أبحاث حول التقييم البصري للمهارات الهندسية في تطبيقات الصحة بناء على النمذجة ثلاثية الأبعاد بمساعدة الذكاء الاصطناعي

ملخص

يقدم هذا البحث منهجية متعددة الوسائط مدفوعة بالذكاء الاصطناعي لقياس المهارات الهندسية بشكل موضوعي في النمذجة الطبية ثلاثية الأبعاد، والتي تدمج العلامات الهندسية والسلوكية والمعرفية. يسمح الدمج البايزي مع التحليلات البصرية في الوقت الحقيقي بتقييم دقيق للمهارات تم التحقق منه عبر مجموعة واسعة من المهام ومستويات مهارة المشاركين.

الملخص

أصبحت النمذجة ثلاثية الأبعاد المدعومة بالذكاء الاصطناعي (AI) مركزية في الرعاية الصحية الحديثة، ومع ذلك لا يزال المجال يفتقر إلى طريقة قابلة للتكرار والتوسع لتقييم كفاءة الهندسة للنماذج الرقمية المستخدمة سريريا. تميل فحوصات الجودة الحالية إلى التركيز على مخرجات الشبكة النهائية دون النظر في سير عمل النمذجة، وسلوك المشغل، والتفاعلات مع مساعدة الذكاء الاصطناعي. هذه الفجوة تعيق قابلية التكرار، والتدريب الفعال، وتحد من الامتثال التنظيمي. يقترح هذا العمل أول إطار عمل للتحليلات البصرية من الطرف إلى الطرف مصمم لقياس ونقل مهارات الهندسة أثناء مهام النمذجة ثلاثية الأبعاد التي تركز على الصحة. يعرف الإطار المقترح بناء مهارة خاص بالمجال، يتراوح من الدقة الهندسية إلى الكفاءة التشغيلية والقدرة على التكيف المعرفي، ويحدد هذه الأبعاد من خلال مجموعة من المؤشرات السلوكية والهندسية والفسيولوجية القابلة للتفسير. يدمج ضمن بنية أربع طبقات التقاط البيانات متعددة الوسائط، واستخراج الميزات في الوقت الحقيقي من خلال نماذج التعلم العميق الخفيفة، ودمج الأدلة البايزي لتقدير الكفاءة المستمر، ووحدات التغذية الراجعة البصرية البديهية. يحافظ النظام على المعايرة للأدوات الجديدة وسيناريوهات النمذجة من خلال آلية التعلم النشط عبر الإنترنت تقلل من متطلبات التعليق الخبير. تم اختبار الإطار مع 60 مشاركا ينفذون مهمتين نمذجة واقعية سريرية تتعلقان بتصميم الزرعات العظمية وإعادة بناء الأوعية الدموية. أظهرت النتائج توافقا قويا مع تقييمات الخبراء، وتمييزا واضحا بين مستويات المهارة، وتنبؤا ذا معنى لجودة النمذجة المستقبلية. تم استخدام بايثون في مهام الارتباط، والانحدار، واختبار الصلاحية، ومهام التصور على التوالي. أظهرت اختبارات سهولة الاستخدام قبولا عاليا؛ قدر المشاركون بشكل كبير وضوح التغذية الراجعة البصرية التي تدعم التحسين الذاتي الموجه. في النهاية، يعيد هذا الإطار المقترح تشكيل تقييم النمذجة ثلاثية الأبعاد من نتيجة ثابتة في القسم إلى مراجعة ديناميكية تركز على العملية مدعومة بأدلة متعددة الوسائط. والنتيجة هي حل عملي وقابل للتفسير وقابل للتوسع للتدريب والشهادات والإشراف التنظيمي على سير عمل النمذجة ثلاثية الأبعاد الحيوية للصحة، وأساس التعاون المستقبلي بين الإنسان والذكاء الاصطناعي وتحليلات الكفاءة في التصميم الطبي.

المقدمة

إن التبني السريع للنمذجة ثلاثية الأبعاد المدعومة بالذكاء الاصطناعي في قطاع الرعاية الصحية يغير طريقة إنشاء الزرعات والأدلة وإعادة البناء التشريحي، لكن المجال لا يزال يفتقر إلى أي طريقة موثوقة لتقييم المهارة الهندسية وراء هذه النماذج. تعتمد الممارسة السائدة اليوم بشكل كبير على عمليات التفتيش النهائية للمنتج، والتي، رغم فائدتها لكشف الأخطاء الهندسية، إلا أنها لا تقدر سير عمل النمذجة، أو تفاعل المستخدم والذكاء الاصطناعي، أو اتخاذ القرار اللحظي في إنشائها. وبالتالي، غالبا لا تستطيع الفرق السريرية تحديد ما إذا كان النموذج قد تم إنتاجه من خلال عمليات قابلة للتكرار أو من خلال تجربة وخطأ محظوظة¹. هذه الفجوة تثبت أنها تزداد أهميتها. تتطلب المستشفيات والجهات التنظيمية وبرامج الطباعة ثلاثية الأبعاد الآن دليلا على جودة متسقة لسير عمل كامل، وليس مجرد شبكة نهائية صحيحة، لأن أخطاء النمذجة يمكن أن تؤثر على سلامة الجراحة، وملاءمة الجهاز، وقابلية تتبع التصنيع. لا توجد طريقة حالية لالتقاط (أو حساب) مهارة النمذجة بطريقة متكاملة ومنهجية وقابلة للتوسع تشمل الجوانب السلوكية والمعرفية والإجرائية لمهارة النمذجة. هذا هو الدافع الرئيسي للورقة^{الحالية 2}، لكن لم يتم تقديم تعريف تشغيلي ل "كفاءة سير العمل" للنمذجة المرتكزة على التشريح والمدعومة بالذكاء الاصطناعي³. هذه الفجوة بين التوقعات التنظيمية والممارسة اليومية هي الدافع الأول للعمل الحالي. الدافع الثاني هو تربوي. تقوم الشركات الناشئة في مجال التكنولوجيا الصحية والمستشفيات الجامعية بتدريب القادمين الجدد من خلال قرانهم مع نماذج كبار السن لمدة تتراوح بين 6 إلى 18 شهرا. النهج فعال لكنه لا يتوسع: فقد نمت قاعدة المقاعد الطبية المدعومة بالذكاء الاصطناعي على مستوى العالم 340٪ بين 2020 و2024، بينما بقيت مجموعة المرشدين المؤهلين ثابتة⁴. نظام التحليلات البصرية الذي يمكنه المراقبة والتشخيص والتدريب في الوقت الحقيقي سيفصل بين معدل التدريب وتوفر المرشدين ويقصر منحنى التعلم للمبتدئين غير التقليديين مثل مصوري الأشعة أو الممرضين الذين يقومون بشكل متزايد بتقسيم الواجهة الأمامية.

ثالثا، هناك حجة علمية معرفية. النمذجة الطبية هي نوع عالي المخاطر من حل المشكلات البصري يجمع بين التفكير المكاني، والمعرفة التشريحية، ومهارة البرمجيات. فهم كيفية تنظيم هذه الموارد، ومتى تتعطل، ومتى يتم الاستعانة بها للذكاء الاصطناعي يتطلب التقاط الإشارات العين واليد والفسيولوجية لحظة بلحظة. يمكن أيضا استخدام نفس تدفق البيانات الذي يوضح الخبرة البشرية لتقييمها، مما يخلق حلقة فاضلة بين البحث والتطبيق. على الرغم من الأدبيات الغنية حول (1) تقييم المهارات الإجرائية في الجراحة و(2) مقاييس الجودة الهندسية لشبكات CAD⁵، لا يزال تقاطع التقييم البصري لمهارات الهندسة في النمذجة ثلاثية الأبعاد المرتكزة على الصحة والمدعومة بالذكاء الاصطناعي غير مستكشف بشكل كاف. على وجه التحديد، تفتقر معايير التقييم الحالية إلى بناء مهارة خاص بالمجال، وبالتالي تعالج السمات التشريحية الحرجة، مثل زوايا التفرع الوعائي، بنفس طريقة الميزات الميكانيكية العامة مثل ثقوب البراغي (bolt holes). القيود المستندة إلى التشريح، مثل مسامية الحشو الترابيكي أو حدود انحناء الشقوق العظمي، غائبة عن وظائف التسجيل. فيما يتعلق بالاستشعار المجزأ، نادرا ما تقوم دراسات التقاط العمليات في التصميم الحاسمي (CAD)، أو المحاكاة الجراحية، أو ألعاب الواقع الافتراضي بمزامنة الحركية، والنظرة، وعلم وظائف الضعفاء، والصوت بدقة أقل من الثانية⁶. وبالتالي، يصبح التحقق عبر الوسائط مستحيلا، وتبقى القيمة الإضافية لكل قناة غير معروفة⁷. فيما يتعلق بالتقييم الثابت، عادة ما تنتج الأدوات الحالية تصنيف نجاح/فشل ثنائي بعد الجلسة. يفتقرون إلى طريقة مبدئية للتعبير عن عدم اليقين أو تحديث المعتقدات حول كفاءة المتعلم مع وصول أدلة جديدة - وهو مطلب حاسم لبروتوكولات الشهادة البايزية⁸. أخيرا، فيما يتعلق بعدم استمرارية التغذية الراجعة، حتى عند جمع بيانات غنية، غالبا ما يتم تخزينها للمراجعة اللاحقة أو عرضها كمنحنيات خام. طبقة بصرية متوافقة نظريا ومحددة للدور تربط الإشارات منخفضة المستوى بنصائح قابلة للتنفيذ في الوقت الفعلي غير موجودة حاليا ^9,10. هذه النواقص الأربعة تتحول إلى ألم عملي: 30٪ من الأدلة التشريحية المطبوعة ثلاثية الأبعاد لا تزال تحتاج إلى إعادة عمل يدوية، وتستدعي إدارة الغذاء والدواء 2-3 دفعات زرعات خاصة بالمريض في كل ربع سنة لأن المهندس الأصلي أساء فهم شرح التحمل¹¹. لذلك هناك حاجة إلى إطار عمل شامل يغلق الحلقة من الاستشعار متعدد الوسائط إلى تغذية راجعة قابلة للتفسير.

يختلف النمذجة الطبية ثلاثية الأبعاد عن التصميم الحاسمي الصناعي في ثلاث طرق تؤثر مباشرة على تقييم المهارات: الهندسة التشريحية غير معلمية، تحمل الأخطاء قريب من الصفر، والتتبع التنظيمي إلزامي¹². لا يزال النموذج السائد للتقييم هو المراجعة الخبيرة الختامية لشبكة المضلعات النهائية أو ملف STL. تفحص المعايير النموذجية الانحراف الهندسي عن القالب الذهبي، والتعدد الطوبولوجي، ووجود معالم محددة من قبل الأطباء. نظرا لأن الفحص يدوي، نادرا ما يتجاوز κ كوهين في المقيم 0.65¹³. توفر المنصات التجارية مثل Mimics Innovation Suite و3D Slicer علامات نجاح/فشل لجودة الشبكة، لكن الأعلام حتمية (نسبة العرض إلى الارتفاع المثلثية، الأوجه المتقاطعة) وتتجاهل مسار النمذجة الفعلي¹⁴. يعزز التصور ثلاثي الأبعاد المدفوع بالذكاء الاصطناعي الفهم التشريحي، لكن الاستخدام الفعال يعتمد بشكل كبير على مهارة النمذجة لدى المشغل. بينما يوفر VDR صورا حجمية دقيقة، لا توجد طريقة منظمة لتقييم كيفية تفسير المستخدمين أو تحسينهم أو التلاعب بهذه النماذج. تعالج هذه الدراسة هذه الفجوة من خلال تقييم الكفاءة في النمذجة ثلاثية الأبعاد بمساعدة الذكاء الاصطناعي¹⁵. يقوم المؤلفون بتسجيل أحداث الاستدعاء في التمرير والأدوات مع إحداثيات المؤشر ثلاثي الأبعاد عند 30 هرتز. يستخدمون مشفر تلقائي للذاكرة قصيرة المدى طويلة (LSTM) لاكتشاف "مسارات الأدوات غير الفعالة" في التصميم الميكانيكي، محققين درجة F1 تبلغ 0.81 مقارنة بالعلامات البشرية. لتوسيع التحليل ليشمل الانتباه البصري، تحتوي مجموعة بيانات TAP-3D^{رقم 16} على بيانات نظرة من 120 مهندسا يؤدون تمارين Solid Works. يتم ترميز تسلسلات التثبيت والساكاد كمتجهات word2vec 128-D؛ يكشف التجميع عن خمس استراتيجيات بصرية مميزة لها ارتباط كبير بزمن النمذجة (r = 0.73). بعيدا عن مقاييس تفاعل المستخدمين، يقدر ماندال، أ. وغوش، أ. ^ر.17 السمات الميكانيكية لسقالات هندسة الأنسجة المعقدة باستخدام شبكات CNN ثلاثية الأبعاد مدربة على تضاريس رقمية ثلاثية الأبعاد مشتقة من نماذج^{CAD 17}. يتنبأ هذا النهج بدقة بسلوك السقالات ويوفر مسار تصميم أسرع بمساعدة الذكاء الاصطناعي للهياكل المسامية والمواد الفوقية. ومع ذلك، فإن معدل قابلية تكرار هذا التنبؤ يتأثر بتنوع مجموعة البيانات، خاصة مع الهندسات غير المنتظمة جدا أو عيوب التصنيع.

أعمال حديثة لشونفيلدت، ن.، هانكوك، ب. وبيرت، ج.¹⁸ قام بتوسيع جمع البيانات ليشمل بروتوكولات الصوت والتفكير بصوت عال، وبشكل خاص من خلال نسخ التعليق اللفظي إلى تدفقات BERT 200 D لربطها بنجاح التصحيح في مهام البرمجيات¹⁸. على الرغم من أن النمذجين الطبيين يتحدثون أقل من المبرمجين، إلا أن تسجيلات التجارب في مختبرنا تظهر أن عبارات مثل "هذا الحافة تبدو صاخبة" تتزامن مع 40٪ من أحداث التراجع اللاحقة، مما يشير إلى قيمة تنبؤية. تظهر هذه الدراسات أن البيانات الإجرائية يمكن جمعها بشكل غير ملحوظ، وأن نماذج التعلم الآلي يمكنها ربط البيانات ببنى الأداء. ومع ذلك، لا يستهدف أي منها النمذجة ثلاثية الأبعاد الخاصة بالصحة، حيث تضيف تقلبات التشريح ومساعدة الذكاء الاصطناعي طبقات إضافية من التعقيد. تم اعتماد التحليلات البصرية على نطاق واسع لتقديم التغذية الراجعة التكوينية في محاكاة الجراحة والتدريب الروبوتي. نظام MiEye¹⁹ يضع خرائط حرارة ملونة على خرائط الحرارة الملونة على الفيديو المسجل بالمنظار؛ يتحسن المتدربون بنسبة 26٪ أسرع من التغذية الراجعة الثنائية. لتعليم CAD، تشو، ي. ه. وآخرون.²⁰ اقتراح مخطط رادار يقارن مؤشرات الطلاب (عدد الميزات، وقت إعادة البناء، أخطاء إعادة البناء) مع نسب الصف؛ الطلاب الذين لديهم وصول إلى المخطط يظهرون زيادة في درجات ما بعد الاختبار بمقدار 0.35 انحراف معياري. لا يزال التصور في الوقت الحقيقي غير مستكشف بشكل كاف. كيم، آي.-جاي. وقتينة، ه. ه.²¹ تعرض البيانات الحركية الحية كشرائط شفافة في الواقع الافتراضي، لكن مقياسها هو خطأ موقعي بحت؛ العبء المعرفي لا يعالج. حسب علمنا، لا يوجد إطار عمل قائم يجمع بين التيارات الهندسية والسلوكية والفسيولوجية في طبقة تغذية راجعة بصرية واحدة قابلة للتفسير في الوقت الحقيقي، مصممة للنمذجة الطبية ثلاثية الأبعاد بمساعدة الذكاء الاصطناعي. تكشف المراجعة عن أربعة أوجه قصور محددة تهدف هذه الدراسة إلى معالجتها: نقص بناء المهارات الخاصة بالصحة: المعايير الحالية تعامل النمذجة الطبية كتحليل مدمن عام (CAD); يتجاهلون القيود المستندة إلى التشريح مثل حشو العظام المسامية أو زوايا التفرع الوعائي. الاستشعار المجزأ: عادة ما تستغل الدراسات نمطا واحدا (الحركية، النظرة، أو الفسيولوجيا). نادرا ما تحاول المزامنة متعددة الوسائط على المستوى دون الثانية، كما أن التحقق عبر الوسائط غائب. لم يتم تطبيق تحديث بايزي أو تتبع الثقة عبر الإنترنت على مهارات النمذجة؛ لذا، لا يمكن للمقيمين التعبير عن عدم اليقين أو دمج أدلة جديدة أثناء تطور المهمة. انقطاع التغذية الراجعة: حتى عند جمع بيانات غنية، يتم تخزينها إما للمراجعة اللاحقة أو عرضها كمنحنيات خام. لا توجد طبقة بصرية مبدئية تربط الإشارات منخفضة المستوى بتغذية راجعة قابلة للتنفيذ ومتوافقة مع النظريات في الوقت الحقيقي. تبرر هذه الفجوات تطوير إطار عمل شامل (1) يحدد بناء مهارة متعدد الأبعاد قائم على متطلبات تطبيق الصحة، (2) يدمج بيانات إجرائية متجانسة من خلال استنتاج بايزي معاير، و(3) يحول حالة الاعتقاد المتطورة via تصورات تفاعلية ومحددة للدور. من الناحية العملية، يوفر الإطار المقترح للمستشفيات أداة مراقبة فورية لجودة النمذجة، ويقلل الاعتماد على دورات مراجعة الخبراء الطويلة، ويتيح الاستخدام السريري الآمن للأجهزة الخاصة بالمرضى. يمكن لمراكز التدريب استخدام الإطار لتقديم تغذية راجعة منظمة ومبنية على البيانات تسهل تطوير المتعلم وتدعم وضع معايير موحدة للكفاءة عبر الفئات. بالنسبة للمنظمين، يوفر الإطار المقترح آلية قابلة للتدقيق وشفافة لتوثيق كفاءة سير العمل، تماشيا مع المتطلبات الناشئة للتحقق المستمر من عمليات الطباعة الطبية ثلاثية الأبعاد. استنادا إلى هذه الدوافع، تصمم هذه الدراسة وتؤكد إطار عمل للتحليلات البصرية يقيس مهارات الهندسة في النمذجة ثلاثية الأبعاد بمساعدة الذكاء الاصطناعي وتركز على الصحة. يهدف الإطار تحديدا إلى تعريف بناء مهارة متعدد الأبعاد يستند إلى ملء العظام المسامية، وزوايا الأوعية، وغيرها من التسامحات المتعلقة بالتشريح؛ لمزامنة النظرات، وحركة اليد، والإشارات الفسيولوجية، وبيانات تفاعل الذكاء الاصطناعي بدقة أقل من الثانية؛ لدمج هذه التدفقات البيانية المتنوعة من خلال التحديث البايزي لتوليد اعتقاد كفاءة متطور بثقة صريحة؛ لتقديم هذا الاعتقاد من خلال مخططات رادارية فورية، وخرائط حرارية، وتعليقات ثلاثية الأبعاد لأغراض التدريب أو الشهادات الفورية؛ والحفاظ على دقة تقييم لا تقل عن 90٪ via معايرة التعلم النشط التي تتكيف مع الطابعات الجديدة، أو نماذج الذكاء الاصطناعي، أو القواعد السريرية دون الحاجة إلى إعادة تدريب كاملة.

تتناول هذه الدراسة سؤالين مركزيين: ما إذا كان دمج البيانات متعددة الوسائط يحسن دقة تقييم المهارات مقارنة بتقييم الخبراء، وما إذا كان التحديث البايزي يتيح الحفاظ على دقة التقييم دون الحاجة إلى إعادة تدريب كاملة على النماذج.

البروتوكول

شملت هذه الدراسة مشاركين بشريين وتمت مراجعتها واعتمادها من قبل لجنة الأخلاقيات لحماية البحوث البشرية، كلية شياندا للاقتصاد والعلوم الإنسانية، جامعة شنغهاي للدراسات الدولية (رقم الموافقة 2025XD1221). وقع جميع المشاركين نماذج موافقة مستنيرة وأكملوا تدريبا تمهيديا لمدة 30 دقيقة: تعلم مشاركو EG تفسير التغذية الراجعة البصرية للإطار (مخططات الرادار، خرائط الحرارة)، بينما تلقى المشاركون في CG تدريبا فقط على تشغيل المنصة. لضمان الدقة في جمع البيانات، تضمنت التجربة التمهيدية أيضا معايرة لمدة 5 دقائق لأجهزة تتبع العين وأجهزة الاستشعار الفسيولوجية.

أهداف الدراسة ونظرة عامة على البروتوكول

كان هدف هذه الدراسة إنشاء نظام مغلق الحلقة من الطرف إلى الطرف يدمج الاستحواذ متعدد الوسائط، واستخراج الميزات، والاندماج البايزي، والتغذية الراجعة البصرية لتقييم المهارات الهندسية بطريقة قابلة للتفسير. يعرض الشكل 1 مخطط البروتوكول لتقييم المهارات الهندسية في التطبيقات الصحية بناء على النمذجة ثلاثية الأبعاد بمساعدة الذكاء الاصطناعي.

نظرة عامة على الإطار والمنطق الهرمي

إطار التقييم البصري لمهارات الهندسة في تطبيقات النمذجة ثلاثية الأبعاد المدعومة بالذكاء الاصطناعي المقترح في هذه الدراسة تم بناؤه على منطق الحلقة المغلقة "مدفوع بالبيانات - استخراج الميزات - دمج الأدلة - تغذية راجعة بصرية". هدفها الأساسي هو تحقيق تحويل شامل من البيانات الخام متعددة الوسائط إلى نتائج تقييم المهارات القابلة للتفسير²². لضمان استخراج موثوق للميزات متعددة الوسائط لتقييم مهارات الهندسة، يلتقط الإطار في الوقت نفسه التفاعل، والفسيولوجيا، والنظرة، والإيماءات، وإشارات الصوت مع تزامن زمني على مستوى ميلي ثانية. يعتمد الإطار تصميما هرميا للمعمارية، يتكون من أربع طبقات أساسية: طبقة جمع البيانات متعددة الوسائط (L1)، طبقة استخراج ميزات الذكاء الاصطناعي (L2)، محرك دمج الأدلة وتسجيل النقاط (L3)، وطبقة التغذية الراجعة البصرية (L4). تحقق كل طبقة تفاعلا ثنائي الاتجاه من خلال واجهات بيانات موحدة، ويتم تقديم وحدة معايرة إطار عمل (L5) في الوقت نفسه لضمان صحة نتائج التقييم الديناميكية. يوضح الشكل 2 خط الأنابيب من البداية إلى النهاية، بدءا من اكتساب البيانات متعددة الوسائط (النظرة، الحركية، الفسيولوجيا، الصوت) مرورا باستخراج الميزات المعتمد على الذكاء الاصطناعي، والتسجيل البايزي، والتغذية الراجعة البصرية والسمعية البصرية في الوقت الحقيقي. الطبقات تفاعلية، حيث توفر الطبقة الخامسة معايرة مستمرة. تسمح هذه البنية بمعالجة منسقة وتقدير المهارات المتحقق للمشاركين أثناء المشاركة في مهام النمذجة ثلاثية الأبعاد الحية.

معادلة (1) صيغة تحديث الثقة البايزي:

حيث: P(θ) يمثل الاحتمال السابق لمستوى المهارة θ (استنادا إلى بيانات التقييم التاريخية)؛ P(D∥θ) تشير إلى احتمال ملاحظة بيانات الميزات متعددة الوسائط D تحت مستوى المهارة θ؛ P(D) هو الاحتمال الهامش؛ P(D∥θ) هو الاحتمال اللاحق لمستوى المهارة θ بعد دمج البيانات D، أي درجة الثقة النهائية. استخدم هذا الإطار نهج دلفي وAHP المنظم²³ لوزن المؤشرات. شارك فريق مكون من عشرة خبراء في المجال (جراحو العظام، مهندسو الطب الحيوي، ونمذجي CAD الطبي ذوي الخبرة) في ثلاث جولات من تقييم دلفي لأهمية المؤشر على مقياس ليكيرت من 9 نقاط حتى وصل تقييم الخبراء إلى الاستقرار (معامل التغير <0.15)²⁴. ثم، باستخدام الدرجات المتقاربة/الموزعة من الخبراء، تم بناء ومصفوفة مقارنة زوجية وتأكيدها باستخدام معيار اتساق AHP بنسبة اتساق (CR) < 0.1. إذا تجاوز CR 0.1، يتم إعادة ضبط المصفوفة. كانت نسب الاتساق في طرق AHP لمصفوفات المقارنة الزوجية بين 0.03 و0.08، مما يشير إلى اتساق منطقي داخلي كبير عبر النهج الهرمي متعدد المستويات. تصميم كل طبقة في الإطار يلتزم بمبدأ "التقسيم المعياري - قابلية التوسع". على سبيل المثال، يمكن للطبقة L1 توسيع بعد جمع البيانات الفسيولوجية بإضافة حساسات حيوية؛ يمكن للطبقة L2 التكيف مع متطلبات تقييم المهارات لتطبيقات صحية مختلفة عن طريق استبدال النماذج المدربة مسبقا؛ تدعم الطبقة L4 أبعاد تصور مخصصة بناء على أدوار المستخدم. يوفر هذا مرونة للتطبيقات اللاحقة في تعليم النمذجة الطبية ثلاثية الأبعاد وسيناريوهات شهادات المهارات المهنية.

طبقة جمع البيانات متعددة الوسائط

تدفق أحداث التفاعل ثلاثي الأبعاد

تجمع هذه الوحدة بيانات التشغيل للمهندسين من منصات النمذجة ثلاثية الأبعاد المدعومة بالذكاء الاصطناعي عبر إضافات برمجية (16)، تغطي كل من أحداث التشغيل المنفصلة وبيانات المعلمات المستمرة. تشمل الأحداث المنفصلة اختيار النماذج، وضبط الرؤوس، واستدعاء أدوات الذكاء الاصطناعي، بينما تشمل المعلمات المستمرة سرعة النمذجة، وعدد التراجع/الإعادة، ومعدلات قبول اقتراحات الذكاء الاصطناعي. يتم تسجيل كل حدث بختم زمني مكون من 13 رقما وقيم نظام إحداثيات النموذج ثلاثي الأبعاد المقابلة (x, y, z). على سبيل المثال، عند ضبط انحناء نموذج زرع تقويمي، يقوم الإضافة بتسجيل أوقات بدء ونهاية العملية، وإحداثيات الرؤوس المعدلة، وتغيرات الانحناء، مما يشكل سجل أحداث منظم (انظر الجدول 1 إلى الجدول 3 لحقول البيانات). تتم معالجة هذه البيانات لاحقا باستخدام خوارزميات مخصصة لحساب مؤشرات هندسية وكفاءة ومعرفية خاصة بالمجال، مما يتيح توصيفا دقيقا لسلوكيات النمذجة في التطبيقات المتعلقة بالصحة.

حركات العين وإشارات الإيماءات

يتم جمع بيانات حركة العين باستخدام متتبع عين مكتبي، مع التركيز على نقاط التثبيت ومعلمات الساكاد في واجهة النمذجة ثلاثية الأبعاد، والتي تعكس توزيع انتباه المهندس المعرفي.

تلتقط إشارات الإيماءات بواسطة كاميرا عمق، التي تستخرج 22 إحداثيا مفتاحا للمفصل العلوي لتحديد الإيماءات النمذجة النموذجية²⁵. تقوم الكاميرا بتحويل بيانات إحداثيات الإيماءات ثلاثية الأبعاد إلى تسلسلات متجهية موحدة لتقليل فروق حجم الجسم الفردي.

تعتمد مزامنة البيانات لهذه الوحدة على مشغل الأجهزة الموحد للإطار (ختم زمني 10 هرتز من برنامج النمذجة ثلاثية الأبعاد)، مع التحكم في خطأ التزامن خلال ±50 مللي ثانية (محسوبة عبر المعادلة 3-2) لضمان الارتباط الزمني بين سلوكيات العين/الإيماءات وعمليات النمذجة ²⁶. تقدم المعادلة (2) حساب خطأ تزامن البيانات:

(2)

حيث: E_t = خطأ التزامن بين وقت اقتناء الجهاز (t_جهاز) وختم الوقت البرمجي (_{t برمجيات}); _{t device} = الوقت الفعلي لالتقاط جهاز تتبع العين/كاميرا العمق؛ _{t software} = ختم الزمن من برنامج النمذجة ثلاثية الأبعاد.

البيانات الفسيولوجية والصوتية

يتم جمع البيانات الفسيولوجية عبر أجهزة استشعار قابلة للارتداء: حساس تخطيط العضلات الكهربائية (EMG) (تردد أخذ عينات 1000 هرتز) ²⁷، مثبت على ساعد المهندس لتسجيل توتر العضلات أثناء العمليات الدقيقة، مما يعكس الاستقرار التشغيلي. حساس تخطيط القلب الكهربائي (ECG) (تردد أخذ عينات 250 هرتز) ²⁸: يرتدى على الصدر لجمع مؤشرات تباين معدل ضربات القلب (HRV)، التي تميز الحمل المعرفي. يتم التقاط بيانات الصوت بواسطة ميكروفون اتجاهي (تردد أخذ عينات 44.1 كيلوهرتز)،²⁹، حيث يسجل تعليقات المهندسين الشفهية أثناء النمذجة لدعم تحليل الحالة المعرفية. تخضع جميع البيانات الفسيولوجية والصوتية للمعالجة المسبقة قبل تخزينها في قاعدة البيانات متعددة الوسائط الموثقة بالوقت. يوضح الشكل 3 تكوين الأجهزة التجريبية الفيزيائية. بيانات المستشعرات من أجهزة EMG/ECG القابلة للارتداء، والميكروفون، وجهاز تتبع العين، وكاميرا العمق كلها متصلة بمحطة عمل نمذجة ثلاثية الأبعاد. قبل حفظ البيانات الزمنية في قاعدة بيانات متعددة الوسائط، تقوم وحدة التزامن بضبط جميع التدفقات (ضمن هامش ±50 مللي ثانية). تعني هذه المواصفة المادية مدخلات موثوقة ومحاذية زمنيا في خط أنابيب استخراج الميزات وتسجيل التقييم.

طبقة استخراج الميزات بالذكاء الاصطناعي

مؤشرات الجودة الهندسية

تستخرج هذه الوحدة ميزات كمية تعكس دقة وعقلانية النماذج ثلاثية الأبعاد من تدفق أحداث التفاعل ثلاثي الأبعاد والمخرجات النهائية للنموذج، وتعمل كأساس أساسي لتقييم مهارات "دقة النمذجة" لدى المهندسين. لتقييم الدقة الهيكلية، والتوافق التشريحي، واكتمال النموذج ثلاثي الأبعاد باستخدام مقاييس الانحراف والطوبولوجيا والميزات القائمة على القالب، تم تصميم ثلاثة مؤشرات رئيسية، مع تفاصيل طرق الحساب والمعاني الفيزيائية أدناه:

معدل انحراف النموذج (MDR)

يقيس هذا الانحراف الهندسي بين نتيجة المهندس النمذجة والقالب القياسي. يتم حساب الانحراف بمقارنة المسافة الإقليدية لنقاط الميزات الرئيسية بين النموذجين. الصيغة موضحة في المعادلة (3):

(3)

حيث: n = عدد نقاط الميزات الرئيسية المحددة مسبقا (يتم ضبطها إلى 50-100 بناء على تعقيد النموذج)؛ P_i,engineer = إحداثيات ثلاثية الأبعاد لنقطة الميزة رقم i في نموذج المهندس؛ P_i,standard = إحداثيات ثلاثية الأبعاد لنقطة الميزة رقم i في القالب القياسي؛ |⋅| = عامل المسافة الإقليدي.

يشير انخفاض نسبة التوازن الطبي إلى اتساق أعلى مع النموذج القياسي، مع عتبة ≤ 5٪ لنماذج التطبيقات الصحية المؤهلة. تم تقييم كفاءات النمذجة بناء على كفاءة الوقت، والحركات المتكررة، واستقرار الإيماءات، وأنماط استخدام أدوات الذكاء الاصطناعي المقترحة خلال سيناريوهات التشغيل ثلاثية الأبعاد في الوقت الحقيقي.

الاتساق الطوبولوجي (TC)

يقيم هذا ما إذا كان الهيكل الطوبولوجي للنموذج ثلاثي الأبعاد يلبي متطلبات التطبيق الطبي. يتم حساب المؤشر عن طريق عد عدد العيوب الطوبولوجية (D) والعدد الإجمالي للعناصر الطوبولوجية (T، مجموع الرؤوس، الحواف، والوجوه) في النموذج، كما هو موضح في المعادلة (4):

(4)

على سبيل المثال، إذا كان نموذج مفصل الركبة يحتوي على حافتين غير متعددتين (D = 2) و1200 عنصر طوبولوجي إجمالي (T = 1200)، فهو 99.83٪. يتطلب النماذج الطبية ≥ 98٪ لتجنب مخاطر التصنيع.

اكتمال الميزات (FC)

يقيم هذا ما إذا كان المهندس قد نفذ جميع الميزات الإلزامية لنموذج تطبيق الصحة بالكامل. يتم تحديد المؤشر بمقارنة عدد الميزات الإلزامية المكتملة (F_مكتملة) مع إجمالي عدد الميزات الإلزامية (F_{الإجمالي}) المعرفة في متطلبات المهمة:

(5)

مؤشرات الكفاءة السلوكية

تعالج هذه الوحدة تدفقات الأحداث ثلاثية الأبعاد وإشارات الإيماءات لاستخراج ميزات تعكس كفاءة عمليات النمذجة لدى المهندسين، مع تقييم مهاراتهم في "كفاءة التشغيل". تم قياس المتطلبات المعرفية المرتبطة بالنمذجة باستخدام إشارات فسيولوجية ونظرية وتخطيط كهرومغناطيسي متزامنة. تتبع هذه المقاييس توزيع الانتباه عبر الزمن وتقلبات عبء العمل أثناء عملية النمذجة.

كفاءة نمذجة الزمن (MTE)

يقارن هذا وقت النمذجة الفعلي للمهندس (T_الفعلي) مع متوسط وقت الخبراء الكبار لنفس المهمة (_خبير T)، وتم تطبيعه إلى درجة 0-100:

(6)

على سبيل المثال، إذا استغرق مهندس 45 دقيقة لإنجاز مهمة يأخذ الخبراء فيها متوسط 30 دقيقة، فهناك 100 - (45 - 30) × 50 = 75، مما يشير إلى كفاءة متوسطة.

معدل التشغيل المتكرر (ROR)

هذا يحسب نسبة العمليات غير الضرورية في عملية النمذجة. يتم حسابها كنسبة عدد العمليات الزائدة (O_زائد) إلى إجمالي عدد العمليات (O_إجمالي):

(7)

يتم تحديد العمليات الزائدة بواسطة خوارزمية الذكاء الاصطناعي من خلال مطابقة القواعد وتحليل اتساق الإيماءات.

معدل استخدام أدوات الذكاء الاصطناعي (ATUR)

يقيس هذا قدرة المهندس على الاستفادة من الوظائف المدعومة بالذكاء الاصطناعي لتحسين الكفاءة. يعرف بأنه نسبة عدد استدعاءات أدوات الذكاء الاصطناعي (I_AI) إلى إجمالي عدد استدعاءات الأدوات (_{I الإجمالي}):

(8)

تشير نسبة ATUR الأعلى إلى دمج أفضل لأدوات الذكاء الاصطناعي في عملية النمذجة، وهي مهارة أساسية في النمذجة الطبية ثلاثية الأبعاد الحديثة.

نعومة الإيماءات (GS)

يقيم هذا استقرار حركات الأطراف العلوية للمهندس أثناء النمذجة. يتم حساب المؤشر بواسطة الانحراف المعياري لسرعة 22 مفصلا رئيسيا للطرف العلوي (v_j) مع مرور الوقت:

(9)

يشير انحراف معياري أقل (وبالتالي GS أعلى) إلى إيماءات أكثر سلاسة، مما يعكس كفاءة تشغيلية أعلى. يتم استخراج هذه المؤشرات في الوقت الحقيقي أثناء عملية النمذجة، حيث تقوم خوارزمية الذكاء الاصطناعي بتحديث قيم المؤشرات كل 5 دقائق وتخزينها في قاعدة بيانات الميزات لدمج لاحق.

مؤشرات الحمل المعرفي

تحلل هذه الوحدة إشارات حركة العين والبيانات الفسيولوجية لقياس الحمل المعرفي للمهندس أثناء النمذجة، مع تقييم مهاراته في "التكيف المعرفي". تم وزن المؤشرات متعددة الوسائط باستخدام نهج دلفي-AHP وتحديث الأدلة البايزية لتظهر درجات مهارات هندسية احتمالية فورية. تم تطوير ثلاثة مؤشرات رئيسية:

تشتت التثبيت (FD)

يعكس هذا توزيع انتباه المهندس البصري. يتم حسابها كمسافة إقليدية بين إحداثيات نقطة التثبيت القصوى والصغرى ( (x_max, y_max) و (x_min, y_min) ) في واجهة النمذجة ثلاثية الأبعاد خلال نافذة زمنية مدتها دقيقتان:

(10)

يشير الارتفاع الأكبر إلى انتباه متشتت، وغالبا ما يرتبط بحمل معرفي مرتفع.

تباين معدل ضربات القلب (HRV) - SDNN

يتم استخراج SDNN (الانحراف المعياري للفترات الطبيعية إلى الطبيعية) من بيانات تخطيط القلب لقياس تقلب معدل ضربات قلب المهندس. يشير انخفاض SDNN إلى نشاط أعصاب ودية أعلى، مما يعكس زيادة الحمل المعرفي. تقوم خوارزمية الذكاء الاصطناعي أولا بتصفية ضوضاء تخطيط القلب (عبر تحويل المويجات) ثم تحسب SDNN باستخدام المعادلة (11):

(11)

حيث: N = عدد نبضات القلب الطبيعية في نافذة مدتها 5 دقائق؛ RR_k = الفترة الزمنية بين ضربات القلب الطبيعية k-th و (k + 1)-th؛ = متوسط فترة RR في النافذة.

تخطيط العضلات الكهربائية (EMG) - متوسط الجذر التربيعي (RMS)

RMS لإشارات EMG في الساعد تعكس توتر العضلات: ارتفاع RMS يشير إلى زيادة تيبس العضلات بسبب الإجهاد المعرفي. صيغة الحساب هي:

(12)

حيث: m = عدد عينات إشارة EMG في نافذة دقيقة واحدة، و EMG(t) = سعة إشارة EMG في الزمن t. تم إنشاء مخطط ملخص للمساعدة في توضيح المفاهيم وتسهيل تكرار البحث. يوضح الرابط العلاقة الهرمية بين مؤشرات التقييم العشرة والبنى الثلاثة الرئيسية وراء الإطار المقترح: الجودة الهندسية، الكفاءة التشغيلية، والتكيف المعرفي. يوضح هذا المخطط كيف يتم تحويل إشارات الإدخال متعددة الوسائط إلى مؤشرات قابلة للقياس يتم دمجها لاحقا من خلال نهج بايزي لإنشاء درجة مهارة هندسية مركبة. تنقل هذه النظرة الشاملة نسخة مضغوطة من منطق التقييم وتزيد من الشفافية المنهجية لهذه الدراسة تكوينا وللتوجيه التعليمي والتنظيمي المستقبلي. يوضح الشكل 4 الهيكل الهرمي لإطار تقييم المهارات الهندسية المقترح، والذي ينظم عشرة مؤشرات متعددة الوسائط في ثلاثة بنى أساسية: الجودة الهندسية، الكفاءة التشغيلية، والمرونة الإدراكية. تساهم هذه العوامل في النتيجة العامة للمهارة المستخدمة لتقييم أداء النمذجة ثلاثية الأبعاد بمساعدة الذكاء الاصطناعي.

محرك دمج الأدلة وتسجيل النقاط

توزيع وزن المؤشر (دلفي + AHP)

تتناول هذه الوحدة مشكلة الأهمية المتمايزة بين السمات متعددة الأبعاد من خلال دمج طريقة دلفي (إجماع الخبراء) وعملية التسلسل الهرمي التحليلي (AHP) لإعطاء أوزان للمؤشرات العشرة المستخرجة (ثلاثة مؤشرات جودة هندسية، أربعة مؤشرات كفاءة سلوكية، وثلاثة مؤشرات حمل معرفي)، ولتمثيل هذه المؤشرات متعددة الوسائط المعقدة بصيغ بصرية وقابلة للتفسير. مثل مخططات الرادار، وخرائط الحرارة، والتشغيل المشروح للاستنتاج التشخيصي الطبي الحيوي.

مرحلة الإجماع في دلفي

قامت لجنة مكونة من عشرة خبراء بتقييم أهمية كل مؤشر باستخدام مقياس من 9 نقاط (1 = "الأقل أهمية"، 9 = "الأهم") عبر ثلاث جولات من الاستبيانات المجهولة. بعد كل جولة، تم تقديم تغذية راجعة إحصائية - تشمل متوسط الدرجات ومعاملات التباين (CV) - للجنة لتسهيل تعديل الدرجات. تم تعريف التقارب بأنه CV ≤ 0.15 لكل مؤشر. ومن الجدير بالذكر أن الإجماع على مؤشرات مثل معدل انحراف النموذج (MDR) ومعدل استخدام أدوات الذكاء الاصطناعي (ATUR) تم تحقيقه عادة في الجولة الثانية، ويعزى ذلك إلى أهميتها السريرية المباشرة.

لضمان المتانة التقنية، قام البروتوكول بتوحيد طرق المحاذاة متعددة الوسائط للبيانات (تحمل التزامن ≤ 50 مللي ثانية؛ ساعة مشغل موحدة 30 هرتز) وطرق حساب المؤشرات. على سبيل المثال، تم اشتقاق MDR من 50-100 نقطة رئيسية تشريحية، بينما تم تعيين عتبة الاتساق الطوبولوجي (TC) عند >98٪ للعناصر الخالية من العيوب. تم تبرير هذه العتبات ضد معايير التحمل السريري، مثل انحراف <٪ للعظم المسامي وخطأ < 3° لزوايا التفرع الوعائي. علاوة على ذلك، دمجت المنهجية التقييم البايزي مع نمذجة الاحتمالية الغاوسية (باستخدام نطاقات σ معايرة لمستويات مهارات مختلفة) واستخدمت مستخرج ميزات CNN-LSTM مدرب بحجم دفعة 32، ومعدل تعلم 1 × ^10-4، و120 عصرا.

تأسيس التسلسل الهرمي لحزب AHP

يتم بناء تسلسل هرمي من ثلاثة مستويات: الطبقة المستهدفة (A): تقييم شامل للمهارة الهندسية؛ طبقة المعايير (B): 3 مؤشرات من المستوى الأول (B1: الجودة الهندسية، B2: الكفاءة السلوكية، B3: العبء المعرفي)؛ طبقة المؤشر (C): 10 مؤشرات من المستوى الثاني (C1: MDR، C2: TC، ...، C10: EMG RMS).

المقارنة الزوجية والتحقق من الاتساق

استنادا إلى نتائج إجماع دلفي، يتم إنشاء مصفوفة مقارنة زوجية لطبقة المعيار وطبقة المؤشر. بأخذ طبقة المعيار كمثال، تعرف المصفوفة كما يلي:

(13)

حيث:_{a ij} هي نسبة الأهمية بين B_j إلى B_j. يتم حساب متجه الوزن لطبقة المعيار (W_B = [w_{B1,w B2,w B3}]) باستخدام طريقة المتجه الذاتي. لتجنب التناقضات المنطقية، يتم فحص نسبة الاتساق (CR) باستخدام المعادلة (14):

(14)

حيث: ( λ_max = أقصى قيمة ذاتية للمصفوفة، = عدد المؤشرات)، و هو مؤشر الاتساق العشوائي (ل n = 3، RI = 0.58). النتيجة مقبولة إذا كان CR < 0.1.

من خلال هذه العملية، يتم الحصول على أوزان نموذجية: (الجودة الهندسية)، (الكفاءة السلوكية)، (الحمل المعرفي)؛ وزن MDR (C1) في طبقة المؤشر عادة ما يكون الأعلى (~0.25)، بينما يكون EMG RMS (C10) هو الأدنى (~0.05).

تحديث الثقة البايزي

تدمج هذه الوحدة المؤشرات المرجحة لتوليد درجة الثقة النهائية للمهارة، معالجة "عدم اليقين في تقييم ميزة واحدة" من خلال تحديث الاحتمالات السابقة ببيانات متعددة الوسائط في الوقت الحقيقي. تعتمد العملية على المعادلة (1) (الصيغة البايزية) وتنفذ على خطوتين:

الخطوة 1: تهيئة الاحتمال السابق (P(θ))

ينقسم مستوى المهارة إلى 5 درجات: (مبتدئ)، (مبتدئ)، (متوسط)، (متقدم)، (خبير). يتم تهيئة الاحتمال السابق باستخدام بيانات تاريخية: إذا قيم النظام 500 مهندس، وتم تصنيف 100 كθ₃، فإن P(θ₃) = 100/500 = 0.2. للمستخدمين الجدد الذين لا يملكون بيانات تاريخية، يتم اعتماد الرقم السابق الموحد (P(θ_i) = 0.2 لكل i).

الخطوة 2: حساب الاحتمال اللاحق (P(θ∥D))

بيانات الميزات متعددة الوسائط هي المجموع المرجح للمؤشرات العشرة المطبعة:

(15)

حيث: w_Ck هو وزن المؤشر k-th (من القسم 3.4.1)،_ومعيار Ck هو القيمة المطبعة للمؤشر k (نطاق [0,1]).

يتم نمذجة احتمال الاحتمالية باستخدام توزيع غاوسي، بافتراض أن بيانات الميزات للمهندسين على مستوى المهارة تتبع (المتوسط μ_i، التباين ). يتم معايرة هذه المعايير باستخدام 200 عينة معنونة.

وأخيرا، يتم حساب الاحتمال اللاحق عبر المعادلة (3-1)، ودرجة المهارة المقابلة للحد الأقصى هي نتيجة التقييم في الوقت الحقيقي. على سبيل المثال، إذا كان المهندس D = 0.72، و (أعلى من الدرجات الأخرى)، يصنف ك "متقدم".

لتوضيح عملية تحديث الثقة، يوضح الشكل 5 كيف يتم تحديث احتمالات المهارات المتساوية المعروفة إلى توزيع لاحق باستخدام الاستدلال البايزي والإشارات اللحظية كدليل. بعد ملاحظة المهمة، يتم تحديث النموذج لتعزيز الأدلة نحو درجة المهارة ذات الاحتمال الأكبر للخلفية. أشارت اختبارات التحقق إلى استقرار تقارب قوي لدرجات المهارات المتخصصة، وكانت درجات بايزيان مرتبطة ارتباطا قويا بتقييمات الخبراء، مما يدعم الاستخدام الموثوق لتحديث بايزي في سير العمل.

مخرجات هذه الطبقة هي درجة مهارة شاملة (من 0 إلى 100، مأخوذة من أقصى احتمال خلفي) وفترة ثقة، يتم نقلها إلى طبقة التغذية الراجعة البصرية لعرض بديهي.

طبقة التغذية الراجعة البصرية

مخطط الرادار في الوقت الحقيقي

تقوم هذه الوحدة بتحويل المؤشرات العشرة المطبعة وثلاثة درجات معايير ثلاثية المستويات إلى مخطط رادار، مما يتيح مقارنة بديهية لقوة وضعف مهارات المهندسين. تم تصميم مخطط الرادار بسبعة محاور (3 للمعايير الأولى: B1-B3؛ 4 للمؤشرات الأساسية من المستوى الثاني: C1=MDR، C4=ATUR، C7=FD، C9=SDNN المختار لوزنها العالي وقابلية التفسير)، مع تطبيع نطاق كل محور إلى [0,100] (مرسوم من القيم الموحدة [0,1] عبر المعادلة 3-7). لتحسين دقة القياس باستمرار من خلال التعليقات التوضيحية المتخصصة وتحديثات التعلم النشط منذ بداية الإطار، يتم دمج سياق نمذجة الصحة وفهم متزايد.

معادلة (16) رسم خرائط قيمة المؤشر لمخطط الرادار:

(16)

حيث:_رادار V = القيمة المعروضة على محور خريطة الرادار؛ _معيار ck = القيمة التطبيعة لمؤشر k-th (نطاق [0,1]).

يتم تحديث مخطط الرادار في الوقت الحقيقي (كل 5 دقائق) ويشمل مرجعين مرجعيين: خط مرجعي قياسي (خط متقطع،_رادار V = 80، يمثل عتبة مستوى المهارة "المتقدمة") وخط متوسط خبير (خط منقط، محسوب من بيانات تاريخية ل50 مهندسا كبيرا). يوضح الشكل 6 سلوك المهندس عبر مجموعة من المؤشرات الرئيسية: الجودة الهندسية، الحمل المعرفي، كفاءة استخدام الأدوات، وتشتت التثبيت، مقارنة بالمعايير الخبيرة المقابلة. كجزء من طبقة التغذية الراجعة، تم ترجمة الدرجات الحقيقية باستخدام مقاييس مدمجة إلى ملف تعريف قابل للتفسير. أشارت دراسات المستخدمين إلى نجاح تطبيقه في إيجاد فجوات الكفاءة بسرعة، مع تعزيز حساب منظم قائم على البيانات لتحسين مهام النمذجة.

خريطة الحرارة الزمنية

تعرض هذه الوحدة الاتجاه الديناميكي للتغير في مؤشرات المهارات على مدى عملية النمذجة بأكملها، مما يساعد في تحديد الفترات الزمنية التي يواجه فيها المهندسون صعوبات. تستخدم خريطة الحرارة شبكة ثنائية الأبعاد: يمثل المحور x فترات زمنية (مقاطع مدتها 10 دقائق، بمجموع 12 مقطعا لمهمة مدتها ساعتان)، ويمثل المحور y 5 مؤشرات رئيسية (C1=MDR، C4=ATUR، C6=GS، C7=FD، C9=SDNN). تتوافق شدة اللون لكل خلية شبكة مع القيمة المطبرة للمؤشر، مع مقياس لون من الأزرق (قيمة منخفضة، أداء ضعيف:_معيار Ck < 0.5) إلى الأحمر (قيمة عالية، أداء جيد:_معيار Ck < 0.8)، كما هو معرف في المعادلة (17):

المعادلة (3-8) تقدم حساب شدة اللون لخريطة الحرارية:

(17)

حيث:_{I color} = قيمة شدة ألوان RGB (0-255، 0=أزرق، 255=أحمر); min(_{Ck norm}) و max(_{Ck norm}) = القيم الدنيا والقصوى التطبيعة للمؤشر عبر جميع الفترات الزمنية.

يوضح الشكل 7 التغيرات المحلولة زمنيا في الحمل المعرفي، وتشتت التثبيت، واستقرار النظر، ومقاييس زمن الاستجابة للقرار في مقاطع مدتها 10 دقائق. لاحظ أن المناطق المميزة تشير إلى ارتفاع الطلب المعرفي أو اضطرابات سير العمل. يتم توليد هذا العرض الزمني مباشرة من تيارات متعددة الوسائط متماسكة، مدعومة بتعليقات من خبراء، مما يبرز دورها الحاسم في التعامل مع إرهاق النمذجة، وتحولات الانتباه، والصعوبات الخاصة بالمهمة.

شرح تشغيل D

تضع هذه الوحدة تعليقات تقييم المهارات على تشغيل تشغيل النموذج ثلاثي الأبعاد، مما يتيح تحليلا خطوة بخطوة لسلوك المهندس في النمذجة. سرعة التشغيل قابلة للتعديل (0.5×-2× الوقت الحقيقي) وتتزامن مع طابع البيانات متعدد الوسائط. يتم تضمين ثلاثة أنواع من التعليقات: تعليقات الأخطاء الهندسية: تسلط الإطارات الحمراء الضوء على مناطق النموذج حيث يتجاوز MDR (C1) 5٪ (الحد المؤهل)، مع تسميات نصية تظهر قيمة الانحراف. تعليقات تحذير الكفاءة: تظهر علامات تعجب صفراء في موقع العمليات المتكررة، مع نوافذ منبثقة تعرض نوع العملية. تعليقات الحمل المعرفي: تشير أشرطة الحالة الخضراء/الحمراء في الزاوية إلى الحمل المعرفي في الوقت الحقيقي (استنادا إلى C9: SDNN وC10: EMG RMS)، مع الأحمر الذي يعني "حمل عالي" (SDNN < 50 مللي ثانية) والأخضر يعني "الحمل الطبيعي" (SDNN > 100 مللي ثانية).

معايرة الإطار والتكرار

واجهة التعليق الخبير

توفر هذه الوحدة واجهة إنسان في الحلقة للخبراء الكبار لتصحيح وتصنيف نتائج التقييم في الإطار، معالجة "انحراف دقة التقييم" الناتج عن التغيرات في سيناريوهات تطبيقات الصحة. تم تصميم الواجهة بثلاث وظائف أساسية: تصحيح النتائج، إعادة وزن المؤشرات، وتخزين التعليقات التوضيحية.

دالة تصحيح النتائج

يقوم الخبراء أولا بمراجعة نتائج التغذية الراجعة البصرية ودرجة المهارة الشاملة للإطار (من 0 إلى 100). إذا انحرفت الدرجة عن حكم الخبير، يمكن للخبير تعديل الدرجة يدويا وتسجيل السبب. يتم قياس مقدار التصحيح عبر المعادلة (18):

(18)

حيث: S_مصحح = النتيجة النهائية المصححة؛ _إطار S = الدرجة الأولية التي ينتجها الإطار؛ S_خبير = درجة دليل الخبير؛ α = وزن التصحيح (تم ضبطه افتراضيا على 0.8، مما يضمن سيطرة حكم الخبراء مع الحفاظ على عقلانية الإطار).

دالة إعادة الوزن في المؤشر

للمعايرة الخاصة بالسيناريو، يمكن للخبراء ضبط وزن المؤشرات الفردية عبر شريط منزلق (نطاق 0-0.5). تعيد الواجهة حساب نسبة الاتساق (CR) تلقائيا بعد التعديل (باستخدام المعادلة 3-6) وتنبه الخبراء إذا كان (توزيع الوزن غير منطقي)، مما يضمن بقاء الأوزان المعدلة صالحة رياضيا.

دالة تخزين التعليقات التوضيحية

جميع الدرجات المصححة، والأوزان المعدلة، والتعليقات الخبيرة محفوظة في قاعدة بيانات مشروحة مع طوابع زمنية وعلامات سيناريو. تعمل هذه القاعدة كبيانات تدريب لوحدة التعلم النشط عبر الإنترنت اللاحقة، مع عرض مخطط بيانات نموذجي في الجدول 2.

تحديث التعلم النشط عبر الإنترنت

تستخدم هذه الوحدة البيانات المشروحة لتحسين خوارزميات الإطار الأساسية بشكل تكراري (نماذج استخراج ميزات الذكاء الاصطناعي في اللغة الثانية ومحرك التسجيل البايزي في اللغة الثالثة)، مما يمكن الإطار من التكيف مع سيناريوهات تطبيقات الصحة الجديدة دون إعادة تدريب كاملة. تتبع عملية التحديث استراتيجية الاستعلام من قبل لجنة (QBC)، مقسمة إلى ثلاث مراحل:

المرحلة الأولى: حساب عدم اليقين

يتم نشر ثلاثة "نماذج لجنة" متوازية (جميعها تعتمد على نفس بنية نموذج استخراج الميزات في الطبقة الثانية ولكن مدربة على مجموعات بيانات تاريخية مختلفة):

النموذج أ: مدرب على بيانات نمذجة الزرعات العظمية؛

النموذج ب: مدرب على بيانات إعادة بناء الأعضاء؛

النموذج C: مدرب على بيانات نمذجة زراعة الأسنان.

لكل عينة غير معنونة (بيانات نمذجة المهندس)، تنتج نماذج اللجنة ثلاث درجات مهارة متوقعة. يتم حساب عدم اليقين في العينة عبر معامل التغير (CV) للدرجات الثلاث:

(19)

حيث يقول: S_{A,SB,S C} = الدرجات المتوقعة بواسطة نماذج اللجنة الثلاثة; std (⋅) = الانحراف المعياري؛ = متوسط الدرجات الثلاث.

تشير الرؤية الذاتية الأعلى إلى اختلاف أكبر بين نماذج اللجنة (مع زيادة عدم اليقين)، مما يعني أن العينة أكثر قيمة للتعليق.

المرحلة 2: اختيار العينة

يختار الإطار أعلى 10٪ من العينات ذات أعلى CV ويرسلها إلى واجهة التعليقات الخبيرة للوسم. تقلل هذه الاستراتيجية النشطة من عدد العينات التي تتطلب تدوينات خبيرة (مقارنة بالاختيار العشوائي) بنسبة 40-60٪، مما يحسن كفاءة المعايرة.

المرحلة 3: إعادة تدريب النماذج وتحديث

تستخدم العينات المشروحة حديثا لضبط خوارزميات الإطار:

بالنسبة لنماذج استخراج الميزات باللغة الثانية: يعاد تدريب النموذج بمعدل تعلم من 1e-5 (10٪ من معدل التدريب الأولي) باستخدام بيانات الخطأ الهندسي المشروحة، مع تحديث الطبقتين الأخيرتين فقط لتجنب الإفراط في التكيف.

بالنسبة لمحرك التسجيل البايزي L3: يتم تحديث معلمات توزيع غاوسي () لكل مستوى مهارة باستخدام بيانات الدرجات المشروحة، مع صيغة التحديث الموضحة في المعادلة (20):

(20)

حيث: = متوسط مستوى مهارة محدث θ_i؛ = المتوسط الأصلي قبل التحديث؛ _S-θi = متوسط الدرجة المصححة للعينات المشروحة الموسومة ب θ_i؛ β = عامل النسيان (مضبوطة على 0.7، مع موازنة البيانات التاريخية والتعليقات الجديدة).

يتم نشر الإطار المحدث عبر الإنترنت مباشرة بعد إعادة التدريب، مع فحص الأداء قبل النشر: إذا كان متوسط الخطأ المطلق بين مخرجات الإطار الجديدة والتعليقات الخبيرة هو ≤3 (انخفض بنسبة ≥20٪ عن الإصدار السابق)، يتم تأكيد التحديث؛ وإلا، يتم تكرار عملية إعادة التدريب مع عينات مشروحة إضافية.

تضمن آلية المعايرة التكرارية هذه أن دقة تقييم الإطار تتجاوز 90٪ حتى مع تطور تقنيات النمذجة ثلاثية الأبعاد لتطبيقات الصحة، مما يحافظ على القدرة على التكيف على المدى الطويل.

النتائج

تقيم النتائج صحة الإطار وموثوقيته وقابليته للاستخدام من خلال التقييم التجريبي لتمييز المهارات، وصلاحية البناء، والصلاحية التنبؤية، وفعالية التغذية الراجعة في الوقت الحقيقي.

التصميم التجريبي

أجريت التجارب في بيئة بايثون على جهاز كمبيوتر مزود بمعالج Intel ب 12 نواة، وذاكرة RAM بسعة 32 جيجابايت، وذاكرة تخزين SSD بسعة 1 تيرابايت. تم استخدام NumPy وPandas لمزامنة البيانات. لاستخراج الميزات، تم استخدام مكتبات OpenCV وSciP...

المناقشة

على الرغم من قلة أطر النمذجة والتفاعل ثلاثية الأبعاد الحالية وتوفر معلومات مفيدة في بعض المناسبات، إلا أنها تقيم القدرات الهندسية في مهام النمذجة ثلاثية الأبعاد. معظم الدراسات السابقة لتتبع الإيماءات والواجهات¹⁹ تقيم السلوك التفاعلي بدلا من تقييم قدرة المستخدم. وبالمثل، في حالة أنظمة التعليم القائمة على الواقع الافتراضي/اللمسي²⁰، يحصل المتعلم على فهم محسن للتشريح، لكنه لا يستطيع قياس دقة سير العمل، ولا يمكن التحقق من صحة القرارات. ونفس الشي...

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
برنامج النمذجة ثلاثية الأبعاد المدعوم بالذكاء الاصطناعي	ماتيلايز نيفادا، بلجيكا	يقلد AI v25.0	يستخدم في نمذجة زراعة جذع الفخذ وإعادة بناء الأوعية الدموية في الكبد مع تقسيم واكتشاف العيوب بواسطة الذكاء الاصطناعي.
متتبع العين (سطح المكتب)	توبي برو فيوجن	TPF-120	يلتقط بيانات التثبيت والساكاد عند 120 هرتز لقياس الانتباه البصري أثناء النمذجة.