声音里有喘息却只听文字说没事：CliniCAST 测音频分诊的文本主导

英文题目：CliniCAST: Benchmarking Acoustic Grounding and Text Dominance in Medical Triage

会议身份：conference:acl:2026:conference-paper-id:2026.findings-acl.2056

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#医疗音频 #基准测试 #基准设计 #音频大模型 #病理语音评估

评分：6.0/10 | 创新 1.2/2 | 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 0.3/0.5 | 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

• Kyusik Kim：机构信息未能从会议 PDF 纯文本可靠映射
• Hyunwoo Yoo：机构信息未能从会议 PDF 纯文本可靠映射
• Jaehoon Choi：机构信息未能从会议 PDF 纯文本可靠映射
• Kitae Kim：机构信息未能从会议 PDF 纯文本可靠映射
• Gail Rosen：机构信息未能从会议 PDF 纯文本可靠映射
• Bongwon Suh：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

输入为患者自述语音，输出为1至5级急诊严重度指数分级或图文一致性标签，难点在于安抚性词汇与喘息咳嗽等高危声学线索冲突时模型须以可听证据为准而非被文本主导。方法先由GPT-5.2按教科书症状提示为12病种各生成25条短话语并保留线索弱化改写体，其输出的配对脚本进入下一步声学控制。接着以方括号标签内联注入呼吸与发音事件并形成标签版与去标签版配对文本，再用ElevenLabs v3按性别与年龄合成固定声线音频，使词汇固定而声学实现可变。最后用固定零样本提示要求模型仅依据可听严重度返回ESI等级或一致标签，从而分离声学因果效应并检验矛盾检测能力。与既往偏重转写准确率与公平性的语音研究不同，该设计将文本内容固定而只改变声学实现，直接考验音频原生推理而非转写后文本推理，实际意义在于暴露分诊中的文本主导失效模式。在50个音频样本的提示鲁棒性评测下，Gemini 2.5 Flash原始提示的平均ESI指标为2.90，高于改写1提示的2.72。该结论的适用边界仅限于受控合成语音下的前提能力检验，真实患者音频与完整分诊流程尚未验证。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

输入是什么，目标是什么，为什么要固定文字只改声音？

这篇解读的输入是论文原文给出的受控合成基准与两个评测任务，目标是让刚入门的读者能复述数据怎么做、模型怎么测、结论在什么条件下成立。必须保留的信息是样本量与配对结构、12 种疾病覆盖、声音与文字的控制关系、2 个任务的输出与指标、主要模型的定量表现、年龄性别交互的检验结论，以及合成语音不能等同真实病人的边界。输出是 1 篇按学习依赖展开的中文技术解读，不做营销式判断。

论文研究的问题不是语音转文字准不准，而是大型音频语言模型在分诊式判断里是否把可听证据用起来。白话说，大型音频语言模型指能直接听音频并做推理判断的模型，英文是大型音频语言模型。临床里呼吸费力、说话中断、咳嗽、嗓音变弱、反应变慢都可能是病情信号，但如果模型只看文字说了什么，病人一句我没事就可能把危险盖住。论文把主要问题定为在文字固定时，模型是否使用有临床意义的声音证据做分诊式判断，人口学分析只是受控设计顺带做的次要可靠性检查。

为此作者提出临床受控声学合成基准，英文是临床受控声学合成分诊。这个名字的关键在受控与合成。受控指同一句话、同一个说话人，只改变有无症状声音；合成指用神经语音合成批量生成可复现的对照，而不是收集真实急诊录音。这样做的好处是能分离词面内容、说话人属性与声音症状，代价是生理真实感必然打折，结论只能算压力测试，不能当成临床验证。

同类路线在测什么，本文与它们有何不同？

第一条路线是音频语言模型与多模态推理。已有工作把音频当作一等模态，支持对话、推理与判断，也有人把强模型当作自动评判者。但自动评判有位置效应等系统偏差，可靠性需要谨慎设计。教学例子是，如果只测转写字错率，模型可以完全不理解喘息意味着什么也能得高分，所以本文不把转写当目标。

第二条路线是医疗人工智能的可靠性与公平性。原文回顾了不恰当推荐、对提示措辞敏感、病例呈现稍变就改变决策，以及在不同人群中给出不同谨慎程度等问题。相关对照是受控证据显示把音频引入临床决策可能改变推荐，且不一定总是有益，还可能引入新的公平与稳健问题。本文的不同在于先问模型能否把声音当证据用，再问这种使用是否随控制后的人声属性变化，而不是孤立地只测偏置。

第三条路线是临床声学线索与语音技术。原文引用了哮喘不能说完整句子、呼吸困难时的停顿与费力、脓毒症的嗜睡与反应延迟、脱水的发音变化、甲减的语速变慢，以及卒中构音障碍、帕金森单调节律、重症肌无力声音渐弱等文献动机。已有工程多做咳嗽检测、肺音检测或电话语音的呼吸困难估计，较少用通用音频语言模型直接以原始语音做分诊式决策。本文的对照口径因此是同输入、同目标、同运行阶段：都是听一段病人语音做紧急度或一致性判断，而不是拿疾病分类准确率或转写公平性来直接比高低。

两个任务到底让模型做什么，什么算用到了声音？

任务一是 5 级紧急分诊。模型听一段音频，输出紧急严重指数，英文是紧急严重指数，范围从 1 最紧急到 5 最不紧急。判断什么算用到了声音的方法是配对比较：同一脚本族的带症状实现与无症状实现分别测 1 次，看紧急度是否向更紧急移动。原文把结果记为正向、持平、反向与无效。正向指带标签更紧急，反向指反而更不紧急，持平指 2 级相同。

教学例子是，同一句求助的话，不加喘息判为 4，加了喘息判为 2，就是 1 次正向；如果两版都判 4，就是持平，不能证明声音被用。

任务二是音频文本不一致检测。输入是矛盾构造：文字是安心或中性的我没事类内容，声音却带有高风险症状声。模型只判一致还是不一致，并记录主导信号是文字还是音频。任务一允许文字仍有信息，看声音能否推动紧急度；任务二把文字固定为无信息或误导，看声音能否推翻文字。前者测推动，后者测推翻。

2 个任务共用同一套疾病、同一套声音标签与同一个人声设计，保证跨任务可比。需要先建立的概念是，本文的成功不是诊断对病名，而是听到变化并在分诊判断里体现出来。不同疾病的声音类型有重叠是设计使然，因为目标是是否注意到并使用声音变化，而不是靠声音识别疾病。

从一句话到一次评测，整体链路是怎样的？

沿一个样本走完全程最清楚。起点是一段短的病人话语脚本，文字保持求助结构相似且尽量不直接给诊断词。然后为这段文字准备两个版本：带标签版在句中插入方括号表演指令，不带标签版去掉指令但文字相同。接着用 8 个声音分别合成，8 来自性别、年龄风格与每组两个音色的析因组合。最后把音频单独送给被测模型，用固定提示要求只依据可听证据输出结构化结果，任务一比较配对紧急度，任务二判断矛盾。

紧急分诊 × 音频文本不一致检测： 紧急分诊负责测听到症状声后紧急度是否上调的分工，音频文本不一致检测负责测安心文字与危险声音冲突时能否判为不一致的分工，二者搭配的理由是前者允许文字仍有信息、看声音能否推动判断，后者把文字固定为无风险、看声音能否推翻误导，组合意义是从推动与推翻 2 个方向共同检验声音是否真被使用。

这个链路里文字、音色与症状声是正交控制的。文字相同排除了词面捷径，音色平衡使得性别年龄可做分组检查，症状声是唯一系统变化。评估时每个音频独立评测，不给示例与额外上下文，零样本直接测，提示词跨模型相同。这样观察到的差异更可能来自模型本身对声音的使用，而不是数据、提示或训练暴露的不同。

声音症状与说话人属性各自分工是什么，如何组合？

先说疾病声学线索。哮喘是中断说话、呼吸相关停顿与哮鸣，肺炎是湿性多痰咳与湿啰音感呼吸，慢性阻塞性肺病是流利度下降与呼吸模式改变，喉炎是嘶哑与音质变化，百日咳是阵发咳嗽后吸气性哮鸣，脓毒症是嗜睡与长停顿慢语速，脱水是口干相关的发音变化，甲减是语速慢与音调低感，卒中伴构音障碍是含糊与节律不规则，帕金森是单调与节律扰动，重症肌无力是进行性声音渐弱，心衰是呼吸困难与体位相关咳嗽。这些不是让模型猜病名，而是提供可听的严重度信号。

再说说话人与脚本控制。每种疾病写 25 个脚本，其中 17 个原始与 8 个去线索改写，去线索改写去掉高度诊断性关键词但保留病人原意，减少词面捷径。声音用年轻男、年老男、年轻女、年老女 4 组，每组两个不同音色，共 8 个声音。任务一每病 400 条，25 脚本乘 2 条件乘 8 声音，12 病共 4800 条，形成 2400 个配对。任务二用 11 个安心改写句，11 乘 12 病乘 8 声音，共 1056 条，声音仍带症状标签。

声学接地 × 文本主导： 声学接地指模型把喘息、咳嗽、停顿、嗓音变弱等可听证据变成更紧急的分诊或不一致判断的分工，文本主导指词面内容压过声音的分工，二者搭配的理由是只有让文字固定、声音受控变化，才能看出模型到底跟哪一路信号，组合意义是把跨模态失效从笼统的不准定位为即使听到危险声音仍被安心文字抑制。

带标签实现 × 不带标签实现： 带标签实现负责在同一句话里插入咳嗽、呼吸努力、长停顿等表演指令并合成出症状声音，不带标签实现负责去掉这些指令但保留相同文字和说话人，二者搭配的理由是配对后文字与音色相同、只差有无症状声，组合意义是把紧急度变化的因果归到声音而不是词面或说话人。

下表把数据规模的核对点集中起来，读表时先确认疾病数与配对逻辑，再确认乘法口径是否一致。表前的问题是，4800、2400 对、1056 这些数字各自指什么，是否在同一口径下自洽。公平条件是同一脚本族、同一声音、只差标签。指标方向在这里是构造完备性，不是模型好坏。

表后需要解释代价与边界。规模化的好处是可复现与可分组检验，代价是标签式合成只能注入咳嗽、停顿、渐弱、呼吸努力等可控事件，不能复现自发疾病动态与细微病理时序。原文还说明所有疾病场景、脚本与声学标签经 2 位呼吸科专家审阅，另抽 300 条做可听性与合理性审计，抽样特征分析显示带标签音频静音比更高、能量更低、频谱表示差异明显，但这只证明注入的声音在波形上可测，不等于临床真实。资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码模型数据已公开。

本研究训练了什么，没有训练什么，真实计算是什么？

本研究没有训练被测模型，也没有做任务微调。所有模型都在零样本下用固定提示直接调用，训练一节在此承担的是数据构造与推理调用流程，而不是梯度更新。原文未报告参数冻结与更新、梯度路径、监督来源与重置时机等训练细节，缺项就是缺项，不能从模型名字推定实现，也不能把冻结参数理解为输出确定。

真实计算分 3 段。第一段是脚本生成，用大语言模型按教科书式症状描述与目标声音现象写短话语，要求避免诊断标签与过度直接的紧急表述。第二段是语音合成，用语音合成系统按方括号标签合成表演性声音，标签不是让人读出来的词。第 3 段是模型推理，把单个音频与固定评测提示送入音频语言模型，要求只用可听证据输出单行结构化对象。

人口学声音分组 × 疾病声学线索： 人口学声音分组负责用男女与年轻年老风格及每组两个音色控制社会显著属性的分工，疾病声学线索负责用哮喘中断、肺炎湿咳、喉炎嘶哑等临床动机声音编码病情的分工，二者搭配的理由是正交变化后才能分离临床信号与偏置诱发属性，组合意义是先验证声音是否被用、再看这种使用是否随年龄性别系统漂移。

下图是任务一的数据生成提示，读图前要先明确它的作用是构造输入而不是评测模型，重点是文字中性、差异只由声音标签实现。图中列出每脚本 3 到 8 个标签、复用固定词表、标签内联在事件发生处，以及 12 种疾病各自的声音画像。

看图路径： 1. 先读顶部任务说明确认每病只写一段且不写病名；2. 再看允许标签词表确认只能用方括号表演指令；3. 最后对照十二个疾病画像确认差异只由标签实现

论文图 3。原论文 Figure 3：“Dataset generation prompt for Task 1: Audio-based Emergency Severity Index (ESI).”。

这张图解释了为什么后文能做因果式解读。因为文字被要求语义相似且不命名疾病，哮喘与肺炎等差异只落在标签与演绎上，合成后同一文字有两个声音版本，模型行为差异才能归到声音。但也要看到边界：提示词写得再细，合成系统仍可能在不同音色上实现强度不同，这部分变异需要后文的年龄性别交互检验来排查。

评测条件是否一致，指标方向与统计方法是什么？

评测条件的一致性靠三处固定。第一是疾病集合、声音标签、声音分组与合成管线跨实验相同。第二是每个音频独立评测，不给示例与额外上下文。第三是同一任务用同一提示跨模型评测。任务一提示要求输出紧急度等级与一到两个可听线索，无异常则写无异常。任务二提示要求输出一致或不一致、主导信号是文字还是音频，以及不超过 25 词的可听理由。

指标方向要分开记。任务一的方向性是正向、持平、反向与无效，正向为好表示听到症状后更紧急，但大量持平本身就是保守或只跟文字的证据。任务二的不一致率为高为好，因为输入构造上文字安心而声音高风险，报不一致才表示声音推翻了文字。统计上任务一用非持平样本的双侧符号检验与有效配对差值的秩检验，任务二用与 0.5 基线比较的二项检验，年龄性别交互用对数比值比差异的检验。

方向性比较 × 显著性检验： 方向性比较负责把带标签与不带标签的紧急度输出记为更紧急、不变或反向的分工，显著性检验负责用符号检验与秩检验判断正向是否系统多于反向的分工，二者搭配的理由是只看比例会被大量平局掩盖、只看检验会丢失保守策略信息，组合意义是同时报告敏感度大小与是否系统成立。

下面两张图分别是 2 个任务的评测提示，读图前要确认它们是模型真正看到的指令，直接决定输出格式与证据约束。第一张要求单行 JSON、只用可听证据、同时考虑说话内容与非言语线索，并给出 1 到 2、3、4 到 5 的声音锚点。第二张给出矛盾判定规则，听到明显窘迫声而文字淡化症状就判不一致且主导为音频。

看图路径： 1. 先确认输出契约要求单行 JSON 且只含等级与理由；2. 再看音频限定确认只能用可听证据；3. 最后对照紧急度锚点确认重症与轻症的声音描述

论文图 4。原论文 Figure 4：“Evaluation prompt for Task 1: Audio-based Emergency Severity Index (ESI) assessment.”。

任务一提示的教学价值在锚点写法。它不给诊断标准，只给可听描述，例如不能成句说话、严重气道杂音、频繁打断说话的咳嗽。这样模型必须引用听到的线索，而不是背疾病知识。代价是不同模型对同一锚点的理解仍可能不同，但固定提示至少保证跨模型可比。

看图路径： 1. 先确认二分类标签与主导信号的输出字段；2. 再看不一致判定规则确认何时应选音频为主；3. 最后看理由字段确认只引用一到两个可听线索

论文图 5。原论文 Figure 5：“Evaluation prompt for Task 2: Audio–Text inconsistency detection.”。

任务二提示的教学价值在把主导信号显式记录下来。一致或不一致是结论，文字还是音频是归因，理由限定为一到两个可听线索且不写诊断。这使得文本主导可以直接被观察到：如果模型听到喘息咳嗽却仍判一致且主导为文字，就是 1 次典型的跨模态失效。

听到症状声后紧急度动了吗，谁动了谁没动？

总体方向是多数大模型在带症状音频下向更紧急移动，正向明显多于反向且检验显著，但持平占很大比例，无效输出也不少。这说明能感知到声音的模型存在，但把声音稳定变成判断的模型不多。原文报告较小模型对注入线索反应有限，大模型族的正向比例大致在两成到近 50%，反向较小。疾病汇总后多数疾病正向多于反向，百日咳、慢性阻塞性肺病、脱水、重症肌无力等声音显著的疾病差异更明显，帕金森则无显著方向移动，卒中构音障碍处于弱显著边缘。

下表聚焦模型异质性与无效输出，读表前的问题是，在同样 2400 对下，正向多是否等于可用，持平与无效各占多少。公平条件是每模型同等配对数，指标方向是正向越高且反向越低越好，但无效越高则有效比较基数越小。

表后要讲收益与反例。收益是声音显著疾病上多数模型能系统上调紧急度，支持声音被部分使用。代价一是持平主导，说明依赖文字或保守策略仍是主流。代价二是无效输出直接削弱高风险分诊可用性，突出例子无效接近一半。反例是系统反向模型，它听到症状声反而判得更不紧急。

另一反例是近随机模型，正负几乎相等且检验不显著。这两个反例说明敏感度高度依赖模型，不能用总体趋势代替每个模型。

年龄性别交互是次要可靠性检查。下图是任务一的年龄性别交互热图，读图前要确认每个格是双重差分，单位为百分点，接近零表示男女差异在年老年幼中相似。

看图路径： 1. 先确认横轴为模型、纵轴为疾病的热图布局；2. 再看右侧色标确认单位为百分点且正负表示交互方向；3. 最后比较多数格颜色深浅是否形成跨模型一致模式

论文图 1。原论文 Figure 1：“Age×Gender interaction in tag effect (effect size, pp).”。

这张图可见多数格交互较小且统计不显著，原文对应检验表也显示没有跨架构与跨疾病一致的交互模式，个别格名义显著但不构成系统规律。因此主要失效模式更可能是跨模态整合不足，而不是人口学偏置。教学上要区分相关与因果：没有系统交互不等于证明绝对公平，只是在当前控制声音与文字下，未观察到稳定的人口学漂移。

安心文字配危险声音时，模型能否推翻文字？

任务二把难度推高，因为文字明确误导。总体表现随架构剧烈分化，最好模型的不一致检出率超过 70%，最差的两成出头，说明多数模型在显式冲突下仍被文字带着走。疾病分化更大，声音鲜明突出的疾病检出率极高，声音细微或不那么紧急感的疾病检出率很低，哮喘发作接近随机，说明任务能区分声音是否强到足以推翻中性文字。年龄性别交互同样弱且不一致，支持主要问题是声学接地不牢，而不是系统人口学偏置。

下表先看模型间差距，读表前的问题是，在同样矛盾输入下，谁更愿意相信耳朵而不是文字。公平条件是同为安心文字加症状声音，指标方向是不一致率越高越好。

表后要讲代价。最高模型的收益是跨模态覆盖较强，但即使它也不是全对，且优势集中在声音显著疾病。未胜出项的反例很清楚：两个低检出模型在同样高风险声音下仍大量判一致，说明词面安抚抑制了对可听窘迫的响应。这正是论文所说的文本主导失效模式。

下表再看疾病间差距，读表前的问题是，哪些声音强到能推翻文字，哪些不能。公平条件是 pooled 全部模型后的同一矛盾构造，指标方向仍是不一致率高为好，但要结合基线 0.5 理解。

表后要补限制。疾病差异支持声音显著性是关键调节变量，但不能反推真实临床可诊断性，因为标签式合成的声音强度本身就是人为设定的。哮喘接近随机的例子说明，当可听线索温和时，模型不确定而非系统偏向一侧。复现时若只看平均不一致率，会掩盖这种疾病异质性，必须按疾病分层报告。

哪些边界会让结论不成立，原文自己承认了什么？

第一个边界是合成语音的生理真实感。原文明确说基于标签的合成不能保证完整生理真实，不能复现自发疾病动态与细微病理时序，只能做受控注入。基准应理解为声学接地的受控压力测试，而不是临床验证的疾病模拟器。特征分析的静音比增加 0.23、能量降低与频谱距离 80.8 只证明注入在波形上系统可测，不证明临床真实。

第二个边界是任务覆盖窄。12 种疾病只测是否注意到声音并用于分诊式判断，不测靠声音识别疾病，重叠的声音类型是预期设计。真实分诊还有追问、纵向推理与不确定性决策，本文只测前提能力。单轮零样本固定提示保证可比，但换提示或做适配可能改变性能，原文把重点放在固定协议下的受控比较。

第三个边界是提示与解析稳健性。原文用小规模实验显示改写提示后平均紧急度大致在 2.90、2.72、2.60 附近，对重症可听窘迫的识别一致率在 71.4% 与 77.6%，说明总体严重度漂移不大，但精确等级并不总是完全一致。解析失败本身也是结果的一部分，无效输出多的模型即使方向性数字不差，也不适合高风险分诊。

下表把稳健性与可测性证据集中起来，读表前的问题是，声音差异是否真实落在波形里，提示改写是否推翻主要结论。

表后要强调未测量项。原文未测量误判率之外的延迟、成本与真实部署开销，也未在自然录音上验证，因此不能承诺这些量得到改善。提高声音敏感度的方法还可能引入或放大组间差异，部署前需要额外的人口学稳健性评估。伦理上本文用合成音频，不含真实病人录音与可识别信息，不提供医疗建议，任何真实使用前都需要谨慎验证。

要复述与复现，先做什么，需要保留哪些信息条件？

先复述构造。12 种疾病每病 25 脚本，17 原始加 8 去线索改写，每脚本带标签与不带标签两个版本，8 声音来自男女、年轻年老与每组两个音色，任务一每病 400 条共 4800 条形成 2400 对，任务二 11 安心句乘 12 病乘 8 声音共 1056 条。合成用语音合成系统，脚本生成用大语言模型并要求不写病名、不直接写紧急度。

再复述评测。任务一输出 1 到 5 紧急度与一到两个可听理由，比较同对带标签与不带标签的方向，报告正向、持平、反向、无效并做符号与秩检验。任务二输出一致或不一致、主导信号与简短可听理由，报告不一致率并与 0.5 基线做二项检验，年龄性别交互做双重差分与对数比值比检验。所有音频独立零样本评测，提示跨模型相同。

复现先做三件事。第一是重建配对索引，保证比较的 2 次只有标签不同，文字与声音身份相同，否则方向性无意义。第二是固定输出解析器，把空回答、离题与无法解析统一记为无效，不把无效丢掉后只算有效样本的胜率。第三是按模型、疾病、年龄性别分层报告，因为总体平均会掩盖反向模型、无效模型与疾病异质性。关键超参数与信息条件主要是脚本数、声音数、标签词表、提示锚点与检验口径，这些决定结论口径。资源上本次未能确认代码模型数据可达，复现应按原文文字重建流程，不假设有公开仓库可用。

常见误解是把持平当成正确保守。教学上要纠正：在带症状与无症状文字相同的情况下，大量持平恰恰说明声音没有进入判断，保守不等于接地。另一个误解是把某疾病检出率高当成能诊断该病，实际上声音类型重叠是设计，任务只要求注意到并上调紧急度或判不一致，不要求说出病名。

何时值得尝试这种受控对照，还需补哪项验证？

当研究问题是模型是否真用了声音，而不是转写或文字推理是否准时，这种固定文字只改声音的对照值得尝试。它适用于怀疑文本捷径、病人可能淡化症状、声音有临床动机但容易被忽略的场景。复现时优先保证配对纯净与解析严格，再看方向性与不一致率，最后才看人口学交互，因为原文证据显示主要矛盾在跨模态整合，不在稳定的人口学偏置。

还需补的验证很具体。一是用更多样自然的录音做补充，检验合成上成立的声音敏感度是否迁移。二是换提示与适配策略的敏感性分析，确认文本主导在不同指令下是否依然成立。三是报告延迟、成本与误判代价，因为高风险分诊不能只看方向正确，还要看无效输出率与保守策略的临床后果。四是若用增强声音敏感度的方法，要同步评估组间差异是否被放大。

收束判断用原文的限定语气说：报告显示当前音频语言模型对临床声音证据的接地是脆弱的，安抚性文字会抑制对可听危险信号的响应，这种局限在年龄性别分组下总体稳定，因此支持主要失效是声音接地不足。可能与待验证的是，显式强调可听证据的训练目标能否在不引入新偏置的前提下改善高风险分诊，这需要后续在更真实数据与完整工作流中验证。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

另有 34 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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

← 返回 acl-2026 论文汇总