印尼研究：SmartGlove BISINDO 用手语传感器加 LLM（大语言模型） 生成语音，专家效力评分高但用户实用性评分偏低
一项发表于《JMIR Rehabilitation and Assistive Technologies》的设计科学研究，在印尼玛琅、泗水和望加锡三个城市开发并初步测试了 SmartGlove BISINDO：由手套传感器识别印尼手语（BISINDO），再经大语言模型（LLM）生成整句并转为语音。
摘要显示专家内容效度整体较高，但现场测试的沟通障碍参与者给出偏低实用性评分，尤其质疑语音输出清晰度。 研究为摘要级证据、样本小且无对照，不能视为临床有效。
研究采用设计科学研究（DSR）框架，覆盖问题识别、目标设定、原型设计与开发、演示、评估五个阶段。 需求分析来自印尼玛琅、泗水、望加锡三市12名受访者（6名领域专家、6名聋人教育陪伴者或教师），四组需求总体均值4.77（SD 0.51），平均一致率89%。 原型为五层架构，整合可穿戴传感器、设备端手势分类与基于LLM（大语言模型）的自然语言生成。
专家验证共14项，Aiken V总体0.94，全部超过0.75阈值，11项（79%）为高有效（V>0.90）； 内容效度比（CVR）总均值0.76（SD 0.16），高于Lawshe最低阈值0.56（P<.05），但手势区分、AI（人工智能）语境相关性、设置配置易用性3项低于阈值。 现场测试在望加锡和玛琅进行，15名沟通障碍参与者与4名观察者或陪伴者参加；
泗水一名残障专家参与评估。 沟通障碍参与者实用性总分均值3.35（SD 0.16，67%），语音输出清晰度得分尤低； 观察者与陪伴者评分88%（均值4.40，SD 0.08）； 残障专家评分81%（20项问卷均值4.05，SD 0.60）。 AI生成输出经历增补、删除、替换三类转换，其中替换最可能改变原意。
作者称这是首次将LLM驱动的自然语言生成嵌入BISINDO翻译流程。
该研究把LLM（大语言模型）整句生成嵌入手语翻译流程，将评价焦点从逐词拼接转向语义保真。 摘要同时显示专家可行性与使用者体验之间存在落差，语音清晰度和替换型语义变化是主要待改进点。 样本量小、缺少对照与长期使用数据，只能作为原型阶段的初步证据。
后续观察信号
- 该原型是否有后续版本与用户对照测试
- 专家评分与用户实用性评分差距是否在全文中有进一步分析