EG-ARSA：基于专家的开放模型，用于资源匮乏环境下的可视化道路安全审核

道路交通伤害仍然是低收入和中等收入国家的一项重大挑战，这些国家的主动道路安全审计因事故记录不完整、合格审计员短缺以及大规模现场检查成本高昂而受到限制。为了解决这个问题，我们提出了 Expert-Grounded 蒸馏 (EGD)，这是一种新颖的人工智能框架，可将机构道路安全专业知识转移到紧凑的视觉语言模型中，以进行可扩展的视觉道路安全审核。关键的创新是量化的专家基础阶段，其中教师视觉语言模型根据权威的现场审核进行校准。只有在教师与专家风险评估达成实质性一致后（Cohen's kappa = 0.74），才允许进行大规模注释。然后，经过校准的教师会生成结构化监督，并使用低秩适应和单个无泄漏提示将其提炼为 80 亿参数的学生视觉语言模型。我们还介绍了孟加拉国道路安全审计 (BD-ARSA)，这是第一个开放的、以专家为基础的孟加拉国视觉道路安全审计数据集，包含 21,947 条图像审计记录，几乎覆盖全国；以及专家为基础的道路安全审计员 (EG-ARSA)，这是第一个专门为此任务开发的视觉语言模型。实验结果表明，扎根的 微调 显着改善了零样本基线的序数风险评估，而盲专家评估表明，紧凑型学生的表现优于其 310 亿参数的教师和 Gemini-2.5-Flash。这些发现表明，EGD 为资源有限环境中的主动道路安全审核提供了有效且可扩展的工程解决方案。