《Heritage》：Human–AI Semantic Identification of Components in Traditional Chinese Floor-Standing Interior Timber Screens: Expert Effort and Record Agreement
编辑推荐：
中国传统室内木隔断的语义记录需要整合局部形态、空间位置与构造关系。研究人员比较了针对三处遗产地五座落地式隔断构件的三种工作模式：纯人工标注（H）、全面AI辅助（HA）和风险导向选择性复核（RH）。在188个候选掩膜中，30个用于衡量六位独立专家间的一致性，15
中国传统室内木隔断的语义记录需要整合局部形态、空间位置与构造关系。研究人员比较了针对三处遗产地五座落地式隔断构件的三种工作模式：纯人工标注（H）、全面AI辅助（HA）和风险导向选择性复核（RH）。在188个候选掩膜中，30个用于衡量六位独立专家间的一致性，158个进入平衡交叉实验。机器标签与自报告复核标记在专家评估前已冻结。共享集的完全一致性为90.00%（Fleiss’ κ = 0.9396）。两位H专家的匹配标签为154个正式候选定义了内部操作共识。与此参照的一致性分别为：AI-only 64.94%，HA 97.08%，RH 75.32%。HA比AI-only高出32.14个百分点（95% CI，24.68–39.61）。RH将20.89%的正式候选路由给专家，并在本实验中将记录的专家决策时间相对H减少81.54%。冻结复核标记捕获了33.33%的机器–共识分歧，而专家重新对齐了88.89%的路由分歧记录。对于这些隔断构件，全面辅助实现了最高的共识一致性，而测试路由策略下的选择性复核减少了专家投入，但使大多数机器–共识分歧未经过复核。
中国传统建筑遗产数字化已从几何采集迈向包含构件语义、空间关系与保护信息的结构化记录。传统中式小型木构件通常细碎且装饰密集，其语义由局部形态、空间层级与构造关系共同决定，但数字记录常将其还原为无差别的几何表面。通用分割模型与多模态大语言模型（MLLM）提供了自动化识别的可能，然而合并掩膜、装饰碎片、遮挡、低照度与透视畸变等会削弱边界或位置证据。因此，如何将机器输出与专家判断有效连接、专家应在何处介入以及介入覆盖多少候选，成为构件级语义记录的核心问题。本研究据此比较纯人工标注（H）、全面AI辅助（HA）与风险导向选择性复核（RH）三种工作流，从共识一致性和人力投入两个维度进行评价。
研究人员以故宫福望阁（S1、S2、S4）、扬州网师小苑春晖室（S3）与颐和园佛香阁（S5）三处遗产地五个落地式室内木隔断为对象，建立了C0–C5操作语义方案，该方案综合局部形态、典型位置与构造角色六个类别。共生成188个候选掩膜，其中30个用于检验专家间一致性，158个进入平衡交叉实验。研究结果显示：共享集上六位专家完全一致率为90.00%（Fleiss’ κ = 0.9396）；正式实验中AI-only共识一致率为64.94%，HA为97.08%，RH为75.32%；HA比AI-only高32.14个百分点；RH记录决策时间相对H减少81.54%，但其分歧覆盖仅33.33%，多数机器–共识分歧未进入专家审查。该研究表明，不同介入模式在一致性与人力投入之间呈现明显权衡，路由环节是选择性复核改进的关键靶点。
技术方法上，研究人员使用Segment Anything Model（SAM；Meta Platforms, Inc.）ViT-B检查点生成候选掩膜，经ChatGPT界面中的GPT-5.5模型生成初始类别、简要依据、置信信息、可混淆类别及二值复核标记（review_flag）。每个候选由全场景、突出显示与局部裁剪三幅图像表征，兼顾空间层级与局部细节。六名正式专家（E1–E6）在H、HA、RH三种受控信息暴露条件下独立完成任务，实验采用平衡交叉分配；另有三位盲检专家（G1–G3）验证共享集参照。统计分析使用Fleiss’ κ、Cohen’s κ及20,000次候选级配对bootstrap重抽样。
3.1 构件语义解释的一致性
30个共享候选覆盖每个类别5个、每个场景6个。六位专家对27个候选标签完全一致，完全一致率90.00%，Fleiss’ κ = 0.9396。盲检专家G1与G2在26个直接标注候选中一致25个，G3裁决唯一分歧，最终专家多数标签与完整独立盲检参照在30个候选上全部匹配。158个正式候选中，两位H专家一致154个，原始一致性97.47%，组合κ = 0.9639。四个分歧候选均集中在C4/C2或C1/C3等构造边界，反映了复合边界或遮挡对判断的影响。
3.2 跨协作模式的专家投入与记录一致性
AI-only、HA与RH的共识一致率分别为64.94%（100/154）、97.08%（299/308）与75.32%（232/308）。HA与AI-only的差异为32.14个百分点（95% CI，24.68–39.61）。类级混淆显示，AI-only将14个C0-共识候选标为C2、18个C4-共识候选标为C5，占其全部54个分歧中的32个。H与HA均覆盖158个候选，HA记录决策时间较H降低11.21%；RH仅路由20.89%的候选，累计时间较H降低81.54%，但未路由记录自动保留AI标签，不能视为专家验证。
3.3 复核信号的分歧覆盖
冻结复核标记共标记32个候选为需复核，其中18个是AI-only与共识的分歧，分歧覆盖率为33.33%。与相同数量随机选择相比，随机期望捕获11.22个分歧，而该标记捕获18个，场景配额保留的随机对照亦显示标记显著优于随机（期望11.15，尾概率0.0049）。路由的18个分歧候选产生36条记录，其中32条经专家复核后与共识一致，后复核一致率88.89%。RH最终残留的76条分歧记录中有72条来自36个未路由分歧候选，表明选择性复核的残余分歧主要源于路由覆盖不足。
讨论部分指出，将空间层级与构造关系纳入解释有助于专家在完整装配语境中重新评估机器建议。HA在允许修改每个建议的情况下实现最高共识一致率，但时间节省因人而异，说明AI辅助收益具有情境依赖性。RH大幅节省专家时间，但受测自报告选择器的覆盖瓶颈使多数分歧未获审查。回顾性对比显示该标记优于随机选择，但尚不能替代前瞻性验证。研究强调应将分歧检测与专家纠正能力分开评估，并以路由阶段作为后续改进重点。局限性包括样本仅来自五个隔断、固定专家小组、单一冻结模型输出，以及一致性度量基于内部专家共识而非独立真值。
研究结论翻译如下：本研究考察了三处遗产地五个中国传统落地式室内木隔断构件的候选级语义记录。研究人员建立了结合局部形态、空间位置与构造关系的C0–C5操作语义方案，并在冻结机器输出条件下，通过六位独立专家的平衡交叉实验比较了H、HA和RH。共享集的六专家完全一致率为90.00%，表明共同语义标准下专家判断一致性较高。与内部H专家共识的一致性分别为：AI-only 64.94%，HA 97.08%，RH 75.32%。在观测案例与专家小组内，HA超过AI-only 32.14个百分点。RH复核了20.89%的正式候选，并将观测总专家决策时间相对H降低81.54%。对于所测试的自报告选择器，有限的分歧覆盖是残余分歧的主要来源，尽管专家复核后经常重新对齐。对于所评估的室内隔断，全面辅助有利于共识一致性，而冻结标记下的选择性复核有利于降低记录专家投入。将分歧检测与专家纠正分开，使这些工作流权衡变得明确，并将路由阶段确定为优先评估目标。这些发现仍受限于五个隔断、一个专家小组和一组冻结的机器输出。内部H专家共识不等于独立验证的语义准确性。回顾性基线支持候选集中的分歧集中，但不能验证整个工作流优于随机专家复核。未来验证应在不同遗产背景、视觉条件和构件分布的独立隔断上采用相同协议，并分别报告原始与新增案例，使用独立参照标注。与随机选择的前瞻性比较应在匹配复核预算下共同评估分歧覆盖、复核后残余分歧和实际专家投入。
