阅读之后，留下可以继续研究的问题。

解释有七种，但“有解释”真的会让审查更有效吗？

《Explaining Explanations》从 793 条被认为“有用”的首轮行内评论中归纳了七类解释，并验证语言模型可以按指定类型改写评论。最有价值的地方并不是自动生成本身，而是它把模糊的“解释”拆成了可操作的 Treatment。

分类体系告诉我们可以操纵什么；它还没有回答这种操纵是否改善采纳、效率或代码质量。

下一步真正需要的是随机或配对实验：固定缺陷、评论结论和代码上下文，只改变解释类型，并同时测量理解、采纳、修改正确性与认知负荷。

一条代码审查评论“有用”，究竟由谁定义？

当“作者是否采纳或承认”与评论类别评分被组合成有用性指标时，Outcome 已经混入了协作关系、回复习惯和修改成本。回归结果可以说明变量与该指标关联，却不能自动说明改变评论属性就会产生对应效果。

最需要警惕的不是模型选错变量，而是 Outcome 从一开始就没有对准研究者真正想解释的东西。

模型越审越差，真的是长程记忆不够吗？

MCR-Bench 将代码审查从单轮缺陷命中推进到 New、Open、Resolved 和 Reopened 状态追踪。模型表现随轮次下降很有启发，但轮次同时伴随任务构成、样本量和难度变化。

趋势可以暴露问题，却不能单独识别机制。要把退化归因于长程记忆，还需要控制每轮任务难度与样本构成。

实验随机了，为什么仍不能把差异归因于复杂度？

2×2×2 随机实验发现高复杂任务包与接受错误修订相关，而 AI/人类来源标签没有主效应。但如果每个复杂度只对应一个不同代码片段，复杂度、代码内容和缺陷类型就被捆绑在一起。

随机分组解决参与者层面的混杂，不会自动拆开刺激材料内部被捆绑的多个 Treatment。