《Healthcare》：Design and Expert-Based Usability Evaluation of a Smart Mobile Application for Aphasia Rehabilitation
编辑推荐：
摘要专业翻译
背景/目标： 本文旨在开发一款利用语音识别和图像处理技术的人工智能辅助移动应用，以应对失语症患者所面临的语言困难。方法： 该移动应用在Android Studio环境中使用Java编程语言开发。语音识别采用Google Speech API，图像
摘要专业翻译
背景/目标： 本文旨在开发一款利用语音识别和图像处理技术的人工智能辅助移动应用，以应对失语症患者所面临的语言困难。方法： 该移动应用在Android Studio环境中使用Java编程语言开发。语音识别采用Google Speech API，图像识别采用Google ML Kit的图像标注API。应用的开发过程采用Scrum方法论。在各模块的迭代开发过程中，通过专家参与的期望测试（Expectation Tests）对功能进行评估。在这些测试中，研究人员对用户在使用各模块前的期望与使用后的实际体验进行了比较分析。在开发过程结束时，进行了系统可用性量表（System Usability Scale, SUS）测试，以评估所有模块的整体集成情况。结果： 基于期望测试的结果，研究人员进行了必要的更新，并对各模块的功能实施了改进。根据SUS测试结果，该应用表现出可接受的可用性水平，并在用户体验方面获得了积极反馈。专家评估表明，该应用具有可接受的可用性，并有望成为失语症康复的支持性工具。结论： 该原型应用有潜力支持失语症患者的言语技能，尤其是那些在获得言语治疗师服务方面面临挑战的患者。人工智能支持的语音识别与图像处理技术的整合，为失语症患者的语言康复提供了一种有前景的支持工具。将这一原型在更广泛的使用者群体中进行测试并持续更新，对于进一步为失语症患者提供支持至关重要。
论文解读文章
一、研究背景与问题提出
失语症是一种获得性的局灶性神经语言障碍，涉及语言产生、理解、阅读、书写、命名和复述等功能的损伤，通常由大脑语言功能区域的损害所致，是脑卒中后最常见的认知-语言障碍之一。据世界卒中组织报告，全球每年有超过1200万人经历脑卒中，其中约三分之一幸存者会发展为与卒中相关的失语症，即每年新增超过400万患者。失语症不仅影响语言功能本身，还显著影响患者的日常功能和社会参与，导致生活质量下降、社交活动减少，并可能引发焦虑、恐惧、尴尬、孤立、退缩、信心降低和孤独感等心理社会后果。研究显示，约60%的卒中后失语症患者在卒中后第一年末出现抑郁症状。
言语治疗被公认为失语症治疗的主要解决方案之一，且存在剂量-反应关系，即更密集的言语治疗可能带来更大的语言和沟通改善。然而，由于专业治疗师资源有限、时间、地理距离以及临床环境外练习机会的限制，维持频繁和密集的面对面治疗具有挑战性。智能手机和平板电脑的普及为在传统临床环境之外提供康复活动创造了机会，移动健康应用可以提供结构化练习、重复训练、即时交互和居家访问治疗活动的能力。既往研究已探索了移动和平板应用在失语症康复中的应用，并报告了积极的语言相关能力和用户体验结果。然而，有效的移动康复应用设计需要考虑失语症患者经历的多样化语言和认知困难，而非作为通用语言学习工具。因此，本研究旨在设计、实施和评估MARfazi——一款集成了语音识别和图像处理技术的人工智能辅助移动应用，以支持失语症患者的言语和语言康复。
二、研究内容与主要结论
研究人员开发了MARfazi，一款基于Android的移动应用，旨在支持失语症患者在阅读、书写、理解、命名和复述技能方面的练习。该应用集成了五个互补的技能领域：听与理解、口语、书写、视觉理解和记忆。研究通过迭代式Scrum开发流程、专家期望测试和标准化系统可用性量表（SUS）评估，初步证明了该原型在功能适用性和感知可用性方面的表现。专家评估表明，该应用具有可接受的可用性水平，并有望作为失语症康复的支持性工具。然而，由于评估涉及领域专家而非失语症患者，研究结果并未确立直接的患者可用性或治疗效果，未来需要对失语症患者进行研究以评估用户体验、可及性、依从性和康复结果。
这项研究的重要意义在于，通过将人工智能支持的语音识别和图像处理技术整合到单一移动平台中，为失语症患者提供了一种补充性的居家康复工具，有助于在传统临床治疗之外扩展语言练习机会，减少可及性障碍。该原型为未来面向患者的临床试验和持续优化奠定了基础。
三、主要关键技术方法
研究人员采用Scrum敏捷开发方法论，在Android Studio环境中使用Java编程语言开发应用。语音识别采用Google Speech API，基于自动语音识别技术；图像识别集成Google ML Kit的图像标注服务，实现设备端物体检测。数据库采用Firebase实时数据库，用于用户认证、数据存储和安全保障。研究采用两级评估协议：迭代式模块级期望测试用于诊断开发迭代中的操作差异，最终整合后采用标准化10项SUS评估整体可用性。专家小组通过目的性抽样招募，由20名领域专家组成，包括14名言语治疗师（临床经验3-6年）、1名神经科医生（12年经验）、1名临床心理学家（8年经验）和4名软件工程师（3-5年专业经验），同一专家小组参与了期望测试和最终SUS评估。
四、研究结果
期望测试结果： 在迭代式Scrum开发周期中，研究人员对所有模块进行了专家期望测试，以验证已实施功能是否符合领域专家的期望。以听与理解模块为代表，专家在使用前（期望）和使用后（实际体验）对五个预定义标准进行了评分，包括音频加载、音频质量、问题呈现、答案处理和反馈质量。绝大多数评分差异围绕零值分布，确认了专家期望与实际功能表现之间的紧密对应。正向差异主要出现在答案处理和反馈质量标准上，反映了对任务流程和即时系统响应的高度满意度。轻微的负向差异出现在音频质量和反馈质量标准上，这些差异直接指导了后续迭代中的音频清晰度和教学反馈改进。Wilcoxon符号秩检验显示，五个标准的期望与体验评分之间均无统计学显著差异。
SUS评估结果： 在所有功能模块整合和迭代优化完成后，20名领域专家使用标准化10项SUS对完整MARfazi应用进行了评估。整体平均SUS得分为68.63（±18.31），个体得分范围为40.0至95.0。根据常用SUS基准指南，该得分表明原型具有可接受的感知可用性基线水平。20名专家中有10名（50%）给出70.0或以上的SUS得分，5名专家给出87.5或以上的得分。个体得分的变异性表明专家小组对可用性的感知并不一致，较低评分主要与专家对音频播放速度调节需求和更多样化视觉奖励机制的观察相关。
五、讨论与结论
讨论部分指出，两项评估阶段的结果提供了互补信息：期望测试识别了预期与实际功能之间的具体差异，为迭代软件优化提供了实用反馈；随后的SUS评估提供了系统整合后感知可用性的总结性测量。在标准化可用性基准下，平均得分表明MARfazi原型从专家角度达到了可接受的可用性水平。专家小组反馈与早期数字失语症研究中的观察一致，即结构化家庭练习可支持持续语言刺激。应用的即时视觉和听觉反馈可能有助于自我指导练习中的任务引导。利用设备端图像标注提供了一种将现实世界视觉项目与词汇检索练习联系起来的实用方式，符合临床实践中常用的命名目标。
研究人员指出，当前原型的一个关键技术局限性在于依赖预训练的、设备端的基础视觉和语音识别引擎。商业自动语音识别管道主要针对神经典型声学特征进行优化，其基线声学模型往往难以处理失语症患者特有的语音扭曲、构音障碍性发音分解、长时间停顿和错语症。由于本可行性阶段未对无序语音语料库或受控图像集独立基准测试词错误率和分类准确度，口语模块的操作性能仍取决于标准声学假设。在临床环境中，未识别的语音或假阴性反馈可能导致用户挫败感并直接阻碍治疗参与。未来需要进行结构化台架测试、纳入自适应声学模型并建立可定制的置信度阈值。
结论部分总结，本研究展示了MARfazi的设计、实施和专家评估——一款旨在为失语症康复提供多模式支持的人工智能辅助移动应用。通过将自动语音识别和基于图像的交互整合到结构化语言模块中，该应用为居家语言练习提供了一个原型平台，旨在补充传统临床治疗。迭代式Scrum开发过程、专家期望测试和标准化SUS评估提供了关于原型功能适用性和感知可用性的初步证据。然而，由于评估涉及领域专家而非失语症患者，研究结果并未确立直接的患者可用性或治疗效果。未来需要对失语症患者进行研究，以评估用户体验、可及性、依从性和康复结果。
