用未接触留出集衡量筛选安全性和工作量

局限

目前只评过一份未接触留出集：一个 CLEF TAR 题目、281 条记录、9 条金标准相关记录，且只用题名和摘要。保护召回率统计的是标为 INCLUDE 或 UNSURE 的相关记录，并不等于每条相关记录都被正确纳入。

这里的人工复核指 UNSURE / 全部记录（233/281）。这是队列长度，不是实测审稿时间或总人工量：INCLUDE 和 EXCLUDE 建议仍需人审。自动排除是模型建议率，不是允许不审就丢掉记录。

这不能证明什么

• 在其他题目、语料、模型或策略版本上保证召回或节省工作量。
• 全文合格性、数据提取准确性、偏倚风险评价效度，或主张级带引用综述质量。
• 优于 Rayyan 或其他工具：这不是头对头比较。
• 可以替代双人独立筛选，或替代审稿人最终的纳入与排除决定。