关键词： 批判性思维   数字时代   人工智能  

摘要： 数字时代为语文学科批判性思维培养带来新的契机。借助新一代人工智能、学习数据分析等技术，能够有效助推学生批判性思维发展。研究深入剖析技术助力语文学科批判性思维发展的核心功效，构建技术促进语文学科批判性思维培养模型，分为发现问题、推理论证、合作共解、结论阐释与反思优化五个阶段，并进一步提出培养策略。

关键词： 胃癌   早诊早治   疾病状态预测   机器学习  

摘要： 胃癌是消化道肿瘤中发病率较高的一种，对人们的健康构成严重威胁。早期预警、早期诊断可以提高5年生存率60%以上。近年来，机器学习方法在胃癌前状态预测方面取得了丰富的成果。本文首先从内镜图像、生化标志物、基因表达、中医证候等方面论述胃癌前状态的显著性特征，并结合机器学习方法预测的胃癌前状态研究成果，比较分析基于传统机器学习方法、深度学习方法和多种融合方法的优缺点。提出开展多中心、大样本队列研究并建设共享数据平台，实现多模态数据融合，增强模型的可解释性三点建议，为胃癌的“早诊早治”提供方法学借鉴。

关键词： 模糊认知图   人工智能   知识与数据驱动   无人系统  

摘要： 模糊认知图作为一种兼具模糊推理和类神经网络特征的知识图解软计算模型，与第3代人工智能知识与数据双驱动的发展方向高度契合，已被广泛应用于各个领域。首先，介绍模糊认知图理论的基本概念和原理，从构建方法、学习算法、拓展模型3个方面系统地分析模糊认知图的最新研究进展和存在的主要问题，总结未来研究的主要方向和重点内容；其次，全面梳理和归纳模糊认知图在无人系统（单无人系统、多无人系统、无人-有人系统）中的应用研究情况；最后，通过详细分析自主智能驱动的单无人系统、群体智能驱动的多无人系统以及互信智能驱动的无人-有人系统的技术需求，深入讨论未来模糊认知图在无人系统应用中的重点研究内容和主要研究思路。

关键词： 城市轨道交通   短时客流预测   双向长短时记忆神经网络   注意力机制   机器学习  

摘要： 为适应轨道交通客流变化规律,以提高地铁短时客流预测结果的准确度,且兼顾轨道交通客流变化的周期性和潮汐性,提出一种基于注意力机制的双向长短时记忆神经网络（BiLSTM）短时客流预测模型。首先,将处理后的地铁进出站客流数据以不同时间粒度和节日类型作为预测因素,输入到模型中;其次,通过BiLSTM充分挖掘时间序列的全局特征进行初步预测;最后,再通过注意力机制对不同时间点的显著特征加权得出预测结果,提高模型的预测性能。以上海地铁四号线海伦路站的真实客流数据为对象,进行不同模型的对比实验,并通过4种评价指标（MAE、MAPE、RMSE、R2）,评价改进前后的模型客流预测准确性。实验结果表明,在评估指标上,文中提出的ATT-BiLSTM模型要优于单种神经网络预测模型。

关键词： 能耗优化   工业机器人   机器学习   模块化  

摘要： 工业机器人在运行过程中要消耗大量的能源。然而，工业机器人能耗的建模需要考虑诸如机器人控制器、冷却风扇、电机、关节摩擦以及运动参数等因素，而在建模中考虑所有这些因素是非常困难的。目前的研究尚无量化这些参数值对工业机器人能耗的具体影响。本研究将工业机器人和制造过程结合起来，提出一种基于黑箱模型的能耗优化方法，使用在线数据采集的方式，对影响工业机器人能耗的参数进行分析。

关键词： 宏观政策   政策协同   政策评估   政策智能   人工智能  

摘要： 作为融合人工智能与公共政策的新兴学科，“政策智能”为政策一致性评估提供了可行工具。针对现有政策一致性研究中存在的概念分散、脱离实践、手段不足等问题，构建了“价值-制度-技术”框架，并以重庆市的前沿探索为案例，讨论了“政策智能”在宏观政策取向一致性评估中的应用路径。研究表明，面向政府评估需求，首先应将多元价值指标作为政策一致性评估的切入口与模型的输出变量；其次，构建以政策取向基准部门为核心的政策网络，将政策一致性特征与政策个体特征共同作为模型的输入变量。通过“政策知识+数据算法”的驱动，建立政策特征与政策目标间的关联，以实现对政策一致性多维度、非线性的影响效应预测。

关键词： 旱涝急转   数据源影响   时空变化   驱动因子   机器学习  

摘要： 气象旱涝急转规律对数据源时空尺度具有相依性，厘清数据源对规律影响意义显著。本文采用江西省及毗邻区59个气象站、302个雨量站汛期月降水资料和130项气象气候监测指数，综合运用旱涝急转指数（Drought-flood Abrupt Alternation Index，DFAI）、时间序列分析、地统计、机器学习等方法评价汛期旱涝急转时空分布规律、驱动因子及其对数据源的响应。结果表明：两种数据源下汛期旱涝急转主要类型和强度相反，气象站数据源下旱涝急转类型为旱转涝，事件发生频次自1979年增加2.5倍、急转强度降低超10%；雨量站数据源下旱涝急转类型为涝转旱，事件发生频次自1991年增加2.6倍、急转强度增强超69%。两种数据源下旱转涝事件空间分布差异显著，气象站数据源下在年尺度和典型年尺度上旱转涝、涝转旱事件主要集中在研究区东部、南部，而雨量站数据源下在年尺度和典型年尺度上旱转涝、涝转旱事件均主要集中在研究区北部、南部。两种数据源DFAI时程变化驱动因子差异显著。基于随机森林和K近邻算法等适用算法，气象站数据源下西藏高原指数和厄尔尼诺-南方涛动指数是主要驱动因子，相关系数、偏相关系数绝对值分别在0.32～0.35、0.33～0.36间变化，对DFAI时程变化贡献率均大于45%；雨量站数据源下，亚洲经向环流指数是主要驱动因子，相关系数、偏相关系数绝对值为0.32、0.38，对DFAI时程变化贡献率为79%。

关键词： 人工智能   准确性   人工智能治理   生成式人工智能  

摘要： 准确性不仅是人工智能广泛应用与全面部署的必要前提，更是构建可信人工智能治理框架的核心要义。人工智能准确性原则源于个人信息保护规范的构建，以数据准确性为基点，在算法准确性治理推动下不断发展，最终经由模型准确性和内容准确性的提出而确立，呈现出由单点发力到全局优化、由事后问责到事前预防、由技术导向到伦理内嵌的演进趋势。在治理层面，人工智能准确性原则超越“统计准确性”的单一技术维度，融合了人工智能系统准确“对齐”人类价值、需求和目的的要求，展现出适度性、动态性和场景驱动性特征。基于人工智能全周期治理视角，围绕数据准确性、算法准确性、应用准确性和解释准确性四大核心构成要素，可从建立数据质量管理体系、完善性能评估标准、优化内容生成机制以及构建多维度解释框架等方式，将人工智能准确性原则科学嵌入生成式人工智能治理框架，从而全面提升人工智能治理效能。

关键词： 机器学习   心理求助   心理健康   行为预测  

摘要： 心理求助是识别和预防心理疾病或障碍的重要途径之一，但许多有需求的个体往往缺乏主动寻求帮助的意愿，因而准确预测该群体的心理求助倾向与行为，对于心理健康问题的早期预防和干预具有重要意义。随着人工智能技术的发展，机器学习在心理求助行为预测中的应用日益广泛，并展现出优于传统方法的预测效能。通过对多种类型数据的采集与分析，机器学习模型能够更全面地识别心理求助行为的潜在预测因素，并为个性化干预提供科学依据。鉴于当前该领域中仍缺乏对既往研究成果的系统整合，故本文对机器学习方法在心理求助行为预测中的应用与发展进行了全面综述，分析了其机制与优势，讨论了其在不同人群中的应用现状，并提出了未来研究的方向和前景，以期为相关研究和临床工作提供有益的参考和启示。

关键词： 法医遗传学   DNA   混合STR图谱   人工智能  

摘要： 在法医物证领域，解释和分析混合STR图谱因其复杂性和挑战性一直是备受关注的研究焦点，在疑难案件侦办方面有着广泛的应用。为提升混合STR图谱拆分的准确率和速度，适应复杂图谱噪声下低模板量的影响，国内外学者对混合STR图谱的拆分进行了一系列研究。近几年，人工智能方法有望成为混合STR图谱拆分新的解决方案。本文综述了混合STR图谱拆分的相关研究进展，结合混合STR图谱拆分过程中的重点、难点，提出了人工智能算法在该领域潜在的应用方向，旨在为利用人工智能方法解决混合STR图谱拆分问题提供参考和思路。