Resumen: Los servicios de respuesta a emergencias son críticos para la seguridad pública, con 9-1-1 que los tomadores de llamadas juegan un papel clave para garantizar operaciones de emergencia oportunas y efectivas. Para garantizar la consistencia del rendimiento de la toma de llamadas, se implementa la garantía de calidad para evaluar y refinar los habilidades de llamadas de los tomadores de llamadas. Sin embargo, las evaluaciones tradicionales dirigidas por humanos luchan con altos volúmenes de llamadas, lo que lleva a una baja cobertura y evaluaciones retrasadas. Introducimos a LogideBrief, un marco impulsado por la IA que automatiza el informe tradicional de llamadas 9-1-1 integrando la lógica de señal-temporal (STL) con modelos de idiomas grandes (LLM) para una evaluación de rendimiento rigurosa totalmente cubierta. LogideBrief formaliza los requisitos de toma de llamadas como especificaciones lógicas, lo que permite la evaluación sistemática de las llamadas 9-1-1 contra las pautas de procedimiento. Emplea un proceso de verificación de tres pasos: (1) comprensión contextual para identificar tipos de respondedores, clasificaciones de incidentes y condiciones críticas; (2) verificación de tiempo de ejecución basada en STL con la integración de LLM para garantizar el cumplimiento; y (3) agregación automatizada de resultados en informes de garantía de calidad. Más allá de sus contribuciones técnicas, LogideBrief ha demostrado un impacto en el mundo real. Implementado con éxito en el Departamento de Comunicaciones de Emergencia de Metro Nashville, ha ayudado a informar a 1.701 llamadas del mundo real, ahorrando 311.85 horas de participación activa. La evaluación empírica con datos del mundo real confirma su precisión, mientras que un estudio de caso y un extenso estudio de usuarios destacan su efectividad para mejorar el rendimiento de la toma de llamadas.
Publicado Originalme en rss.arxiv.org El 7 de mayo de 2025.
Ver Fuente Original
