في عصر يهيمن فيه الفيديو الرقمي على طرق التواصل والتعليم والترفيه، يظل غياب وصف الصوت (Audio Description - AD) مشكلة تؤثر بشكل كبير على ذوي الإعاقة البصرية. تمثل هذه الفئة من المستخدمين تحديًا حقيقيًا في إنتاج محتوى يتسم بالشمولية، مما يستدعي البحث عن حلول مبتكرة.

بينما تسهم المنصات المعتمدة على الجمهور ونماذج اللغة المرئية (Vision-Language Models - VLMs) في توسيع إنتاج وصف الصوت، فإن مسألة ضمان الجودة لا تزال بلا حلول منهجية متبعة. تعتمد التقييمات الحالية على مقاييس معالجة اللغة الطبيعية (NLP) ومبادئ إرشادية قصيرة المدة، مما يفتح باب التساؤلات حول كيفية تقييم جودة الوصف الصوتي الطويل المدى على نطاق أوسع.

استجابةً لهذه التحديات، طوّر الباحثون عملًا منهجيًا يرتكز على نظرية استجابة العنصر (Item Response Theory) لتقييم كفاءة المحللين البشريين ونماذج VLMs بالتوازي مع معيار الخبراء الذي تم تحديده مسبقًا.

استخدمت هذا التقييمات إطارًا متعدد الأبعاد، يستند إلى إرشادات احترافية ويشكل بتوجيهات من خبراء الوصول والمستشارين المكفوفين. أظهرت النتائج أن النماذج الأعلى أداءً من VLMs يمكن أن تقارب تقييمات الحقيقة الأساسية بمستويات تنافس تلك الخاصة بالمحللين البشر.

ومع ذلك، يكشف التحليل النوعي أن تفكير نماذج VLMs أقل موثوقية وقابلية للتطبيق من نظيراتها البشرية. تسلط هذه الرؤى الضوء على إمكانية إنشاء أنظمة تقييم هجينة تستخدم نماذج VLMs مع إشراف بشري، مما يوفر مسارًا نحو ضمان جودة وصف الصوت على نطاق واسع.