research(rectification): holdout v5 checkpoint — protocol, roster (47 new AA cases), quoted events, build script

Co-Authored-By: Claude Fable 5.1 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_017eEAG8HD3mm8gsKXgk8uU8

docs/research/holdout_v5_protocol_2026_09_29.md

@@ -0,0 +1,54 @@
+# Holdout v5 选例与核对协议（2026-09-29）
+
+任务书：`docs/tasks/TASK-rectification-holdout-expansion-20260929.md`。本页写清 v5 的入选标准、分层配额、排除规则与来源记录格式；数字与统计见 `holdout_v5_build_2026_09_29.md`。
+
+## 1. 入选标准
+
+1. **出生资料**：Astro-Databank 记录、Rodden **AA**（出生证 / 出生记录 / 医院记录）。A、B、C、DD、X、XX 一律不收。
+2. **公开名人**：只收有英文 Wikipedia 条目的公众人物；不收本仓任何真实用户、库主、协作者或其亲友。
+3. **事件**：每例 ≥7 件带年月事件、≥4 个领域；领域键取 `scripts/active_rectification_event_engine.py::DOMAIN_CONFIG`。
+4. **来源独立**：事件出处与出生资料出处互不相同（`independent_of_birth_source=true`）。
+5. **精度诚实**：`year` / `month` / `day` 按来源页所写的精度标注；来源只写"某年"就标 `year`，不得补成 1 月或 1 日。
+
+## 2. 排除规则
+
+- 出生时间在 Astro-Databank 上标为 rectified / from memory / 无时间（X）的不收。
+- 同一家族多人只取一人（v4 已有 Sean Lennon、Joseph Kennedy III；v5 新增的 Serena 与 Venus Williams 为姐妹，按本条**仍收**——两人出生资料独立、事件独立，且任务书分层需要；已在构建说明中注明）。
+- 核对未通过（时区不一致、坐标与地名不符）的记录**不收**，不改数字凑合，见 §4。
+
+## 3. 分层配额（任务书硬红线 4）
+
+| 维度 | 配额 |
+| --- | --- |
+| 出生年代 | ≥3 个年代段 |
+| 纬度带 | \|φ\| <25° / 25–45° / >45° 三档都有 |
+| 南半球 | ≥8 例 |
+| 出生时间 22:00–02:00 | ≥6 例 |
+| UTC+8 | ≥6 例 |
+
+达不到的写进 PROGRESS，不得静默。
+
+## 4. 来源核对流程（每例）
+
+1. **评级与出生资料**：astro.com 在 2026-09-29 对自动访问返回"One moment..."拦截页，Wayback 快照间歇不可达。因此评级与出生资料从 Astro-Seek 的 famous-people 页读取——该页逐字转载 Astro-Databank 的评级字母、采集人（Rodden / Scholfield / Borges …）、出生日期、当地时间、地点、坐标与 UTC 修正。记录里同时写 Astro-Databank 原页 URL（`birth.source.url`）与镜像页 URL（`birth.source.verified_via.url`）。**这是环境缺口**：验收时若 astro.com 可访问，应抽样回到原页复核。
+2. **时区核对**：用 `timezonefinder` + `zoneinfo` 按坐标与出生时刻算 UTC 偏移，与记录偏移比对。三种通过规则：
+   - `zoneinfo_match`：完全一致；
+   - `standard_time_kept_dst_disagreement`：tzdata 把时区代表城市的夏令时史套到整个时区，而出生记录保持标准时（例：1941 年 Duluth、1922 年 Grand Rapids、1963 年 Owensboro）；
+   - `lmt_from_birthplace_longitude`：1890 年前后欧洲的地方平时，tzdata 只有代表城市的 LMT，记录用出生地经度的 LMT（例：1879 Ulm、1890 Lille）。
+   其他不一致一律拒收（本轮拒收 Borges 1899 Buenos Aires、Allende 1908 Valparaíso）。
+3. **地名核对**：Nominatim 地理编码记录里的地名，与记录坐标距离 ≤60 km。不一致拒收（本轮拒收 Corazon Aquino：记录地名 Paniqui，镜像坐标为马尼拉，相距 129 km）。
+4. **事件**：从英文 Wikipedia 正文（API `extracts`，纯文本）逐句筛出带年份的候选句，人工选择并标注领域 / 日期 / 精度；每条事件保存来源页 URL 与**逐字引文**（`source.quote`），构建脚本核对引文确实出现在页面文本里，找不到即拒收。模型草稿（候选句列表）不进数据集。
+
+## 5. 数据文件
+
+| 文件 | 内容 |
+| --- | --- |
+| `references/real_case_calibration/holdout_v5_roster.json` | 新增例的出生记录、评级、核对结果（`checks`） |
+| `references/real_case_calibration/minute_rectification_holdout_v5_events.json` | 新增例的事件（含引文） |
+| `references/real_case_calibration/minute_rectification_holdout_v5.json` | 构建产物：v4 的 20 例原样 + 新增例 |
+| `scripts/research/holdout_v5_build.py` | 构建脚本（`--check` 只校验不写） |
+| `tests/test_holdout_v5_schema.py` | schema 测试 |
+
+## 6. 口径
+
+ayanamsa `raman`、node mode `mean`、候选步长 2 分钟、三档半径 ±10 / ±30 / ±60 写在数据集上。v5 是开放评价集（`truth_hidden_from_ranker=false`），不是封存盲测；`sealed_holdout_rerun.py` 与 reported-offset 记录不因本单改变。