Jyotisha/docs/research/holdout_v5_protocol_2026_09_29.md

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。
6. 时间上限：回放脚本固定在 2026-09-14 评估（minute_resolution_sweep.TODAY），计分合同拒绝晚于"今天"的事件；年精度事件落在当年内，所以 2026 年的事件一律不收，月/日精度不得晚于 2026-09-14（构建脚本 EVENT_CUTOFF 强制）。

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。