黑盒预测到临床叙事：语音认知筛查如何把词权重翻译成可核对的语言证据

英文题目：From Black-Box to Clinical Insight: A Multi-Stage Explainable Framework for Speech-Based Cognitive Impairment Detection

会议身份：conference:interspeech:2026:conference-paper-id:haghbin26_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#语音生物标志物 #多模态学习 #可解释性 #语音 #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 0.8/1.5 | 清晰度 0.7/1 | 影响力 1.0/1.5 | 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：应用研究

👥 作者与机构

• Yasaman Haghbin：机构信息未能从会议 PDF 纯文本可靠映射
• Sina Rashidi：机构信息未能从会议 PDF 纯文本可靠映射
• Ali Zolnour：机构信息未能从会议 PDF 纯文本可靠映射
• Fatemeh Taherinezhad：机构信息未能从会议 PDF 纯文本可靠映射
• Ali Fartoot：机构信息未能从会议 PDF 纯文本可靠映射
• Hossein Azadmaleki：机构信息未能从会议 PDF 纯文本可靠映射
• James M. Noble：机构信息未能从会议 PDF 纯文本可靠映射
• Maryam Dadkhah：机构信息未能从会议 PDF 纯文本可靠映射
• Maryam Zolnoori：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文处理语音筛查认知障碍任务，输入为最长30秒的多语言自发语音、对应转录与年龄分组，输出为健康对照、轻度认知障碍与阿尔茨海默病三分类及面向医生的结构化语言学解释，难点在于黑盒Transformer预测与临床认知语言机制之间缺乏可理解映射。筛查阶段采用语音护理自适应门控融合模型融合语言、声学与年龄表示并动态加权输出三分类概率，其预测与原始转录共同进入解释阶段。解释阶段并行计算面向Transformer的沙普利加性解释词级归因与四类理论语言学特征，将子词级归因聚合为词级证据。随后四阶段大语言模型流水线依次完成词级解读、特征级解读、跨源聚合与结构化报告生成，用六个认知语言维度约束提示并做渐进式精炼，这与仅输出数值重要性的既有可解释方法不同。在70例英语分层子集医生盲评条件下，报告与认知画像一致的得分为98%，高于系统临床可用性的得分为82/100。在NIA PREPARE基准测试集上筛查模型F1为72.11%、AUC为86.83%。该结论仅在英语子集小样本医生评估与单次测试集上验证，未覆盖声学可解释性与多语言泛化。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

为什么语音能做认知筛查，而黑盒又不够用？

这篇论文研究的任务是用语音做认知障碍筛查，区分健康对照、轻度认知障碍与阿尔茨海默病。白话说，输入是一段最长约 30 秒的说话录音和说话人年龄，输出是三分类的筛查预测。学习依赖是语音同时携带两类信号，一类是说了什么，即词汇、句法和语义组织，另一类是怎么说的，即发音计划、语速、停顿和韵律。轻度认知障碍和阿尔茨海默病会同时损伤语义记忆、执行功能和语言组织，因此这两类信号都有筛查价值。

对刚入门的研究生，第一个必须保留的信息是筛查不等于诊断。筛查模型回答的是当前语音更像哪一类人群，用于提示进一步检查，而不是给出病理结论。论文在讨论中明确把语音定位为血浆生物标志物的功能补充，前者反映神经病理，后者量化日常认知语言功能。这个定位决定了后文解释框架的目标，不是复述模型分数，而是把分数翻译成临床可讨论的语言证据。

第二个必须保留的信息是临床可用性的门槛。医生需要的不是某个词的重要性分数，而是这个词为什么能反映潜在认知过程，以及它对应词汇、句法、连贯性中的哪一类能力。变换器把文本切成子词并做深层非线性组合，单个重要性分数无法直接回答这个问题。这就是论文要做多阶段解释的原因，先算模型依赖了什么，再用临床构念重新组织，最后才生成自然语言报告。

已有可解释方法走了多远，还缺哪一环？

论文回顾了 3 条相关路线。第一条是用随机森林等传统模型接手工特征，例如在 ADReSS 基准上用词性分布和词汇多样性训练分类器，再用 SHAP 在队列层面量化语言特征重要性。白话说，这条路线特征本身可读，但模型容量和跨语种语音建模能力有限。第二条是把可解释工具接到变换器上，例如用 LIME 解释在 ADReSS 转录上训练的 BERT，用 SHAP 给微调 BERT 在 ADReSSo 上的重要词排序。第 3 条是混合建模，例如对 XGBoost 用 SHAP、对微调 RoBERTa 用 LIME，发现模型依赖我不记得这类模糊表达。

这些工作的共同局限是停在词级归因或手工特征层面，缺少与临床评估机制的连接。SHAP 能说 something 这个词重要，但不能说它反映的是找词困难、指代模糊还是执行功能受损。医生在阅片式评估中需要的是后者。论文因此没有把贡献放在提出新的归因算法上，而是放在建立从归因到临床叙事的固定管线，让每一步输入输出都可检查。

对初学者要区分同输入同目标下的不同监督与运行阶段。传统路线监督的是手工特征与标签的关系，变换器路线监督的是原始语音或文本与标签的关系，本文解释框架本身不改变筛查模型的监督信号，它只在推理后解释已训练模型的单样本预测。因此不能把解释阶段的医生评分当作筛查准确率的替代指标，二者测量对象不同。

本文要解决的具体问题与输入输出是什么？

形式化一下任务。设一个样本为三元组，波形、由自动语音识别得到的词级转录文本、离散化年龄组。目标是输出对照、轻度认知障碍、阿尔茨海默病 3 类上的概率分布，并取最高概率类作为筛查结论。解释任务的输入在预测之后增加四样东西，原始转录、模型预测类、SHAP 词级贡献、4 个维度的手工语言特征值。解释任务的输出是一份结构化语言学解释报告，围绕词汇丰富度、句法复杂度、流畅性与重复、语义连贯性等维度组织，论文在流水线第 1 阶段又扩展出空间推理困难和执行功能，共 6 个认知语言维度供映射，最后精简为 4 个最具诊断意义的维度。

举一个教学例子帮助理解，但它不是论文数据。假设转录中出现窗帘、围裙等具体名词，模型给对照类的概率最高，解释需要回答两件事，哪些词把概率推向对照，以及这些词为什么支持词汇丰富或空间描述完整。反过来，若转录中反复出现那个东西、他拿什么下去这类模糊指代，解释需要把它们映射到词汇提取困难和指代不清，而不是只列出分数。论文图 3 的对照例与 AD 例正是沿这个逻辑组织的。

必须保留的约束是解释忠实性与临床可读性之间存在张力。完全忠实需要保留子词级数值，完全可读需要压缩成短句。论文用分阶段流水线处理这个矛盾，前 2 阶段分别保留数值细节，第三阶段做收敛整合，第 4 阶段才做压缩精简。每一步都保留原始转录和模型预测作为公共输入，防止后段生成脱离前段证据。

整个系统如何从一段录音走到一份临床报告？

沿一个样本走完全流程。录音进入后先做 3 步预处理，年龄按中年、老年、高龄 3 段离散化，波形做峰值归一化使最大绝对幅度为 0.95，转录由 Whisper-Large 生成并经人工检查纠正不完整或错误转录。然后声学分支把重叠 5 秒窗口送入 mHuBERT 并经定制自注意力编码得到声学表示，语言分支把转录送入 mGTE 并取末层分类标记嵌入作为语言表示，年龄分支做类别编码。3 路表示经门控融合得到三分类对数几率，再经 SoftMax 得到预测。

预测完成后进入解释分支。语言编码器的词级 SHAP 归因走阶段一，手工语言特征走阶段二，二者在阶段三做交叉聚合，阶段四生成结构化报告。4 个阶段共用同一个大模型 LLaMA-3.1-70B-Instruct，但每阶段提示不同。阶段一和阶段二的提示曾用独立验证子集经医生迭代优化，最终报告再在测试数据上独立评估。

下图是筛查模型的结构总览，阅读时先看主路径再看汇合点，有助于理解后文解释只覆盖哪一条分支。

看图路径： 1. 先从底部原始波形出发，确认一路走向声学分支、一路经转录走向语言分支；2. 再看年龄分支从右侧独立进入融合网络的位置；3. 比较三个分支各自经过全连接加 Tanh 投影后再进入融合的汇合方式；4. 最后确认顶部输出为 Control、MCI、AD 三类

论文图 1。原论文 Figure 1：“Architecture of the screening model.”。

这张图显示底部原始波形分出两条上行路径，一条经切分进入 mHuBERT 声学编码并附加分类标记后走定制自注意力编码，另一条经转录文本进入 mGTE 语言编码，右侧年龄单独成一路，3 路各自经过全连接加 Tanh 投影后进入中间的融合网络，最终在顶部输出对照、轻度认知障碍、阿尔茨海默病 3 类。关键观察是语言、声学、年龄在融合前已被投影到可加权求和的同维空间，这为后文只解释语言分支留下了一个明确缺口，声学注意力与韵律表示尚未被翻译成临床叙事。

自适应门控融合 × 混合专家思想： 自适应门控融合分工是为语言、声学、年龄 3 种表示分配样本级权重，混合专家思想分工是提供按输入选择专家的路由直觉，二者搭配的理由是不同受试者可判别信息分布在不同模态，组合意义是先把各模态投影为同维输出向量再做加权求和，使融合权重本身可随样本变化。

筛查模型的三路表示与门控融合做了什么计算？

先讲表示。白话说，表示就是把变长输入压缩成定长向量。语言编码器用 mGTE 处理转录全文，取最后一层分类标记向量作为整段话的语义快照。声学编码器处理的是超出单次上下文的 30 秒录音，做法是切成重叠 5 秒窗口，每个窗口用 mHuBERT 编码，再加一个可训练分类标记并送入两层四头的定制自注意力编码器，目的是同时保留局部韵律线索和长程时序结构。年龄编码把 46 到 65 岁、66 到 80 岁、80 岁以上 3 段映射为类别表示，论文说明预实验发现离散编码下游分类优于连续年龄。

再讲融合。融合网络先把 3 路隐表示拼接后送入门控网络分配动态权重，每路隐表示再经各自全连接层投影为模态专用输出向量，最后对 3 路输出向量做加权求和得到融合对数几率，经 SoftMax 得到 3 类概率。混合专家思想在这里只取其路由直觉，即按样本选择更可信的模态，而不是真的训练多个完整专家模型。

下图是解释流水线的总览，它与筛查模型的关系是前者复用后者的预测与归因，而不是重新训练分类器。

看图路径： 1. 先确认左侧 SpeechCARE-AGF 虚线框内声学、语言与融合模块的输入来源；2. 再沿 SHAP 箭头看词级归因进入阶段一的路径；3. 比较下方四个语言特征进入阶段二的并行路径；4. 最后跟踪阶段一与阶段二如何汇入阶段三再到阶段四的结构化报告

论文图 2。原论文 Figure 2：“Multi-stage explainability pipeline for clinically grounded cognitive impairment interpretation.”。

这张图左侧虚线框为 SpeechCARE-AGF 筛查模型，波形进声学编码器、转录进语言编码器、年龄直接进融合，语言编码器另引出一路进入 SHAP 模块，对应阶段一的词级归因输入。下方 4 个手工特征并行进入阶段二。中间 3 个圆形依次为阶段一、阶段二并行后的阶段三交叉聚合，再到阶段四生成右侧黄色的结构化报告，上下各有一条医生优化提示的虚线回路。阅读时重点确认阶段三的输入是前 2 阶段的结构化输出，而不是原始波形或原始分数。

mGTE 语言编码 × mHuBERT 声学编码： mGTE 语言编码分工是把转录文本压缩为句级语义表示，mHuBERT 声学编码分工是把分段语音压缩为韵律与时序表示，二者搭配的理由是认知障碍同时体现在说什么和怎么说上，组合意义是由门控融合按样本动态加权后再判读，而不是单模态直接投票。

SHAP 词归因与手工语言特征各自提供什么证据？

SHAP 是一种扰动式解释方法，白话说就是通过遮挡或替换输入词观察预测如何变化，从而估计每个词对某类的贡献。难点是变换器先把词切成子词，直接对子词扰动会得到碎片化分数。论文的做法是封装一个模型包装器，内部完成分词、变换器嵌入与类概率输出，使 SHAP 可以在词级估计贡献，再用层级聚合把子词级归因映射回词级表示。这样医生看到的是整词高亮，而不是无意义的子词碎片。

手工语言特征补的是临床构念。论文列出 4 个域，词汇丰富度如类符形符比、Brunet 指数与 Honor 指数，句法复杂度如平均小句长度与词性多样性，流畅性与重复如语速与长停顿，语义连贯性如内容密度与代词名词比。数值本身附带操作定义和文献参考范围，例如类符形符比在 0 到 1 之间，越低越重复。阶段二提示把这些数值翻译成认知语言功能层面的解读，而不是直接复述数字。

SHAP 词归因 × 理论驱动语言特征： SHAP 词归因分工是回答模型为这次预测依赖了哪些词，理论驱动语言特征分工是回答这些语言现象在临床构念下算什么水平，二者搭配的理由是前者局部忠实但无临床语义、后者有临床语义但不直接反映模型权重，组合意义是在第三阶段做交叉聚合，只保留两种证据收敛的解释。

两类证据的互补关系要在阶段划分中理解。阶段一的输入是词与 SHAP 值二元组加转录与预测，输出是把重要词映射到 6 个认知语言维度。阶段二的输入是特征数值加操作定义，输出是量化模式的功能解读。两者都保留原始转录和预测作为公共上下文，防止解释偏离当前样本。只有当两路证据指向同一维度时，阶段三才将其作为收敛证据写入最终报告。

四阶段大模型推理如何把数值变成可读报告？

4 个阶段是手动编排的线性流水线，不是自主多智能体并行。阶段一做词级解释，提示内含 6 个维度的临床描述，把 SHAP 重要词约束在认知语言框架内。阶段二做特征级解释，提示内含每个特征的定义与参考范围，把数值约束在已确立的临床解读内。阶段三做跨源聚合，输入是前 2 阶段的结构化输出，任务是比较词归因与特征度量的一致与分歧并整合成单一解释。阶段四做润色与总结，把阶段三的聚合解释重新提交并指示抽取 4 个最具诊断意义的语言类别，每个类别用简明条目呈现。

关键实现细节是每阶段共享原始转录和模型预测，且阶段一与阶段二的提示经过医生在独立验证子集上的迭代优化。这意味着最终 70 例测试评估用的是已冻结的提示版本，而不是边评边改。论文说明完整 4 阶段提示存放在项目仓库，但本次可验证资源状态不支持写出代码已公开的结论，因此复现时应以论文正文描述为准重写提示。

4 阶段流水线 × LLaMA-3.1-70B-Instruct： 4 阶段流水线分工是固定推理顺序与每步输入输出格式，LLaMA-3.1-70B-Instruct 分工是执行每步的映射与文字生成，二者搭配的理由是把开放生成约束在先词后特征、再聚合后精简的线性流程里，组合意义是减少语义漂移，使最终报告可回溯到前 2 阶段的结构化输入。

对初学者要强调流水线的线性假设。它假设先分别解释再聚合优于一次性联合解释，好处是每步可审计，代价是误差会向后传播。若阶段一把某个模糊词错映射到词汇维度，阶段三可能沿用该映射。论文没有报告阶段级消融，因此无法从证据判断去掉任 1 阶段后报告质量下降多少，只能说最终报告在盲评中与个体画像高度一致。

筛查模型如何训练，解释流水线本身训练了什么？

筛查模型的训练过程是明确的。mHuBERT 与 mGTE 两个编码器在统一架构内同时微调，共训练 15 个轮次，每轮后在验证集上评估并保留验证 F1 最高的检查点用于测试。优化设置上 mGTE 学习率为 10 的负 6 次方，其余部件为 10 的负 5 次方，批量大小为 4，全连接层用 128 个神经元加 Tanh 激活，门控网络用 384 个神经元，对应 3 模态各 128 维的拼接。这种小批量与小学习率组合符合大编码器联合微调时防止灾难性遗忘的常见做法，但论文未报告优化器类型与权重衰减，这是复现时的缺项。

验证集构造是从训练数据中按诊断组分层随机抽 20%，共 329 人，保证对照、轻度认知障碍与阿尔茨海默病比例与总体一致。测试集是 PREPARE 官方发布的 412 人独立集合。选型指标是验证 F1，最终报告测试 AUC 与 F1，说明选型与报告指标不完全相同，但都是越高越好的分类指标。

解释流水线本身没有做梯度训练。4 个阶段调用的是现成的 LLaMA-3.1-70B-Instruct 推理能力，通过提示工程完成映射与生成。唯一的学习式环节是医生对阶段一与阶段二提示的迭代优化，它改变的是提示文字而不是模型权重。因此复现解释部分的关键不是调参，而是重建相同的输入格式、维度定义与聚合指令，并固定解码设置以减少随机性。论文未报告解码温度与采样策略，这也是需要补记的缺项。

数据、划分与评估条件是否可比？

数据来自美国国家老龄化研究所 PREPARE 基准，包含 2058 名受试者的语音，训练 1646 人、测试 412 人，覆盖英语、西班牙语和汉语。队列组成为 1140 名健康对照、268 名轻度认知障碍、650 名阿尔茨海默病。录音来自多个语料库，截断到最长 30 秒，平均 27 秒。年龄分 3 段，46 到 65 岁为中年，66 到 80 岁为年长，80 岁以上为高龄。这种多语种、多来源、类别不平衡的构成意味着模型必须同时处理语言差异与类别先验，F1 比准确率更能反映少数类的检出能力。

下表把数据规模与划分条件整理成可核对的形式，阅读时先确认比较问题是样本量与类别分布是否支撑后续主结果，再看划分是否独立。

上表的主要价值是固定复现条件。训练与验证来自同一原始训练池的分层划分，测试为官方独立发布，因此测试 F1 可视为对未见受试者的泛化估计。代价是类别高度不平衡，对照占比过半，模型可能偏向多数类，需要结合 AUC 判断排序能力。未胜出或未评测的边界是论文只报告了最终融合模型的测试分数，没有给出单模态或不同年龄编码的对照分数，因此无法从本文证据量化融合相对单模态的增益。

临床评估条件分两段。第一段用独立验证子集优化提示，第二段在 70 例英语样本上做盲评，抽样覆盖筛查模型预测正确的 30% 病例，并按诊断标签、年龄、性别、教育分层。2 名初级保健医生在不知模型预测、真实诊断与对方评分的条件下独立评审。可用性研究另招 3 名初级保健医生与 2 名神经科医生，均未参与建模与前序验证，采用系统可用性量表与出声思维会话。

主结果测了什么，数字支持什么判断？

主结果回答筛查模型本身是否可用。模型在官方测试集上 AUC 为 86.83%，F1 为 72.11%。AUC 越高说明跨阈值区分能力越强，F1 越高说明在精确率与召回率平衡下对少数类也有检出。论文用平衡有效性来概括这两个数字，支持的判断是该融合模型可作为后续解释的底座，但不支持直接等同临床诊断准确率，因为筛查阈值、临床流程与误诊代价尚未建模。

解释质量的证据来自医生盲评。2 名医生对结构化报告与患者个体认知语言画像的一致性达成 98% 一致，Cohen kappa 为 0.85，说明不是泛泛的群体描述，而是成功把 SHAP 高亮词映射到说话人特异的损伤画像。可用性总分为 82 分，满分 100 分，医生反馈语言摘要提供了可操作的评估证据且易学易用。

下图对比了对照例与 AD 例的解释输出，阅读时重点看高亮词与底部条目是否一一对应。

看图路径： 1. 先对比左右两例顶部词级高亮的密度与用词具体程度；2. 再核对底部报告中词汇丰富度与语义连贯性的措辞差异；3. 观察空间推理与执行功能两条在对照例与 AD 例中方向相反的判断；4. 确认每条解释是否回指到上半部分被高亮的具体词或句子

论文图 3。原论文 Figure 3：“Explainability output comparison between (a) a Control and (b) an AD case.”。

像素可见的差异是明确的。左侧对照例转录中绿色高亮落在 cupboard、curtains、apron 等具体名词与空间描述句上，底部报告对应写出词汇多样性好、事件序列清晰、能描述窗外与室内空间关系、执行功能未见紊乱。右侧 AD 例紫色高亮密集落在 something、what is he getting down、I do not know what 等模糊指代与犹豫表达上，底部报告对应写出词汇受限、指代模糊、空间定位困难与话题切换突兀。这种一一对应是阶段三聚合有效的定性证据，但它只展示两个代表例，不能推广为全测试集的分布结论。

盲评一致性 × 系统可用性量表： 盲评一致性分工是检验生成的解释是否符合患者个体认知语言画像，可用性量表分工是检验界面能否嵌入临床工作流，二者搭配的理由是前者管解释正确性、后者管落地可行性，组合意义是同时回答解释可信吗和临床愿意用吗这两个不同问题。

下表把可运行策略的定量结果与训练配置放在同一视野，便于核对指标方向与代价。

上表支持的判断是筛查性能、解释忠实性、可用性三者分别达标，但各自代价不同。筛查代价是联合微调两个大编码器的小批量训练成本，解释一致性代价是只在预测正确的英语子集上评估，70 例且排除了模型判错的困难样本，可用性代价是样本仅 5 名医生且为定性加量表。未胜出项是论文未报告模型判错样本上的解释表现，这是重要的失败条件缺口，实际部署中最需要解释的恰恰是疑难与误判样本。

哪些对照缺失，失败条件在哪里？

严格意义上本文没有提供消融表。原文未报告去掉声学分支、去掉年龄、去掉阶段三聚合或只用 SHAP 不用手工特征后的分数变化，因此不能说哪一路贡献了多少 F1，也不能说 4 阶段中哪 1 阶段不可或缺。教学上要把缺失证据与技术错误分开，缺失只是意味着无法做因果归因，不代表方法无效。

可以用已报告信息做有限的反证讨论。对照例与 AD 例的对比显示，当转录词汇具体且空间描述完整时，解释指向保留，反之指向受损，这支持解释对输入措辞敏感。但敏感不等于鲁棒，转录错误、方言、教育水平与多语种差异都可能改变 SHAP 高亮与特征值。论文说明转录经过人工纠正，这在实验中控制了自动语音识别噪声，但在真实门诊中自动转录错误仍会进入流水线，其影响未被测量。

另一个失败条件是语言覆盖。盲评 70 例均为英语，而训练与测试包含西班牙语和汉语。跨语言的词汇丰富度与句法复杂度度量是否可比，SHAP 在不同语言分词下的聚合是否稳定，论文没有给出分语言结果。因此当前证据只支持英语子集上的解释有效性，跨语言推广属于待验证。

当前框架的边界与不能承诺的事是什么？

论文明确承认解释目前只覆盖语言分支，声学分支的 mHuBERT 注意力与韵律表示尚未被翻译成音高、语速等临床叙事。这意味着融合模型用了 3 模态判读，但解释只讲了其中一模态，存在解释覆盖不全的问题。若某样本的预测主要由声学权重驱动，语言解释可能给出合理但非决定性的故事，这是多模态解释的常见风险。

不能承诺的事包括延迟、成本与误判率改善。原文未测量推理耗时、算力开销与端到端误诊变化，因此不能说该框架让诊断更快更便宜，只能说可用性评分显示医生认为它易用且有行动参考价值。同样，总体趋势不等于每组都成立，高龄、低教育或重口音群体的解释质量需要另行分层验证。

资源状态也需要如实交代。本次收到的验证信息中没有发现来源绑定且完成安全状态验证的资源，因此不得声称代码、模型或数据已公开。论文正文提到代码在 GitHub 与提示在项目仓库，但按本次证据只能写未能确认可达，复现应以正文方法描述为准重建，而不是假设可直接下载运行。

要复现这项工作，先做什么、保留哪些参数？

复现分两条线。筛查线先按原文重建数据条件，2058 人中训练 1646 人、测试 412 人，验证从训练按诊断分层抽 20% 得 329 人，录音截断 30 秒、平均 27 秒，年龄 3 段离散，波形峰值归一化到 0.95，转录用多语种大模型生成后人工纠正。模型线保留 mGTE 与 mHuBERT 联合微调、15 轮、验证 F1 选点、mGTE 学习率 10 的负 6 次方、其余 10 的负 5 次方、批量 4、全连接 128 加 Tanh、门控 384 维等关键超参数。缺失的优化器、权重衰减、随机种子与解码设置需要自行记录并做敏感性测试。

解释线先冻结评估协议再调提示。先复刻 70 例英语分层抽样与双盲独立评审，评审时隐藏预测与真实标签，再复刻阶段一六维度映射、阶段二特征定义加参考范围、阶段三交叉聚合、阶段四精简为 4 条的线性流程。每阶段输入都带原始转录与模型预测，阶段一与阶段二提示先在独立验证子集上请临床人员迭代，再锁定版本测测试集。建议固定大模型版本与解码参数并保存 4 阶段中间输出，以便审计误差在哪一步引入。

验证补项至少包括三件事，一是在模型判错样本上测解释是否会一本正经地讲错故事，二是分语言、分年龄、分教育水平报告一致性，三是记录端到端延迟与人工审阅时间。只有补齐这些，才能回答何时值得尝试，即当门诊已有录音采集与转录校对人力，且需要为筛查结论提供可讨论的语言证据时，该流水线值得试点，否则单用黑盒分数风险更高。

学完这篇论文，应该带走什么判断？

带走的核心判断是解释可以被工程化为固定管线，而不是一次性提示技巧。本文把词级归因的忠实性与手工特征的临床可读性分开处理，再用聚合与精简两步缝合，最终在小规模盲评与可用性测试中得到积极信号。这个分而治之的思路可迁移到其他语音健康任务，但迁移时必须重做维度定义与提示优化，不能直接套用认知障碍的 6 维度。

同时带走两个清醒认识。一是底座性能与解释质量是两回事，AUC 86.83% 与 F1 72.11% 只证明筛查底座可用，98% 一致与 kappa 0.85 只证明在预测正确的英语子集上解释符合个体画像，二者都不覆盖误判样本与非英语群体。二是多模态判读与单模态解释之间仍有缺口，声学解释缺失使当前报告只能讲清说什么的问题，还不能讲清怎么说的问题。

对研究生的行动建议是先复述方法再质疑边界。能不看原文画出从波形到三分类再到 4 阶段报告的数据流，能说出每阶段输入输出格式，能列出训练与评估的全部数字条件，才算真正读懂。在此之后再去补消融、补失败条件与补成本测量，这样的后续工作才踩在坚实的起点上。

⚖️ 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 interspeech-2026 论文汇总