英文题目：Advancing Multimodal Teacher Sentiment Analysis: The Large-Scale T-MED Dataset & the Effective AAM-TSA Model
会议身份：
conference:aaai:2026:conference-paper-id:37157
✅ 来源为官方会议 PDF；可重放的表格、公式文本与 Figure 像素已按 PDF 抽取结果绑定，未成功恢复的结构不作推断。
标签：#教育 #数据集 #注意力机制 #多模态学习 #语音情感识别
评分：5.9/10 | 创新 1.3/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：数据集与基准
👥 作者与机构
- Zhiyi Duan：机构信息未能从会议 PDF 纯文本可靠映射
- Xiangren Wang：机构信息未能从会议 PDF 纯文本可靠映射
- Hongyu Yuan：机构信息未能从会议 PDF 纯文本可靠映射
- QianLi Xing：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
教师情感分析以课堂文本转录、教师语音、课堂视频与学段学科等教学信息为输入，输出耐心、热情、期待等八类情感标签，难点在于教师表演性表达掩盖真实情绪且情绪解读高度依赖教学语境。该工作先以人机协同六步流程采集二百五十个真实课堂，经预标注校正与四票以上投票复核构建含一万余条样本的大规模T-MED数据集，为模型提供统一训练语料。该数据集的文本、音频、视频描述与教学信息经特征提取映射到统一表示空间后，进入以音频为中心的非对称跨模态交互，实现文本与音频双向互补及视觉与教学信息对音频的单向查询。交互后的三模态特征经门控加权融合再拼接教学信息特征，最终由情绪分类器输出八类预测，完成从原始课堂到标签的闭环。与以文本为锚的通用多模态情感方法不同，该模型坚持音频为核心载体并保留教学语境约束，从而更契合课堂管理式愤怒等弱文本线索情绪。在T-MED测试集下，AAM-TSA的加权准确率WA为86.84%，高于MFMB Net的加权准确率WA的80.91%。该结论适用边界受限于自建MOOC来源数据与八类标签体系，跨文化课堂与真实噪声教室的外推尚未验证。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
教师情绪为什么难判？输入目标与阅读约定
本文解读的对象是一项教师情感分析研究，输入是真实课堂中教师的文本转写、语音波形、视频画面与教学情境，目标是对每条样本判入 8 类情绪中的一类。8 类包括中性、生气、高兴、惊讶、悲伤 5 个通用情绪，以及耐心、热情、期待 3 个教师职业特征情绪。输出是一个 8 维概率分布，取概率最大者为预测标签，训练监督采用标准交叉熵损失。
必须保留的关键信息是数据规模与来源、8 类标签定义、4 模态处理方式、以音频为中心的非对称交互规则、分层门控融合步骤、划分比例、评价指标方向与主结果数字。本文按学习依赖展开，先讲任务特殊性与已有路线，再走完一个样本从输入到输出的全链路，然后讲数据构造与训练细节，最后讲实验条件、结果与可复现边界。
教学举例会明确标为例子，不引入原文之外的数值或效果断言。资源可用性方面，本次未发现来源绑定且完成超文本传输安全协议状态验证的资源，因此不得声称代码模型或数据已公开，只能按论文文字描述方法与结果。初学者可把全文当作从信号到情境再到决策的链条来读，每一步都追问输入是什么、表示如何得到、下一步依赖什么。
已有路线走到哪里？单模态与通用多模态的缺口
教师情感分析经历了从单模态到多模态的转变。单模态路线以文本评价或孤立音频线索为主，例如抽取梅尔频率倒谱系数与滤波器组特征并用并行子网融合。论文指出这类方法在真实课堂中不足，因为教师会有意压制挫败与压力，单看文字容易把策略性中性措辞误判为真实中性，单听片段又缺乏情境。
多模态通用情感分析路线试图融合异构输入，例如张量融合网络、低秩融合、记忆融合网络、基于变换器的跨模态模型、模态不变与特有表示分解、对比特征分解等。教师领域也有并行编码处理发音与文本、基于语音活动检测的课堂事件切分等尝试。但论文认为两类缺口仍在，一是融合机制多把文本当核心锚点，不适合以韵律语气为主要载体的教师情绪，二是缺乏大规模教师专用多模态标注数据。
教师专用语音数据集方面，已有工作多为 1000 条量级纯音频或 4 类情绪，存在规模小、模态少、受隐私限制难以获取的问题。通用多模态数据集难以迁移到教师场景，因为表演性会干扰通用模型的判断。这就引出本文同时做数据集与专用模型的安排，先用高效标注流程解决数据稀缺，再用音频为中心的设计解决表演性带来的融合偏差。
任务的特殊约束是什么？表演性与情境依赖
与通用情感分析不同，教师情感分析有两个约束。第一是表演性，教师需要展示热情或沉稳，会策略性地放大或抑制表达，例如用管理性语气表达生气而非激烈争吵，用加快语速与前倾身体表达热情而文本本身可能是中性概念讲解。第二是情境依赖，学科与学段会影响表达方式与解读标准，同一句话在小学与高中、在生物与数学课堂中的情绪含义可能不同。
因此模型不能只做信号到标签的映射，还要做情境条件下的映射。论文把教学信息作为第 4 模态，包含学科标签与学段标签，正是为显式提供该条件。评价也因此需要兼顾多数类与小类，因为中性样本占比较大，若只看总体准确率，模型偏向判中性也能得高分，却掩盖了对生气、悲伤、热情等小类的失效。
表演性 × 教学信息： 表演性指教师为维持职业规范而有意展示热情或克制挫败感，致使表层文本与表情不可靠；教学信息指学科与学段构成的情境约束，用于解释同一语气在不同课堂含义不同。二者搭配的原因是仅靠声文视无法区分策略性表达与真实状态，加入教学信息后模型能按情境校准对音频韵律与措辞的解读，组合意义在于把情感判断从孤立信号分类变为情境条件下的分类。
举例来说，同样一句讲解基础概念的话，在高中生物课堂上配合指向屏幕的手势与前倾身体，可能对应热情，而孤立看文本则会被判为中性。这个例子说明声学韵律、视觉语义与教学情境必须联合解释，任何单一模态都不足以区分表演性展示与真实状态。
方法全景：一个样本如何走完输入到输出？
沿一个样本走完全程有助于建立整体依赖。假设输入是一段高中生物课堂片段，包含教师语音波形、对应视频画面、语音转写文本，以及学科为生物、学段为高中两枚离散标签。第一步是多模态特征抽取，文本转写经鲁棒优化的双向编码器得到文本矩阵，语音波形经自监督语音表示模型得到音频矩阵，视频片段先由视频大语言模型按情绪提示生成描述文本再经同一文本编码器得到视频语义矩阵。
第二步是非对称跨模态交互，各模态序列首位放置可学习分类标记，文本、视频描述、教学信息以自身为查询去检索音频的键值，音频则以自身为查询去检索文本的键值，随后各自做自注意力残差与前馈网络加深表示，并堆叠多层迭代融合。第三步是分层融合，先对文本、音频、视频的分类标记做门控加权求和得到 3 模态融合向量，再与教学信息向量拼接后经多层感知机得到最终表示。第四步是情绪分类，将最终表示送入分类器得到 8 类概率分布。
下面先看模型结构图的整体布局，再逐模块展开计算细节，该图是理解信息流向的关键。
看图路径： 1. 先从左到右沿四条纵向特征带找到各自编码出口；2. 再看中间查询键值替换区哪一路用音频作键值、哪一路用文本作键值；3. 接着找到右侧交互后特征带汇入融合节点的连线；4. 最后确认每路经过前馈网络后的输出方向
论文图 2。原论文 Figure 2：“AAM-TSA model architecture diagram.”。
从本次收到的像素可见，该图标题为非对称跨模态交互模块，左侧为 4 条纵向特征带，中间为查询键值替换与前馈网络的前向箭头，右侧为交互后的特征带并汇入融合节点。图中以不同颜色区分查询来源与被检索来源，其中一路以黄色强调的音频键值被多路查询，另一路音频查询则指向文本键值，这种不对称的箭头安排与正文公式描述一致。读图时应把颜色仅当作模态身份标记，不推测数值大小，融合权重与注意力分数以正文公式与实验表格为准。
特征抽取做了什么？四路输入如何变为可计算向量？
特征抽取模块的职责是把异构输入变为同一维度空间的序列表示。文本分支将输入词嵌入送入预训练语言模型，得到文本特征矩阵。音频分支将原始波形送入自监督语音模型，得到音频特征矩阵。视频分支不直接使用原始视频向量，而是先调用视频大语言模型，提示词强调手势、动作、眼神交流与面部表情 4 个情绪维度，生成描述文本后再用文本编码器编码。
教学信息分支将学段与学科分别嵌入后拼接，经全连接、激活与归一化映射到 768 维。这种安排的理由在正文有明确说明，转写视频为描述文本是为了削弱原始视频中大量情绪无关内容的干扰，引入教学信息是为了补充课堂情境约束。符号含义先交代清楚，输入侧符号分别表示词嵌入、原始波形、视频片段与情绪提示模板，输出侧符号分别表示文本矩阵、音频矩阵、视频语义矩阵与教学信息向量。
\[ht = RoBERTa(Tinput)\]上述公式表示文本转写经预训练编码器得到文本特征矩阵，输入为词嵌入序列，输出为后续交互可用的文本表示。该步骤保留词汇语义，但不单独决定情绪标签。
\[ha = HuBERT(Ainput)\]上述公式表示原始语音波形经自监督语音模型得到音频特征矩阵，输入为波形采样，输出为保留韵律与音色信息的音频表示。该表示是后续被多路查询的核心。
\[gt, ga, gv = Softmax(MLP([ht∥ha∥hv])),\]上述公式表示 3 模态分类标记拼接后经多层感知机与归一化生成动态权重，输入为 3 个分类向量，输出为 3 个和为一的门控系数。该系数决定每一路在融合中的占比。
\[hfused = gt · ht + ga · ha + gv · hv,\]上述公式表示按动态权重加权求和得到 3 模态融合向量，输入为 3 路表示与权重，输出为统一的 3 模态向量。该向量仍需与教学信息进一步结合。
\[hfinal = MLP([hfused∥hd])\]最后一式表示 3 模态融合向量与教学信息向量拼接后再经多层感知机得到最终表示。该最终向量直接送入分类器。
视频描述文本 × 原始视频特征： 原始视频特征指直接从视频片段抽取的视觉向量，包含大量与情绪无关的背景与人物位置噪声；视频描述文本指用大语言模型按手势、动作、眼神、表情 4 个维度生成的文字摘要再经 RoBERTa 编码。搭配理由是原文发现直接拼接原始视频会拉低性能，而转写为描述文本可过滤无关像素并保留可解释的语义线索，组合意义是以文本化视觉语义替代稠密视觉噪声参与融合。
非对称注意力 × 门控分层融合： 非对称注意力指以音频为中心的不对称查询规则，文本、视频描述与教学信息向音频查询，音频只向文本查询以互补；门控分层融合指先对文本、音频、视频描述的类别标记做门控加权再拼接教学信息做 2 次映射。搭配原因是前者解决模态间信息流向差异，后者解决 3 模态冗余与情境约束的平衡，组合意义是先按音频重要性对齐语义，再按教学情境约束最终表示。
需要强调的是，原文未报告这些编码器参数是否冻结或微调的具体设置，因此复现时应把该项记为缺项，不从模型名称推定冻结或更新。门控权重的具体数值也未逐样本公开，只能按公式重算。
数据如何构造？六步人机协同标注的可重放流程
该节承担数据集构造方法的职责，既讲标注流程也讲模型微调。第一步从公开慕课平台选取 250 段覆盖基础教育到高等教育的高质量视频，用开源工具做系统处理，包括用视频处理工具切分预处理、用语音转写工具生成文本、用说话人识别模型分离教师音频流，最终得到视频片段、音频轨、文本转写与教学信息 4 模态，其中教学信息含学科与学段两个维度，标签定为 8 类。
第二步取 10% 子集用预训练情绪语音模型生成初步标签，以降低人工负担。第三步由 3 名专家对照音频与梅尔频谱图校验修正，得到高质量种子集。第四步用种子集微调预训练模型以适应教师情绪模式。第五步用微调后模型对全量自动标注。第 6 步组建 5 名未参与前序的专家独立按多模态信息审核，仅当不少于 4 人一致确认才保留，否则丢弃，最终得到 14,938 条样本。监督来源是专家投票共识，重置时机是终审丢弃不合格样本，梯度路径仅涉及第四步微调，但原文未报告微调的学习率与轮数，应记为缺项。
下面先看构造流程图的面板安排，再核对规模与划分，该图有助于记住 6 步的依赖顺序。
看图路径： 1. 先按 Step3 到 Step5 的箭头方向走完修正微调全标主链；2. 再看 Step3 中梅尔频谱图叠块与预标标签如何同时送入专家修正；3. 观察 Step5 中人物形象指向模型符号再指向标注文档的箭头走向
论文图 1。原论文 Figure 1：“Diagram of T-MED dataset construction process.”。
从本次收到的局部像素看，该图按步骤分框展示流程，上部框出现课堂画面与波形示意及八表情标签面板，中部 Step3 框出现梅尔频谱图叠块与专家卡通形象及对错标记，下部 Step5 框出现单人形象指向模型符号再指向标注文档的箭头，右侧 Step6 框为终审环节。读图时只确认对象与箭头走向，不猜测框外被裁剪的文字，6 步的准确定义以正文 6 段文字为准。
人机协同标注 × 四票一致保留： 人机协同标注指先用 emotion2vec-large 在 10% 子集上预标，再经专家修正后微调模型去标全量；四票一致保留指最后由 5 名未参与前序的专家独立投票，仅当不少于 4 人确认才保留样本否则丢弃。搭配原因是模型可扩量但有领域偏差，专家可纠偏但成本高，组合意义是用小规模专家种子校准模型，再用严格投票保证大规模标签的精度与一致性。
为核对数据规模与划分是否足以支撑后续比较，先提出比较问题：在多大样本量与多大学科覆盖下讨论加权指标才有意义，公平条件是训练验证测试划分明确且类别体系一致，指标方向不适用但规模越大覆盖越广则泛化论证越有力。下表整理数据集的关键规模信息，数字均来自正文连续原句的逐字证据。
| 数据集范围 | 样本总量 | 课堂总数 | 学科总数 | 划分与时长 |
|---|---|---|---|---|
| 教师多模态情感数据集 | 14,938 instances | 250 real classrooms | 11 subjects | 80% 训练集 10% 验证集 10% 测试集 |
表后解释是该规模来自 250 段真实课堂的 4 模态实例并覆盖从基础教育到高等教育的多学科场景，总时长超过 17 小时，代价是终审丢弃机制会损失部分样本且本次未报告丢弃率与类别分布细节，因此不能从总量推定各小类样本充足，加权指标的必要性正在于此。未胜出项是小类样本仍可能稀少，复现时需记录每类数量。
实验条件是什么？划分基线与指标方向
实验在自建数据集上进行，划分为 80% 训练集、10% 验证集与 10% 测试集。评价指标选用加权准确率与加权 F1 值，方向均为越高越好，理由是能更好地处理情绪类别分布不均。基线选择 9 种通用多模态情感分析方法，包括张量融合网络、低秩融合、记忆融合网络、基于变换器的跨模态模型、模态不变与特有表示、对比特征分解、半监督模内外交互学习、多模态提示学习与多分支多聚焦网络。
论文说明所有基线均用原作者开源代码在统一实验环境下复现以保证公平比较。基线输入为文本、音频与视频 3 模态，不使用教学信息，而本模型将视频替换为视频描述文本并额外加入学科与学段信息，这一点在比较时必须记住，公平性体现在统一环境与统一划分，但输入表示并不完全相同。硬件预算、随机种子、统计显著性检验在本次证据中未报告，应记为缺项。
加权准确率 × 加权 F1 值： 加权准确率指按各情绪类别样本占比加权的总体判对比例，反映多数类主导下的整体正确性；加权 F1 值指按同样权重对各类别精确率与召回率调和平均的加权结果，反映不均衡分布下的综合检出能力。搭配原因是 T-MED 存在类别不均衡，单看准确率会掩盖小类失效，组合意义是同时报告二者以兼顾整体正确与小类召回。
初学者容易把加权准确率误读为普通准确率，区别在于前者按类别占比加权，多数类影响更大，因此必须同时看加权 F1 值才能发现小类失效。复现时应固定划分比例与随机种子，并分别记录 8 类的精确率与召回率。
主结果与细粒度对照：强在哪里，弱项是否仍在？
先提出比较问题，在统一划分与统一环境下，以音频为中心并加入教学信息的模型，是否在加权准确率与加权 F1 值上超过以文本为核心的通用模型，指标方向均为越高越好。论文报告本模型在这两项上显著超过全部基线，与当前最优基线相比准确率提升 5.93 个百分点，加权 F1 值提升 6.56 个百分点。细粒度上对 8 类分别比较，本模型在中性、惊讶、生气、悲伤、高兴 5 类通用情绪与耐心、热情、期待 3 类教学情绪上均有提升，总体宏观 F1 值提升 10.27 个百分点。
案例分析选择一个高中生物课堂，教学信息为高中学段生物学科，文本为无明显情绪倾向的基础概念，视频描述提到教师用手指向屏幕图像、身体略前倾、吸引学生注意，音频表现为语速快、中频能量集中，本模型判为热情而全部基线判为中性，论文将其归因于基线无模态权重与附加信息时易偏向多数类。下面先看预测案例图的可见内容，再看整理后的数字表。
看图路径： 1. 先读顶部学科信息确认生物的教学情境；2. 再对照左侧频谱波形与右侧四维视频描述文本的关键词高亮；3. 最后比较底部基线全判中性与本模型判热情的输出行
论文图 3。原论文 Figure 3：“Analysis of predictive case.”。
从像素可见，该图顶部标注学科为生物，右侧为视频描述文本框，按手势、动作姿态、表情、眼神交流分点描述，其中指向屏幕图像、身体略前倾、吸引注意力等关键词被高亮，底部对比区显示多个基线输出均为中性表情，而本模型输出为热情表情。读图时应把高亮仅理解为模型关注的语义线索，不当作数值证明，具体增益仍以表格数字为准。
为核对消融模块的完整证据，先呈现原表可直接选择的模块消融结果，该表比较去掉教学信息、去掉非对称交互、去掉分层融合 3 个变体与完整模型的加权准确率与加权 F1 值，方向均为越高越好，条件为同一划分同一环境。
| Varients FE | CI HF WA(%) | W-F1(%) |
|---|---|---|
| Var-CIHF ✗ ✓ ✓ | 85.97 | 85.10 |
| Var-FEHF ✓ ✗ ✓ | 86.11 | 85.43 |
| Var-FEAC ✓ ✓ ✗ | 85.64 | 85.30 |
| AAM-TSA ✓ ✓ ✓ | 86.84 | 86.37 |
该表显示完整模型在两项指标上均为最高，去掉任一模块均有下降，其中去掉分层融合的下降相对明显，去掉教学信息与去掉交互也有可观测损失。这支持分层融合对平衡互补与情境相关性的作用，也支持教学信息与非对称交互的增益，但需注意该表仅为单次划分结果，未报告方差与显著性，因此只能表述为报告显示而非普遍必然。未胜出项方面，去掉交互的变体仍保持相对较高的第二位，说明即使不用非对称交互，仅靠特征抽取与分层融合也能获得大部分性能。
模态与模块反证：音频为中心是否成立？
为检验音频为中心的假设，论文设计 7 种模态组合变体。比较问题是单模态下音频、文本、视频描述各自性能如何，以及直接加入原始视频是否损害性能。报告显示音频单模态优于文本单模态，加权准确率高 7.88 个百分点，加权 F1 值高 11.83 个百分点，视频描述单模态显著低于前两者。在文本加音频基础上直接加入原始视频，加权准确率下降 0.60 个百分点，加权 F1 值下降 0.66 个百分点，而将视频转为描述文本后再加入则相对回升。
这支持两个判断，一是教师情绪的主要载体是音频而非文本内容，二是未处理的原始视频含有大量情绪无关噪声。模块消融方面，去掉教学信息嵌入后两项分别下降 0.87 与 1.27 个百分点，去掉非对称交互后分别下降 0.73 与 0.94 个百分点，去掉分层融合后分别下降 1.2 与 1.07 个百分点。论文还解释生气多表现为课堂管理语气而非激烈言辞，更依赖语调与强度而非显性词汇，因此音频增强带来较大改善。
为核对主结果增益的逐字证据，下表整理与最优基线的相对提升，比较对象为实际可运行的最优基线而非事后最优，指标方向均为越高越好，条件为统一环境统一划分。
| 比较对象 | 评价指标 | 本模型增益 | 总体增益 | 适用条件 |
|---|---|---|---|---|
| 最优基线多分支网络 | 准确率 | increased by 5.93% | improves 10.27% 宏观 F1 | 统一环境统一划分 |
| 最优基线多分支网络 | 加权 F1 值 | increased by 6.56% | improves 6.56% 加权 F1 | 含教学信息与描述文本 |
表后解释是增益支持音频为中心与教学信息融合的有效性，但代价是输入表示不同且未测量延迟与推理成本，不能承诺实时性改善，同时宏观 F1 值提升幅度大于加权值，提示小类改善可能大于多数类，复现时应分别复核 8 类细粒度表现而非只看总体。未评测边界是跨校跨学科泛化与多次种子稳定性，本次均无证据。
边界与未验证项：哪些结论不能推广？
首先区分报告、支持与推测。论文直接报告的是在自建划分上的加权准确率与加权 F1 值提升，以及模态组合与模块消融的差值。有限解释是音频为主要载体、原始视频含噪声、教学信息提供情境约束，这些有对照支持但仅限该数据集与该实现。未验证推测是向智能教学工具与干预系统的迁移效果，原文未测量误判率带来的教学风险、推理延迟、部署成本与跨校泛化，因此不能承诺这些量得到改善。
数据边界方面，来源为公开慕课视频而非全程真实课堂互动，可能缺失课堂噪声、学生互动与长时依赖，隐私限制也使复现者难以获得完全相同的 250 段来源。方法边界方面，视频转描述依赖大语言模型的提示质量，若提示或模型更换，描述风格变化可能影响结果，而原文未报告提示鲁棒性。评价边界方面，未报告多次随机种子的方差、显著性检验与混淆矩阵，不能把末步最优推广为全程稳定。
总体趋势不等于每组每步都成立，训练资源与推理开销应分别讨论，本次均无证据，应明确记为缺项。相关性不是因果，音频单模态更强不等于音频在所有课堂都充分，教学信息的增益也不等于学科标签本身带有情绪。
复现先做什么？按依赖顺序列出可执行步骤
复现应按输入到输出的依赖顺序推进。第一步按论文文字重建数据管线，用视频处理工具切分、语音转写工具生成文本、说话人识别模型分离教师音频，并记录学科与学段标签，注意本次无可验证的下载链接，不假设数据已公开。第二步重建 8 类标签体系，特别注意耐心、热情、期待 3 类的教师专业定义，沿用 10% 预标加专家修正加微调加全标加 5 人四票保留的流程，并记录丢弃数量与类别分布。
第三步实现 4 路特征抽取，将文本与视频描述文本送入同一文本编码器，将音频送入语音自监督模型，将学科与学段映射到 768 维，核对维度 1 致后再进入交互。第四步实现非对称交互，文本、视频描述、教学信息查询音频，音频查询文本，各自加自注意力残差与前馈并堆叠多层。第五步实现门控分层融合，先对 3 模态分类标记加权求和再拼接教学信息映射，最后用交叉熵训练分类器。
关键超参数与冻结策略在本次证据中缺失，复现时应先固定随机种子并记录验证集选择过程，再补做多次运行的均值方差。区分代码开源、权重下载与系统可运行三者，本次均无可验证资源，只能做到方法可重写而非一键可运行。建议先跑通单模态基线，再逐步加入描述文本与教学信息。
何时值得尝试？一句话收束与后续验证
当研究对象具有表演性且表达高度依赖教学情境，同时拥有可分离的教师语音与可标注的学科与学段信息时，值得尝试以音频为查询中心的非对称融合加教学信息约束的路线，并优先将视频转为按手势动作眼神表情组织的描述文本再参与融合。复现时先做单模态基线以确认音频是否确实强于文本，再做加入原始视频与加入描述文本的对比以验证去噪假设，最后再做模块消融以定位增益来源。
还需补做的验证包括跨校跨学科的泛化测试、多次种子的统计检验、推理延迟与成本测量，以及提示词更换后的鲁棒性测试。本文的贡献在于同时提供大规模教师专用基准的构造示范与针对表演性的专用融合设计，其结论在当前数据集与实验条件下成立，超出该条件的应用应视为可能而待验证。
对于刚进入语音音乐音频领域的研究生，可把该工作当作音频为中心的多模态练习，先听懂韵律与语速的情绪载荷，再理解文本与视觉如何对齐音频，最后思考情境标签如何改变决策边界。
⚖️ 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