这篇于2026年4月7日提交至arXiv的论文《通过信息融合进行文档分类模式识别：多模态与多视图表示方法的系统综述》（arXiv:2605.23910v1），由Marcin Michał Mirończuk撰写，对信息融合在文档分类中的应用进行了系统梳理。信息融合被广泛用于通过整合多个数据源（多模态）或多个表示（多视图）来提升文档分类性能，但该领域此前缺乏统一框架、对有效性的定量综合以及面向实践者的清晰指导。为填补这些空白，作者分析了139项原始研究，并引入了形式化框架来结构化该领域，同时通过定性分析识别关键趋势，还实施了随机效应元分析——据作者所知，这是首个聚焦文档分类的元分析——以量化性能提升。
元分析结果提供了迄今最清晰的定量证据。多模态融合显著提升了准确率，平均增益为+5.28个百分点（p=0.0016）；F1分数的效应方向为正，但在主模型中统计不显著。多视图融合则带来一致但适度的增益：准确率提升+4.67%，F1分数提升+3.08%，召回率也有提升，且所有p值均小于0.05。这些发现表明，融合多源信息确实能改善分类表现，但增益幅度因融合类型而异，多模态融合在准确率上的优势更为明显，而多视图融合则在多个指标上表现均衡。
然而，综述也揭示了方法论上的严重问题。定性综合发现，仅有11.8%的多模态研究和23.3%的多视图研究使用统计检验来验证其发现，这削弱了许多结果的可信度。可重复性和方法严谨性方面的挑战普遍存在，意味着当前文献中的大量结论缺乏足够的统计支撑，实践者在采信这些结果时需要保持谨慎。这一发现对于推动领域健康发展至关重要，因为它指出了未来研究需要优先改进的方向。
该综述的主要贡献包括一个统一框架、首个定量证据基础以及数据驱动的指导原则。作者总结认为，成功的信息融合不取决于算法的复杂性，而在于融合方法与任务情境的战略对齐，以及对更严格验证的承诺。这一结论强调了实践导向的重要性：研究者和工程师应优先考虑融合策略与具体文档分类任务的匹配度，而非盲目追求复杂的融合算法。同时，加强统计验证和可重复性应成为未来研究的标配，以提升整个领域的可靠性。
从时间线来看，该论文于2026年4月7日提交，属于arXiv cs.AI类别下的新近研究。其系统综述的方法论——涵盖139项原始研究、定性分析与随机效应元分析——为文档分类领域提供了迄今最全面的证据综合。论文的结论对实践者具有直接指导意义：在选择融合方法时，应聚焦于任务需求与融合策略的契合度，并确保采用适当的统计检验来验证结果。这一工作不仅填补了领域空白，也为后续研究设定了更高的方法论标准。