Ricerca sulla valutazione visiva delle competenze ingegneristiche nelle applicazioni sanitarie basata sulla modellazione 3D assistita dall'intelligenza artificiale

Sommario

Questa ricerca presenta una metodologia multimodale, guidata dall'IA, per misurare oggettivamente le competenze ingegneristiche nella modellazione medica 3D che incorpora marcatori geometrici, comportamentali e cognitivi. La fusione bayesiana con analisi visive in tempo reale consente una valutazione accurata delle competenze che è stata validata su una vasta gamma di compiti e livelli di abilità dei partecipanti.

Abstract

La modellazione 3D assistita dall'intelligenza artificiale (IA) è diventata centrale nell'assistenza sanitaria moderna, eppure il settore manca ancora di un modo ripetibile e scalabile per valutare la competenza ingegneristica per modelli digitali usati clinicamente. I controlli di qualità esistenti tendono a concentrarsi sugli output finali della mesh senza considerare il flusso di lavoro di modellazione, il comportamento dell'operatore e le interazioni con l'assistenza dell'IA. Questa lacuna rallenta la riproducibilità, la formazione efficace e limita la conformità normativa. Questo lavoro propone il primo framework di analisi visiva end-to-end, progettato per misurare e comunicare le competenze ingegneristiche durante compiti di modellazione 3D centrati sulla salute. Il quadro proposto definisce un concetto specifico di dominio delle competenze, che va dall'accuratezza geometrica alla competenza operativa e all'adattabilità cognitiva, e quantifica queste dimensioni attraverso un insieme di indicatori comportamentali, geometrici e fisiologici interpretabili. Integra, all'interno di un'architettura a quattro livelli, la raccolta di dati multimodali, l'estrazione di caratteristiche in tempo reale tramite modelli di deep learning leggeri, la fusione bayesiana delle evidenze per la stima continua delle competenze e moduli di feedback visivo intuitivo. Il sistema mantiene la calibrazione per nuovi strumenti e scenari di modellazione tramite un meccanismo online di apprendimento attivo che minimizza le esigenze di annotazione degli esperti. Il quadro è stato testato con 60 partecipanti che hanno svolto due compiti di modellazione clinicamente realistica riguardanti la progettazione di impianti ortopedici e la ricostruzione vascolare. I risultati hanno mostrato un forte accordo con le valutazioni degli esperti, una chiara discriminazione tra i livelli di competenza e una previsione significativa della qualità futura della modellazione. Python veniva utilizzato rispettivamente per compiti di correlazione, regressione, test di validità e visualizzazione. I test di usabilità indicavano un'alta accettazione; I partecipanti hanno apprezzato molto la chiarezza del feedback visivo che supportava il miglioramento autodiretto. In definitiva, questo quadro proposto rimodella la valutazione della modellazione 3D da un risultato statico in sezione a una revisione dinamica e incentrata sul processo, sostenuta da evidenze multimodali. Il risultato è una soluzione pragmatica, interpretabile e scalabile per la formazione, la certificazione e la supervisione normativa dei flussi di lavoro di modellazione 3D critici per la salute, e la base per future collaborazioni umano-IA e analisi delle competenze nella progettazione medica.

Introduzione

La rapida adozione sul mercato della modellazione 3D guidata dall'IA nella sanità sta cambiando il modo in cui si creano impianti, guide e ricostruzioni anatomiche, ma il settore non ha ancora alcun metodo affidabile per valutare l'abilità ingegneristica alla base di questi modelli. La pratica dominante oggi si basa fortemente sulle ispezioni del prodotto finale che, sebbene utili per scoprire errori geometrici, non apprezzano il flusso di lavoro di modellazione, l'interazione utente-IA o il processo decisionale momento per momento nella loro creazione. Di conseguenza, i team clinici spesso non possono determinare se un modello sia stato prodotto tramite processi competenti e ripetibili o tramite fortunato tentativo^{ed errore 1}. Questo divario si sta rivelando di crescente importanza. Ospedali, regolatori e programmi di stampa 3D ora richiedono la prova della qualità costante di un intero flusso di lavoro, non semplicemente di una mesh finale corretta, perché gli errori di modellazione possono influire sulla sicurezza chirurgica, l'adattamento dei dispositivi e la tracciabilità della produzione. Attualmente non esiste un metodo per catturare (o calcolare) le competenze di modellazione in modo integrato, sistematico e scalabile che includa gli aspetti comportamentali, cognitivi e procedurali delle competenze di modellazione. Questa è la motivazione principale del presente articolo², ma non è stata offerta alcuna definizione operativa di "competenza nel flusso di lavoro" per la modellazione antropocentrica e aumentata^{dall'IA 3}. Questo divario tra le aspettative normative e la pratica quotidiana è la prima motivazione per il lavoro attuale. Una seconda motivazione è pedagogica. Le start-up del settore sanitario e gli ospedali universitari formano i nuovi arrivati abbinandoli a modellisti senior per 6-18 mesi. L'approccio è efficace ma non scala: la base installata globale di posti CAD medici abilitati dall'IA è cresciuta del 340% tra il 2020 e il 2024, mentre il bacino di mentori qualificati è rimasto^{stabile a 4}. Un sistema di analisi visiva in grado di osservare, diagnosticare e fare coaching in tempo reale separerebbe il flusso di formazione dalla disponibilità dei mentori e accorcierebbe la curva di apprendimento per i principianti non tradizionali come radiografi o infermieri che sempre più svolgono segmentazioni front-end.

In terzo luogo, c'è un argomento cognitivo-scientifico. La modellazione medica è una variante ad alto rischio della risoluzione visiva dei problemi che combina ragionamento spaziale, conoscenza anatomica e destrezza software. Capire come queste risorse vengono orchestrate, quando si rompono e quando vengono esternalizzate all'IA richiede la cattura momento per momento dei segnali oculari, della mano e fisiologici. Lo stesso flusso di dati che chiarisce l'esperienza umana può essere utilizzato anche per valutarla, creando un circolo virtuoso tra ricerca e applicazione. Nonostante la ricca letteratura su (i) la valutazione procedurale delle competenze in chirurgia e (ii) le metriche geometriche di qualità per le mesh^{CAD 5}, l'intersezione della valutazione bivisiva della competenza ingegneristica nella modellazione 3D assistita dall'IA e incentrata sulla salute rimane poco esplorata. In particolare, le rubriche di valutazione esistenti mancano di un concetto di abilità specifico per dominio e quindi trattano caratteristiche anatomiche critiche, come gli angoli di biforcazione vascolare, allo stesso modo delle caratteristiche meccaniche generiche, come i fori di bullone. Vincoli informati dall'anatomia, come la porosità del riempimento trabecolare o i limiti di curvatura dell'osteotomia, sono assenti nelle funzioni di punteggio. Per quanto riguarda la percezione frammentata, gli studi di acquisizione di processi in CAD, simulazione chirurgica o gaming VR raramente sincronizzano cinematica, sguardo, fisiologia e voce a risoluzione^{di 6} secondi. Di conseguenza, la validazione cross-modal è impossibile e il valore incrementale di ciascun canale rimane sconosciuto⁷. Per quanto riguarda la punteggio statica, gli strumenti attuali tipicamente producono un'etichetta binaria di passo/fallimento dopo la sessione. Mancano di un metodo di principio per esprimere incertezza o aggiornare le convinzioni sulla competenza dello studente man mano che arrivano nuove evidenze – un requisito fondamentale per i protocolli di certificazione^{bayesiana 8}. Infine, riguardo alla discontinuità del feedback, anche quando vengono raccolti dati ricchi, spesso vengono memorizzati per una revisione post-hoc o mostrati come curve grezze. Attualmente non esiste uno strato visivo allineato alla teoria e specifico per ruolo, che mappa segnali di basso livello a consigli pratici in^{tempo reale.} Queste quattro carenze si traducono in difficoltà pratiche: il 30% delle guide anatomiche stampate in 3D richiede ancora un rilavoro manuale, e la FDA richiama 2-3 lotti di impianti specifici per paziente per trimestre perché l'ingegnere originario ha frainteso un'annotazione di^{tolleranza 11}. È quindi necessario un framework end-to-end che chiuda il ciclo dal sensoring multimodale al feedback interpretabile.

La modellazione 3D medica differisce dal CAD industriale in tre modi che influenzano direttamente la valutazione delle competenze: la geometria anatomica è non parametrica, la tolleranza all'errore è quasi zero e la tracciabilità regolatoria è^{obbligatoria 12}. Il paradigma dominante di valutazione è ancora la revisione sommativa degli esperti del file finale di mesh poligonale o STL. Le rubriche tipiche esaminano la deviazione geometrica dal modello standard, la varietà topologica e la presenza di punti di riferimento specificati dal medico. Poiché l'ispezione è manuale, il κ di Cohen tra valutatori raramente supera 0,65¹³. Piattaforme commerciali come Mimics Innovation Suite e 3D Slicer forniscono segnalazioni di passo/fallimento per la qualità della mesh, ma le bandiere sono deterministiche (rapporto d'aspetto triangolare, facce che si intersecano) e ignorano la reale traiettoria di^{modellazione 14}. La visualizzazione 3D guidata dall'IA migliora la comprensione anatomica, ma un uso efficace dipende fortemente dalle capacità di modellazione dell'operatore. Sebbene il VDR fornisca immagini volumetriche accurate, non esiste un metodo strutturato per valutare come gli utenti interpretano, affinano o manipolano questi modelli. Questo studio affronta questa lacuna valutando la competenza nella modellazione 3D assistita dall'IA¹⁵. Gli autori registrano eventi di scroll e invocazione di strumenti insieme alle coordinate del cursore 3D a 30 Hz. Utilizzano un auto-encoder a lunga memoria a breve termine (LSTM) per rilevare "percorsi degli utensili inefficienti" nel CAD meccanico, ottenendo un punteggio F1 di 0,81 rispetto alle etichette umane. Espandendo l'analisi all'attenzione visiva, il dataset^{TAP-3D 16} contiene dati di sguardo di 120 ingegneri che svolgono esercizi Solid Works. Le sequenze fissazione-saccade sono codificate come vettori word2vec 128-D; Il raggruppamento rivela cinque strategie visive distinte con una correlazione significativa con il tempo di modellazione (r = 0,73). Oltre alle metriche di interazione con l'utente, Mandal, A. e Ghosh, A. ^R.17 stimano gli attributi meccanici di impalcature complesse per l'ingegneria tissutale utilizzando CNN 3D addestrate a topografie digitali 3D derivate dai modelli^{CAD 17}. L'approccio prevede con precisione il comportamento dell'impalcatura e offre un percorso di progettazione più rapido e assistito dall'IA per strutture porose e metamateriali. Tuttavia, il tasso di riproducibilità di tale previsione è influenzato dalla diversità del dataset, specialmente con geometrie altamente irregolari o difetti di fabbricazione.

Lavori recenti di Schönfeldt, N., Hancock, P. e Birt, J.¹⁸ ha esteso la cattura dei dati includendo i protocolli vocali e think-loud, in particolare trascrivendo commenti verbali in embedding BERT 200-D per correlarli con il successo del debug nei compiti software¹⁸. Sebbene i modellatori medici parlino meno dei programmatori, le registrazioni pilota nel nostro laboratorio mostrano che affermazioni come "questa cresta sembra rumorosa" coincidono con il 40% degli eventi di annullazione successivi, suggerendo un valore predittivo. Questi studi dimostrano che i dati procedurali possono essere catturati in modo discreto e che i modelli di apprendimento automatico possono mappare i dati a costrutti di prestazioni. Nessuno di essi, tuttavia, si rivolge alla modellazione 3D specifica per la salute, dove la variabilità anatomica e l'assistenza dell'IA aggiungono ulteriori livelli di complessità. L'analisi visiva è stata ampiamente adottata per il feedback formativo nella simulazione chirurgica e nell'addestramento robotico. Il sistema MiEye¹⁹ sovrappone mappe di calore di errore codificate a colori su video laparoscopici registrati; I tirocinanti migliorano il 26% più velocemente rispetto al feedback binario. Per l'educazione CAD, Chou, Y. H. et al.²⁰ proporre un grafico radar che confronti gli indici degli studenti (numero di caratteristiche, tempi di ricostruzione, errori di ricostruzione) con i percentuali delle classi; Gli studenti con accesso al grafico mostrano un aumento di deviazione standard di 0,35 nei punteggi post-test. La visualizzazione in tempo reale è ancora poco esplorata. Kim, I.-J. e Quteineh, S.A.²¹ rendere i dati cinematici in tempo reale come nastri traslucidi in VR, ma la loro metrica è puramente un errore posizionale; Il carico cognitivo non viene affrontato. Per quanto ne sappiamo, nessun framework esistente combina flussi geometrici, comportamentali e fisiologici in un unico livello di feedback visivo interpretabile e in tempo reale, pensato per la modellazione medica 3D assistita dall'IA. La revisione rivela quattro carenze specifiche che questa ricerca mira a affrontare: Mancanza di un concetto di competenze specifiche per la salute: le rubriche attuali trattano la modellizzazione medica come CAD generico; ignorano vincoli informati dall'anatomia come il riempimento osseo poroso o gli angoli di biforcazione vascolare. Rilevamento frammentato: Gli studi di solito sfruttano una singola modalità (cinematica, sguardo o fisiologia). La sincronizzazione multimodale a livello inferiore al secondo è raramente tentata, e la validazione intermodale è assente. L'aggiornamento bayesiano o il monitoraggio online della fiducia non sono stati applicati alle competenze di modellazione; Pertanto, i valutatori non possono esprimere incertezza né incorporare nuove evidenze man mano che il compito si sviluppa. Discontinuità del feedback: Anche quando vengono raccolti dati ricchi, questi vengono memorizzati per una revisione post-hoc o mostrati come curve grezze. Non esiste uno strato visivo di principio che mappi segnali a basso livello a feedback azionabile e allineato alla teoria in tempo reale. Queste lacune giustificano lo sviluppo di un framework end-to-end che (i) definisce un costrutto di abilità multidimensionale fondato sui requisiti di applicazione sanitaria, (ii) fonde dati procedurali eterogenei attraverso un'inferenza bayesiana calibrata e (iii) rende lo stato di credenza in evoluzione via visualizzazioni interattive e specifiche per ruolo. In senso pratico, il quadro proposto fornisce agli ospedali uno strumento di monitoraggio in tempo reale per la modellazione della qualità, riduce la dipendenza da lunghi cicli di revisione degli esperti e consente un uso clinico più sicuro di dispositivi specifici per il paziente. I centri di formazione potrebbero utilizzare il quadro per fornire feedback strutturati e basati sui dati che facilitino lo sviluppo degli studenti e supportino l'istituzione di parametri standardizzati di competenza tra le coorti. Per i regolatori, il quadro proposto offre un meccanismo auditabile e trasparente per documentare la competenza nei flussi di lavoro, in linea con i requisiti emergenti per la validazione continua dei processi di stampa 3D medica. Partendo da queste motivazioni, questo studio progetta e convalida un framework di analisi visiva che quantifica le competenze ingegneristiche nella modellazione 3D assistita dall'IA e incentrata sulla salute. In particolare, il quadro mira a definire un costrutto di abilità multidimensionale fondato su riempimento osseo poroso, angoli vascolari e altre tolleranze anatomiche; per sincronizzare lo sguardo, il movimento della mano, i segnali fisiologici e i dati di interazione IA a risoluzione inferiore al secondo; fondere questi flussi di dati eterogenei tramite aggiornamento bayesiano al fine di generare una convinzione di competenza in evoluzione con esplicita fiducia; rendere questa convinzione attraverso carte radar in tempo reale, mappe termiche e annotazioni 3D per scopi immediati di coaching o certificazione; e mantenere un'accuratezza della valutazione di almeno il 90% via calibrazione di apprendimento attivo che si adatta a nuove stampanti, modelli di IA o regole cliniche senza richiedere un completo riaddestramento.

Il presente studio affronta due questioni centrali: se la fusione multimodale dei dati migliori l'accuratezza della valutazione delle competenze rispetto alla valutazione degli esperti, e se l'aggiornamento bayesiano permetta di mantenere l'accuratezza della valutazione senza richiedere un completo ritraining del modello.

Protocollo

Questo studio ha coinvolto partecipanti umani ed è stato esaminato e approvato dal Comitato Etico per la Protezione della Ricerca Umana, Xianda College of Economics and Humanities, Shanghai International Studies University (Approvazione n. 2025XD1221). Tutti i partecipanti firmarono moduli di consenso informato e completarono un addestramento pre-esperimento di 30 minuti: i partecipanti al PG impararono a interpretare il feedback visivo del quadro (carte radar, mappe di calore), mentre i partecipanti CG ricevettero solo l'addestramento operativo della piattaforma. Per garantire precisione nella raccolta dei dati, il pre-esperimento prevedeva anche la calibrazione in 5 minuti dei tracciatori oculari e dei sensori fisiologici.

Obiettivi dello studio e panoramica del protocollo

L'obiettivo di questo studio era creare un sistema a circuito chiuso, end-to-end, che integrasse acquisizione multimodale, estrazione di caratteristiche, fusione bayesiana e feedback visivo per valutare le competenze ingegneristiche in modo interpretabile. La Figura 1 mostra il diagramma di protocollo per la valutazione delle competenze ingegneristiche nelle applicazioni sanitarie basate sulla modellazione 3D assistita dall'intelligenza artificiale.

Panoramica del quadro e logica gerarchica

Il framework di valutazione visiva per le competenze ingegneristiche nelle applicazioni di modellazione 3D assistita dall'IA nella salute proposto in questo studio è costruito sulla base della logica a ciclo chiuso di "data-driven - estrazione di caratteristiche - fusione di evidenze - feedback visivo". Il suo obiettivo principale è raggiungere la conversione end-to-end dai dati grezzi multimodali ai risultati interpretabili della valutazione^{delle competenze 22}. Per garantire l'estrazione affidabile di caratteristiche multimodali per la valutazione delle competenze ingegneristiche, il quadro cattura simultaneamente segnali di interazione, fisiologici, dello sguardo, dei gesti e della voce con una sincronizzazione temporale a livello di millisecondi. Il framework adotta un design di architettura gerarchica, composto da quattro livelli fondamentali: Multi-modal Data Acquisition Layer (L1), AI Feature Extraction Layer (L2), Evidence Fusion and Scoring Engine (L3) e Visual Feedback Layer (L4). Ogni livello realizza interazioni bidirezionali tramite interfacce dati standardizzate, e viene introdotto simultaneamente un modulo di calibrazione del framework (L5) per garantire la validità dinamica dei risultati della valutazione. La Figura 2 mostra la pipeline end-to-end, partendo dall'acquisizione di dati multimodali (sguardo, cinematica, fisiologia, voce) tramite estrazione di funzionalità basata su AI, punteggio bayesiano e feedback visivo e audiovisivo in tempo reale. I livelli sono interattivi, con il Livello 5 che fornisce una calibrazione continua. Questa architettura consente un'elaborazione coordinata e una stima validata delle competenze per i partecipanti durante attività di modellazione 3D dal vivo.

Equazione (1) Formula di aggiornamento della fiducia bayesiana:

Dove: P(θ) rappresenta la probabilità a priori del livello di abilità θ (basato sui dati di valutazione storica); P(D∥θ) indica la probabilità di osservazione di dati di caratteristiche multimodali D sotto livello di abilità θ; P(D) è la probabilità marginale; P(D∥θ) è la probabilità posteriore del livello di abilità θ dopo la fusione dei dati D, cioè il punteggio finale di confidenza. Questo quadro utilizzava un approccio strutturato Delphi e^{AHP 23} per gli indicatori di peso. Un panel di dieci esperti della materia (chirurghi ortopedici, ingegneri biomedici e modellatori CAD medici esperti) ha partecipato a tre round di Delphi valutando l'importanza di un indicatore su una scala Likert a 9 punti fino a raggiungere la stabilità del punteggio degli esperti (coefficiente di variazione <0,15)²⁴. Successivamente, utilizzando i punteggi convergenti/distribuiti degli esperti, è stata costruita e confermata una matrice di confronto a coppie utilizzando il criterio di coerenza AHP con un rapporto di coerenza (CR) < 0,1. Se il CR superava 0,1, la matrice veniva riadattata. I rapporti di coerenza dei metodi AHP per le matrici di confronto a coppie erano tra 0,03 e 0,08, indicando una grande coerenza logica interna in tutto l'approccio gerarchico multilivello. La progettazione di ogni livello nel framework aderisce al principio di "modularizzazione - estensibilità". Ad esempio, il Livello L1 può espandere la dimensione della raccolta dei dati fisiologici aggiungendo biosensori; Il Livello L2 può adattarsi ai requisiti di valutazione delle competenze di diverse applicazioni sanitarie sostituendo modelli pre-addestrati; Il livello L4 supporta dimensioni di visualizzazione personalizzate basate sui ruoli dell'utente. Questo offre flessibilità per applicazioni successive nella formazione in modellazione 3D medica e in scenari di certificazione professionale delle competenze.

Livello di acquisizione dati multimodale

Flusso di eventi di interazione 3D

Questo modulo raccoglie i dati operativi degli ingegneri da piattaforme di modellazione 3D assistite dall'IA tramite plug-in software (16), che coprono sia eventi operativi discreti sia dati di parametri continui. Gli eventi discreti includono la selezione del modello, l'aggiustamento dei vertici e l'invocazione di strumenti AI, mentre i parametri continui coinvolgono la velocità di modellazione, il conteggio di annullazione/rifacimento e i tassi di accettazione di suggerimenti tramite IA. Ogni evento viene registrato con un timestamp di 13 cifre e i corrispondenti valori del sistema di coordinate del modello 3D (x, y, z). Ad esempio, quando si regola la curvatura di un modello di impianto ortopedico, il plug-in registra gli orari di inizio e fine dell'operazione, le coordinate dei vertici e le variazioni di curvatura, formando così un registro degli eventi strutturato (vedi Tabella 1 a Tabella 3 per i campi dati). Questi dati vengono successivamente elaborati utilizzando algoritmi su misura per calcolare indicatori geometrici, di efficienza e cognitivi specifici per dominio, permettendo una caratterizzazione dettagliata dei comportamenti di modellazione in applicazioni sanitarie.

Movimenti oculari e segnali gestuali

I dati sui movimenti oculari vengono acquisiti utilizzando un eye tracker desktop, concentrandosi sui punti di fissazione e sui parametri della saccade nell'interfaccia di modellazione 3D, che riflettono la distribuzione cognitiva dell'attenzione dell'ingegnere.

I segnali gestuali vengono catturati da una camera di profondità, che estrae 22 coordinate chiave articolari dell'arto superiore per identificare i gesti tipici^{di modellazione 25}. La telecamera converte i dati di coordinate gestuali 3D in sequenze vettoriali normalizzate per mitigare le differenze di dimensioni corporee individuali.

La sincronizzazione dei dati per questo modulo si basa sull'attivazione hardware unificata del framework (timestamp a 10 Hz dal software di modellazione 3D), con l'errore di sincronizzazione controllato entro ±50 ms (calcolato tramite l'Equazione 3-2) per garantire una correlazione temporale tra comportamenti occhio/gesti e operazioni di ^{modellazione 26}. L'equazione (2) presenta il calcolo dell'errore di sincronizzazione dei dati:

(2)

Dove: E_t = errore di sincronizzazione tra il tempo di acquisizione del dispositivo (t_dispositivo) e il timestamp software (t_software); _{T Device} = Tempo effettivo di acquisizione del eye tracker/camera di profondità; _{t software} = timestamp del trigger dal software di modellazione 3D.

Dati fisiologici e vocali

I dati fisiologici vengono raccolti tramite sensori indossabili: un sensore di elettromiografia (EMG) (frequenza di campionamento di 1000 Hz) ²⁷, fissato all'avambraccio dell'ingegnere per registrare la tensione muscolare durante le operazioni fini, riflettendo la stabilità operativa. Sensore elettrocardiografico (ECG) (frequenza di campionamento a 250 Hz)²⁸: Viene indossato sul torace per raccogliere indicatori di variabilità della frequenza cardiaca (HRV), che caratterizzano il carico cognitivo. I dati vocali vengono catturati da un microfono direzionale (frequenza di campionamento di 44,1 kHz^{), i} commenti verbali degli ingegneri del suono durante la modellazione per integrare l'analisi dello stato cognitivo. Tutti i dati fisiologici e vocali vengono pre-elaborati prima di essere archiviati nel database multimodale con timestamp. La Figura 3 illustra la configurazione hardware sperimentale fisica. I dati dei sensori dai dispositivi indossabili EMG/ECG, dal microfono, dal eye tracker e da una fotocamera di profondità sono tutti collegati a una workstation di modellazione 3D. Prima che i dati temporali vengano salvati in un database multimodale, un modulo di sincronizzazione regola tutti i flussi (entro un margine di ±50 ms). Questa specifica del materiale significa input affidabile e allineato temporalmente nella pipeline di estrazione e punteggio delle caratteristiche.

Layer di estrazione delle caratteristiche AI

Indicatori geometrici di qualità

Questo modulo estrae caratteristiche quantitative che riflettono l'accuratezza e la razionalità dei modelli 3D dal flusso di eventi di interazione 3D e dal risultato finale del modello, fungendo da base centrale per valutare le competenze di "precisione di modellazione" degli ingegneri. Per valutare l'accuratezza strutturale, la congruenza anatomica e la completezza 3D dei modelli utilizzando deviazioni, topologie e metriche di caratteristiche basate su template, vengono progettati tre indicatori chiave, con metodi di calcolo e significati fisici dettagliati di seguito:

Tasso di deviazione del modello (MDR)

Questo misura la deviazione geometrica tra il risultato modellato dall'ingegnere e il modello standard. La deviazione viene calcolata confrontando la distanza euclidea dei punti chiave tra i due modelli. La formula è mostrata nell'Equazione (3):

(3)

Dove: n = numero di punti chiave predefiniti (impostati a 50-100 in base alla complessità del modello); P_i,engineer = coordinate 3D del punto di caratteristica i-esimo nel modello dell'ingegnere; P_i,standard = coordinate 3D del punto di caratteristica i-esimo nel template standard; |⋅| = operatore di distanza euclideo.

Un MDR più basso indica una maggiore coerenza con il modello standard, con una soglia del ≤ 5% per i modelli di applicazione sanitaria qualificati. Le competenze di modellazione sono state valutate in base all'efficienza temporale, ai movimenti ridondanti, alla stabilità dei gesti e ai modelli di utilizzo degli strumenti di IA proposti durante scenari operativi 3D in tempo reale.

Coerenza topologica (TC)

Questo valuta se la struttura topologica del modello 3D soddisfa i requisiti dell'applicazione medica. L'indicatore viene calcolato contando il numero di difetti topologici (D) e il numero totale di elementi topologici (T, somma di vertici, archi e facce) nel modello, come mostrato nell'Equazione (4):

(4)

Ad esempio, se un modello di articolazione del ginocchio contiene 2 spigoli non varietari (D = 2) e 1200 elementi topologici totali (T = 1200), è il 99,83%. Per i modelli medici è richiesto un ≥ 98% per evitare rischi di produzione.

Completezza delle caratteristiche (FC)

Questo valuta se l'ingegnere ha implementato completamente tutte le funzionalità obbligatorie del modello di applicazione sanitaria. L'indicatore viene determinato confrontando il numero di funzionalità obbligatorie completate (F_completate) con il numero totale di funzionalità obbligatorie (_{F totale}) definite nei requisiti del compito:

(5)

Indicatori di efficienza comportamentale

Questo modulo elabora flussi di eventi di interazione 3D e segnali gestuali per estrarre caratteristiche che riflettono l'efficienza delle operazioni di modellazione degli ingegneri, valutando le loro competenze di "competenza operativa". Le esigenze cognitive associate alla modellazione sono state misurate utilizzando segnali fisiologici, dello sguardo e EMG sincronizzati. Queste metriche tracciano la distribuzione dell'attenzione attraverso le fluttuazioni temporali e del carico di lavoro durante il processo di modellazione.

Modellazione dell'efficienza temporale (MTE)

Questo confronta il tempo reale di modellazione dell'ingegnere (_{T reale}) con il tempo medio degli esperti senior per lo stesso compito (_{T esperto}), normalizzato a un punteggio da 0 a 100:

(6)

Ad esempio, se un ingegnere impiega 45 minuti per completare un compito su cui gli esperti lavorano in media 30 minuti, ci sono 100 - (45 - 30) x 50 = 75, indicando un'efficienza moderata.

Tasso operativo ridondante (ROR)

Questo conta la proporzione di operazioni non necessarie nel processo di modellazione. Si calcola come il rapporto tra il numero di operazioni ridondanti (O_ridondante) e il totale delle operazioni (_{O totale}):

(7)

Le operazioni ridondanti vengono identificate dall'algoritmo AI tramite il matching delle regole e l'analisi della consistenza dei gesti.

Tasso di utilizzo degli strumenti di IA (ATUR)

Questo misura la capacità dell'ingegnere di sfruttare le funzioni assistite dall'IA per migliorare l'efficienza. È definito come il rapporto tra il numero di invocazioni degli strumenti IA (I_AI) e il totale delle invocazioni degli strumenti (I_totale):

(8)

Un ATUR più alto indica una migliore integrazione degli strumenti di IA nel processo di modellazione, una competenza chiave per la moderna modellazione medica 3D.

Fluidità dei gesti (GS)

Questo valuta la stabilità dei movimenti degli arti superiori dell'ingegnere durante la modellazione. L'indicatore si calcola dalla deviazione standard della velocità di 22 articoli chiave degli arti superiori (v_j) nel tempo:

(9)

Una deviazione standard più bassa (e quindi una GS più alta) indica gesti più fluidi, riflettendo una maggiore competenza operativa. Questi indicatori vengono estratti in tempo reale durante il processo di modellazione, con l'algoritmo AI che aggiorna i valori degli indicatori ogni 5 minuti e li memorizza nel database delle caratteristiche per la successiva fusione.

Indicatori di carico cognitivo

Questo modulo analizza i segnali di movimento oculare e i dati fisiologici per quantificare il carico cognitivo dell'ingegnere durante la modellazione, valutando le sue capacità di "adattabilità cognitiva". Gli indicatori multimodali sono stati ponderati utilizzando un approccio Delphi-AHP e aggiornamento bayesiano delle evidenze per produrre punteggi di abilità ingegneristica probabilistici in tempo reale. Vengono sviluppati tre indicatori chiave:

Dispersione di fissazione (FD)

Questo riflette la distribuzione dell'attenzione visiva dell'ingegnere. Si calcola come la distanza euclidea tra le coordinate massima e minima del punto di fissazione ( (x_{max,y max}) e (x_{min,y min}) ) nell'interfaccia di modellazione 3D su una finestra di 2 minuti:

(10)

Un FD più grande indica un'attenzione dispersa, spesso associata a un alto carico cognitivo.

Variabilità della frequenza cardiaca (HRV) - SDNN

La SDNN (deviazione standard degli intervalli normali a normali) viene estratta dai dati ECG per misurare la fluttuazione della frequenza cardiaca dell'ingegnere. Un SDNN più basso indica una maggiore attività del nervo simpatico, riflettendo un aumento del carico cognitivo. L'algoritmo AI filtra prima il rumore ECG (tramite trasformata wavelet) e poi calcola SDNN usando l'Equazione (11):

(11)

Dove: N = numero di battiti cardiaci normali in una finestra di 5 minuti; RR_k = intervallo di tempo tra il k-esimo e il (k + 1)-esimo battito cardiaco normale; = intervallo medio RR nella finestra.

Elettromiografia (EMG) - Radice quadratica media (RMS)

La RMS dei segnali EMG dell'avambraccio riflette la tensione muscolare: una RMS più alta indica un aumento della rigidità muscolare dovuta allo stress cognitivo. La formula di calcolo è:

(12)

Dove: m = numero di campioni di segnale EMG in una finestra di 1 minuto, e EMG(t) = ampiezza del segnale EMG al tempo t. È stato creato un diagramma riassuntivo per aiutare con la chiarezza concettuale e facilitare la replica della ricerca. Illustra la relazione gerarchica tra i dieci indicatori di valutazione e i tre principali costrutti alla base del quadro proposto: qualità geometrica, efficienza operativa e adattabilità cognitiva. Questo diagramma mostra come i segnali di ingresso multimodali vengono convertiti in indicatori misurabili che successivamente vengono fusi attraverso un approccio bayesiano per creare un punteggio composito di abilità ingegneristica. Questa panoramica trasmette una versione condensata della logica della valutazione e aumenta la trasparenza metodologica di questo studio, sia a livello formativo che per la futura direzione educativa e regolatoria. La Figura 4 mostra la struttura gerarchica suggerita del framework di valutazione delle competenze ingegneristiche, che organizza dieci indicatori multimodali in tre costrutti fondamentali: qualità geometrica, efficienza operativa e flessibilità cognitiva. Questi fattori contribuiscono al risultato complessivo delle competenze utilizzate per valutare le prestazioni della modellazione 3D assistita dall'IA.

Motore di fusione e punteggio delle evidenze

Assegnazione del peso dell'indicatore (Delphi + AHP)

Questo modulo affronta il problema dell'importanza differenziata tra le caratteristiche multidimensionali combinando il metodo Delphi (consenso degli esperti) e il Processo di Gerarchia Analitica (AHP) per assegnare pesi ai dieci indicatori estratti (tre indicatori geometrici di qualità, quattro indicatori di efficienza comportamentale e tre indicatori di carico cognitivo), e per rappresentare questi complessi indicatori multimodali in formati visivi e interpretabili, come carte radar, heatmap e riproduzioni annotate per inferenze diagnostiche rilevanti dal punto di vista biomedico.

Stadio di consenso Delphi

Un panel di dieci esperti ha valutato l'importanza di ciascun indicatore utilizzando una scala di 9 punti (1 = "meno importante", 9 = "più importante") in tre round di questionari anonimi. Dopo ogni round, è stato fornito al panel un feedback statistico - comprendente punteggi medi e coefficienti di variazione (CV) - per facilitare l'aggiustamento dei punteggi. La convergenza è stata definita come un CV ≤ 0,15 per ogni indicatore. In particolare, il consenso per indicatori come il Model Deviation Rate (MDR) e il AI Tool Utilization Rate (ATUR) è stato tipicamente raggiunto al secondo round, attribuito alla loro diretta rilevanza clinica.

Per garantire robustezza tecnica, il protocollo standardizzò l'allineamento multimodale dei dati (tolleranza di sincronizzazione ≤ 50 ms; clock di trigger unificato a 30 Hz) e metodi di calcolo degli indicatori. Ad esempio, MDR è stato derivato da 50-100 punti chiave anatomici, mentre la soglia di Consistenza Topologica (TC) è stata fissata al >98% per gli elementi privi di difetti. Queste soglie sono state giustificate rispetto agli standard di tolleranza clinica, come una deviazione di < del 5% per l'osso poroso e un errore di < 3° per gli angoli di biforcazione vascolare. Inoltre, la metodologia incorporava la punteggio bayesiana con la modellazione di verosimiglianza gaussiana (usando intervalli di σ calibrati per distinti livelli di abilità) e utilizzava un estrattore di caratteristiche CNN-LSTM addestrato con una dimensione di batch di 32, un tasso di apprendimento di 1 x ^10-4 e 120 epoche.

Istituzione della gerarchia AHP

Viene costruita una gerarchia a tre livelli: Livello Target (A): Valutazione completa delle competenze ingegneristiche; Livello Criterio (B): 3 indicatori di primo livello (B1: Qualità Geometrica, B2: Efficienza Comportamentale, B3: Carico Cognitivo); Livello Indicatore (C): 10 indicatori di secondo livello (C1: MDR, C2: TC, ..., C10: EMG RMS).

Confronto a coppie e controllo di coerenza

Sulla base dei risultati del consenso Delphi, viene costruita una matrice di confronto a coppie per il Livello Criterio e il Livello Indicatore. Prendendo come esempio il Criterion Layer, la matrice è definita come:

(13)

Dove:_{a ij} è il rapporto di importanza di B_j rispetto a B_j. Il vettore di peso dello strato criterio (W_B = [w_{B1,w B2,w B3}]) viene calcolato tramite il metodo dell'autovettore. Per evitare contraddizioni logiche, il Rapporto di Coerenza (CR) viene verificato usando l'Equazione (14):

(14)

Dove: (λ_max = autovalore massimo della matrice, = numero di indicatori), e è l'indice di coerenza casuale (per n = 3, RI = 0,58). Il risultato è accettabile se il CR < 0,1.

Attraverso questo processo, si ottengono pesi tipici: (Qualità Geometrica), (Efficienza Comportamentale), (Carico Cognitivo); il peso del MDR (C1) nello strato indicatore è solitamente il più alto (~0,25), mentre l'EMG RMS (C10) è il più basso (~0,05).

Aggiornamento sulla fiducia bayesiano

Questo modulo fonde gli indicatori ponderati per generare il punteggio finale di fiducia nelle competenze, affrontando l'"incertezza della valutazione a singola caratteristica" aggiornando le probabilità precedenti con dati multimodali in tempo reale. Il processo si basa sull'Equazione (1) (formula bayesiana) ed è implementato in due fasi:

Passo 1: Inizializzazione della probabilità a priori (P(θ))

Il livello di abilità è suddiviso in 5 gradi: (Principiante), (Principiante), (Intermedio), (Avanzato), (Esperto). La probabilità a priori viene inizializzata utilizzando dati storici: se il sistema ha valutato 500 ingegneri e 100 sono classificati come θ₃, allora P(θ₃) = 100/500 = 0,2. Per i nuovi utenti senza dati storici, viene adottato un prior uniforme (P(θ_i) = 0,2 per ogni i).

Passo 2: Calcolo della probabilità posteriore (P(θ∥D))

I dati delle caratteristiche multimodali sono la somma pesata dei 10 indicatori normalizzati :

(15)

Dove: w_Ck è il peso dell'indicatore k-esimo (dalla Sezione 3.4.1), e la_norma Ck è il valore normalizzato dell'indicatore k-esimo (intervallo [0,1]).

La probabilità di verosimiglianza viene modellata usando una distribuzione gaussiana, assumendo che i dati delle caratteristiche degli ingegneri a livello di competenza seguano (media μ_i, varianza ). Questi parametri sono calibrati utilizzando 200 campioni etichettati.

Infine, la probabilità a posteriori viene calcolata tramite l'Equazione (3-1), e il grado di abilità corrispondente al massimo è il risultato della valutazione in tempo reale. Ad esempio, se un ingegnere ha un D = 0,72, e (superiore ad altri voti), viene classificato come "Avanzato".

Per visualizzare il processo di aggiornamento della fiducia, la Figura 5 mostra come le probabilità di abilità uguali note vengano aggiornate in una distribuzione posteriore utilizzando l'inferenza bayesiana e segnali in tempo reale come evidenza. Dopo aver osservato il compito, il modello si aggiorna per rafforzare le evidenze verso il grado di abilità con la probabilità a posteriori più alta. I test di validazione hanno indicato una forte stabilità di convergenza dei gradi di abilità degli esperti, e i punteggi bayesiani sono fortemente correlati con i gradi degli esperti, supportando l'uso affidabile dell'aggiornamento bayesiano nel flusso di lavoro.

L'output di questo livello è un punteggio di abilità completo (0-100, mappato dalla massima probabilità posteriore) e un intervallo di confidenza, che viene trasmesso al Visual Feedback Layer per una presentazione intuitiva.

Livello di feedback visivo

Grafico radar in tempo reale

Questo modulo converte i 10 indicatori normalizzati e i 3 punteggi dei criteri a tre livelli in una tabella radar, consentendo un confronto intuitivo tra i punti di forza e le debolezze delle competenze degli ingegneri. La carta radar è progettata con 7 assi (3 per i criteri di primo livello: B1-B3; 4 per gli indicatori principali di secondo livello: C1=MDR, C4=ATUR, C7=FD, C9=SDNN-selezionati per il loro alto peso e interpretabilità), con ogni intervallo di asse normalizzato a [0,100] (mappato dai valori normalizzati [0,1 ] tramite Equazioni 3-7). Per migliorare costantemente l'accuratezza delle misurazioni attraverso annotazioni esperte e aggiornamenti di apprendimento attivo all'inizio del framework, viene incorporato un contesto di modellizzazione della salute e una crescente comprensione.

Equazione (16) Mappatura dei valori dell'indicatore per la grafica radar:

(16)

Dove: V_radar = valore visualizzato sull'asse della carta radar; _Norma Ck = valore normalizzato dell'indicatore k-esimo (intervallo [0,1]).

La carta radar si aggiorna in tempo reale (ogni 5 minuti) e include due benchmark di riferimento: una linea standard di benchmark (linea tratteggiata,_radar V = 80, che rappresenta la soglia di livello di competenza "Avanzata") e una linea media esperta (linea tratteggiata, calcolata dai dati storici di 50 ingegneri senior). La Figura 6 mostra il comportamento dell'ingegnere attraverso un insieme di indicatori chiave: qualità geometrica, carico cognitivo, efficienza nell'uso degli strumenti e dispersione delle fissazioni, rispetto ai corrispondenti parametri di riferimento degli esperti. Come parte del livello di feedback, i veri punteggi, utilizzando metriche fuse, venivano tradotti in un profilo interpretabile. Gli studi sugli utenti hanno indicato la sua implementazione di successo per individuare rapidamente le lacune di competenza, promuovendo al contempo un calcolo strutturato e basato sui dati per il miglioramento durante i compiti di modellazione.

Mappa temporale

Questo modulo visualizza la tendenza dinamica di cambiamento degli indicatori di abilità durante l'intero processo di modellazione, aiutando a identificare i periodi in cui gli ingegneri incontrano difficoltà. La heatmap utilizza una griglia 2D: l'asse x rappresenta gli intervalli di tempo (segmenti di 10 minuti, per un totale di 12 segmenti per un compito di 2 ore), e l'asse y rappresenta 5 indicatori chiave (C1=MDR, C4=ATUR, C6=GS, C7=FD, C9=SDNN). L'intensità del colore di ogni cella della griglia corrisponde al valore normalizzato dell'indicatore, con una scala dei colori che va dal blu (valore basso, scarsa prestazione:_norma Ck < 0,5) al rosso (valore alto, buone prestazioni:_norma Ck < 0,8), come definito nell'Equazione (17):

L'equazione (3-8) presenta il calcolo dell'intensità del colore per la mappa di calore:

(17)

Dove: I_colore = valore di intensità RGB del colore (0-255, 0=blu, 255=rosso); min_{(norma Ck}) e max(_norma Ck) = valori normalizzati minimi e massimi dell'indicatore su tutti gli intervalli di tempo.

La Figura 7 illustra i cambiamenti risolti nel tempo nel carico cognitivo, la dispersione della fissazione, la stabilità dello sguardo e le metriche di latenza decisionale in segmenti di 10 minuti. Si noti che le regioni evidenziate indicano un'elevata domanda cognitiva o interruzioni del flusso di lavoro. Questa visione temporale è generata direttamente da flussi multimodali coalescenti, supportata da annotazioni di esperti, illuminando il suo ruolo critico nell'interazione con la fatica della modellazione, gli spostamenti di attenzione e le difficoltà specifiche per compito.

Annotazione di riproduzione D

Questo modulo sovrappone annotazioni di valutazione delle competenze sulla riproduzione operativa del modello 3D, consentendo un'analisi passo dopo passo del comportamento di modellazione dell'ingegnere. La velocità di riproduzione è regolabile (0,5×-2× tempo reale) e si sincronizza con il timestamp multimodale dei dati. Sono incorporate tre tipi di annotazioni: Annotazioni di errore geometrico: I wireframe rossi evidenziano le regioni del modello in cui MDR (C1) supera il 5% (soglia qualificata), con etichette di testo che mostrano il valore di deviazione. Annotazioni di Avviso di Efficienza: I punti esclamativi gialli appaiono nella posizione delle operazioni ridondanti, con finestre pop-up che mostrano il tipo di operazione. Annotazioni di carico cognitivo: Le barre di stato verdi/rosse nell'angolo indicano il carico cognitivo in tempo reale (basato su C9: SDNN e C10: EMG RMS), con il rosso che significa "Carico Alto" (SDNN < 50 ms) e il verde che indica "Carico Normale" (SDNN > 100 ms).

Calibrazione e iterazione del framework

Interfaccia di annotazione esperta

Questo modulo fornisce un'interfaccia umana nel ciclo per gli esperti senior per correggere e etichettare i risultati delle valutazioni del framework, affrontando la "deriva dell'accuratezza della valutazione" causata dai cambiamenti negli scenari applicativi sanitari. L'interfaccia è progettata con tre funzioni principali: correzione dei risultati, riponderazione degli indicatori e memorizzazione delle annotazioni.

Funzione di correzione dei risultati

Gli esperti esaminano innanzitutto i risultati del feedback visivo e il punteggio completo delle competenze del framework (0-100). Se il punteggio si discosta dal giudizio dell'esperto, l'esperto può regolare manualmente il punteggio e registrare la motivazione. La grandezza della correzione viene quantificata tramite l'Equazione (18):

(18)

Dove: S_corretto = punteggio finale corretto; _{S framework} = punteggio iniziale prodotto dal framework; _{S esperto} = punteggio manuale dell'esperto; α = peso di correzione (impostato a 0,8 di default, garantendo che il giudizio esperto prevalga mantenendo la razionalità del quadro).

Funzione di ripesatura degli indicatori

Per la calibrazione specifica per scenario, gli esperti possono regolare il peso dei singoli indicatori tramite una barra scorrevole (intervallo 0-0,5). L'interfaccia ricalcola automaticamente il rapporto di coerenza (CR) dopo l'aggiustamento (usando l'Equazione 3-6) e avvisa gli esperti in caso di distribuzione dei pesi illogica), assicurando che i pesi aggiustati rimangano matematicamente validi.

Funzione di memorizzazione delle annotazioni

Tutti i punteggi corretti, i pesi aggiustati e i commenti degli esperti sono memorizzati in un database annotato con timestamp e tag degli scenari. Questo database funge da dato di addestramento per il successivo modulo di apprendimento attivo online, con uno schema dati tipico mostrato nella Tabella 2.

Aggiornamento sull'apprendimento attivo online

Questo modulo utilizza i dati annotati per ottimizzare iterativamente gli algoritmi fondamentali del framework (modelli di estrazione di caratteristiche AI in L2 e motore di punteggio bayesiano in L3), permettendo al framework di adattarsi a nuovi scenari applicabili sanitari senza un completo retraining. Il processo di aggiornamento segue una strategia di query per comitato (QBC), suddivisa in tre fasi:

Fase 1: Calcolo dell'incertezza

Vengono distribuiti tre "modelli di comitato" paralleli (tutti basati sulla stessa architettura del modello di estrazione delle caratteristiche L2 ma addestrati su dataset storici diversi):

Modello A: Addestrati su dati di modellazione di impianti ortopedici;

Modello B: Addestrati su dati di ricostruzione di organi;

Modello C: Addestrato su dati di modellazione degli impianti dentali.

Per ogni campione non etichettato (dati di modellazione dell'ingegnere), i modelli del comitato producono tre punteggi di abilità previsti. L'incertezza del campione viene calcolata tramite il coefficiente di variazione (CV) dei tre punteggi:

(19)

Dove: S_{A,SB,S C} = punteggi previsti dai tre modelli di comitato; STD (⋅)= deviazione standard; = media dei tre punteggi.

Un CV più alto indica un maggiore disaccordo tra i modelli di comitato (maggiore incertezza), il che significa che il campione è più prezioso per l'annotazione.

Fase 2: Selezione del campione

Il framework seleziona il 10% migliore dei campioni con il CV più alto e li invia all'interfaccia di annotazione esperta per l'etichettatura. Questa strategia di selezione attiva riduce il numero di campioni che richiedono annotazione esperta (rispetto alla selezione casuale) del 40-60%, migliorando l'efficienza della calibrazione.

Fase 3: Riaddestramento e aggiornamento del modello

I campioni appena annotati vengono utilizzati per perfezionare gli algoritmi del framework:

Per i modelli di estrazione delle caratteristiche L2: il modello viene riaddestrato con un tasso di apprendimento di 1e-5 (10% del tasso di addestramento iniziale) utilizzando i dati di errore geometrico annotati, aggiornando solo gli ultimi due livelli per evitare sovrafitting.

Per il motore di punteggio bayesiano L3: i parametri di distribuzione gaussiana () per ogni livello di abilità vengono aggiornati utilizzando i dati di punteggio annotati, con la formula di aggiornamento mostrata nell'Equazione (20):

(20)

dove: = media aggiornata del livello di abilità θ_i; = media originale prima dell'aggiornamento; _S-θi = punteggio medio corretto dei campioni annotati etichettati come θ_i; β = fattore di dimenticanza (impostato a 0,7, bilanciando dati storici e nuove annotazioni).

Il framework aggiornato viene implementato online immediatamente dopo il riaddestramento, con un controllo delle prestazioni prima del deployment: se l'errore assoluto medio tra il nuovo output del framework e le annotazioni degli esperti è ≤3 (ridotto del ≥20% rispetto alla versione precedente), l'aggiornamento viene confermato; altrimenti, il processo di riqualificazione viene ripetuto con campioni annotati aggiuntivi.

Questo meccanismo iterativo di calibrazione garantisce che l'accuratezza della valutazione del framework rimanga superiore al 90% anche con l'evoluzione delle tecnologie di modellazione 3D per applicazioni sanitarie, mantenendo l'adattabilità a lungo termine.

Risultati

I risultati valutano la validità, l'affidabilità e l'usabilità del quadro attraverso la valutazione sperimentale della discriminazione delle competenze, la validità costruttiva, la validità predittiva e l'efficacia del feedback in tempo reale.

Progettazione sperimentale

Gli esperimenti sono stati condotti in un ambiente Python su un computer con processore Intel a 12 core, 32 GB di RAM e 1 TB di memoria SSD. NumPy e...

Discussione

Sebbene i framework esistenti di modellazione e interazione 3D siano pochi e in alcune occasioni possano fornire informazioni utili, valutano la capacità ingegneristica nei compiti di modellazione 3D. La maggior parte degli studi precedenti sul tracciamento dei gesti e sull'interfaccia¹⁹ valuta il comportamento interattivo piuttosto che la valutazione delle capacità dell'utente. Analogamente, nel caso dei sistemi educativi basati su VR/aptic^,

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Software di modellazione 3D assistito dall'IA	Materialise NV, Belgio	Imita l'IA v25.0	Utilizzato per la modellazione di impianti femorale-stelo e compiti di ricostruzione vascolare epatica con segmentazione AI e rilevamento di difetti.
Eye Tracker (Desktop)	Tobii Pro Fusion	TPF-120	Cattura dati di fissazione e saccade a 120 Hz per quantificare l'attenzione visiva durante la modellazione.