Struct TqsReport 

pub struct TqsReport {

    pub judged_modules: usize,
    pub avg_clarity: f64,
    pub avg_readability: f64,
    pub avg_conciseness: f64,
    pub avg_richness: f64,
    pub avg_structure: f64,
    pub avg_total: f64,
    pub repeats: usize,
    pub kappa_like: f64,
    pub kappa: f64,
    pub kappa_cohen: f64,
    pub flip_rate: f64,
    pub position_flip_rate: f64,
    pub delta_kappa: f64,
    pub eligible_modules: usize,
    pub parse_success_rate: f64,
    pub judgment_scale: String,
    pub aggregation_level: String,
    pub tie_handling: String,
    pub position_bias: f64,
    pub low_confidence_modules: Vec<String>,
    pub avg_std: f64,
    pub judge_model: String,
    pub tie_rate: f64,
    pub agreement_breakdown: [usize; 3],
}

RepoDocBench 协议：对同一模块的旧文档（导出快照）与当前产物， 裁判按五维 0-10 打分（Clarity/Readability/Conciseness/Richness/ Structure），交换文档顺序两轮取平均消除位置偏差（position bias）。 裁判模型与温度由 config.llm 决定（默认配置 mock/未配置 key 时 本维度被跳过，report.tqs = None）。

Fields

judged_modules: usize

完成打分的模块数（旧文档与当前产物都存在的模块）

avg_clarity: f64

五维平均分（0-10，顺序消偏 + 复测平均后取平均）

avg_readability: f64

avg_conciseness: f64

avg_richness: f64

avg_structure: f64

avg_total: f64

五维总分平均（0-10）

repeats: usize

t05/MVVP：每模块的复测次数（AB/BA 各 repeats 轮）

kappa_like: f64

t05/MVVP：复测一致性（κ 近似）——同一模块任意两轮、同一维度 分数绝对差 ≤1 的比例。1.0 = 完全稳定；低值 = 裁判不稳定或 文档差异导致敏感（2606.19544 指出高 test-retest 与低位置偏差 可并存，一致性是可靠性下限）。

kappa: f64

v14 C 组（MVVP 缺口）：机会校正 κ——把“同一维度分数差 ≤1“ 视为二分类判定（一致/不一致），一致率经机会一致性 p²+(1-p)² 校正： κ = (P_o − P_e)/(1 − P_e)，负值截断为 0。注意：机会基线用 p_obs 自身近似，非标准 Cohen’s κ（标准 κ 需两个独立 rater 的判定与 边际表，见 kappa_cohen）；保留字段名与语义兼容既有消费方。

kappa_cohen: f64

t04：标准 Cohen’s κ（2606.19544 通缩诊断的对照口径）——rater1 = AB 顺序调用、rater2 = BA 顺序调用，item = (模块, 维度, 轮)， 类别 = {A 胜, B 胜}（平局按 B 胜计入，连续分数相等概率近零）。 与 kappa_like/kappa 的自定义稳定率口径不同，独立报告。

flip_rate: f64

t04：判定翻转率（模块级平均）——单次调用的 A 胜/平/B 胜判定与 模块内多数判定不一致的比例（2606.13685 单次 flip rate 13.6%； 2606.19544 self-consistency 的互补面）。

position_flip_rate: f64

t04：位置翻转率（模块级平均）——同一轮内 AB 顺序与 BA 顺序的 判定相异比例（2606.19544 item 级定义：交换位置后判定翻转的比例； 区别于 position_bias 的 AB/BA 组均值口径）。

delta_kappa: f64

t04：κ 通缩诊断 = kappa_like − kappa——原始一致率被机会校正 削掉多少（2606.19544：Δκ 33-41pp 量级；本地无 human 参考时以 自稳定性口径替代）。

eligible_modules: usize

t04：有效模块数 = 新旧文档都存在的模块总数（2606.00093 item 8 coverage；judged_modules 仅计判定成功数，failed 模块不计入）

parse_success_rate: f64

t04：解析成功率 = 成功解析的裁判调用 / 全部调用（含失败模块； 2606.00093 item 7 要求 abstention/invalid 率单独作为指标报告）

judgment_scale: String

t04：判定尺度声明（2606.00093 item 1：必须声明判定尺度）

aggregation_level: String

t04：聚合层级声明（2606.00093 item 10）

tie_handling: String

t04：tie/abstain 处理声明（2606.00093 item 6：exclude/recode/retain 是三种不同 estimand，必须显式声明）

position_bias: f64

v14 C 组（MVVP 缺口）：位置偏差 |P(A 胜) − 0.5|——对每模块每维度， AB 顺序（A 先）轮与 BA 顺序（B 先）轮的分数均值比较出 A 胜/负判定， P(A 胜) = A 胜判定数 / 判定总数。接近 0 = 文档顺序不影响裁判； 接近 0.5 = 裁判对位置敏感（分数结论可能被顺序污染）。

low_confidence_modules: Vec<String>

v14 C 组（MVVP 缺口）：低置信模块清单——复测失败（裁判调用/解析 失败被跳过，不再静默）或复测标准差超过阈值的模块（分数波动大， 结论不可信；2606.19544 要求显式报告而非跳过）

avg_std: f64

五维分数的平均标准差（跨复测轮次；量化波动幅度）

judge_model: String

裁判模型（config.llm.model；style 消偏在多裁判轮转下才完整， 单裁判时报告模型便于人工判断偏差来源——2604.23178）

tie_rate: f64

v32（6.1 FR-102/FR-103）：三态判定中平局占比（模块级平均）—— 全部调用级判定（judgment()==0）中 tie 的比例。tie 率升高 = 裁判区分度不足的信号（旧文档与产物五维总分经常相等），

TQS_TIE_ESCALATION_THRESHOLD 时升级复测轮数。

agreement_breakdown: [usize; 3]

v32（6.1 FR-102）：三态判定明细 [A 胜, B 胜, 平局]——全部调用级 判定（judgment() 的 1/-1/0）的累计计数。tie 是独立类别而非静默 归入胜负（2606.00093 item 6 estimand 声明）；报告暴露三态结构 供人工判断裁判区分度。

Trait Implementations

impl Clone for TqsReport

fn clone(&self) -> TqsReport

Returns a duplicate of the value.

fn clone_from(&mut self, source: &Self)

Performs copy-assignment from source.

impl Debug for TqsReport

fn fmt(&self, f: &mut Formatter<'_>) -> Result

Formats the value using the given formatter.

impl Serialize for TqsReport

fn serialize<__S>(&self, __serializer: __S) -> Result<__S::Ok, __S::Error>

where __S: Serializer,

Serialize this value into the given Serde serializer.