\]上式是 Epanechnikov 核对应的连续部分，在有界区间上呈抛物线形状，区间外密度为零，有界支撑使规则有显式闭式表达。
在上述先验与方差指数先验、平方损失下，后验均值给出收缩函数。论文图 1 展示了该函数随阿尔法的变化，值得用像素仔细核对。下面导读图 1 的收缩曲线形状，横轴是经验系数，纵轴是收缩估计值，参数固定为特定贝塔与拉姆达，多条曲线对应不同阿尔法，网格背景便于读出零平台与渐近行为。
看图路径： 1. 先看横轴经验系数与纵轴收缩估计值的对应关系，注意零附近水平置零段；2. 再比较五条不同阿尔法曲线的零平台宽度，确认阿尔法越大平台越宽；3. 最后看两端大系数处曲线逐渐贴近对角线，确认大信号基本保留
论文图 1。原论文 Figure 1:：“Wavelet shrinkage rule (8) for \beta=12, \lambda=1.3 and several values of \alpha.”。
从像素可见，所有曲线都经过原点且为奇对称，在零附近有一段水平置零区，经验系数绝对值小于阈值时直接估计为零。阿尔法取 0.99 的深色曲线零平台最宽，过渡最陡，在较小绝对值处仍接近零而后快速爬升；阿尔法取 0.6 的浅色曲线零平台最窄，对小系数的压缩最轻。当经验系数绝对值增大到 10 附近时，多条曲线几乎重合且贴近对角线，说明大系数基本保留。这种行为对应超参数语义：阿尔法越大，认为系数为零的先验概率越高，收缩越激进。研究生复述时要强调这不是硬阈值，而是连续压缩加零平台的软型规则。
小波收缩 × 贝叶斯后验均值： 小波收缩负责把观测经验小波系数向零压缩以抑制噪声，贝叶斯后验均值负责在平方损失下给出该压缩量的最优决策，两者搭配的原因是稀疏先验把信号集中在少数大系数而噪声分散在大量小系数，组合后形成随观测值自适应变化的显式收缩函数，既保留大系数对应鸣声结构又置零或压缩小系数对应背景噪声。
Epanechnikov 先验 × 超参数自适应： Epanechnikov 先验负责给出有界支撑上抛物线形对称单峰分布以描述非零小波系数取值范围，超参数自适应负责让支撑和收缩强度随分辨率层与噪声水平变化，两者搭配的原因是固定支撑难以兼顾不同尺度系数幅度，组合后用每层系数最大值定支撑、用最细层标准差定噪声水平、用随层递增的零点质量定收缩强度，从而在细尺度强收缩噪声、在粗尺度保留鸣声。
没有神经网络训练时，什么在拟合、什么被固定？
本研究没有训练深度神经网络，因此本节必须如实说明：不存在反向传播更新的网络权重，也不存在冻结主干加微调的说法。真正被拟合的是传统监督分类器的参数与超参数。随机森林拟合的是多棵决策树的分裂变量与分裂点，调参范围涉及树深与树数；多项逻辑回归拟合的是线性权重，输入先标准化，用交叉验证做模型选择。
支持向量机拟合的是支持向量对应的对偶系数与偏置，径向基核的正则化参数与伽马通过网格联合调优；相关向量机提供稀疏贝叶斯分类框架，同样用径向基核。论文还提到 k 近邻作为比较对象，其预测完全依赖训练集距离，没有参数拟合过程。特征提取一侧的小波基与倒谱计算流程是固定的计算步骤，不是可学习参数。
去噪规则中的超参数按分辨率层自适应公式计算，不是通过分类损失反传学习。监督来源是 iNaturalist 观测的物种标签，查询词限定为鸣声并限制年份，缺失有效音频的记录被剔除。复述时不应从模型名称推定实现细节，例如不应脑补逻辑回归用了某种优化器或早停，因为原文未报告这些缺项。
梅尔频率倒谱系数 × 谱熵与过零率： 梅尔频率倒谱系数负责刻画频谱包络在感知尺度上的低维结构，是区分物种音色与谐波形态的主力，谱熵与过零率负责刻画频谱能量分布复杂度和时域波形穿越零点频繁程度，两者搭配的原因是倒谱系数对稳态音色敏感而对突发噪声和时间不规则性不直接敏感，组合后形成包络形状加复杂度与时域抖动的互补描述，论文在紫黄腹歌雀一组上熵和过零率重要性因此显著上升。
数据从哪里来、如何划分、用什么指标？
数据收集使用 R 语言相关软件包检索 iNaturalist 观测，3 个物种分别为紫黄腹歌雀、红嘴相思鸟和家麻雀，查询词为鸣声，鸟类记录限制在 2025 年，无有效音频的记录被排除。音频经网址下载，先用解码工具转波形，失败时回退到备用解码，保证异构格式都能处理。所有信号重采样到统一采样率，去除静默段，截断到最大 2 的幂长度。
实验组织为两组两分类：数据 1 是家麻雀对红嘴相思鸟，数据 2 是紫黄腹歌雀对红嘴相思鸟，特征维度分别取 4 和 10，对应不同阶数的倒谱表示。划分采用分层抽样保持类别比例，多数数据训练、少数数据测试，随机森林用 10 折交叉验证调参，多项逻辑回归用五折交叉验证，支持向量机用交叉验证选参且预测变量标准化。评估指标包括准确率、灵敏度、特异度、平衡准确率、卡帕系数和麦克尼马尔检验值，准确率方向为越高越好。
下面先看 3 类原始信号的形态差异，左侧为物种照片，右侧为对应波形，横轴为时间，纵轴为振幅，三行分别为紫黄腹歌雀、红嘴相思鸟和家麻雀，便于理解为何需要去噪与多维特征。
看图路径： 1. 先对照左侧三张鸟照片确认三个物种，再看右侧同行波形振幅尺度差异；2. 再观察紫黄腹歌雀波形的间歇性强脉冲与静默段交替；3. 最后比较家麻雀持续高幅密集振荡与红嘴相思鸟中等连续振荡
论文图 4。原论文 Figure 4:：“Animals with frequency in R by iNaturalist-Euphonia violacea, iNaturalist-Leiothrix lutea and iNaturalist-Passer domesticus”。
从像素可见，三者振幅量级与时间结构明显不同。紫黄腹歌雀波形呈间歇脉冲状，多数时间接近零基线，在中间两处出现大幅脉冲，脉冲之间有清晰低幅间隔。红嘴相思鸟波形呈连续絮状振荡，振幅相对较小，从前段开始持续到末段，几乎没有长静默段，包络起伏较平缓。家麻雀波形幅度最大且最密集，整体在很大范围内高频振荡，从起点到终点几乎填满时间轴。
这种差异解释了后文特征重要性的分化：间歇强脉冲物种更依赖熵与过零率刻画复杂度，而持续高能物种更依赖低阶倒谱刻画包络。但波形幅度不能直接等同于可分性，因为录音增益与距离也会改变幅度，分类仍需依赖归一化后的谱结构特征。
下段提出比较问题：在相同去噪框架下，哪些数值条件决定了收缩强度与输入一致性，公平复现是否要求先对齐采样率与划分比例，指标方向如何体现在超参数公式中。
| 条件 | 指标或参数 | 取值原文 | 作用对象 | 对照含义 |
|---|---|---|---|---|
| 收缩曲线示例 | 贝塔与拉姆达 | β=12，λ=1.3 | 图 1 固定参数 | 多阿尔法比较 |
| 分辨率自适应 | 取值 | l=1，γ=2 | 阿尔法随层递增 | 细尺度强收缩 |
| 噪声自适应 | 取值 | c=1，τ=2 | 拉姆达由最细层定 | 高变异强平滑 |
| 音频统一 | 重采样率 | 16 kHz | 保证跨文件一致 | 去静默后截断 |
| 数据划分 | 训练测试比 | 80% 训练，20% 测试 | 分层保持比例 | 交叉验证调参 |
上表把去噪强度来源与数据划分放在一起，是为了复现时先对齐输入条件再谈模型比较。若重采样率或划分比例不一致，后文准确率差异可能来自数据处理而非算法本身。表中收缩示例参数仅用于展示曲线形状，实际逐层支撑取该层系数绝对值最大值，噪声参数由最细层标准差计算，不能把示例值当作全局固定值使用。同时该表满足宽表要求，全部数字与单位均有原文连续句逐字覆盖。
主结果：在相同特征下谁更准、代价是什么？
比较问题限定为同数据组、同特征维度下多分类器的测试集表现，公平条件是同一去噪后特征表与同一分层划分协议，指标方向为准确率、平衡准确率与卡帕越高越好，灵敏度与特异度需同时看以防偏向一类。数据 1 上支持向量机在高维配置下取得最优且两类较均衡，多项逻辑回归紧随其后，随机森林居中，k 近邻在低维尚可但高维下降，相关向量机几乎把样本判为一类。
数据 2 上支持向量机与多项逻辑回归同时达到 0.94 量级，特异度保持很高，灵敏度随维度系统性上升，k 近邻特异度虽高但灵敏度低，相关向量机存在严重类别偏置。由此支持的判断是：径向基支持向量机与多项逻辑回归能利用高维倒谱中的可分信息，而基于距离与过度稀疏的对照方法在本特征下不具备可部署优势。
下段提出比较问题：在相同数据组与相同维度下，哪个分类器在准确率与平衡准确率上占优，维度从低到高是否系统提升灵敏度，误差对称性指标方向如何支持无偏判断。
| 数据组 | 指标方向 | 支持向量机表现 | 多项逻辑回归表现 | 维度提升效应 |
|---|---|---|---|---|
| 家麻雀一组 | 准确率越高越好 | Accuracy (0.85) | 高竞争但非最高 | 低维到高维多数提升 |
| 家麻雀一组 | 平衡准确率与卡帕 | Balanced Accuracy (0.84)，Kappa (0.69) | 紧随其后 | 保留基线对照 |
| 紫黄腹一组 | 准确率越高越好 | accuracy of 0.94 | accuracy of 0.94 | 高维捕获谱细节 |
| 紫黄腹一组 | 平衡与一致性 | Balanced Accuracy = 0.89 | Kappa coefficient of 0.81 | 误差对称性较好 |
| 两组灵敏度 | 灵敏度越高越好 | from 0.70 to 0.80 | from 0.72 to 0.86 | 特异度保持 above 0.95 |
上表的主收益是支持向量机在两组上同时取得最高或并列最高准确率，且在第二组上灵敏度与特异度同时保持高位，高麦克尼马尔值进一步支持其误差无系统偏向。具体代价有三点：第一，从低维到高维的提升在第一组上幅度有限，说明高阶倒谱的信息增益递减；第二，对照方法的失败表明同一特征对不同归纳偏置并不公平，距离假设与过度稀疏在此任务上失效。
第三，第一组特异度明显低于第二组，说明家麻雀与红嘴相思鸟的声学重叠更大，组间数字差距主要反映任务难度而非算法跨组泛化能力。未胜出项必须保留：随机森林始终居中但未登顶，高阶偏度峰度特征在重要性表中多次出现负贡献，提示盲目增加维度会引入冗余。
去掉高维倒谱与全局谱指数会发生什么？
论文的消融逻辑不是删模块重训深度网络，而是比较低维与高维两种特征维度，并用变量重要性剖析哪些特征真正起作用。主成分投影显示，两组在第一主成分上已有明显分离，维度增加并未改变组间中心距离，但组内离散度增大，尤其紫黄腹歌雀在高维时出现极端点，说明新增维度带来类内变异而非纯粹的类间信息。
变量重要性上，数据 1 始终由低阶倒谱主导，最小值、均值与中位数等中心趋势统计量贡献最大，高阶偏度峰度多为低或负的准确率下降值，表明这些维度可能是噪声。数据 2 则呈现互补模式：熵、过零率与质心等全局描述符排名靠前，低阶倒谱贡献相对分散，基尼下降值普遍较低，说明类边界不如数据 1 锐利，需要多个中等信息量特征联合决策。
从低维到高维，逻辑回归与支持向量机的灵敏度系统性上升而特异度基本不降，这是保留高维的直接收益；但同时负贡献特征增多、可解释性下降，这是为维度付出的代价。因此复述结论时应说高维在当前两组上利大于弊，但不是单调越维越好，变量选择仍是必要步骤。
哪些边界没有测、哪些推论不能做？
首先，论文只报告两组两分类结果，未验证三分类联合任务，也未在超多样声景、多物种并发鸣叫或实时流式检测上测试，因此不能把 0.94 量级推广为通用野外监测准确率。其次，去噪虽有显式规则与自适应公式，但未报告与传统阈值方法在同一分类流水线上的对照数字，摘要中显著提升的表述应理解为作者的有限解释而非本证据内的同条件胜负。
第三，训练与推理成本未量化，没有给出去噪与特征提取的耗时、内存或帧率，多次重复实验只用于稳定估计而非延迟评估，不能承诺实时性改善。第四，数据来自公民科学平台且经查询词与年份筛选，标签噪声、录音设备异质性与地理采样偏差未做系统分析，风险评估分数属于生态管理背景，不应与声学分类准确率混为一谈。
第五，相关性不等于因果：熵与过零率重要性高只说明它们有助于当前分类器划分，不能推断它们是物种发声机制的本质差异。缺失证据不是技术错误，但复现者需要补测误判率随信噪比的变化、跨地点泛化以及高维特征选择后的稳定性，否则无法确定部署阈值。
按原文复现先做什么、参数如何取？
复现应按学习依赖顺序先对齐数据再调模型。第一步按原文检索 3 物种鸣声记录，剔除无有效音频文件，用 2 阶段解码统一为波形，重采样到统一采样率，去除静默并截断到最大 2 的幂长度，这一步决定后续小波分解是否合法。第二步实现贝叶斯收缩：对每段信号做离散小波变换，初级分辨率取零，阿尔法按随层递增公式取特定参数，支撑取当层系数绝对值最大值，噪声参数由最细层标准差按特定公式计算，逐系数求后验均值后再逆变换。
第三步在去噪信号上提取低维与高维两套特征，包括倒谱各阶的最小、最大、均值、中位数、标准差、偏度、峰度，以及质心、熵、过零率、均方根、四分位数与小波系数统计量。第四步做分层划分，随机森林 10 折、多项逻辑回归五折、支持向量机网格搜索正则化与伽马并标准化预测变量，测试集用混淆矩阵计算六项指标。
需要保留的关键超参数是小波滤波器选择、维度取值、划分比例与交叉验证折数，缺失的是具体随机种子、滤波器编号之外的边界处理与调参网格的完整候选集，这些需在复现报告中明确声明为待补缺项。
何时值得尝试这条去噪加分类路线？
当任务是野外固定麦克风的入侵鸟种监测、录音信噪比低且间歇性噪声多、标注量不足以训练深度端到端模型时，这条路线值得尝试。它的价值在于用有界支撑先验换来显式、快速的逐系数收缩，再用可解释的倒谱加谱指数特征配合支持向量机或多项逻辑回归，在两组任务上分别达到 0.85 与 0.94 量级的准确率，且误差对称性较好。
选择维度时可先从低维起步验证基线，若灵敏度不足再扩展到高维，但必须同步做变量重要性筛选，剔除负贡献的偏度峰度维度，避免为少量提升付出可解释性与稳定性代价。若物种对的声学重叠大，应更关注特异度与平衡准确率而非单一准确率，并补测跨地点与跨年份泛化。未来验证应包括与传统阈值去噪的同流水线对照、三分类扩展、延迟与算力预算，以及在真实声景连续音频上的事件级检出率，只有这些补齐后才能从离线片段分类走向可部署的生态监测工具。
下段提出比较问题：在相同评估协议下，2 物种的风险分数与回答分布是否一致，结论方向是否为同等强度的拒绝建议，表中数字需保留 1 位小数写法。
| Taxon / Species | Leiothrix lutea |
|---|---|
| Final score | 81.5 |
| Section A responses | 16 |
| Section B responses | 5 |
| Section C responses | 6 |
| Section D responses | 12 |
| Total responses | 39 |
| Minimum criteria met | Valid RA |
| Potential risk | Very high |
| Recommendation | Reject |
上表报告红嘴相思鸟最终分数与共计回答、各维度分布，结论为极高风险与拒绝建议，其作用是确立该物种值得监测，而非证明其鸣声更易分类，后续声学结果需独立评估。该表为原表直接渲染，数字与结构均来自证据矩阵。
下段提出第二个核对问题：家麻雀是否在同一协议下得分更高但结构相同，指标方向同样是分数越高风险越高，建议类别是否一致。
| Taxon / Species | Passer domesticus |
|---|---|
| Final score | 91.5 |
| Section A responses | 16 |
| Section B responses | 5 |
| Section C responses | 6 |
| Section D responses | 12 |
| Total responses | 39 |
| Minimum criteria met | Valid RA |
| Potential risk | Very high |
| Recommendation | Reject |
上表报告家麻雀最终分数更高、同样回答总数且维度分布相同，结论同为极高风险与拒绝建议，两表并置显示家麻雀分数更高但评估结构一致，这支持两者都是优先监测对象，同时提醒读者风险分数差异不对应分类准确率差异，组间难度差异应归因于声学重叠而非入侵风险高低。
📎 论文与评分元数据
排名：后50% | 文档类型：应用研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses