EG-ARSA：用于低资源环境中视觉道路安全审计的专家扎根开放模型

道路交通伤害仍然是低收入和中等收入国家面临的一项重大挑战，在这些国家，主动式道路安全审计受到事故记录不完整、合格审计员短缺以及大规模实地检查成本高昂的限制。为解决这一问题，我们提出 Expert-Grounded Distillation（EGD），这是一种新型人工智能框架，可将机构性道路安全专业知识迁移到紧凑型视觉-语言模型中，以实现可扩展的视觉道路安全审计。其关键创新在于量化的专家扎根阶段，在该阶段中，教师视觉-语言模型会依据权威实地审计结果进行校准。只有当教师模型与专家风险评估达到实质性一致（Cohen's kappa = 0.74）后，才允许进行大规模标注。随后，经校准的教师模型生成结构化监督信号，并使用 Low-Rank Adaptation 和单个无泄漏提示将其蒸馏到一个 80 亿参数的学生视觉-语言模型中。我们还推出 Bangladesh Road Safety Audit（BD-ARSA），这是首个开放的、专家扎根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，覆盖范围接近全国；以及 Expert-Grounded Road Safety Auditor（EG-ARSA），这是首个专门为该任务开发的视觉-语言模型。实验结果表明，与零样本基线相比，扎根微调显著改善了有序风险评估；而盲法专家评估显示，紧凑型学生模型的表现优于其 310 亿参数的教师模型和 Gemini-2.5-Flash。这些发现表明，EGD 为资源受限环境中的主动式道路安全审计提供了一种有效且可扩展的工程解决方案。