文章主要内容总结本文研究了多模态大语言模型（具体为ChatGPT-4o）利用静态行车记录仪图像进行类人交通场景解读的潜力，重点聚焦与老年司机评估相关的三项任务：交通密度评估、交叉口可见性评估和停车标志识别。这些任务需上下文推理而非简单目标检测。研究采用零样本、少样本和多样本提示策略，以人类标注为基准，通过精确率、召回率和F1分数评估模型性能。结果显示，提示设计对模型性能影响显著：交叉口可见性的召回率从零样本的21.7%提升至多样本的57.0%；交通密度的一致性从53.5%提升至67.6%；停车标志识别中，模型精确率较高（达86.3%）但召回率较低（约76.7%），表现出保守响应倾向。输出稳定性分析发现，人类和模型在结构模糊场景中均存在解读困难，但模型的解释文本与预测一致，增强了可解释性。研究表明，合理设计提示后，大语言模型有望成为场景级驾驶风险评估的辅助工具，未来需通过更大数据集、更多样标注者和下一代模型架构拓展其适用性。文章创新点提示设计对交通场景解读的影响：系统研究了零样本、少样本思维链（CoT）和多样本思维链三种提示策略对ChatGPT-4o评估交通场景中结构化风险元素的作用，明确了准确一致评估所需的上下文指导程度，为AI辅助驾驶评估的提示构建提供了实践见解。人机判断对比分析：将AI生成标签与人类评分对比，评估模型与人类风险感知的接近程度，揭示了两者推理的一致性与分歧点，为模型可靠性及安全关键任务中人类监督的必要性提供了参考。Abstract