听得到却听不懂：助听效果差异是否来自对精细声学线索的提取能力

英文题目：Expliquer la différence d’efficacité des aides auditives entre individus en reliant sensibilité aux modulations spectro-temporelles et utilisation des indices acoustiques

会议身份：conference:jep:2026:conference-paper-id:lebagousse26_jep

✅ 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：#助听器 #心理声学实验 #言语感知 #语音 #语音可懂度评估

评分：5.2/10 | 创新 1.2/2 | 技术严谨 1.0/1.5 | 实验充分 0.7/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.5/1.5

排名：后50% | 文档类型：应用研究

👥 作者与机构

• Azal Le Bagousse：机构信息未能从会议 PDF 纯文本可靠映射
• Margaux Populasker：机构信息未能从会议 PDF 纯文本可靠映射
• Léo Varnet：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

本文输入为佩戴助听器的轻中度感音神经性聋老年法语用户在噪声下的言语感知行为，输出为个体间助听收益差异的超阈值机制解释，难点在于纯音听力图相当者言语可懂度差异极大而常规测听无法刻画精细声学线索提取能力。方法链分三步：先在白噪声中用/ada/-/aga/二分类的一上二下阶梯测得每人70.7%正确率的信噪比阈值，再在该个体阈值下用凸块噪声参数化操纵三线索能量并以心理测量函数斜率估计线索权重β1、β2、β3，最后用三区间迫选任务测与三线索结构对应的STM1、STM2、STM3调制检测阈值并做跨任务相关。与仅用单一原型调制预测整体可懂度的可听对比阈值测试不同，本文使调制朝向分别模仿第一共振峰、第二共振峰和高频爆破的声学结构，从而将低级调制敏感性与特定线索利用直接对应，为个性化补偿和信号处理优化提供指向。在FraMatrix言语接收阈值测试条件下，STM1灵敏度与阈值的Pearson相关指标r为0.456，高于STM2灵敏度与阈值的Pearson相关指标r 0.431。该结论适用边界受限于21人小样本的老年助听塞音分类任务，STM3仅3人完成且STM1-F1与STM3-爆破两对对应关系尚未验证，难以直接外推至自然连续言语。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

为什么相同听力图的人戴同样助听器效果差很多？

输入是这篇法语会议论文的研究问题，目标是给刚进入语音与听觉方向的研究生讲清方法链条，输出是 1 篇可以对照原文复述实验流程的解读。必须保留的信息包括 21 名佩戴助听器者的纳入条件、ada 与 aga 分类任务的 3 阶段设计、3 种声学线索与 3 种谱时调制的对应关系，以及 4 个相关系数的方向和显著性表述。本文不评价临床推广价值，只讲论文实际做了什么和在什么条件下成立。

助听器效果差异的起点是这样一个临床观察：两个纯音听力图相同的人，在噪声中听懂辅音的能力可以从满分一直掉到接近猜测水平。论文引用 459 人研究说明这种个体差异真实存在。白话解释超阈值损失，就是声音已经足够大、能够被听见，但声音内部的精细结构在听觉系统中被抹平或扭曲，导致大脑拿到的是模糊版本。英文是 suprathreshold deficits。纯音测听的英文是 pure-tone audiometry，它只回答多大的声音刚能听见，不回答听见之后细节保留了多少。助听器主要解决的是听得到，即按频率补偿增益，但不修复超阈值阶段对细节的损伤，这就对应了患者常说的听得到但听不懂。

超阈值损失 × 纯音测听： 超阈值损失指声音强度超过听阈后仍存在的对声音细节的处理损伤，纯音测听只测量各频率刚能听到的最小强度。两者分工不同：纯音测听说清听阈高低，超阈值损失决定听清后能否分辨细节；搭配理由是相同纯音图的人助听增益后效果仍可大不相同，组合意义是必须在放大量足够之外再测量细节提取能力才能解释我在听但听不懂的抱怨。

对初学者而言，关键依赖关系是先理解听阈与超阈值是两层问题，再理解后续所有测量都是为了把第二层问题拆开。言语识别依赖从声音中提取多个极细微的声学线索，英文是 acoustic cues，例如共振峰过渡的走向和高频爆破的有无。如果听觉系统不能保留这些起伏，识别就会失败。传统言语测听把音节或词的整体正确率当作一个宏观分数，它能说清总体受损多严重，但说不清是哪一个线索的提取坏了。因此论文提出需要同时做两类测量，一类是理想化的调制检测，一类是真实音节中的线索利用，再看两者是否对应。

已有路线为什么各管一半：言语测听与可听对比阈测试

已有第一条路线是临床常用的言语测听。做法是给单音节词、双音节词或无意义音节如 aba 和 ada，在不同信噪比下测正确率，信噪比的英文是 signal-to-noise ratio，缩写为 RSB 或 SNR。它的优点是快，能给出总体影响，但把音素感知当作黑箱，不区分被试到底靠哪条线索做判断。初学者容易误以为正确率高就等于每个线索都好，实际上被试可能只靠一条最 robust 的线索撑住成绩，换一组音素对比就会露馅。

第二条路线是可听对比阈测试，英文是 Audible Contrast Threshold，缩写为 ACT。它不用真实言语，而用噪声载波上的谱时调制，英文是 spectro-temporal modulation，缩写为 STM。白话说就是在时频图上做出有方向的斜条纹，测量被试多浅的调制深度还能察觉。论文特别提到时间频率 4 赫兹和频谱频率 2 周期每倍频程被视为对言语可懂度信息量很大的原型调制。以往工作显示 ACT 阈值能预测噪声中言语可懂度，超阈值损失大的人调制阈差，言语成绩也差。但缺点是它离自然言语较远，而且只用一种原型线索，不能回答不同损失是否选择性破坏不同言语线索。

可听对比阈测试 × 言语可懂度： 可听对比阈测试分工是用理想化的谱时调制检测阈来度量对精细起伏的敏感性，言语可懂度分工是测量在噪声中识别词或句的正确率。搭配理由是前者提供可控的低层听觉指标，后者是真实交流目标，组合意义是用低层敏感性预测高层可懂度，但原文指出单一原型调制只能解释群体趋势的一部分个体差异。

第 3 条相关工作是线索权重个体差异研究。论文引用在正常听力人和助听器佩戴者中用驼峰噪声测权重的系列工作，发现即使听力分组相同，每个人依赖时间线索还是频谱线索的程度也不同。白话解释听觉策略，就是面对同一个 d 与 g 区分，有人更看第二共振峰走向，有人更看爆破或第一共振峰。这种策略差异可能是助听效果差异的中介变量。本文的定位就是把 ACT 的低层敏感性思路和线索权重的策略思路连起来，而不是重复其中任何一条路线。

本文要检验什么：选择性损伤如何变成不同听觉策略？

本文只研究一个具体任务，即在噪声中把法语音节 ada 与 aga 分类，并解释其中 d 与 g 辅音的区分。这不是开放词汇识别，也不是句子理解。选择这对音节的原因是前人已经标出 3 条可用线索，一条主要线索是第二共振峰过渡，另外两条次要线索是高频解闭爆破和第一共振峰过渡。初学者可以这样想象：听一段 0.86 秒的 ada 或 aga，区别藏在中间辅音前后几十毫秒的频谱走向和瞬态能量里。

中心假设是超阈值损失不是均匀降低所有细节，而是选择性破坏某些时频朝向的提取能力。如果一个人对某种朝向的调制不敏感，他在真实言语中就用不好对应线索，于是被迫转向别的线索，形成不同的听觉策略，最终表现为助听后噪声中成绩不同。论文把这个大模型拆成可在 Open Science Framework 预注册的 5 个可检验假设，文中重点报告 3 个：调制检测成绩与噪声中言语可懂度相关，线索提取能力越强则 70.7% 正确率对应的信噪比阈值越低即负相关，以及某一线索的权重可由声学特征相似的调制敏感性预测。

需要强调的是这些都是相关性假设，不是干预因果。论文没有通过改变助听算法来证明策略改变会提高成绩，也没有测量神经层面的损伤部位。因此读结果时只能说调制敏感性预测或伴随线索利用，不能说调制训练必然改善言语理解。预注册和多重比较校正的意义在于限制事后挑选显著结果，文中明确说显著性水平用 Bonferroni 校正在每个假设内校正。

三步走总览：先定个人难度再测策略最后测调制敏感性

沿一个被试走完全程最容易记住顺序。第一步是白噪声中的 ada 与 aga 分类，用自适应阶梯法定出他个人达到 70.7% 正确率所需的信噪比。第二步仍是同样的分类任务，但把信噪比固定在他的个人阈值上，把白噪声换成驼峰噪声，通过系统改变驼峰能量来估计他对 3 条线索各自的依赖程度。第三步是与言语无关的三间隔调制检测，测他对 3 种朝向调制的检测阈。最后在个体层面做相关，把第一步和补充的 FraMatrix 句子测试当作总体成绩，把第二步当作策略，把第三步当作低层能力。

这个顺序有学习依赖：必须先有个人阈值，第二步才能让所有人处于难度大致相同的工作点，否则成绩好的人觉得太容易、成绩差的人全靠猜，权重估计会被整体难度污染。所有刺激通过扬声器以 65 分贝声压级呈现，被试全程佩戴自己的助听器，但关闭主动降噪等高级功能以统一条件。每次正式测试前有练习块，并鼓励休息以减少疲劳。

驼峰噪声 × 线索权重： 驼峰噪声分工是在时频平面指定位置叠加高斯能量包以选择性增强某一声学线索，线索权重分工是用心理测量函数斜率度量被试做决策时依赖该线索的程度。搭配理由是增强某线索若能强烈翻转 ada 与 aga 判断就说明被试正在用它，组合意义是把不可直接观察的听觉策略转化为可估计的斜率参数。

补充测量包括在助听佩戴条件下的自由场纯音阈即假体阈，以及 FraMatrix 句子测试给出的言语接收阈即 Speech Reception Threshold，定义为正确理解一半句子的信噪比。前者说明 audibility 是否补偿，后者提供与 ada 分类阈不同的另一类总体可懂度指标。整个设计没有训练神经网络，也没有拟合助听算法参数，计算过程是心理物理阶梯、心理测量函数拟合和相关分析。

刺激如何构造：真实音节、驼峰噪声与三种调制如何对齐？

言语目标取自 Oldenburg Logatome 语料库中男性说话人的 ada 和 aga 录音，与前人工作使用的刺激相同。时长 0.86 秒，采样率 16 千赫，强度均衡。初学者注意这里只有两个目标词，任务是二选一分类，不是开放集听写，因此 70.7% 对应的阶梯规则与通常的检出阈不同。图 1 上排用语谱图示意 3 条线索的大致时频位置，下排左侧示意驼峰噪声的能量包位置，下排右侧示意 3 种调制的条纹方向并叠加了线索示意以便比较。

驼峰噪声不是普通白噪声。白话说它是在白噪声上再叠加 5 个高斯能量包，每个包的位置、频宽和时宽按目标线索的时频位置设置。它的作用不是均匀掩蔽，而是选择性增强某条线索，从而把感知推向某一音素。例如增强偏向 g 的第二共振峰形态，被试就更可能回答 aga。做法是沿 5 级连续体参数化改变某一线索对应的 d 包与 g 包幅度，一个极端是 d 包最大而 g 包最小，另一极端相反，测试该线索时其他线索的包保持中间水平以减小干扰。每个线索条件有 13 种驼峰配置，每种配置与 ada 和 aga 目标各配 10 次，共每个配置 20 试次，总计 260 试次随机呈现。

第二共振峰过渡 × 谱时调制 STM2： 第二共振峰过渡分工是区分 d 与 g 的主要声学线索，表现为特定频段随时间上升或下降的共振峰轨迹，谱时调制 STM2 分工是用粉红噪声载波上构造方向一致的理想化倾斜条纹来模拟该轨迹。搭配理由是两者时频朝向尽量对齐，组合意义是可以检验对理想条纹的检测阈是否预测在真实音节中对第二共振峰的利用程度。

调制刺激以粉红噪声为载波，在时频域施加向上或向下的调制，生成谱图上的斜条纹。生成方法遵循 Zaar 等人的描述，区别是只调制与线索位置对应的特定频率区间。3 种朝向分别对应第一共振峰、第二共振峰和高频爆破的理想化版本。这种对齐是近似对齐，不是逐点复制真实共振峰轨迹，因此即使相关显著也只能说朝向相似的敏感性有关，不能说测的就是同一神经通道。

权重与阈值如何算出：阶梯、心理测量斜率与三间隔任务

实验一用 1 上 2 下阶梯瞄准 70.7% 正确率。每试次在白噪声中呈现 ada 或 aga 之一，被试报告听到哪一个。信噪比按阶梯自适应变化，做 3 次独立阶梯并取平均为最终阈值，若重复间差异超过 5 分贝则加测以排除测量失误。这种多次重复取平均的做法是为了降低单次阶梯收敛噪声对后续固定信噪比的影响，因为第二步的难度锚定完全依赖这个值。

实验二固定在个人阈值信噪比上，用驼峰噪声代替白噪声。对每条线索单独拟合一条心理测量函数，做法与 Varnet 等人 2019 年相同。自变量是该线索连续体等级，因变量是回答 aga 的比例，函数斜率记为贝塔值，3 条线索对应贝塔 1、贝塔 2 和贝塔 3。斜率越大说明驼峰幅度的微小变化越能翻转判断，即被试越依赖该线索。初学者要区分正确率与斜率：正确率说总体多准，斜率说准的时候靠的是哪条信息。

实验三用三间隔二选一结合 1 上 2 下阶梯测调制深度阈。每试次有 3 个间隔，两个是未调制粉红噪声，一个是调制噪声，被试指出哪一个不同。自适应变量是调制深度，起点为 0 分贝，阶梯参数与实验一相同。3 种调制条件随机顺序完成。补充的 FraMatrix 与纯音假体阈不在这 3 个实验内，而是在验配中心提前完成，用于提供独立的总体听力基线。

本研究有没有训练模型：没有，真实计算是阶梯收敛与函数拟合

本研究没有训练任何神经网络、声学模型或助听算法参数，也就没有训练集划分、梯度更新、参数冻结与解冻或早停。必须明确这一点，否则会误把心理物理阈值当作模型损失下降。真实计算过程分 3 类。第一类是自适应阶梯的在线更新：根据被试上一试次对错按 1 上 2 下规则增减信噪比或调制深度，目标收敛到 70.7% 正确率点，重复 3 次取平均。第二类是心理测量函数拟合：对实验二每个线索条件的 13 个驼峰配置下的反应比例拟合 S 形曲线并取斜率为权重。第 3 类是组层面的相关分析：在 21 人样本上计算总体成绩与调制阈、分类阈与权重、权重与对应调制阈之间的皮尔逊相关，并做 Bonferroni 校正。

未报告的细节包括阶梯步长、反转数取舍规则、心理测量函数具体形式如 logistic 或 probit 及其 lapse 参数处理。原文只说参数与实验一相同、拟合遵循 Varnet 等人 2019 年流程，没有给出公式或代码可运行版本。因此复现时不能从方法名称推定具体实现，必须回到那 2 篇方法文献核对拟合代码。也没有报告反应时、假警报率或助听器压缩参数，这些缺项意味着不能讨论处理延迟或非线性放大对策略的影响。

谁来做、在什么条件下做：21 人的来源与听音设置

被试从助听器验配中心招募，纳入标准包括年满 18 岁、佩戴 Oticon 的 Receiver In the Canal 类型助听器超过半年、轻到中度感音神经性聋、无耳鸣、法语母语、无认知神经或语言障碍、听力稳定。这些条件把助听器品牌和佩戴时长固定下来，减少设备差异，但同时限制了向其他品牌和其他损失程度的推广。目标样本量原定 20 人，因日程安排最终收集 21 人数据。

下表把与可重复性最相关的被试与呈现条件放在一起，数值保留原文写法。阅读时注意平均听阈是 500、1000、1500 和 2000 赫兹四点平均，单位是分贝 HL，而呈现声级是 65 分贝 SPL，两者参考系不同不能直接相减。个人阈值取 3 次阶梯平均的做法也一并列出，因为它是第二步公平性的关键。

上表的主要信息是样本小且年龄偏大，设备单一，听音条件经过标准化但仍是自由场扬声器加佩戴助听器状态。代价是助听器压缩、麦克风方向性等个体验配差异没有完全消除，只是关闭了主动降噪。未胜出的边界是耳鸣者、重度聋和非母语者都被排除，因此结论不能直接用于这些人群。数据划分在这里不是机器学习的训练验证划分，而是指 3 次阶梯重复与 260 试次随机化，这是心理物理内部的可靠性设计。

总体成绩与调制敏感性是否相关：FraMatrix 与 STM1 和 STM2

要回答的第一个问题是低层调制敏感性是否预测总体噪声中言语理解。论文把 FraMatrix 句子接收阈与实验三的 STM1 和 STM2 检测阈做相关。调制阈越低表示越敏感，FraMatrix 阈越低表示理解越好。原文报告两者呈边缘显著正相关，调制阈低的人 FraMatrix 阈也低。注意这里阈值都是分贝值，数值方向容易混淆：调制阈低是好，言语阈低也是好，因此正相关在散点图上表现为从左下向右上走，但含义是好的伴随好的。

下表集中列出 4 个核心相关结果，方向与显著性表述保留原文的边缘与趋势措辞，不把边缘显著改写成显著。阅读时同时核对样本量 21、指标对和单位，数值相同不代表指标相同。

上表的收益是 3 个主要假设都得到方向符合预期的相关支持，但代价是相关强度中等，p 值在 0.025 到 0.055 之间，且经过多重比较校正后只能称边缘或趋势。反例是 STM3 与爆破线索、STM1 与第一共振峰权重没有观察到对应关系，论文明确归因于部分条件太难，只有 3 人完成 STM3 阈值测量，因此不能用缺失来证明无关。

信噪比阈值 × 心理测量函数斜率： 信噪比阈值分工是达到规定正确率所需的信号与噪声强度比，数值越低说明抗噪能力越好，心理测量函数斜率分工是驼峰幅度变化引起 aga 反应比例变化的快慢，斜率越大权重越大。搭配理由是一个管整体成绩一个管策略，组合意义是可以检验更依赖关键线索的人是否同时获得更低的信噪比阈值。

以下导读针对本次实际收到像素的图 2，它包含 4 个散点加回归线子图，是理解上述 4 个相关的最直接证据。读图前先确认每个子图的横纵轴都是分贝阈值或权重贝塔，样本都是 21 人，回归线只是趋势辅助，不是因果模型。

看图路径： 1. 先看四个子图标题与横纵轴单位，确认 a 与 b 是调制阈对 FraMatrix 阈，c 是言语阈对 F2 权重，d 是 STM2 阈对 F2 权重；2. 再比较 a 与 b 回归线的走向与散点离散程度，注意右侧 0 分贝处多个点的堆积；3. 然后看 c 与 d 回归线向下倾斜的含义，并核对右下角 0 分贝阈值附近垂直排列的低权重被试；4. 最后把每个子图标题中的 r 与 p 值与正文报告的显著性表述对应起来

论文图 2。原论文 Figure 2：“Corrélations entre les résultats des 3 expériences (N = 21)”。

从像素可见，子图 a 横轴为 STM1 阈值，纵轴为助听后 FraMatrix 阈值，标题标出 r 为 0.456，p 为 0.0253，散点从左下向右上弥散，右侧 0 分贝处有多点垂直堆积。子图 b 横轴为 STM2 阈值，纵轴相同，标题 r 为 0.431，p 为 0.0357，同样右上堆积但左端有一个高 FraMatrix 阈值的离群点。子图 c 横轴为言语阈值，纵轴为 F2 权重贝塔，标题 r 为 0.424，p 为 0.0557，回归线向下倾斜，左上有一个高权重离群点。子图 d 横轴为 STM2 阈值，纵轴为 F2 权重，标题 r 为 0.487，p 为 0.0253，回归线向下倾斜，右侧 0 分贝阈值处同样出现多个低权重垂直堆积点。这些堆积提示部分被试在最浅调制或固定信噪比下已达测量上下限，相关可能受天花板效应影响，不能把末端趋势推广为全程线性。

哪条线索真正撑住成绩：F2 的主导作用与失败条件

如果把 3 条线索看作可替换的信息源，论文的消融逻辑不是去掉模型模块，而是看哪条权重大的人成绩更好。结果是第二共振峰权重与 ada 与 aga 分类的信噪比阈值呈趋势性负相关，越用 F2 的人阈值越好。这与前人在正常听力人和助听器佩戴者中发现 F2 是区分 d 与 g 最稳健线索的结论一致。可以复述为在当前刺激、当前信噪比锚定和当前驼峰参数下，F2 是主导线索。

失败条件同样重要。第一共振峰与 STM1、高频爆破与 STM3 都没有显示权重与敏感性的对应。论文没有把这写成证伪，而是给出具体机制解释：相关条件对老年助听被试太难，STM3 只有 3 人能测出阈值。这意味着缺失的是数据点而不是效应为零。若把未完成者强行纳入或赋上限值，相关会被人为扭曲。初学者应学会区分未测出、测出但不相关、测出且负相关 3 种状态，本文 STM3 属于第一种。

另一个隐性对照是 FraMatrix 与 ada 分类阈是两类总体成绩，前者是句子 50% 点，后者是音节 70.7% 点。两者任务、语言单位和目标正确率都不同，因此不能把其中一个的阈值直接当作另一个的基线。论文分别报告它们与调制或权重的相关，而不是把它们混在同一列比较差值，这一点在复述数字时必须保留。

相关性能走多远：样本、难度与因果的三重限制

直接报告的是 21 人样本上的中等强度相关，支持低层调制敏感性与高层线索利用有关。有限解释是超阈值损失通过损害特定朝向的提取来塑造听觉策略，这与 STM2 与 F2 的对应相关一致，但仍是解释框架而非测量到的神经损伤。未验证的推测包括据此优化助听信号处理或预测验配成功率，原文用将来时表述为研究目标，没有给出任何算法改进数据。

限制首先来自样本与设备。21 人、平均 71.1 岁、单一品牌助听器、轻中度聋、无耳鸣，这些条件使统计效力有限，离群点对相关影响大，图 2 中左端和右端堆积点就是例证。其次是测量范围限制。STM3 缺失使 3 对对应中只验证了 1 对，不能说调制敏感性普遍预测所有线索。再次是因果缺口。相关性不是因果，即使 STM2 敏感者更用 F2，也可能是共同的第三因素如年龄、认知或 audibility 残差同时影响两者，论文没有做因果中介分解。

资源状态方面，本次没有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，不得声称代码、模型或数据已公开。预注册在 Open Science Framework 的提及不等于数据可用，解读中只能说假设预注册，不能说材料可下载。训练资源、推理延迟和输出帧率在本研究中不适用，因为没有可部署模型，不承诺任何延迟或成本改善。

要复述与重做先固定什么：刺激、阶梯与拟合清单

复现先做三件事。第一是拿回完全相同的言语刺激，即 Oldenburg 语料库中那两个男性说话人的 ada 与 aga，确认时长 0.86 秒、采样率 16 千赫和强度均衡，否则共振峰位置变化会改变 3 条线索的时频坐标。第二是按原文重建驼峰噪声的 5 个高斯包位置、频宽和时宽，以及 5 级连续体和 13 种配置的组合方式，总试次 260 次的随机化也要保留，因为权重斜率对采样点敏感。第三是重建 3 种调制的载波、调制区间和朝向，使 STM1、STM2 和 STM3 分别对齐第一共振峰、第二共振峰和高频爆破。

实验流程上先在验配中心完成纯音假体阈和 FraMatrix，再按实验一到实验三顺序进行，每阶段前加练习块，全程佩戴助听器并关闭主动降噪，扬声器声级固定在 65 分贝声压级。实验一做 3 次 1 上 2 下阶梯取平均，差异超 5 分贝加测。实验二固定在个人阈值上测驼峰条件，实验三做三间隔二选一测调制深度阈。分析时对每条线索单独拟合心理测量函数取斜率为权重，再在个体层面算 3 组相关并做 Bonferroni 校正。

还需补的验证包括扩大样本并纳入其他品牌和重度损失，补测 STM3 的可测版本以降低难度，报告阶梯步长与拟合函数细节以便他人跑通同一条曲线，以及同时记录认知筛查分数以排除第三变量。只有补齐这些，才能判断 STM2 与 F2 的关联是否稳定，何时值得尝试个性化放大。

何时值得借用这个思路：一句话收束与误解澄清

当临床遇到纯音图相似但噪声中成绩分化明显的助听用户，且怀疑有人靠不同线索在支撑识别时，这套同时测总体阈、线索权重和对应调制敏感性的方法值得借用。它把听不懂拆成哪条线索没用上和哪种条纹看不见，比单一宏观分数更接近机制。复述时记住核心证据只有 4 个相关数和一个缺失数：STM1 与 FraMatrix、STM2 与 FraMatrix、言语阈与 F2 权重、STM2 阈与 F2 权重，以及只有 3 人完成 STM3。

常见误解有三。第一是把边缘显著当作确证显著，原文措辞是边缘和趋势，不应改写为强预测。第二是把未观察到 STM1 与 F1、STM3 与爆破的对应理解为证明无关，实际上是难度导致数据缺失。第三是把无训练研究误读为确定性求解，本文没有训练、没有优化助听参数，也就没有可部署收益数字，总体趋势更不等于每名被试都符合回归线。保留这些边界，这篇解读才算忠实于原文证据。

📐 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 7 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 jep-2026 论文汇总