编辑推荐：
## 三、摘要翻译
自然资源管理机构常规收集手写与音频野外数据，此类数据在分析前必须完成转录，从而在数据管理中形成持续性瓶颈。人工智能（artificial intelligence，AI）的最新进展可能有助于将部分此类工作自动化，但其在常规渔业应用中的效用
## 三、摘要翻译
自然资源管理机构常规收集手写与音频野外数据，此类数据在分析前必须完成转录，从而在数据管理中形成持续性瓶颈。人工智能（artificial intelligence，AI）的最新进展可能有助于将部分此类工作自动化，但其在常规渔业应用中的效用仍基本未经检验。研究人员将市售AI辅助工作流程与标准人工转录进行了对比评估，评估内容涵盖总处理时间与初始转录准确度。在各AI试点数据集中，手写记录的初始准确度平均为97%，音频记录为95%。经质量控制后，AI辅助工作流程使手写转录的总处理时间缩短约37%，音频转录缩短约49%。规模更大的业务数据集分别实现约30%与57%的缩减。较大手写数据集的初始准确度降至82.3%，但所有识别出的错误均在质量控制过程中得到纠正。上述结果表明，市售AI无需专门编程或定制软件即可改善自然资源数据管理中一项耗时环节。将AI辅助转录纳入现有工作流程，可减轻行政工作负荷，并使野外观测数据更早进入管理与研究应用。
## 四、论文解读
### 研究背景与问题
人工智能（AI）因可自动化重复性任务、加速数据处理，已在医学、工程、环境科学与野生动物保护等学科迅速推广。自然资源领域从业者亦开始探索AI在数据采集与处理中的应用潜力。渔业科学近数十年来经历了显著技术进步：水声学系统与遥测技术增加了可获取的生物学信息量，电子标记与自动化环境传感器进一步拓展了数据来源。直接电子录入虽可免除后续转录，但在渔业采样过程中使用不便，且难以适应变化的数据需求；纸质数据表则成本低廉、灵活性强，音频记录亦可使人员在不妨碍鱼类处理或设备操作的情况下记录观测结果。然而这两种格式最终均须转换为结构化电子数据，使转录与质量控制成为沉重的数据管理负担。市售AI产品的最新进展为此提供了新机遇：光学字符识别（optical character recognition，OCR）可将手写文档转换为可编辑文本，语音识别软件可处理音频录音，现代语言模型还可能进一步支撑此类工作流程。但渔业机构需要准确且可重复的方法，并倾向于选择无需专门计算资源、能融入现有业务的工具；对AI辅助转录的评估也应同时考虑准确度与质量控制所需时间。因此，本研究的目的是评估市售AI辅助工作流程在渔业调查所获手写数据表与音频记录上的表现，并与标准人工转录进行比较，以判断市售AI能否在维持科学与管理工作所需准确度的同时改善常规渔业数据管理。
### 主要技术方法
研究人员采用 Amazon Textract（AAT）处理手写数据表，采用 Microsoft 听写软件（MOD）处理音频录音。手写数据来自密苏里州保育部2022年秋季莓鲈（*Pomoxis* spp.）调查中为耳石提取准备的定制数据表，含6个试点数据集（1—3页、每份120—500个已填单元格），另以 Bass Pro Shops 水产养殖监测项目的20份水质数据表（1540个已填单元格）开展较大规模业务评估。音频数据来自该部电捕调查，试点为秋季大眼狮鲈（*Sander vitreus*）电捕录音，业务数据集为6天春季黑鲈（*Micropterus* spp.）电捕录音，均由同一名受训人员以头戴式麦克风与 Olympus 录音笔录制（MP3，44.1 kHz）。评估指标为处理时间（含AI处理与质量控制时间）与初始准确度，即质量控制前正确转录的已填单元格比例；时间缩减率按100×（人工时间?AI辅助总时间）/人工时间计算，试点结果为各数据集缩减率的非加权平均。
### 研究结果
**3.1 AI辅助手写数据转录**：AI辅助工作流程以更少总时间完成试点数据表的电子化，初始准确度平均约97%，计入质量控制后总处理时间下降约37%；每个数据集均需人工复核，但纠正AI输出所需时间少于完整人工录入。较大业务评估中，AI处理耗时0.29 h，质量控制0.67 h，总时间0.96 h，而标准人工转录为1.37 h，初始准确度降至82.3%，但所有识别出的残余错误均在质量控制中纠正，总时间缩减约30%；软件更新后重新处理使某代表性早期数据集初始准确度由24.4%升至94.4%。
**3.2 AI辅助音频数据转录**：AI辅助音频流程将三段渔业录音转换为电子数据集，三个数据集总处理时间均低于标准人工转录，共记录171尾鱼，初始准确度平均约95%，计入质量控制后总时间下降约49%；复核者仅纠正个别错误而非重新转录。业务数据集源于8.08 h电捕音频（648尾鱼、1298个已填单元格），AI处理0.59 h、质量控制2.87 h，总时间3.46 h，标准人工转录为8.08 h，初始准确度93.6%，总时间缩减约57%；软件更新后重新处理带来准确度的适度提升及反复出现的物种识别错误减少。
**3.3 工作流程表现**：AI辅助流程缩短了将手写数据表与音频记录转换为电子数据集所需的总时间。针对性质量控制增加了复核时间，但人工转录时间的缩减幅度更大；手写转录总时间缩减约30%—37%，音频转录缩减约49%—57%。
**3.4 转录错误**：试点数据分析显示，两种流程中最常见的错误均为信息遗漏（Type 5）与标签转录错误（Type 1）；错误模式存在差异，手写试点以遗漏最为频繁、其次为标签错误，音频试点以格式错误（Type 3）最为频繁、其次为标签错误，且音频试点未记录到数值错误（Type 2）。所有识别出的差异均在电子数据集视为完成之前得到纠正。
### 讨论与结论
讨论指出，AI辅助转录缩短了将手写与音频观测转换为电子数据集的时间，经人工复核后所有识别出的差异均获纠正，转录所节省的时间超过质量控制所需时间，且无需专门编程或定制软件。质量控制在每个AI辅助流程中仍不可或缺，两种转录均未达到完美初始准确度，尤其在较大或较复杂数据集中；错误后果取决于类型——遗漏值可能减少可用样本量，插入值可能产生虚假观测，数值或标签错误可能影响计算与数据分类，格式错误虽较少改变生物学解释但可能干扰后续处理；尽管如此，复核生成的转录稿仍比完整人工录入省时。两种流程均提升效率，但音频转录缩减幅度更大，因语音识别可快速将长时野外录音转为可编辑文本，而手写转录因笔迹质量与数据表格式差异需要更多复核；语音识别准确度可能随方言、发音、背景噪声与麦克风配置而变化，且本研究录音均由同一人完成，其在更广泛野外人员中的表现仍不确定，未来评估应记录录音设置、麦克风配置与背景噪声条件。已有研究亦将语音识别用于精简野外数据流程：Sitar 与 Traynor 将语音识别与直接数据库录入及实时核验相结合，Toczydlowski 则描述了将录音观测转录至电子表格后基于音频校对的做法，本研究的音频流程同样将自动转录与后续人工复核相结合。研究期间市售AI变化明显，用 Amazon Textract 重新处理提高了手写转录准确度，音频转录增益较温和但反复出现的物种名错误减少；由于未保留模型标识，无法将观察到的变化归因于特定软件版本或补丁，未来表现可能不同于本报告结果。此类流程的价值不止于节省录入时间：长期渔业监测产生大量生物学信息并造成数据处理瓶颈，野外采集与可用数据之间的延迟可能限制管理信息的及时获取，AI辅助转录可缩短从野外采集到数据库完成的间隔，随着监测项目扩展，数据处理改进可能日益重要；这些发现也可能适用于其他依赖人工转录的自然资源项目，如孵化场记录与水质观测，Drinkwater 等发现利用OCR衍生信息分拣植物标本可提高后续数据录入效率，Takano 等将OCR与命名实体识别结合以提取并结构化标本标签信息，马达加斯加与东帝汶的小规模渔业监测项目则体现了将野外观测转化为及时可用数据集的挑战。研究亦承认若干局限：标准流程反映常规实践且未单独计时质量控制步骤，故人工转录错误未量化；最终准确度未独立评估，无法确定两种流程准确度相当；AI辅助总时间包含复核与纠正，而人工记录后续在FINS数据库中的核验未计时；音频试点剪辑时间亦未计入；研究评估的是持续开发期间的商业产品，表现可能随产品演进而变化，其他产品表现可能不同，且因笔迹与录音条件不统一、用户差异及数据集覆盖用户与应用有限，结果可能因机构而异。未来研究可评估更广泛的笔迹风格与野外录音，并考察如何将AI直接整合进常规数据管理系统。
结论部分译文：人工智能不会取代渔业专业人员，但可减少消耗人员时间的重复性行政工作。此处评估的转录工作流程缩短了处理时间，并利用人工复核识别与纠正转录错误。谨慎整合这些工具的机构或可更早地将野外观测转化为科学分析与管理决策。
