Bepr4
977bfb832b
- README 更新项目定位为实验室共用清洗库，明确 data/ 职责与 profile 复用原则； - 新增 ClinDB-ReviewBench（论文清洗）5 份 Markdown 问题审计（scratch）， 并确定第一版清洗范围：9 类确定性规则（reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md）； - 45 份政务文档审计重命名为 GOVDOC_SAAS_CLEANING_SCOPE.md，截去第 6 节起的 实施建议，只保留问题报告（396 行）； - 收录 2026-08-20 生态调研草稿（scratch）。
74 lines
6.1 KiB
Markdown
74 lines
6.1 KiB
Markdown
# ClinDB-ReviewBench 清洗目标（第一版）
|
||
|
||
> 性质：reference——本项目清洗范围的权威查询事实。
|
||
> 权威关系：本文只定义 ClinDB-ReviewBench 第一版"洗什么、不洗什么"；清洗语义的方案比较与批准记录
|
||
> 属于 `research-wiki/design/`（尚未建立），实现后的运行方式属于 `explanation/` 与 `guides/`。
|
||
> 依据：`research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md`（问题编号 A–H 沿用该审计）。
|
||
|
||
## 1. 项目定位
|
||
|
||
ClinDB-ReviewBench 是师姐的论文清洗项目。`data/` 下当前 5 份 DOI 命名的论文 Markdown
|
||
（JAMA、EJHF、Statistics in Medicine/arXiv、Springer/arXiv、Disaster Med Public Health Preparedness）
|
||
是它的首批输入，未来会继续扩充同源转换产物。
|
||
|
||
本仓库（govdoc-md-cleaner）为该项目的数据提供清洗能力；ClinDB-ReviewBench 通过 profile
|
||
表达论文场景的规则组合，不把论文专属规则写进通用核心。
|
||
|
||
## 2. 第一版清洗目标
|
||
|
||
第一版只做"全自动、规则确定、可安全执行"的问题（审计第一档，共 9 类）。
|
||
判定标准是三条同时满足：模式可用确定规则描述；不依赖对正文语义的理解；改错可以从 diff 直接看出。
|
||
|
||
| # | 问题（审计编号） | 规则要点 | 触发范围（本轮实测） |
|
||
|---|---|---|---|
|
||
| 1 | HTML 实体双重转义（D2） | `&gt;`→`>`、`&lt;`→`<`、`&amp;`→`&`，还原一层；幂等 | dmp L27/L33 共 23 处、ejhf L143 共 8 处，全部在 `<table>` 行内 |
|
||
| 2 | arXiv 边栏戳（H1） | 整行匹配 `^arXiv:\d{4}\.\d+v\d+ \[[\w.-]+\] \d{1,2} \w{3} \d{4}$` 才删除；编号条目内的 "arXiv preprint arXiv:…" 不在行首、不受影响 | sim L1、springer L18；springer L143/L152 是合法参考文献，必须不误删 |
|
||
| 3 | Word 审阅批注（B2） | 以 `Commented [xx]:` 开头的行及其批注正文整块删除 | jama L155–157 共 2 处 |
|
||
| 4 | 手稿行号（B1） | 仅剥离**单调递增序列**的行首 `^\d{1,3} ` 与标题内 `^#{1,6} \d{1,3} `；序列中断即停并标记待审，防止误伤正文数字（如 "35 pediatric experts"） | jama 128 行正文 + 6 个标题（L127/149/151/165/193/195） |
|
||
| 5 | 跑动页眉（C4） | 同一文本行原样重复 ≥2 次（且非正文引用对象）判为页眉，删除并把被切断的上下文段落接回 | dmp L73/L191（"MSOFA Score for Critical Care Triage"），L71→L75 句子被切断 |
|
||
| 6 | 单行 HTML 表格展开（D1） | 无 rowspan/colspan 的表转多行 GFM；含合并属性的表保留 HTML 但按 `<tr>` 换行缩进；内容一字不改 | 全部 9 个表：dmp 7、ejhf 1、springer 1 |
|
||
| 7 | 跨页断词（E2） | 行尾连字符 + 下一行首小写字母 → 合并；仅在拼出的词能通过英文词表校验时执行，否则保留原样并标记 | dmp L125/127（thresh-olds）、sim L87/89（possi-bly）、L217/219（cre-ated） |
|
||
| 8 | 参考文献分隔统一（G3） | `^\d+\. ` 条目之间统一一个空行 | dmp refs 19–33、springer refs 9–19（连续堆叠段） |
|
||
| 9 | 图片断链校验（H3，仅校验） | 检查 `../images/*.jpg` 引用的文件是否存在，输出断链报告；不移动、不复制、不改写任何图片 | 全部 8 处引用（dmp 1、ejhf 1、sim 2、springer 4） |
|
||
|
||
第 9 项是只读校验：它修复不了任何东西，输出的是"哪些文档的图片资产已损坏"清单。
|
||
|
||
## 3. 明确不洗（第一版非目标）
|
||
|
||
以下问题已确认存在但**不在**第一版范围内，避免实施时范围蔓延：
|
||
|
||
- **内容级缺失（A1–A4）**：截断、表格整体缺失、图转表格、句子丢失。清洗无法恢复内容，
|
||
处置方式（重新转换 / 标记 / 人工补录）由项目负责人决定，不由清洗管线代劳。
|
||
- **修订语义（B3）**："defined identified by as" 等修订残留词对，哪个词是定稿词需对照定稿版判断。
|
||
- **占位符与坏日期（B4/B5）**：等待定稿填充，清洗只可检测。
|
||
- **乱码修复（C3/E1）**：泰文标题 `## ่วง`、`ينDS Hospital`，需要人工对照 PDF 替换。
|
||
- **表格结构修复（D3–D5）**：空单元格、错误合并行、OCR 表头错字，需人工对照原文。
|
||
- **空行断句合并（E3）**、**层级重建（C1）**、**标题合并（C2）**、**孤行公式编号（F1）**、
|
||
**公式空格与纠错（F2–F4）**、**上标风格统一（G1）**、**数字格式（G2）**：属于第二档
|
||
"自动检测+人工确认"，等第一档验证后再立项。
|
||
- **封面页（H2）**：ejhf L1–11 的仓库封面区第一版不删——它是整块连续的正文区，删除逻辑
|
||
与页眉类噪声不同，归入后续批次。
|
||
- **一切内容改写**：原文写作瑕疵、欧式千分位、拼写（含 "Conounder"）不属于转换噪声，永不由清洗工具修改。
|
||
|
||
## 4. 输入输出边界
|
||
|
||
- 输入：`data/<转换结果目录>/markdowns/*.md`，原文件只读；
|
||
- 输出：清洗结果写入独立输出位置（具体目录待 design 批准后确定），不回写、不覆盖原文件；
|
||
- 图片资产只校验存在性，不复制进仓库、不修改路径（路径改写是后续批次的独立决策）；
|
||
- 每处修改必须可追踪（规则编号 + 原文/改后对照），保证审计和回滚。
|
||
|
||
## 5. 验收口径（第一版）
|
||
|
||
- 上述 9 类问题在本轮 5 份文件上的触发处全部按规则处理，处理数与审计报告的实测数字一致；
|
||
- 5 份文件中未被任何规则命中的正文零变更——除表中列出的触发处外不得有任何其他 diff；
|
||
- 幂等性：同一输入清洗两次，第二次产出与第一次完全一致；
|
||
- 规则 2（arXiv 戳）在 springer 上的验收必须包含反向用例：L143/L152 参考文献原文保留；
|
||
- 规则 4（行号）验收必须包含反向用例：正文中的 "35 pediatric experts"、"10 sites"、"4 continents"
|
||
等数字开头/含数字短语不受影响。
|
||
|
||
## 6. 与审计报告的编号对应
|
||
|
||
本文的 9 类规则对应 `scratch/data-5papers-cleaning-audit-2026-08-21.md` 的决策清单行：
|
||
D2、H1、B2、B1、C4、D1、E2、G3、H3。该审计是 scratch 材料，本文引用其编号仅为便于追溯，
|
||
权威以本文为准。
|