《Computers》：Child–Computer Interaction Quality Criteria for Preschool Educational Applications: A PRISMA-ScR-Informed Scoping Review
编辑推荐：
大型活动运营规划涉及高不确定性、异构数据源及复杂资源分配决策。尽管数字孪生（Digital Twin, DT）和仿真模型可支持该流程，但其应用常受限于配置场景和解读输出所需的技术专长。本论文提出一种会话数字孪生框架（Conversational Digital
大型活动运营规划涉及高不确定性、异构数据源及复杂资源分配决策。尽管数字孪生（Digital Twin, DT）和仿真模型可支持该流程，但其应用常受限于配置场景和解读输出所需的技术专长。本论文提出一种会话数字孪生框架（Conversational Digital Twin Framework, CDTF），该框架将生成式人工智能（Generative AI）与基于仿真的决策支持相结合，使用户能够通过自然语言配置运营场景。该框架由四层组成：数据集成层、仿真引擎层（结合机器学习（Machine Learning, ML）和离散事件仿真（Discrete-Event Simulation, DES）组件）、会话人工智能接口层以及用于报告和仪表盘的可视化层。研究人员通过针对大加那利体育场（Gran Canaria Stadium）足球赛运营规划的技术就绪水平4（Technology Readiness Level 4, TRL4）原型进行验证，使用了历史比赛记录、外部上下文来源以及在详细球场数据不可用情况下合成生成的运营变量。验证聚焦于架构可行性、工作流集成、会话配置及运营可行性。结果表明，代理在93.3%的评估提示中识别了用户意图，提取了测试案例中所有明确陈述的参数，检测了所有评估的无效输入，并在所有测试场景中完成了完整仿真工作流。平均会话响应时间少于6秒，而完整仿真工作流约需1分钟。这些发现表明，会话交互可促进对基于仿真规划的访问，并支持事件运营的交互式假设分析，但未来工作需使用真实运营数据集验证预测性能。
**论文解读：会话数字孪生框架（CDTF）——面向非技术用户的大型活动运营规划仿真决策支持系统**
**研究背景与问题**
大型活动（如体育赛事、文化节庆）的运营规划面临高不确定性、异构数据源及复杂资源分配决策的挑战。数字孪生（Digital Twin, DT）技术通过虚拟模型表征和分析复杂物理系统，可支持不同运营条件下的仿真与决策。然而，现有数字孪生实现通常需要大量技术专长进行配置、集成和操作，这限制了非技术领域专家的可访问性和采用率。此外，生成式人工智能（Generative AI）在仿真中的应用仍处于实验阶段，缺乏适合实际部署的稳健架构框架。因此，亟需一种系统集成方法，将生成式人工智能、数字孪生与仿真系统相结合，创建可访问、智能的仿真系统，使非技术用户能够通过自然语言配置运营场景并进行交互式假设分析。本研究基于设计科学研究（Design Science Research）方法论，旨在解决这一关键空白，提出并验证一个统一的会话数字孪生框架（Conversational Digital Twin Framework, CDTF）。论文发表在《Computers》。
**主要技术方法**
研究人员采用了以下关键技术方法：（1）四层架构设计：包括数据层（集成历史数据库、实时API及外部数据源）、仿真引擎层（组合机器学习（Machine Learning, ML）模型如随机森林（Random Forest, RF）、XGBoost、CatBoost、LightGBM，以及离散事件仿真（Discrete-Event Simulation, DES）组件）、会话人工智能层（基于大型语言模型（Large Language Model, LLM）Gemini 2.5 Flash Lite，通过提示工程实现意图识别、实体提取和对话管理）和可视化层（Power BI仪表盘和Excel报告）。（2）系统集成通过配置文件管理和RESTful API（FastAPI）实现组件间松耦合通信。（3）验证基于大加那利体育场（Gran Canaria Stadium）的足球赛事运营规划案例，使用三个完整赛季（2021–2024）的114场比赛历史记录、公开上下文数据（气象、谷歌趋势、旅游住宿入住率）和合成生成的运营变量（因缺乏真实交易数据）。样本队列来源包括西班牙气象局（AEMET）、加那利群岛统计研究所（ISTAC）和西班牙国家统计局（INE）。
**研究结果**
**3. Artifact Evaluation: Sporting Event Simulation Case Study（工件评估：体育赛事仿真案例研究）**
通过案例研究评估CDTF的可行性，聚焦于会话代理将自然语言请求转换为有效仿真配置的能力、在可操作响应时间内完成完整仿真工作流的计算可行性，以及系统生成资源分配和物流管理决策支持输出的能力。
**3.1. Artifact Evaluation Against State-of-the-Art Approaches（工件与现有方法对比评估）**
与现有方法（传统手动配置、现成大型语言模型、现有数字孪生方法）相比，CDTF在架构可行性、工作流集成、会话配置和运营可行性方面具有优势，特别是实现了基于生成式人工智能的会话配置与严格规则验证的结合。
**3.2. Case Study Context（案例研究背景）**
原型针对大加那利体育场（32,400座足球场）开发，协调食品饮料库存、商品库存、停车容量、清洁人员及安保等资源。数字孪生使用历史比赛记录、公开上下文数据和合成运营变量（通过Python Faker库和启发式规则生成）进行校准。
**3.3. Conversational Agent Validation（会话代理验证）**
通过30个提示评估会话代理性能：意图识别准确率93.3%，参数提取准确率100%（50个参数），无效输入检测率100%，完整仿真工作流完成率100%。平均会话响应时间<6秒，完整仿真工作流约1分钟。对比基线（未约束的大语言模型）仅56.67%的有效配置率，CDTF通过Pydantic模式验证强制纠正错误。局限性包括对模糊请求（如“反映淡季”）的自主推断和不支持超出配置范围的请求（如“沙尘暴”）。
**3.4. Scope of the Validation（验证范围）**
验证为系统级可行性评估，而非预测精度基准。由于使用合成运营变量，结果应解释为架构可行性和工作流集成证据，而非生产级预测准确性。
**3.5. Simulation Outputs and Predictions（仿真输出与预测）**
生成的多变量输出（如观众分布、资源消耗、服务利用率、运营成本）通过Power BI仪表盘交互式呈现，支持场景对比和钻取分析。执行时间不随观众数量显著变化，表明固定流程主导延迟。
**3.6. Scenario Exploration and Operational Plausibility（场景探索与运营合理性）**
测试不同输入变化（如高上座率、雨天、高风险比赛）产生的输出在定性上符合预期方向，验证了框架作为假设分析工具的有效性。
**讨论与结论总结**
**讨论部分**：
验证结果表明，CDTF在TRL4级别技术上可行，实现了非技术用户通过自然语言配置并执行运营场景，克服了数字孪生采纳的实际障碍。模块化架构有效分离组件职责，执行时间适合会前规划工作流。会话层作为生成式人工智能的可及性接口，支持人机协同的探索式规划，但需严格的人机回环（human-in-the-loop）协议，禁止自动触发实际决策。框架可推广至场馆管理、旅游、交通、医疗、物流等领域，但需针对领域模型、数据连接器和验证规则进行适配。当前局限性包括：TRL4级别（未在真实运营条件下验证）、合成运营数据的使用、缺乏经济指标、会话理解对复杂模糊请求的局限、以及自动化范围限于决策支持而非决策制定。未来工作需使用真实运营数据验证预测性能，扩展仿真引擎支持代理基模型（Agent-Based Model, ABM）和优化技术，增强会话层鲁棒性和工具使用能力。
**研究结论（翻译）**：
本论文介绍了CDTF，一种将生成式人工智能与仿真系统集成的架构方法，旨在使运营规划工具对非技术用户更易访问。通过实现仿真场景的自然语言配置，该框架解决了数字孪生在运营环境中采用的实际障碍之一：用户需要与复杂配置文件、应用程序编程接口（API）或建模工具进行交互。研究贡献涵盖概念、技术和验证维度：概念框架（四层架构原型）、技术实现（TRL4原型，集成大型语言模型Gemini 2.5 Flash Lite、随机森林模型、离散事件仿真组件、Power BI和Excel报告）以及验证案例研究（大加那利体育场，93.3%意图识别准确率，100%工作流完成率，响应时间<6秒，完整仿真约1分钟）。主要启示是会话接口可促进仿真决策支持的可及性，尤其适用于领域专家需比较假设但缺乏建模或编程技能的场景。该框架可转移至其他领域，如场馆管理、旅游规划、交通枢纽、医疗容量规划和物流运营。最后，将生成式人工智能与数字孪生技术集成是使仿真规划更易访问的有前景方向，CDTF提供了概念架构和TRL4原型证明，但未来需在真实运营数据下验证预测有效性，并强化数据治理、经济指标和高级会话工具。
