一堂课怎样走完整条评价管线

按主题分组。管线里出现的每个名词都在这里，后文直接使用不再解释——正文里带虚线下划线的名词可以鼠标悬停（或点按）弹出这里的解释，不用来回翻页对照。

身份与粒度

session

一节完整的课。一节思政课通常分两次录制成两个视频文件，所以一个 session 名下挂两个课时。例：TJPU-XSX-T16-20250421。

pid（课时）

一个视频文件 = 一个课时 = 唯一评价单元（2026-08-14 拍板终稿口径：不做任何形式的两课时合并成一节课——此前是"暂不拼接"的临时取舍，现在是定案）。命名 {session}-P0/-P1，后缀按文件名尾序号排，不代表上下半堂的先后。

sid 命名规则

校代号-XSX-T教师号-日期。XSX=习思想课程线；教师号来自冻结注册表（只追加不重排，扩批时旧编号不失效）；全 ASCII 是因为中文在 ffmpeg 通配、shell、OSS 对象名上都踩过坑。

run（批次）

一次评价任务 = 一个目录 runs/<run名>/，里面有自己的 batch.json 和全部中间产物。换课程组合就换 run，互不干扰。本文主角所在 run 是 b_tjpu10。

batch.json

批次清单：{session: {label, periods:[{pid, path, fn, dur, tag, suffix}]}}。由 make_batch.py 生成（全语料抽样 / 显式清单 / 筛选产出三种来源），是整条管线的唯一入口输入。

/data/ro/

原始视频的只读绑定挂载路径。原始区是可写的网络盘，历史上有写坏风险；把它再挂载一次并设为只读，所有脚本只准从这条路径读——即使代码有 bug 想写，操作系统内核直接拒绝。

转写与说话人

ASR

自动语音识别（fun-asr 引擎）。管线的一切文本分析都建立在转写之上，因此转写质量是全链路第一大风险源。

热词表

179 个政治专名词条（"新质生产力"等），转写时提高这些词被正确识别的权重。主体权重5、短词降4——全表盲铺高权会把"五育/五通"强插进正常语句（污染而非纠正）。与另一条生产线刻意共享同一份文件，防两份漂移。

diarization / diar

说话人分离：把每句话标上说话人编号（spk0/spk1…）。用于算"非主讲说话占比"——判断学生发言有没有被话筒收进去。

逐字置信度 conf

ASR 对每个词给出的 0~1 可信程度。conf_median=整课全部词的中位数。已验证：它能几乎完美识别"重度转写损伤"课（AUC=0.954），但识别不了同音字替换——转错成同音词时置信度照样很高。

asr_raw

fun-asr 原始返回存档（含逐词时间戳+置信度），出问题时唯一可回溯的东西。派生文件（diar.json）每次都从它全量重建；asr.json/ts.json/asr_ts 三份派生 2026-08-14 审计停产（零消费者），需要时从这里重新派生。

分流与人审

路由（route）

"这个课时能不能进打分"的判定。判"不能"（eligible=false）的不是删除，是转入人工审核，人可以推翻。

eligible

route 文件里每个 pid 的布尔字段。false = 暂不进打分材料，等人裁决。

adjudications.jsonl（人审队列）

全流程唯一一份"存疑待人裁决"清单，每行一条：{sid, claim_ref, target, ai_said, evidence_summary, verdict, why}。七个环节往里写（P1时长差/P6.5低置信/P6.8言语筛查/P8.5a1三类过半/P8.5a2核验卡/P8.6归因/P8.7高分歧；其中六个经 queue_lib 统一去重写入，speech_screen 自带同语义实现），人工经命令行 adjudicate.py 或图形化页面（:8130）填 verdict。

verdict

裁决结论，三选一：对（AI判断成立）/错（AI误判）/拿不准。铁律：只有明确"错"才触发自动回纳，不是"没被否定就放行"。

回纳

人工裁"错"（AI 误排除了一门能用的课）后，脚本自动把该课时 eligible 翻回 true 并加 overridden_by_adjudication 留痕——不删原始判据数据，只是不再据此排除。

打分材料与护栏

打分材料（score_inputs）

喂给评分模型的最终文本：可选的防冤枉句块 + 两类行为标注 + 转写全文。每课时一个 txt，是评分的唯一输入；2026-08-14 起只在 P8.5 一个出口产出（P8.5p 步骤——此前 P7 也产一次、一条链写三次，收敛后材料只有一个产出点，可审计）。

防冤枉句 / 护栏

写进材料头部、只防"无中生有扣分"的提示句。铁律：护栏≤5条（8条实测反而更差——规则稀释）；绝不写入任何可当加分/减分依据的描述（实测"念稿提示"会被模型当-15分杠杆用）。2026-08-14 起自动护栏 0 条（G-3 拆除）；块机制保留，仍服务人工核验存疑提示。

G-3

已拆除（2026-08-14）。曾是最后一条自动护栏：diar 非主讲占比 ≤3% 时注入"学生发言可能未被拾音，不得据此推断缺互动"。拆除依据：十门 K=3 双臂 A/B 实测其两个防护效果（互动状态误判、评语"缺互动"扣分泄漏）已被 D6 prompt 三处无条件保护措辞兜住——分差全在噪声带（-2.7~+2.0）、互动状态 0 翻转、评语泄漏 0 处。条件注入能做到的，无条件措辞同样做到，还少一层检测机器。substance.json 产出与视频原声反哺链连带移除。

视频原声反哺（P8.5a3）

已随 G-3 拆除移除（2026-08-14）。曾把 KFA 核验过的视频播放句从说话人占比里剔除重算（防视频原声灌高占比让 G-3 落空）——G-3 没了，它失去唯一消费者。学生展示 20% 闸不受影响（其视频区间重叠剔除在 segment_ratio.py 内完成，不经 substance）。

verified_asr_caveats（人工核验转写存疑提示）

与已拆除的自动护栏（G-3 那类算法自动检测触发的）不同来源：这条必须逐条人工核验后手写进 eval/data/verified_asr_caveats.json，不是自动机制。用于"根据人审结果重评"——把已核实的具体发现（哪个术语、大致时间点）转达给下一轮评分，防止模型读到同一段烂转写又得出同样的错误指控。是已拆除的"自动检测局部转写质量"（因猜测性不可靠被拆）的替代路径：不猜哪里可能错，只在人已经确认某处确实错了之后才说。

打分杠杆

任何会被模型拿去加减分的描述性信息。防冤枉句块有自检词表（念稿/放映/课堂纪律/机位等12词），头部混入任何一个直接报错退出。

两类行为与 KFA

两类课上行为

学生展示 / 视频播放——转写会误导评分的两类环节（视频原声冒充教师讲解、学生的话不该按教师讲授评价），这才是标注存在的理由。2026-08-14 五类→两类：复习/行政事务/课堂测试不再单独识别——三类都是教师本人在讲、转写忠实，评分模型读全文自己看得懂；实证收益率也极低（复习全库104个span仅1过闸、行政49个仅1过闸）。三类占比过半的判断移交 nonteach_overload。

span

模型标出的一段行为区间：{kind, from句号, to句号, 引文起止}。时长由代码按时间戳算，模型只判语义边界。

三道防线

span 的机器校验：①区间号必须合法 ②引文必须能在原文逐字找到（找不到=编造，丢弃）③短于3句或60秒的丢弃（防顺口一句被标成环节）。

证据闸

三道防线之上的分类专属门槛（KFA 批量核验实证定的）：学生展示须"diar非主讲占比≥20%"；视频播放 v5 起双路径（2026-08-14 放宽）：有教师宣布原话=最强证据；无宣布须 ≥2 条独立线索自证（no_announce_evidence），编造宣布语整段作废。（复习/行政的"教师收束且>10分钟"闸随 2026-08-14 五类→两类拆除，实证记录在决策文档。）

end_basis

span 终点的依据：教师收束（教师有明确收尾话语）或 推断（模型猜的，把握度低，时长仅供参考）。（曾有 conf<0.70 自动降级机制，2026-08-14 二审拆除——end_basis 唯一消费者是核验卡展示，降级对任何自动口径零影响，其防的问题已被终点帧带覆盖；模型自报值原样保留。）

KFA

KeyFrame Arbitration 关键帧仲裁：把文本主张定位到时间戳→从视频抽帧→连同前文语境做成"核验卡"供人裁决。只读不改分。管线里三处使用：span写入材料前（P8.5a2）、高分歧课时（P8.7）、（证据附件形式）ASR归因（P8.6）。

核验卡

KFA 的产出：一个 JSON（主张+时间区间+画面路径+前文语境）+ 抽出的 jpg。2026-08-13 起 span 类核验卡从3帧改4帧（起点+2s/中点/终点-5s/终点+5s）——原来单独一帧取在终点-2s 正好卡在最难判断的边界上；改成终点前后各一帧，对比着看一眼就知道边界切没切准。视频播放 span 额外带终点帧带（见该词条）。产出核验卡 = 证据备齐；内容对不对仍由人裁决。

三层子票

2026-08-13 新增，图形化人审页面对 span 类核验卡的裁决方式：拆成分类（这段真的是这个行为吗）/边界（起止时间准吗）/引文（卡面引文与画面相符吗）三问各自投票。总verdict推导 2026-08-14 二审拍板修订：只由"分类"决定——旧规则"任一错→错"让引文失真冒充分类错误（T16-P0/span0 实案），且总票/引文子票本无自动化消费者，顶层"错"纯误导回看与报表；边界/引文判断完整保留在 sub_verdicts，且每层都有消费者：分类=错→撤销材料标注；边界/人裁终点→升格占比+结束标记移位。此前单票"对/错"会把三层信息压扁——首批人审两条"错"票实际都是"分类对、边界对，只是引文文本因播片段ASR失真而错"。

终点帧带

2026-08-13 新增，只给视频播放 span：end±5s 两帧只能回答"声称终点处还在放吗"这个是非题——终点报偏几分钟时人只知道"错了"不知道错多远。帧带在声称终点±2分钟内每15秒抽一帧摆成时间带，逐帧标就近句的 ASR conf（<0.70 标红≈视频原声），conf 连续两句恢复到 0.90+ 处紫框标出建议终点（辅助线，人裁决为准）。人审页面点选"视频已结束的第一帧"产出 end_pick：真实终点被夹在哪两帧之间（精度15秒）。其余四类的终点是语言边界，画面上没有"切换"可看，不做帧带。

人裁终点升格

2026-08-14 拍板：视频播放时长默认不计入自动占比（旧称"暂缓"，概念同日退役——新口径就一句：人裁终点优先，无人裁不计入），但人审给出的终点是人确认过的事实。两条路径（闸都是分类子票=对）："回纳生效"时——A 显式点选：end_pick 双边界，时长=两帧中点（±7.5s）−起点；B 背书：边界子票=对且未点帧带（人对照 end±5s+帧带确认模型终点没切错），时长直接用被背书的模型值；两者都有时 A 优先。写回 segment_ratio.json：sec_human + nonteach_ratio_with_video + 重写显示 label，原始 sec/nonteach_ratio 留痕不动。单边界（早于帧带首帧/帧带外仍在播放）不升格，扩窗重抽后再裁。占比统计升格之外，2026-08-14 二审起路径A的人裁终点还回收进材料标注（annotate_spans 把〖…〗结束标记移到人裁终点所在句）。首轮真实回收（b_tjpu10）：4 span 全升格，T10-P0 端点纠正 466→503s（人裁 774s 与 conf 建议 795s 方向互证）。

退化（有无标签）

KFA 核验不了（视频缺失/定位失败）的 span 不写入打分材料，只在 segment_ratio.json 里留"有过这类行为"的记录供报表——用户拍板的取舍：宁可少一条标注，不让不可核验的信息变成打分杠杆。

评分

codex 轨

主评分轨：gpt-5.6-sol 模型经 codex CLI 调用（在另一台机 openclaw 上执行），不走 API Key。当前单轨运行。

K=3

同一份材料独立评3次（每次全新会话，互相看不见），取均值为最终分。原因：单次评分噪声σ≈3.3分，而课与课的真实差距σ≈4.5分——评一次的信噪比≈1，必须多次平均。

极差 spread

K=3 三次分数的最大最小差。超过阈值（2026-08-13 起为 10，依 200 门实测分布下调）说明模型自己都判不准这门课，自动触发 KFA 抽帧核验其证据（P8.7）。

D6

当前生产版评分 prompt（打分准则）的版本号。输出字段：score（总分0-100）、reason（一句话定性）、content_score（内容分）、main_weakness（主短板标签）、evidence_quotes（支撑判断的转写原文引文，最多5条）。

EXTRA

拼在 prompt 末尾的4条固定任务纪律：用满量程敢打低分 / 确认式假问（"是不是/对吧"）不算互动 / ASR同音误转音对即正确不得扣分 / 独立判断不参考他课。

缓存失效（invalidate）

判断"这门课的材料/prompt 变没变"：变了→旧分数作废重评；没变→直接复用，零成本。2026-08-14 机制改造：失效判据从侧车哈希文件改为 eval 条目自带 input_sha/prompt_sha（打分脚本写回时一并写入）——侧车是会与分数脱节的第二状态源，实测把字节相同材料的合法分数误判失效、白花 24 次调用；现在分数与"打这分用的材料+prompt"永远同一份状态、随 rsync 一起走。材料文件被上游闸清掉的课时条目也自动摘除；存量无哈希条目 grandfather 保留。2026-08-18 M5 补全：prompt_sha 配方纳入 EXTRA+model+effort（改评分纪律/换模型也正确失效），条目记 model/effort 留痕；调用方必传 --model/--effort，缺了退化为旧配方→每轮全批误判失效。

asr_blame（ASR归因核查）

P8.6：扫描评分理由里的"教师概念错误/说错"类指控——那可能是ASR转错字造成的冤枉。有指控一律推人审（实测触发率仅7.4%），附自动定位的证据（指控短语@时间戳+上下文+conf）。不用置信度做闸，因为同音误转恰恰是高置信度错误。裁决消费两级：判"错/拿不准"写 sidecar claim_overrides.json 供对外报告过滤（分数不变，零成本；2026-08-14 审计修正——原先还往 eval_codex 写 blame_overridden 标记，但它必被 P8 拉缓存覆盖、最终文件里从来不会有，已删）；要真正干净的分数得走 verified_asr_caveats 触发彻底重评。2026-08-14 起入队条目带指控文本指纹（claim_ref=asr_blame_<sha256前8>）——重评后内容不同的新指控能重新入队，旧裁决只盖旧指控；并带 at_sec 视频跳转。

nonteach_overload（三类过半拦截）

2026-08-14 二次拍板定稿：判定放 P8.5a（通读带时间戳+说话人完整 diar 的环节），不放评分 prompt（材料无时间戳按篇幅估有盲区、评分 prompt 须单一职责）。分工守铁律"时长由代码算"：模型报三类（复习/课堂测试/行政事务）的句号区间（2026-08-18 v6 起连分钟数也不报——v5 自报分钟数 10 门实测全是敷衍值 1），分钟数、占比与 >50% 判定全由代码按时间戳算，无合法区间按 0 不冤枉——合成正例实测：让模型直接下结论，62% 复习被判"无"；改报分钟数后同一样例正确命中。判过半 → overload_route.py 写 eligible=false + 推人审，暂不推进后续环节（不进打分材料、不抽帧、不评分），人裁"错"经回纳恢复参评。半数以上时间不在讲授新内容的课，不适合按讲授质量评价。

教师言语筛查（P6.8 前置合规闸）

独立功能模块：筛查红线（价值导向/立场，severity单独标记）/跑题/身份不符言语（重点）/性质不符内容四类。2026-08-14 二次拍板从"P8.5S 只推人审不拦截"升级为前置合规闸：提前到材料构建之前，有确证发现的课写 speech_screen_route.json eligible=false 冻结——不建材料、不进 span 分析、不打分，先分流人审；该课全部条目被人裁"错"或二次放行（2026-08-14 拍板：verdict=对问题在案时人可显式裁定"准予回到评审队列"，release=true+必填理由，发现记录不动）才放行，"对"未放行/"拿不准"维持冻结。条目带时间点、人审页一键跳转原视频核听（/video 端点，HTTP Range 流式）。防误报确定性证据闸：引文逐字防伪/成段类120s时长闸/conf<0.85标"疑转写失真"（播片段排除前置后首轮无 span 可用，靠 prompt 判例+人审兜底）。概念/事实类指控走 asr_blame 通道。真机回归：T08 两课时经人审确认"对"被冻结退出评分线。

图形化人审页面

review_server.py（stdlib HTTP服务）+ review_ui.html，内网 :8130。填补"KFA核验卡/队列只能命令行读写"的缺口——按 run 切换队列，span 类核验卡显示画面+三层子票，其余类型显示富证据文本，点按钮直接写回 adjudications.jsonl，"回纳生效"按钮直接触发 P6.6。跟命令行 adjudicate.py 读写同一份文件，可混用。

superseded（条目过期）

2026-08-18 修缮批：重析/重转/重评后内容已变的旧队列条目由生产方自动标记过期——裁决历史保留但不再生效，pending 视图隐藏（人审页勾选"显示已过期"可见，⌛标记禁投票）。由此 (sid, claim_ref) 不再唯一，全部消费方统一取未过期那条。配套：核验卡与帧图文件名带引文指纹，重析写新文件、旧证据永不被覆盖，过期条目仍能回看自己那张卡。首轮生产回归 8 条僵尸正确回收、已裁 9 条原样保留。

终局台账（run_manifest）

P8.8（2026-08-18 新增）：整批"谁出分/谁被闸挡/谁在等人"一张表。每课时一行 final_state（scored/excluded_conf/frozen_speech/blocked_overload/pending_human/asr_failed/unknown+WARN）+ 闸依据 + 阻塞性待裁统计 + 经 claim_overrides 过滤的主短板（"⚠指控被否"）+ 占比账本挂载。纯只读派生，每次跑完（含 --only 局部重跑）都刷新；它是 claim_overrides 的第一个真实消费者，也取代了旧 grep 待裁告警的虚高口径。

弱信号（asr_blame 裸标签）

2026-08-18 H1：main_weakness 枚举标签单独命中指控正则（实际只有"概念混淆"）不再入队——D6 强制五选一让"相对最弱项"冒充"事实指控"，b_tjpu10 实测 4/4 条 asr_blame 全是裸标签、3 条 ai_said 只有七个字。收紧后须 reason 正文命中、或"概念混淆"且能从 reason 抽出具体概念对才入队；裸标签只计入"弱信号 N 条"打印。实测砍掉 3/4 条目且保住唯一被人审坐实的真实案例。

time_budget 区间化（v6）

2026-08-18 M2：三类时间预算从"模型自报分钟数"改为"模型报句号区间、代码按时间戳算分钟"（同类多段合并去重叠）。动机：v5 自报分钟数 10 门实测给的是 1,1,1,1,1,1,1,1,2,0——像敷衍填空，而这个零证据数字是唯一能拦评分的 overload 闸的全部输入。v6 起与 span 同款可校验；无合法区间按 0（无证据不计入，宁漏勿冤）；模型原报区间落盘供人审溯源。

prompt_sha 对称失效

2026-08-18 H3：P6.8（言语筛查）与 P8.5a（span 抽取）的结果条目也记 prompt 指纹，换 prompt 自动全量重跑——此前只有 P8 有此机制，改筛查 prompt 旧结果不失效是隐性合规风险。segment_ratio 重跑走 carry_human_fields 移植路径，人裁字段不丢。同批还修了 error 永久缓存：API 失败的课下轮自动重试并醒目汇总（speech_screen fail-open 参评必须可见）。

绿点=处理站，橙点=判定闸，红点=人审相关，灰点=本课未触发。每站给出：处理逻辑 → 输入/输出 → 真实产出物摘录。

"TJPU-XSX-T16-20250421": {
  "label": "天津工业大学｜高乐乐｜新思想｜2025-04-21",
  "school": "天津工业大学", "teacher": "高乐乐", "date": "20250421",
  "total_dur": 5395.2,
  "periods": [
    {"pid": "TJPU-XSX-T16-20250421-P0",   ← 主角
     "path": "/data/ro/2025录课/2025上半年录课/中心录制/【ZX】天津工业大学_高乐乐_习近平新时代中国特色社会主义思想概论_20250421.mp4",
     "dur": 2685.6, "tag": "ZX", "suffix": 0},
    {"pid": "TJPU-XSX-T16-20250421-P1",   ← 同session的另一课时，各自独立走完全程
     "path": ".../【ZX】天津工业大学_高乐乐1_习近平…_20250421.mp4",
     "dur": 2709.6, "tag": "ZX", "suffix": 1}
  ]
}

"text": "上课上节课呢我们学习了第一个方面的问题啊，是第13章维护和塑造国家安全当中的第一个方面的问题啊，就是关于。"
"words": [
  {"begin_time": 240,  "end_time": 1000, "text": "上课", "confidence": 0.902},
  {"begin_time": 1080, "end_time": 1320, "text": "上",   "confidence": 0.989},
  {"begin_time": 1320, "end_time": 1680, "text": "节课", "confidence": 0.918}, …]
── 全课 301 句 / 5148 词

{"speaker_id": 0, "begin_time": 240,   "end_time": 13080, "text": "上课上节课呢我们学习了第一个方面的问题啊，…"},
{"speaker_id": 0, "begin_time": 15170, "end_time": 25850, "text": "坚持总体国家安全观啊，主要是学习了为什么要维护和督导国家安全，…"}

"TJPU-XSX-T16-20250421-P0": {"conf_median": 0.952, "n_words": 5148, "eligible": true}

发现: 教师转述美方言论时使用了"中国佬""香港佬"等歧视性称谓…（身份不符 @30:26）
人审: verdict=错 ——"确为转述美方言论，应不属于不当用语"
路由: {"eligible": true, "findings": 1, "kinds": ["身份不符"],
       "overridden_by_adjudication": true}   ← 放行，正常进入 P7

① kind=复习  第0~1句 "上课上节课呢我们学习了…"
   → 丢弃原因: 区间过短（2句/26秒），按正常教学衔接处理
     （教师顺口回顾上节课≠复习课——这正是最短区间闸存在的意义）
② kind=视频播放  第233~235句 "香港是美国最大的贸易顺差…"
   → 丢弃原因: 区间过短（3句/36秒）
     （教师确实说了"接下来我们通过视频来看"，但36秒短片不足以按环节计时长；
      "教师宣布过播放"这个事实仍被记进 video_announced，没有丢失）

span0: 视频播放  第29~56句   242秒  announce_verified=true
       引文终点「我们英文基本强，甚至有一些大号。」 ← 这句不通顺：
         视频原声经教室音箱二次拾音，ASR质量断崖下降的典型样本
span1: 视频播放  第124~144句 182秒  announce_verified=true（央视短片）
span2: 视频播放  第209~222句  90秒  announce_verified=false ← v5 放宽新抓
       no_announce_evidence:「出现与课堂无关的记者现场出镜报道结构
       （'我是纽约市第五大道...'、'我身后就是特朗普大楼'）；转写质量断崖」
汇总: nonteach_ratio_label =
 "0.0% ⚠️ 另有视频播放 3 段（其中 1 段无宣布语）（约 9 分钟，占全课 19%），
  其时长因不可靠**未计入**本占比"

P8.5a2 · 判定闸

span 级 KFA 前置核验

auto_kfa_spans.py → kfa_verify.py

过了证据闸、即将写入打分材料的 span，先抽帧核验：起点+2s / 中点 / 终点-5s / 终点+5s 共 4 帧（<6秒只抽1帧），连同前5句语境做成核验卡。能产出核验卡（证据备齐）是写入打分材料的前置条件；核验不了的退化为报表标签。主角三个 span 都核验成功（含无宣布语的 span2——它的卡带 announce_verified=false 警示，人审重点核对画面）。下面是 span0 的三张代表帧（起点/中点/终点侧）：

eval/data/kfa_span_verdicts.json ▸ 主角条目 + 队列新增2条

"TJPU-XSX-T16-20250421-P0": {
  "0": {"verifiable": true, "kind": "视频播放"},
  "1": {"verifiable": true, "kind": "视频播放"},
  "2": {"verifiable": true, "kind": "视频播放"}}
→ 同时产出核验卡 kfa_cards/{pid}_span{i}_{引文指纹}_视频播放.json + jpg
  （2026-08-18 起卡与帧图文件名都带指纹——重析写新文件，旧证据永不被覆盖，
  过期条目仍能回看自己那张卡）
→ adjudications.jsonl：claim_ref=spanN_引文指纹（2026-08-14 指纹化，重析后内容
  变化的新发现不再被旧条目挡住；同内容重跑同指纹幂等）；2026-08-18 起内容对不上
  当前产物的旧条目自动标 superseded——主角 v5 时代的 3 条指纹条目已因 v6 重析
  内容微变全部过期，现行待裁 2 条新指纹条目

外部意见（Opus 独立复核）：两个 span 的"视频播放"分类都对（台标/字幕铁证），但 span0 的终点帧显示视频还在放——"教师收束"信号疑被 ASR 乱码误触发，边界切早了；span1 虽标"推断"，终点反而精确落在片内解说词上。

真人裁决（图形化人审页，两轮盲测）：span0=错、span1=错——理由不是分类错，是卡面引文文本本身因播片段ASR失真读不对（span0"我们已经有机关枪，甚至有了一些大炮了"被转写成"我们英文基本强，甚至有一些大号"；span1"国土安全是立国之基…引发国家安全的总体危险"被转成"立国之精神…总体的"）。这正是 2026-08-13 把核验卡拆成"分类/边界/引文"三层子票、把末帧从单帧改 end±5s 双帧的动因——单票"错"当时压扁了"分类对、边界对、只是引文本文错"这三层信息。

〖课堂转写全文〗
上课上节课呢我们学习了第一个方面的问题啊，是第13章维护和塑造国家安全当中的
第一个方面的问题啊，就是关于。坚持总体国家安全观啊，……（10135字）

〖课堂转写全文〗
上课上节课呢我们学习了…（正常讲授）…
〖以下为教师课堂播放的视频/音频片段原声转写，不是教师本人现场讲解，
  不代表教师自己的知识储备或论证水平〗
经济发展离不开科技创新和进步。……我们英文基本强，甚至有一些大号。
〖视频播放片段结束，以下恢复教师本人讲授〗（@字符1682）
…（正常讲授）…
〖以下为教师课堂播放的视频/音频片段原声转写，…〗
国土安全是立国之精神。……
〖视频播放片段结束，以下恢复教师本人讲授〗（@字符4616）
…（后续正常讲授到结尾）

"TJPU-XSX-T16-20250421-P0": {
  "scores": [60, 65, 65],        ← K=3 三次独立评分，极差5
  "zhiping": 63.3,               ← 最终分 = 均值
  "main_weaknesses": ["平铺罗列", "平铺罗列", "平铺罗列"],
  "model": "gpt-5.6-sol", "effort": "medium",   ← 2026-08-18 起留痕
  "reason": "课程能够以发展与安全的辩证关系统摄部分内容并联系学生专业，
    但主体仍以教材结论、考试提示和领域举措的连续罗列为主，芯片、关税等
    案例多停留于印证立场，未充分转化为递进的学理论证。"}

scored 6 · frozen_speech 4 · 阻塞性待裁 4
主角 TJPU-XSX-T16-20250421-P0：scored 63.3 · 主短板 平铺罗列 · 待裁 0/2（非阻塞）
[占比] 0.0% ⚠️ 另有视频播放 3 段（其中 1 段无宣布语，约 8 分钟占全课 17%）
       ——其时长因不可靠未计入本占比（人裁终点优先口径）

全部用同批（或近期真实批次）的真实数据演示。

重评前  K=3: 67/78/74  均73    主短板: 概念混淆/概念混淆/概念混淆
重评后  K=3: 80/73/80  均77.7  主短板: 平铺罗列/平铺罗列/平铺罗列   ← +4.7分
新三轮评语完全没有再出现"国体/政体混淆"类表述；P8.6 重跑该批全部10门"检出0门"。

主角走完全程后，run 目录 /data/simpleEval/runs/b_tjpu10/ 的真实文件树（standing 2026-08-14，注释标明每个文件是哪一站产的、给谁用）。

b_tjpu10/
├─ batch.json                    ← 站0 make_batch 产；全线唯一入口清单
├─ adjudications.jsonl           ← 人审队列（全流程唯一一份）；含主角3条已裁决
├─ audio/{pid}.mp3               ← P1 产；P2 的输入（ASR完成后即可清理）
├─ asr_raw/{pid}.json  ×10       ← P2 产；原始转写存档（唯一可回溯源，别删）
├─ diar.json                     ← P2 产；逐句+说话人，P6.5/P7/P8.5/KFA 都读它
│  （asr.json/ts.json/asr_ts 2026-08-14 审计停产——零消费者，从 asr_raw 可再派生）
├─ data/
│  ├─ manifest.json              ← P2 产；课时清单
│  └─ conf_route.json            ← P6.5 产；置信度判定（主角 0.952 ✓）
└─ eval/                         ← P7 起的评价工作区
   ├─ data/
   │  ├─ speech_screen.json      ← P6.8 产；言语筛查逐课发现（含证据闸丢弃记录）
   │  ├─ speech_screen_route.json ← P6.8 产；前置合规闸路由（T08两课时 eligible=false）
   │  ├─ asr_scoreable.json      ← P7 产；{pid: 全文}（过双闸课时才在里面，本批8门）
   │  ├─ verified_asr_caveats.json ← 人工手写（P8.6裁决后）；P8.5p重新读取时注入材料
   │  ├─ claim_overrides.json    ← P6.6 asr_blame轻量消费产；对外报告过滤用
   │  ├─ score_inputs.json       ← P8.5p 产、P8.5b 标注后回写；材料全集（与 txt 一致；_stat 台账 2026-08-14 停产）
   │  ├─ segment_ratio.json      ← P8.5a 产；span+占比+丢弃记录（报表数据源）
   │  ├─ overload_route.json      ← P8.5a1 产；三类过半拦截路由（本批空=无拦截）
   │  └─ kfa_span_verdicts.json  ← P8.5a2 产；span 可核验判定
   ├─ score_inputs/{pid}.txt ×8  ← P8.5p 产 P8.5b 覆盖；评分的唯一输入材料
   ├─ prompts/                   ← P8 拷入刷新（P7 的冗余拷贝 2026-08-14 删）；D6 快照（可追溯）
   ├─ kfa_cards/                 ← P8.5a2 / P8.7 产；核验卡 json + 4帧关键帧 jpg（人审页面读）
   └─ eval_codex.json            ← P8 产；★最终成绩单（分数/评语/引文/短板/input_sha/prompt_sha
                                    ——哈希侧车 2026-08-14 砍除，失效判据入条目；blame 过滤读 claim_overrides.json）

配套入口：图形化人审页 :8130（裁决 adjudications.jsonl，span核验卡三层子票）；工作流逻辑+参数详解页 :8121。