老年人言语练习的语音驱动支持系统：一种可访问的Web-Mobile方法

《Algorithms》：Voice-Driven Support System for Speech Practice in Older Adults: An Accessible Web–Mobile Approach

　　

人口老龄化对口腔沟通提出了重大挑战，因为即使在无神经退行性疾病的老年人中，也会出现与年龄相关的发音、言语流畅性和言语节奏变化。尽管基于语音的辅助技术有所进步，但缺乏支持在非临床环境中进行结构化、自主言语练习的集成工程解决方案。本研究提出了一种确定性的、基于规则的言语评估工作流，并实现于一个混合Web-Mobile辅助系统中。该工作流将音频捕获、基于云的自动语音识别（ASR）、基于规则的发音评估、即时多模态反馈和进度监控集成在统一的系统架构中。所提出的架构包括面向老年人的移动应用程序和供护理人员配置和监控的Web平台。采用了一种面向原型开发的方法论，包括需求获取、系统设计、实现以及使用出声思考法（Thinking Aloud方法）和系统可用性量表（SUS）进行可用性评估。结果显示，在受控评估条件下系统行为稳定，初步评估会话中平均识别准确率为90%，响应延迟为1.82秒，支持在引导言语练习中稳定的实时交互。这些发现证明了所提出的辅助架构作为老年人引导言语支持的一种可访问和可复现解决方案的可行性。

**论文解读：面向老年人言语练习的语音驱动支持系统——一种可访问的Web-Mobile方法**

**研究背景与问题**

人口老龄化带来了一系列健康和社会挑战，其中老年人的言语能力衰退是一个重要方面。尽管许多老年人未患神经退行性疾病，但随年龄增长，他们常出现发音不清、言语流畅性下降和语速变化等问题，影响日常沟通、社会参与和情感健康。现有语音辅助技术虽有进展，但缺乏集成化的工程解决方案来支持老年人在非临床环境中进行结构化、自主的言语练习。传统方法（如面对面课程、重复练习）存在方法僵化、缺乏及时反馈、不适应老年人认知和情感特征等局限，导致动力不足和中断。此外，多数现有系统针对年轻人群或临床场景设计，忽略了需要指导、简单交互和减少技术焦虑的老年人。同时，现有语音系统常使用孤立组件（如独立语音识别模块、对话界面或游戏化活动），缺乏统一架构来整合交互节奏、反馈机制、个性化逻辑和护理人员监督。因此，需要一种集成化、可访问且可扩展的混合Web-Mobile架构，以支持老年人的言语训练。

**研究目标与意义**

本研究旨在开发并评估一种基于语音识别、即时反馈和游戏化的技术系统，以支持无退行性病变的老年人的言语技能。该系统采用用户中心设计，将移动应用（面向老年人）和Web平台（面向护理人员配置和监控）集成于同一混合架构中。关键创新在于通过确定性规则基发音评估工作流，整合音频捕获、云自动语音识别（ASR）、规则匹配、多模态反馈和进度控制，提供可复现的引导式言语练习方案。论文发表在《Algorithms》上，为老年辅助技术领域提供了一种工程可行的方法，弥补了现有系统在集成性、可访问性和护理人员参与方面的空白。

**主要关键技术方法**

研究人员采用原型开发模型，分六个阶段进行：需求获取（通过半结构化访谈从老年中心护理人员收集信息）、系统设计（用例图和分层架构图）、原型构建、评估和迭代优化。系统架构包括：移动应用（Flutter构建）用于老年人执行发音练习；Web平台（Next.js/React/Tailwind CSS）供护理人员配置练习参数和监控进度；后端（Node.js/Express.js）处理认证、业务逻辑和与外部云ASR服务（Google Speech-to-Text API）的集成；数据存储在PostgreSQL数据库中。工作流为确定性序列：受控音频捕获 → 云ASR处理 → 规则基发音匹配（精确文本比较） → 二元正确/错误分类 → 即时多模态（听觉和视觉）反馈 → 基于护理人员配置的进度控制。可用性评估涉及5对来自老年中心的老年人和护理人员，采用出声思考法（Thinking Aloud）和系统可用性量表（SUS）进行混合方法分析。

**研究结果**

**4.1 开发的技术产品**：通过需求获取（基于访谈和文献综述）定义功能和非功能需求，设计用例图、软件架构图和数据库模型，并创建高保真原型。移动应用展示待办练习列表和发音执行界面；Web平台显示参与者列表和进度概览，支持护理人员管理测试和查看结果。

**4.2 语音评估工作流的操作结果**：在受控条件下，工作流稳定顺序执行，每次发音尝试均按定义阶段（捕获、ASR、规则匹配、反馈、进度控制）完成。发音评估使用精确文本比较，正确/错误分类无歧义，即时反馈生成无延迟。进度控制机制根据护理人员配置正确推进或重复练习。系统行为可预测且可复现。

**4.3 技术性能评估**：在老年中心使用标准智能手机测量50次发音尝试。系统平均响应延迟为1.82秒（标准差0.41秒），其中云ASR处理阶段占0.97秒。ASR识别准确率为90%（45/50正确识别目标词）。结果表明系统响应足够快，识别性能可接受，支持引导式实时交互。

**4.4 可用性评估**：采用出声思考法（Thinking Aloud），5对参与者完成设置和练习任务。观察发现老年人初始需要支持，但熟悉后能独立执行；问题包括导航困惑（Dyad 2）、小文本阅读困难（Dyad 3）、说话停顿（Dyad 5）。积极反馈包括练习清晰、语音反馈有激励作用、界面简单。SUS问卷（5名护理人员）平均得分86.00（标准差2.85），属“优秀”范围，表明高可用性且参与者之间一致性高。

**讨论与结论**

讨论部分强调，系统架构中语音识别与受控响应节奏的整合适应了老年人的言语模式（慢发音、长停顿）。确定性规则基工作流通过异步处理和轻量级音频传输保证了可预测性。游戏化元素（视觉奖励、进度指示器）被有效集成且不增加计算开销。混合Web-Mobile架构增强了模块性和可配置性，允许护理人员作为活跃角色监督和调整。可用性评估验证了系统的直觉性和易用性，但指出文本大小和触摸元素尺寸等界面优化空间。技术性能方面，90%的识别率和1.82秒延迟表明系统在实际使用中可行，但受限于老年人言语变异（口音、发音不精确、音量波动）。未来需纵向验证、改进ASR鲁棒性、引入客观指标如词错误率（WER）和句错误率（SER）。

**研究结论**（翻译原文第6节）：本研究表明了通过结构化工作流将语音识别、确定性决策、即时反馈和护理人员监督融合于混合Web-Mobile环境中，支持老年人言语练习的可行性。所提出的方案提供了功能性的技术替代方案，既允许老年人自主使用，又支持护理人员配置和监控，实现了个性化活动、引导交互和持续跟进。轻量级游戏化足以维持参与度而不增加复杂性。可用性评估表明系统可理解和可用。尽管结果令人鼓舞，但本研究受限于探索性范围和小样本量。未来工作将致力于纵向验证、更鲁棒的语音识别模型、客观言语性能指标以及大规模社区部署。