AI辅助模拟护理教育中基于环视视频的能力评估
计算机视觉与模式识别
2026-05-21 v1 人工智能
摘要
在临床模拟中评估学习者的专业能力需要专家观察，这种做法耗时、难以扩展，并且存在评估者之间的变异性。视觉-语言模型作为理解复杂视觉行为的有前景工具。本文研究在三阶段框架下，视觉观察是否为专业能力评估提供教育上有意义的信号：（1）使用冻结视觉编码器和few-shot学习从环视护理模拟视频中提取动作时间线；（2）派生序列级特征和每个会话的识别指标；（3）将这些指标与教师评估的专业能力相关联。在22个密集注释会话（3.8小时，493个动作）中，使用冻结的DINOv2主干和HMM Viterbi解码实现57.4%的MOF（leave-one-out 1-shot识别）。令人意外的是，我们观察到识别准确率与专业能力之间呈负相关趋势（rho = -0.524, p = 0.012 for mIoU），这种趋势对六个混杂控制因素稳健：更专业的学生会产生更具多样性、更难以分类的工作流程，而简单序列特征则不存在此类关系。按项目分析识别出患者安全协议和团队沟通作为该模式中最反映期望行为的行为。过程模型比较揭示，更高专业能力的学生表现出更一致的动作转换。这些发现表明，识别准确率可能作为自动化专业能力评估中预测动作时间线的教育上有意义的信号。
引用
@article{arxiv.2605.20233,
title = {AI-Assisted Competency Assessment from Egocentric Video in Simulation-Based Nursing Education},
author = {Hanchen David Wang and Yilin Liu and Madison J. Lee and Surya Chand Rayala and Gautam Biswas and Daniel T. Levin and Meiyi Ma},
journal= {arXiv preprint arXiv:2605.20233},
year = {2026}
}
备注
Accepted at CVPR Workshop