mdpolish/research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md

data/ 五份论文 Markdown 审计报告（2026-08-21）

状态：scratch 草稿，供评审。清洗力度由师姐逐项决定，本报告只列问题、证据和可选处置，不做力度决策。

1. 结论摘要

• 五份文件均为英文学术论文的 PDF→Markdown 转换产物，分属 5 个来源（JAMA、EJHF、Statistics in Medicine/arXiv、Springer/arXiv、Disaster Med Public Health Preparedness），噪声特征差异很大，不能用一套固定规则覆盖。
• 最严重的问题不是格式噪声，而是内容丢失：2 份文件中途截断，1 份（JAMA）所有表格整体缺失。这类问题清洗无法恢复，只能重新转换或人工补录。
• JAMA 文件的原始 PDF 是未定稿的 Word 修订稿，行号、审阅批注、修订残留词对全部泄漏进正文，是五份中污染最重的。
• 格式类噪声（双重转义实体 31 处、孤行公式编号 12 处、空行断句、标题层级扁平、引用上标混用等）确定可清洗，风险低。
• 少数问题涉及语义改变（数学公式被 OCR 改错、乱码替换专名），自动清洗有改错正文的风险，建议人工确认。

2. 审计范围与方法

• 对象：data/*/markdowns/*.md 共 5 份，逐行人工通读；行号均指 markdowns 下的 md 文件。
• 辅助统计（本轮实际执行）：标题层级计数、图片/表格/实体/批注/arXiv 戳的 grep 计数。
• 判定原则：只把"转换管线引入的噪声"列为清洗对象；原文自身的写作瑕疵（如语法错误）不属于转换噪声，单独列出并标注"不建议清洗"。
• 未验证项：未与原 PDF 逐页比对内容完整性，"缺失"结论基于文内自引用（如正文提到 Table 2 但全文无 Table 2）和文件截断位置。

3. 总体统计

文件（下文简称）	行数	H1	H2	H3+	图片	HTML表格	双重转义	孤行编号	批注	arXiv边栏戳
dmp (Disaster Med)	208	0	11	0	1	7	23	0	0	0
jama (JAMA 2024)	349	2	10	0	0	0	0	0	2	0
ejhf (EJHF 2020)	143	1	13	0	1	1	8	0	0	0
sim (Stat Med/arXiv)	247	2	11	0	2	0	0	12	0	1
springer (ICU LSTM)	154	1	12	0	4	1	0	1	0	1

补充：jama 有 128 行以"行号+空格"开头（手稿行号泄漏）；springer 的 3 处 arXiv 字符串中 2 处是参考文献的正常引用，仅 1 处是边栏戳。

4. 问题清单

每项标注：【确定】= 确定是转换噪声，可安全清洗；【语义】= 涉及内容判断，建议人工确认；【丢失】= 内容缺失，清洗不可恢复。处置选项仅供师姐选择。

A. 内容级问题（最严重）

A1【丢失】两份文件中途截断

• ejhf 第 143 行在 Table 1 HTML 表格中间戛然而止（"Medical history at randomization, no. (%)" 行后为空单元格）。Table 1 后半、Tables 2–4、全部图注、参考文献整体缺失。
• sim 第 247 行止于方法 M5 描述中间，且结尾 URL 损坏（https://cran.r-project.org/web/p6$^{10}$）。第 3 节（结果）、4、5 节、参考文献、附录缺失。
• 处置选项：a) 退回重新转换；b) 接受现状并在元数据标记"截断"；c) 人工补录缺失部分。清洗管线本身无法解决。

A2【丢失】jama 全部表格缺失

• 正文多处引用 Table、Box 1、eTables 1–3，但全文 0 个表格、0 张图片。摘要性内容（如各器官系统阈值表）完全丢失。
• 处置选项：同 A1。

A3【丢失】dmp 的 FIGURE 1 流程图被转成 HTML 表格

• 第 83 行：流程图（决策树）被输出为单行 HTML 表格，图形语义尽失，仅 FIGURE 2（第 111 行）保留为图片。
• 处置选项：a) 保留现状（有总比没有好）；b) 重新转换该页；c) 人工用图片替换。

A4【丢失】sim 第 93 行句子开头缺失

• "/unpenalized) regression models" 以斜杠开头，前文整句丢失。
• 处置选项：标记为损坏片段，或对照原文补录。

B. 草稿/修订痕迹泄漏（仅 jama，原稿是 Word 修订稿）

B1【确定】手稿行号泄漏（128 行）

• 正文行以行号开头："25 increase in the Sequential..."（第 115 行）、"26 with suspected infection"（第 116 行）等；标题也带行号："## 116 Results/recommandations"（第 149 行）、"## 117 Criteria..."（第 151 行）、"## 143 Organ dysfunction..."（第 165 行）。
• 处置选项：a) 剥离行首行号（注意与正常编号列表、年份区分）；b) 连同批注一起整体退回，要求提供定稿版。

B2【确定】审阅批注泄漏（2 处）

• 第 155–157 行："Commented [LS1]: Why highlighted?"、"Commented [SW2R1]: To make sure we use capital letters..."。
• 处置选项：整段删除。注意第 292 行还有一句删除文字与保留文字混杂的句子（"Appropriate process and balancing measures Efforts to enhance..."），需人工断句。

B3【语义】Word 修订残留词对（约 7 处）

• "defined identified by as"（第 91 行）、"defined identified using by"（第 153 行）、"defined identified as in sepsis-septic patients"（第 116 行）、"defined indicate by as"（第 163 行）、"was were derived"（第 306 行）、"The new-Phoenix"（第 197 行）等——是"插入词+删除词"并存的痕迹。
• 哪个词是最终保留词需要对照定稿判断，自动二选一有风险。处置选项：a) 人工逐处确认；b) 退回要定稿。

B4【确定】未填占位符

• "XX societies"（第 101 行）、"XX-microbiological testing and YY-antibiotics"（第 302 行）、"Endorsing societies: To be populated after acceptance"（第 317 行）。
• 处置选项：保留并标记待补，或等定稿填充后再清洗。

B5【确定】日期损坏

• 第 85 行 "Revision date: December 3122, 2023"。
• 处置选项：对照原文改为 2023 年内正确日期（人工）。

C. 标题结构问题

C1【确定】标题层级扁平

• dmp：0 个 H1，11 个 H2 全部同级（含 Introduction/Methods/Results 等，第 1,3,7,59,67,103,137,153 行）。
• ejhf：主章节与子章节同为 H2（"## Methods" 第 51 行、"## Study population" 第 53 行），无层级区分。
• 处置选项：按章节编号/语义推断层级（2.1 → H3），或统一降级保持平级。前者需人工核对推断结果。

C2【确定】标题被拆分成两行

• jama：标题拆成两个 H1（第 1–2 行 "International Consensus Criteria..." / "The Phoenix Pediatric Sepsis Criteria"，实为正副标题）。
• sim：主标题拆成两个 H1（第 3–4 行 "Conounder selection..." / "treatment effect estimators"，且首词 "Conounder" 是 OCR 错字，原文应为 Confounder）；2.2 节标题拆两行（第 183/185 行 "…full matching on the propensity" / "## score"）。
• 处置选项：合并为单标题；sim 主标题的 "Conounder" 拼写需对照原文确认（【语义】）。

C3【语义】乱码标题

• dmp 第 47 行 ## ่วง（泰文字符）。按位置推断应为 METHODS，但不能凭推断改写正文级内容。
• 处置选项：人工对照 PDF 改回，或删除该标题。

C4【确定】跑动页眉混入正文且被标为标题

• dmp 第 73、191 行 "## MSOFA Score for Critical Care Triage" 出现在句中和 REFERENCES 内；第 71→75 行一句话被它从中间切断。
• 处置选项：删除页眉行并把被切断的句子接回。

D. 表格问题

D1【确定】表格压缩为单行 HTML

• 全部 9 个表格（dmp 7、ejhf 1、springer 1）都是 <table>...</table> 单行输出，diff、review、编辑都极难。
• 处置选项：转 GFM 多行表格（简单表）；对含 rowspan/colspan 的复杂表保留 HTML 但格式化缩进。

D2【确定】HTML 实体双重转义（31 处）

• dmp 23 处（>400、<1.2、MAP<70，第 27/33/39 行等）；ejhf 8 处（A1C<7、7≤A1C<8，第 143 行）。
• 处置选项：还原一层转义（> → >）。这是最安全的清洗之一。

D3【确定】合并单元格信息丢失

• dmp 第 33 行 Table 2 的 Liver 行出现空 <td></td>，跨行合并关系丢失，数值与表头对应断裂。
• 处置选项：对照 PDF 人工修复合并结构，或标记为低可信表格。

D4【确定】表格行错误合并

• dmp 第 39 行 Table 3：四个器官系统 "Respiratory Coagulation Liver Cardiovascular" 被挤进一个单元格。
• 处置选项：人工拆分修复。

D5【确定】表头 OCR 乱码

• springer 第 111 行 Table 1 表头 "Claesther"（应为 Classifier）。
• 处置选项：人工改正（单处，低成本）。

E. 文本级损坏

E1【语义】跨脚本字符替换

• dmp 第 43 行 "atينS Hospital"、第 55 行 "ينDS Hospital"——阿拉伯字符 ين 替换了 "LD"（LDS Hospital 是机构专名）。
• 处置选项：人工替换回 "LDS"。自动规则可检出非拉丁字符混入，但替换动作建议人工确认。

E2【确定】跨页断词

• dmp：第 125 行结尾 "…at the relevant thresh" + 第 127 行 "olds of 8 and 11"（单词 thresholds 被页边界切开）。
• sim：第 87/89 行 "except possi-" / "bly via treatment"；第 217/219 行 "cre-" / "ated by permuting"。
• 处置选项：拼接断词（去连字符合并）。需注意英语中合法的行尾连字符（如 "well-known"）不能误合并，建议只合并"行尾连字符+下一行首为小写字母且拼出的词在词表内"的情况，其余保留待审。

E3【确定】句内空行断句

• 大量段落被空行从句子中间切开：jama 第 103→105、113→115 行；ejhf 第 47–49、57–59、67–69、87–89、113–115、131–133 行；springer 第 16→20 行（中间还被 arXiv 戳隔开，见 H1）、42→44 行。
• 处置选项：段内合并（前段末无句号且后段首为小写/连接词时拼接）。这是对 RAG 分块影响最大的问题之一。

E4【确定】段落内容错位/孤立行

• springer 第 63 行孤立 "1"（公式编号漂移，见 F1）；第 81–83 行 "…improve the simple Multilayer Perceptron… other deep models." 后接 "including RNNs and MLPs."，段落被错误切开。
• 处置选项：结合上下文人工归位。

F. 数学公式问题（sim 最重，springer 次之）

F1【确定】公式编号漂移成孤行

• sim 12 处：第 63/70/81/107/117/133/145/153/161/171/179/197 行分别是 "1"、"2"、"(4)"…"(12)"；springer 第 63 行 "1"。
• 处置选项：并入对应公式块或删除（若公式本体已带编号）。需逐处对照，不宜盲目删除。

F2【语义】公式内容被 OCR 改错

• sim 第 139 行 $\exp(x) = \exp(x)/\{1+\exp(x)\}$——这是 expit 函数定义（x↦e^x/(1+e^x)），左边的 \exp(x) 应为 x 或 expit(x)。OCR 错误改变了数学含义，且这种错误会误导下游读者。
• 处置选项：人工对照原文修复；自动工具只能标记"公式与上下文不符"，不宜自动改。
• sim 第 119 行 "weights w k" 下标丢失，同类。

F3【确定】LaTeX 冗余空格与风格不一

• sim 全文行内公式带前导空格（$ \widehat{\psi}_{j} $）、内部空格过多（\widehat { \mathrm { E } } ( Y ^ { a } )，第 150 行）。
• 处置选项：规范化空格（不改变符号语义的前提下）。风险低但需保守，避免动 \, \; 等有意义的间距命令。

F4【确定】公式 OCR 字符间距拉宽

• springer 第 72/78 行 cases 环境里 \mathrm { s u r v i v o r s ~ g r o u p } 逐字空格。
• 处置选项：去除字母间空格（保守做法：只处理 \mathrm{} 内的单字母间距模式）。

G. 格式不一致

G1【确定】引用上标风格混用

• 同一文件内 LaTeX $^{1,2}$ 与 Unicode 上标（¹²、²⁻⁴、⁴⁹ ⁵⁰,⁵¹）并存：jama（第 115–116 行 Unicode vs 第 107/187 行 $\geq 2$）、ejhf（第 45–49 行 LaTeX vs 第 133 行 Unicode）、springer（第 5–6 行 $ ^{1} $ vs 第 20 行 [1,2,4,3] 方括号）。
• 处置选项：统一为一种（选哪种由师姐定，取决于下游用途：RAG 检索倾向 Unicode 纯文本，渲染倾向 LaTeX）。

G2【可能】数字格式不一致

• ejhf 第 55/57 行 "6068 patients" vs "4,091 patients"；dmp 第 91 行 "0.81-.85"（小数点前缺 0）。
• 注意：springer 的 "61.532"、"46.520" 是欧式千分位，可能是原文排版而非转换噪声，不能自动统一。
• 处置选项：统一千分位与小数风格；欧式写法是否转换需师姐定。

G3【确定】参考文献列表分隔不一致

• dmp：refs 1–18 空行分隔，19–33 连续堆叠（第 193–208 行）；springer：refs 1–8 空行分隔，9–19 连续堆叠（第 140–154 行）。
• 处置选项：统一为一条一空行。

H. 非正文噪声与资产

H1【确定】arXiv 边栏戳

• sim 第 1 行 "arXiv:2001.08971v3 [stat.ME] 10 Oct 2020"；springer 第 18 行同类戳插在 Introduction 段落中间，把一段话切成三截（第 16/18/20 行）。
• 处置选项：删除戳行并接回段落。注意别误删参考文献中的合法 "arXiv preprint arXiv:…"（springer 第 143/152 行）。

H2【确定】机构仓库封面页

• ejhf 第 1–11 行：Glasgow eprints 引用说明、版本声明、http://eprints.gla.ac.uk/213358/、"Deposited on: 27 April 2020"，以及封面图 ![image](../images/…_sub0.jpg)（该图是仓库封面，不是论文插图）。
• 处置选项：整体删除封面区；封面图一并删或移入元数据。对 RAG 是纯噪声。

H3【可能】图片相对路径依赖

• 全部图片用 ../images/ 相对路径（dmp 第 111 行、ejhf 封面、sim 第 229/231 行、springer 第 65/115/117/119 行）。md 文件一旦脱离原目录结构，图片全部失效。
• 处置选项：a) 保持现状（目录结构不变时无碍）；b) 清洗时把路径改写为部署目标路径；c) 校验引用的图片文件是否存在并报告断链。sim 的 Figure 1 实为左右两个面板（sub0/sub1 两张图）共享一条图注（第 233 行），springer 的 Fig. 2 为三面板（sub1–sub3）——合并还是保持多图由师姐定。

5. 不建议清洗的内容（保真边界）

• 原文自身的写作瑕疵：springer 论文语言明显不通（"was went to describe"、"In the other hand"、"section 4 discuss"），这是作者问题不是转换噪声，清洗工具不得改写学术内容。
• 欧式千分位（springer "61.532"）：疑似原文排版，自动统一有改数风险。
• 专名与缩写的大小写、期刊缩写风格：不属于转换噪声。
• A 类内容缺失：不要试图用生成或推测内容"补全"缺失章节——宁可留空标记。

6. 决策清单（供师姐勾选力度）

编号	问题	涉及文件	建议决策点
A1/A2/A4	截断与表格缺失	ejhf, sim, jama	重新转换 / 接受并标记 / 人工补录
A3	图转表格	dmp	保留 / 重转 / 换图
B1	行号剥离	jama	剥离 / 退回要定稿
B2	批注删除	jama	删（基本无争议）
B3	修订词对	jama	人工定稿对照（不宜自动）
B4/B5	占位符/坏日期	jama	保留标记 / 人工修
C1	层级重建	dmp, ejhf	推断层级 / 保持平级
C2	标题合并	jama, sim	合并（低风险）
C3/C4	乱码标题/页眉	dmp	人工改 / 删
D1	表格展开	全部	GFM / 缩进 HTML / 不动
D2	实体还原	dmp, ejhf	还原（低风险）
D3/D4/D5	表格结构修复	dmp, springer	人工修 / 标记低可信
E1	乱码专名	dmp	人工替换
E2	断词拼接	dmp, sim	保守合并+白名单
E3	段内合并	jama, ejhf, springer	启用（对 RAG 影响大）
E4	段落归位	springer	人工
F1	编号并入	sim, springer	对照处理
F2	公式纠错	sim	人工（含义级）
F3/F4	公式空格	sim, springer	保守规范化
G1	上标统一	jama, ejhf, springer	定一种风格
G2	数字格式	ejhf, dmp	统一 / 保留原文
G3	参考文献分隔	dmp, springer	统一空行
H1	arXiv 戳	sim, springer	删+接段（勿伤引文）
H2	封面页	ejhf	删
H3	图片路径	全部	现状 / 改写 / 断链校验

7. 与既有审计的关系

research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md（45 份政务文档审计，原名 MARKDOWN_CLEANING_AUDIT.md）中的幻觉、重复、页眉页脚等类别在本批论文中部分复现（C4/D2/H1 对应旧审计的 D001/L001 类），但本批新增了论文特有的类别：修订稿痕迹（B 类）、公式问题（F 类）、引用上标混用（G1）、截断缺失（A 类）。若后续建立通用清洗规则库，B/F/G 类需要论文 profile，不宜进默认规则。