人工智能论文范文10篇

人工智能论文范文篇1

关键词：人工智能计算机技术

一、人工智能的定义

“人工智能”(ArtificialIntelligence)一词最初是在1956年Dartmouth学会上提出的。人工智能是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。人工智能理论进入21世纪,正酝酿着新的突破,人工智能的研究成果将能够创造出更多更高级的智能“制品”,并使之在越来越多的领域超越人类智能,人工智能将为发展国民经济和改善人类生活做出更大贡献。

二、人工智能的应用领域

1.在管理系统中的应用

(1)人工智能应用于企业管理的意义主要不在于提高效率,而是用计算机实现人们非常需要做,但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》一文中刘玉然指出把人工智能应用于企业管理中,以数据管理和处理为中心,围绕企业的核心业务和主导流程建立若干个主题数据库,而所有的应用系统应该围绕主题数据库来建立和运行。换句话说,就是将企业各部门的数据进行统一集成管理,搭建人工智能的应用平台,使之成为企业管理与决策中的关键因子。

(2)智能教学系统(ITS)是人工智能与教育结合的主要形式,也是今后教学系统的发展方向。信息技术的飞速发展以及新的教学系统开发模式的提出和不断完善,推动人们综合运用超媒体技术、网络基础和人工智能技术区开发新的教学系统,计算机智能教学系统就是其中的典型代表。计算机智能教学系统包含学生模块、教师模块,体现了教学系统开发的全部内容,拥有着不可比拟的优势和极大的吸引力。

2.在工程领域的应用

(1)医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用,具有极大的科研和应用价值,它可以帮助医生解决复杂的医学问题,作为医生诊断、治疗的辅助工具。事实上,早在1982年,美国匹兹堡大学的Miller就发表了著名的作为内科医生咨询的Internist2Ⅰ内科计算机辅助诊断系统的研究成果,由此,掀起了医学智能系统开发与应用的高潮。目前,医学智能系统已通过其在医学影像方面的重要作用,从而应用于内科、骨科等多个医学领域中,并在不断发展完善中。

(2)地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978年美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”,该系统用于勘探评价、区域资源估值和钻井井位选择等,是工业领域的首个人工智能专家系统,其发现了一个钼矿沉积,价值超过1亿美元。

3.在技术研究中的应用

(1)在超声无损检测(NDT)与无损评价(NDE)领域中,目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类;专家运用超声无损检测仪器,以其高精度的运算、控制和逻辑判断力代替大量人的体力与脑力劳动,减少了任务因素造成的无擦,提高了检测的可靠性,实现了超声检测和评价的自动化、智能化。

(2)人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展,网络技术的安全是我们关心的重点,因此我们必须在传统技术的基础上进行网络安全技术的改进和变更,大力发展数据挖掘技术、人工免疫技术等高效的AI技术,开发更高级AI通用和专用语言,和应用环境以及开发专用机器,而与人工智能技术则为我们提供了可能性。

三、人工智能的发展方向

1.专家系统是目前人工智能中最活跃、最有成效的一个研究领域,它是一种具有特定领域内大量知识与经验的程序系统。近年来,在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识,所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识,也应该能解决人类专家所解决的问题,而且能帮助人类专家发现推理过程中出现的差错,现在这一点已被证实。

2.智能信息检索技术的飞速发展。人工智能在网络信息检索中的应用,主要表现在:(1)如何利用计算机软硬件系统模仿、延伸与扩展人类智能的理论、方法和技术。(2)由于网络知识信息既包括规律性的知识,如一般原理概念,也包括大量的经验知识这些知识不可避免地带有模糊性、随机性、不可靠性等不确定性因素对其进行推理,需要利用人工智能的研究成果。公务员之家

3.SOAr是一种通用智能体系结构,其始终处在人工智能研究的前沿,已显示出强大的问题求解能力,它认为机器人的开发是人工智能应用的重要领域。在它的研究中突出4个概念:(1)所处的境遇机器人不涉及抽象的描述,而是处在直接影响系统的行为的境地。(2)具体化机器人有躯干,有直接来自周围世界的经验,他们的感官起作用后会有反馈。(3)智能的来源不仅仅是限于计算装置,也是由于与周围进行交互的动态决定。(4)浮现从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。目前,国内外不少学者都对机器人足球系统颇感兴趣,足球机器人涉及机器人学、人工智能以及人工生命、智能控制等多个领域。足球机器人系统本身既是一个典型的多智能体系统,是一个多机器人协作自治系统,同时又为它们的理论研究和模型测试提供一个标准的实验平台。

参考文献:

[1]元慧.议当代人工智能的应用领域和发展状况[J].福建电脑,2008.

[2]刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程,2003.

[3]焦加麟,徐良贤,戴克昌.人工智能在智能教学系统中的应用[J].计算机仿真,2003,(8).

[4]周明正.人工智能在医学专家系统中的应用[J].科技信息,2007.

[5]张海燕,刘镇清.人工智能及其在超声无损检测中的应用[J].无损检测,2001,(8).

[6]马秀荣,王化宇.简述人工智能技术在网络安全管理中的应用[J].呼伦贝尔学院学报,2005,(4).

人工智能论文范文篇2

关键词：神经网络控制模糊神经元控制自适应控制

一、引言

人工智能控制技术一直没能取代古典控制方法。但随着现代控制理论的发展，控制器设计的常规技术正逐渐被广泛使用的人工智能软件技术(人工神经网络、模糊控制、模糊神经网络、遗传算法等)所替代。这些方法的共同特点是：都需要不同数量和类型的必须的描述系统和特性的“apriori”知识。由于这些方法具有很多优势，因此工业界强烈希望开发、生产使用这些方法的系统，但又希望该系统实现简单、性能优异。

由于控制简单，直流传动在过去得到了广泛的使用。但由于它们众所周知的限制以及DSP技术的进步，直流传动正逐渐被高性能的交流传动所取代。但最近，许多厂商也推出了一些改进的直流驱动产品，但都没有使用人工智能技术。具信使用人工智能的直流传动技术能得到进一步的提高。

高性能的交流传动瞬态转矩的控制性能类似于他励直流电机的控制性能。现有两种高性能交流传动的控制方法：矢量控制(VC)和直接转矩控制(DTC)。矢量控制是德国的研究人员在二十多年前提出的，现在已经比较成熟，并已广泛应用，很多生产厂商都推出了他们的矢量控制交流传动产品，最近又大量推出了无速度传感器的矢量控制产品。尽管在高性能驱动产品中使用AI技术会极大地提高产品的性能，可是到目前为止只有两个厂家在他们的产品中使用了人工智能(AI)控制器；直接转矩控制是大约在十五年前由德国和日本的研究人员提出的，在过去十年中得到大量的研究，现在ABB公司已向市场推出了直接转矩控制的传动产品，使得人们对直接转矩控制的研究兴趣增加，将来在直接转矩控制中将会用到人工智能技术，并将完全地不需要常规的电机数学模型了。

英国CT公司(ControlTechniqueplc)推出了世界上第一台统一变频器(Unidrive)，其他一些公司也推出了相应的产品，现在这些产品都没有使用人工智能技术，“统一”的概念完全依靠软件实现，这就为软计算技术的实现提供了条件。具信在将来统一变频器将使用直接转矩控制以及各种形式的矢量控制，单一使用直接转矩控制技术的产品将遭到淘汰。本文也将讨论人工智能在统一变频器中运用的一些方面，同时也包括AI控制器在VC和DTC中的运用。

AI控制器能否工业运用的关键一点是：实现这些控制器的硬件和软件。大多数DSP控制的驱动器都有足够的计算能力实现人工智能的算法，并且都能得到大多数人工智能控制器软计算所需要的信号。通过运用适当的控制策略，就能大大地减少计算和硬件的负担，从而把注意力集中于提高驱动器的性能、鲁棒性和可靠性上面。

在将来，智能技术在电气传动技术中占相当重要的地位，特别是自适应模糊神经元控制器在性能传动产品中将得到广泛应用。但是，还有很多研究工作要做，现在还只有少数实际应用的例子（学术研究组实现少，工业运用的就更少了），大多数研究只给出了理论或仿真结果，因此，常规控制器在将来仍要使用相当长一段时间。

二、人工智能控制器的优势

文献中，不同的人工智能控制通常用完全不同的方法去讨论。但AI控制器例如：神经、模糊、模糊神经，以及遗传算法都可看成一类非线性函数近似器。这样的分类就能得到较好的总体理解，也有利于控制策略的统一开发。这些AI函数近似器比常规的函数估计器具有更多的优势，这些优势如下：

（1）它们的设计不需要控制对象的模型（在许多场合，很难得到实际控制对象的精确动态方程，实际控制对象的模型在控制器设计时往往有很多不确实性因素，例如：参数变化，非线性时，往往不知道）

（2）通过适当调整（根据响应时间、下降时间、鲁棒性能等）它们能提高性能。例如：模糊逻辑控制器的上升时间比最优PID控制器快1.5倍，下降时间快3.5倍，过冲更小。

（3）它们比古典控制器的调节容易。

（4）在没有必须专家知识时，通过响应数据也能设计它们。

（5）运用语言和响应信息可能设计它们。

（6）它们有相当好的一致性（当使用一些新的未知输入数据就能得到好的估计），与驱动器的特性无关。现在没有使用人工智能的控制算法对特定对象控制效果十分好，但对其他控制对象效果就不会一致性地好，因此对必须具体对象具体设计。

（7）它们对新数据或新信息具有很好的适应性。

（8）它们能解决常规方法不能解决的问题。

（9）它们具有很好的抗噪声干扰能力。

（10）它们的实现十分便宜，特别是使用最小配置时。

（11）它们很容易扩展和修改。

人工智能控制器可分为监督、非监督或增强学习型三种。常规的监督学习型神经网络控制器的拓朴结构和学习算法已经定型，这就给这种结构的控制器增加了限制，使得计算时间过长，常规非人工智能学习算法的应用效果不好。采用自适应神经网络和试探法就能克服这些困难，加快学习过程的收敛速度。常规模糊控制器的规则初值和模糊规则表是既定“a－priori”型，这就使得调整困难，当系统得不到“a－priori”（既定）信息时，整个系统就不能正常工作。而应用自适应AI控制器，例如使用自适应模糊神经控制器就能克服这些困难，并且用DSP比较容易实现这些控制器。

常规模糊逻辑控制器的设计经常使用尝试法。需要“a－priori”信息，如运用自适应智能控制器就不需要“a－priori”（a－priroi规则库和隶属函数）信息。值得注意的是，与常规非自适应智能控制器相反，它根据输入信号更新它的“参数”，换句话说，它对变化的输入信号具有适应性。自适应控制器分两类：间接和直接控制器，间接自适应人工智能控制器有一个实时辩识模型，用于控制器的设计，间接控制器在每个采样周期需要采样控制对象的输入和输出信号，辩识器和控制器有很多形式，而直接AI控制器用特性表来实现对控制对象的控制，这个特性表由两个连续采样周期间的误差的变化量构成，用来控制电流响应。

如用模糊逻辑控制器，最简单的应用可能是标量因子的运用。这种方法用现在的非自适应驱动器很容易实现，因而对工业界具有很大的吸引力。用改变隶属函数形状的方法可实现相似的效果。这种运用也可能通过改变规则来实现，如用直接AI控制器来实现，就是自适应控制器。它在每个采样瞬间先使用上一个采样周期采用的规则，如果得不到满意的特性，就用新的规则替代，从而得到满意的特性。

总而言之，当采用自适应模糊神经控制器，规则库和隶属函数在模糊化和反模糊化过程中能够自动地实时确定。有很多方法来实现这个过程，但主要的目标是使用系统技术实现稳定的解，并且找到最简单的拓朴结构配置，自学习迅速，收敛快速。

三、人工智能在电气传动控制中的运用

这一部分主要讨论人工智能在交直流传动中运用的进展。值得指出的是这是一个广阔的领域，在过去二年中，研究活动极快的增长，本文只是概括一下人工智能在电气传动中的运用这一领域的进展，不可能覆盖研究的每一个可能领域。AI控制器在直流传动中运用的大多数研究集中于模糊逻辑应用，在人工神经网络和其它智能控制的研究还很少。下面主要讨论模糊、神经元和模糊神经元和模糊神经元控制器在交直流传动中的应用。

(一)人工智能在直流传动中的运用

1.模糊逻辑控制应用

主要有两类模糊控制器，Mamdani和Sugeno型。到目前为止只有Mamdani模糊控制器用于调速控制系统中。限于篇幅本文不详细讨论其中的原因。值得注意的是这两种控制器都有规则库，它是一个if－then模糊规则集。但Sugeno控制器的典型规则是“如果X是A，并且y是B，那么Z=f(x,y)”。这里A和B是模糊集；Z=f(x,y)是x,y的函数，通常是输入变量x,y的多项式。当f是常数，就是零阶Sugeno模型，因此Sugeno是Mamdani控制器的特例。

Mamdani控制器由下面四个主要部分组成：

（1）模糊化实现输入变量的测量、量化和模糊化。隶属函数有多种形式。

（2）知识库由数据库和语言控制规则库组成。开发规则库的主要方法是：把专家的知识和经历用于应用和控制目标；建模操作器的控制行动；建模过程；使用自适应模糊控制器和人工神经网络推理机制。

（3）推理机是模糊控制器的核心，能模仿人的决策和推理模糊控制行为。

（4）反模糊化实现量化和反模糊化。有很多反模糊化技术，例如，最大化反模糊化，中间平均技术等。

下面的表1由64个语言规则组成，是用于电气传动控制系统的一种可能规则表这个规则表相当大，实际应用中往往进行简化。在各种出版物中，介绍了许多被模糊化的控制器，但这应与“充分模糊”控制器完全区分开来，“充分模糊”控制器才是完全意义上的模糊控制器，被模糊化的控制器易于实现，往往通过改造现有古典控制器得以实现，如被模糊化的PI控制器（FPIC）使用模糊逻辑改变控制器的比例、积分参数，从而使系统的性能得到提高（17），控制器参数的微小变化可能导致特性的极大提高，被模糊化的控制器参数调整方法如下：P（ti）=P（ti－1）＋kP＊CP，I（ti）=I（ti－1）＊CI。但如应用“充分”模糊逻辑控制器，系统响应远远优于FPIC和最优古典PI控制器，用于最优化常规控制器的计算时间比模糊化控制器所需的时间多得多。因此，使用最小配置的FPIC控制器是可能的选择之一，事实上，这也是用现有驱动装置实现的最简单方法。

在许多电气传动文献中，介绍了用模糊逻辑控制器替代古典PI控制器（主要是速度调节器）改进系统响应的方法。可是，文献（18）详细探讨了模糊逻辑控制器用于三环直流电机控制系统中所有环节（速度、电流和励磁）的设计和调整的方法。作者也介绍了PI和PD控制器，文献（9）介绍了最小配置模糊控制用于直流传动中的可能性以及组合模糊控制器用于直流传动中得到满意响应的可能性。下节讨论模糊神经控制的直流传动装置时，我们将讨论这种速度和电枢电流调节器组合成单一控制器的情况。

2.ANNS的应用

过去二十年，人工神经网络（ANNS）在模式识别和信号处理中得到广泛运用。由于ANNS有一致性的非线性函数估计器，因此它也可有效的运用于电气了传动控制领域，它们的优势是不需要被控系统的数学模型，一致性很好，对噪音不敏感。另外，由于ANNS的并行结构，它很适合多传感器输入运用，比如在条件监控、诊断系统中能增强决策的可靠性，当然，最近电气传动朝着最小化传感器数量方向发展，但有时，多传感器可以减少系统对特殊传感器缺陷的敏感性，不需要过高的精度，也不需要复杂的信号处理。

误差反向传播技术是多层前聩ANN最常用的学习技术。如果网络有足够多的隐藏层和隐藏结点以及适宜的激励函数，多层ANN只能实现需要的映射，没有直接的技术选择最优隐藏层、结点数和激励函数，通常用尝试法解决这个问题，反向传播训练算法是基本的最快下降法，输出结点的误差反馈回网络，用于权重调整，搜索最优。输出结点的权重调整迭代不同于隐藏结点的权重调整迭代。通过使用反向传播技术，能得到需要的非线性函数近似值，该算法包括有学习速率参数，对网络的特性有很大影响。

反向传播算法是多层前聩ANN最广泛使用的学习技术之一。但有时网络的收敛速度很慢，改进算法的开发是一个重要研究领域。英国Aberdeen大学在这方面取得过令人鼓舞的成绩，他们把常规的反向传播算法和其它AI技术结合起来，使得网络快速收敛，鲁棒性更好。他们还研究过基于AI技术的最优拓扑结构网络，但没有现成理论用于最优配置，Kolgomorov理论和其他理论也不适用，在神经网络的训练剧中使用遗传算法可能会提高收敛速度，遗传算法是一种基于自然进化和遗传机理的统计搜索方法，它模仿自然界个体适者生存不适者淘汰的原理解决问题，每一代由染色体代表的(一套特征串类似于DNA中的染色体)许多个体组成，每个个体代表搜索空间的一个点和一个可能的解。值得注意的是在神经模糊实现中，有时必须使用不同形式的反向传播技术，而不是已知的标准形式。反向传播技术是在线(Supervised)学习技术，需要充分的输入－－输出数据对，虽然这种限制也可以用另外的方法加以克服，但该方法是离线的。

日本和德国的研究人员试图把ANNS用于控制电力变换器，但到目前为止没有获得满意的结果，这也是一个很有趣的领域。主要的有待解决的障碍是学习阶段时间花费过长，总而言之，问题的关键是要给变换器的控制器找到一个满意的非线性函数近似器、得到期望的非线性输入－－输出映射。常规技术就能实现简单的映射，而神经网络能实现更复杂的映射，并且由于它的并行结构这种映射相当快。

只有很少的论文讨论神经网络在直流电机控制中的应用。文献(21)介绍了两个多层前馈人工神经网络在直流电机速度控制环中的应用。这是一种典型配置。辩识ANN用于训练第二个ANN(神经控制器，即过程控制器)，因此过程输出跟随给定信号。学习过程用的是反向传播算法。该方法分为二步：第一步ANN被训练用来代表控制对象的响应。这需要用到表示控制对象输出和控制输入关系的微分方程。第二步把ANN用于控制对象模型的辩识方案中。在这步中，把ANN与控制对象并行连接，每次迭代时，给ANN提供给定信号作为ANN输入信号。辩识意味着调整权重，使ANN输出信号(即网络输出)和控制对象输出信号(即正输出)的误差最小。在辩识阶段，全局误差(即方差之和)以固定时间间隔被计算并与希望的最小值比较。第二个ANN是神经控制器被用于训练以给出需要的控制对象响应。为了训练这个网络，在每次采样输出时，必须知道误差(Ec)但仅仅只知道控制对象输出和希望输出(由给定输入决定)的最后误差，辩识方案中的第一个ANN可将最后误差Ec反向传播，用来训练控制器ANN。在误差最小化过程中，全局误差能被最小化到希望的值。经过训练辩识ANNS和控制ANNS，就可以在实时系统中运用被“调整”的神经自适应控制方案。文献(21)介绍了采用ANN自适应速度控制方案的直流传动系统的良好特性以及抗干扰性能。这也证明辩识ANN学习到了直流电机、变换器和负载的、未知时不变非线性操作特性。但值得指出的是，用于神经元控制器的训练时间有时相当长，但这个困难可以用上面提到的高级技术、避免使用常规的反向传播算法的方法中以克服。

文献(22)和(23)介绍了直流传动系统的ANN控制，给出了理论和实验结果。文献(9)讨论了直流传动的模糊神经速度控制器。这是文献中记载的第一次用单神经控制器成功替代双环直流传动系统的常规速度和电流PI调节器的例子。相对地上面讨论过的直流传动系统，该系统运用了更多的智能技术，系统得到了进一步的简化。有趣的是相对于古典多环PI调节器的实现，这里的电枢电流控制主要起限制电枢电流的作用，并且是通过单个速度、电流组合的模糊神经控制器“自动”加以实现。

(二)人工智能在交流传动中的应用

1.模糊逻辑的应用

在大多数讨论模糊逻辑在交流传动中运用的文章中，都介绍的是用模糊控制器取代常规的速度调节器，可英国Aberdeen大学开发的全数字高性能传动系统中有多个模糊控制器(4)，这些模糊控制器不仅用来取代常规的PI或PID控制器，同时也用于其他任务。该大学还把模糊神经控制器用于各种全数字高动态性能传动系统开发中。也有一些优秀的文章论述运用模糊逻辑控制感应电机的磁通和力矩。讨论这种技术的第一篇文章发表于1992年(24)。该文中讨论了两种控制策略，如用第一种策略，规则表有36条规则，模糊控制器的输入是磁通和转矩误差，根据转矩和磁通误差，改变磁通矢量的辐值和旋转方向，反模糊化技术用到的是中心梯度法，第一种策略没有考虑最优电压矢量选择的梯度。而第二种策略考虑了，这种方案被成功地实现了。

Galvan的两篇文章(25)、(26)讨论了用模糊化速度控制器实现感应电机的矢量控制的方法。并给出了仿真结果。(也见3.1.1节讨论的模糊化控制器)。矢量控制器也是一种间接控制类型，并且很好的特性。文献(27)提出了一种模糊逻辑速度控制器。它的输入标定因子是变化的。实验结果也验证了所提方案的有效性。文献(28)给出了矢量控制器感应电机驱动系统的仿真结果。该系统中模糊速度控制器与常规的PI速度控制器和CRPWM塑变器一起使用，它往往用来补偿可能的惯性和负载转矩的扰动。常规PI控制器用来稳定系统的稳态速度响应。矢量控制器使用转子磁通观测器观测(UI观测器，iw观测器(1)(4))，模糊逻辑用于转子电阻的估计。

到目前为止，只有两种运用人工智能技术的工业产品，其一是下节介绍的安川矢量变频器，另一个是日立矢量变频器，日立公司最近开发了J300系列IGBT矢量变频器，功率范围是5.5KW－－55KW。它的主要特点是使用无传感器矢量控制算法和强大的自调整功能。无传感器磁通矢量控制方案采样两相定子电流，在初始自整定阶段，电机和负载的惯性以及其他参数例如定子电感，定子和转子电阻、励磁电感等参数被计算。日立公司宣称这是世界上第一台使用模糊控制的变频器。它考虑了电机和系统的特性，转矩计算软件在整个频率范围保证了转矩的精确控制。变频器的主要性能指标如下：1Hz时150％或更高的启动转矩；在3∶1的速度范围(20到60HZ/16到50HZ)电机不用降低功率使用；速度调节比率小于。

J300系列变频器由于使用了高速微处理器和内置DSP，因此具有很的响应速度，转矩响应速度大约可达到0.1秒。它使用模糊逻辑控制电机电流和加减速斜率。它能根据电机负载和制动需要计算加减速的最优时间，因此不需要尝试法进行调整。模糊逻辑加减速度函数根据模糊规则设定加减速度比例因子和速度，而模糊规则则用当前值与过载限幅(或其它限幅)值的差值以及电机电流和电压的梯度作为输入变量。梯度和差值构成四个隶属函数，两个隶属函数是三角函数，另二个是半梯形。当用常规的简单电流限幅控制，变频器的斜率是步进型的，经常引起变频器跳闸。特别是在减速时。当用模糊逻辑控制时，斜率十分平滑，变频器假跳闸的现象也消除了。变频器在风机和泵类的运用最能体现模糊逻辑控制的优势。在这些应用中，不需要恒定的加减速时间或精确的位置控制。在这些应用中，不需要恒定的加减速时间或精确的位置控制。需要的是与负载条件有关的加减速度的最优化。模糊控制能实现加减速度的最优控制。

AI控制器也能提高直接转矩控制系统的性能，这也是值得深入研究的一个宽广领域。英国Aberdeen大学的研究人员开发了基于人工智能的开关矢量选择器以及速度、转矩、磁通观测器等，初步结果令人鼓舞(9)。可以预见不久的将业，将会得到更好的结果，将会出现更多的工业应用产品(47)(48)。

2.神经网络的应用

非常少的文章讨论神经网络用于交流电机的控制，大量文章讨论神经网络在交流电机和驱动系统的条件监测和诊断中的运用。文献(33)介绍了使用常规反向转波算法的ANN用于步进电机控制算法的最优化。该方案使用实验数据，根据负载转矩和初始速度来确定最大可观测速度增量。这就需要ANN学习三维图形映射。该系统与常规控制算法(梯形控制法)相比具有更好的性能，并且大大减少了定位时间，对负载转矩的大范围变化和非初始速度也有满意的控制效果。文献(34)用两个ANNS控制和辩识感应电机，但只给出了仿真研究。这是第一篇讨论神经网络在感应电机控制中的应用，这个方案与3.1节中讨论的直流驱动方案类似，ANNS的结构是多层前馈型，运用常规反向传播学习算法。该系统由两个子系统构成，一个系统通过电气动态参数的辩识自适应控制定子电流，另一个系统通过对机电系统参数的辩识自适应控制转子速度。该文讨论了这些控制方案与常规方案的各种优点。

文献(35)讨论了基于人工神经网络的电气机械系统，文献(36)介绍了运用直接控制ANN观测电压源PWM供电的感应电机矢量控制系统中的磁通的方法。这种基于ANN的磁通观测器的主要优点是对谐波具有免疫性。ANN是使用反向传播学习算法的多层前馈类型。ANN观测的磁通具有振荡性，因而引起转矩振荡。如果用别的方法，可能得到更好的结果。

最后值得指出的是现在发表的大多数有关ANN对各种电机参数估计的论文，一个共同的特点是，它们都是用多层前馈ANNS，用常规反向传播算法，只是学习算法的模型不同或被估计的参数不同。

人工智能论文范文篇3

关键词：人工智能计算机技术

一、人工智能的定义

“人工智能”(ArtificialIntelligence)一词最初是在1956年Dartmouth学会上提出的。人工智能是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机，人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。

人工智能理论进入21世纪，正酝酿着新的突破，人工智能的研究成果将能够创造出更多更高级的智能“制品”，并使之在越来越多的领域超越人类智能，人工智能将为发展国民经济和改善人类生活做出更大贡献。

二、人工智能的应用领域

1.在管理系统中的应用

(1)人工智能应用于企业管理的意义主要不在于提高效率，而是用计算机实现人们非常需要做，但工业工程信息技术是靠人工却做不了或是很难做到的事情。在《谈谈人工智能在企业管理中的应用》一文中刘玉然指出把人工智能应用于企业管理中，以数据管理和处理为中心，围绕企业的核心业务和主导流程建立若干个主题数据库，而所有的应用系统应该围绕主题数据库来建立和运行。换句话说，就是将企业各部门的数据进行统一集成管理，搭建人工智能的应用平台，使之成为企业管理与决策中的关键因子。

(2)智能教学系统(ITS)是人工智能与教育结合的主要形式，也是今后教学系统的发展方向。信息技术的飞速发展以及新的教学系统开发模式的提出和不断完善，推动人们综合运用超媒体技术、网络基础和人工智能技术区开发新的教学系统，计算机智能教学系统就是其中的典型代表。计算机智能教学系统包含学生模块、教师模块，体现了教学系统开发的全部内容，拥有着不可比拟的优势和极大的吸引力。

2.在工程领域的应用

(1)医学专家系统是人工智能和专家系统理论和技术在医学领域的重要应用，具有极大的科研和应用价值，它可以帮助医生解决复杂的医学问题，作为医生诊断、治疗的辅助工具。事实上，早在1982年，美国匹兹堡大学的Miller就发表了著名的作为内科医生咨询的Internist2Ⅰ内科计算机辅助诊断系统的研究成果，由此，掀起了医学智能系统开发与应用的高潮。目前，医学智能系统已通过其在医学影像方面的重要作用，从而应用于内科、骨科等多个医学领域中，并在不断发展完善中。

(2)地质勘探、石油化工等领域是人工智能的主要作用发挥领地。1978年美国斯坦福国际研究所就研发制成矿藏勘探和评价专家系统“PROSPECTOR”，该系统用于勘探评价、区域资源估值和钻井井位选择等，是工业领域的首个人工智能专家系统，其发现了一个钼矿沉积，价值超过1亿美元。

3.在技术研究中的应用

(1)在超声无损检测(NDT)与无损评价(NDE)领域中，目前主要广泛采用专家系统方法对超声损伤(UT)中缺陷的性质、形状和大小进行判断和归类；专家运用超声无损检测仪器，以其高精度的运算、控制和逻辑判断力代替大量人的体力与脑力劳动，减少了任务因素造成的无擦，提高了检测的可靠性，实现了超声检测和评价的自动化、智能化。

(2)人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展，网络技术的安全是我们关心的重点，因此我们必须在传统技术的基础上进行网络安全技术的改进和变更，大力发展数据挖掘技术、人工免疫技术等高效的AI技术，开发更高级AI通用和专用语言，和应用环境以及开发专用机器，而与人工智能技术则为我们提供了可能性。

三、人工智能的发展方向

1.专家系统是目前人工智能中最活跃、最有成效的一个研究领域，它是一种具有特定领域内大量知识与经验的程序系统。近年来，在“专家系统”或“知识工程”的研究中已出现了成功和有效应用人工智能技术的趋势。人类专家由于具有丰富的知识，所以才能达到优异的解决问题的能力。那么计算机程序如果能体现和应用这些知识，也应该能解决人类专家所解决的问题，而且能帮助人类专家发现推理过程中出现的差错，现在这一点已被证实。公务员之家

2.智能信息检索技术的飞速发展。人工智能在网络信息检索中的应用，主要表现在:(1)如何利用计算机软硬件系统模仿、延伸与扩展人类智能的理论、方法和技术。(2)由于网络知识信息既包括规律性的知识，如一般原理概念，也包括大量的经验知识这些知识不可避免地带有模糊性、随机性、不可靠性等不确定性因素对其进行推理，需要利用人工智能的研究成果。

3.SOAr是一种通用智能体系结构，其始终处在人工智能研究的前沿，已显示出强大的问题求解能力，它认为机器人的开发是人工智能应用的重要领域。在它的研究中突出4个概念:(1)所处的境遇机器人不涉及抽象的描述，而是处在直接影响系统的行为的境地。(2)具体化机器人有躯干，有直接来自周围世界的经验，他们的感官起作用后会有反馈。(3)智能的来源不仅仅是限于计算装置，也是由于与周围进行交互的动态决定。(4)浮现从系统与周围世界的交互以及有时候系统的部件间的交互浮现出智能。目前，国内外不少学者都对机器人足球系统颇感兴趣，足球机器人涉及机器人学、人工智能以及人工生命、智能控制等多个领域。足球机器人系统本身既是一个典型的多智能体系统，是一个多机器人协作自治系统，同时又为它们的理论研究和模型测试提供一个标准的实验平台。

参考文献：

[1]元慧.议当代人工智能的应用领域和发展状况[J].福建电脑，2008.

[2]刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程，2003.

[3]焦加麟，徐良贤，戴克昌.人工智能在智能教学系统中的应用[J].计算机仿真，2003，(8).

[4]周明正.人工智能在医学专家系统中的应用[J].科技信息，2007.

[5]张海燕，刘镇清.人工智能及其在超声无损检测中的应用[J].无损检测，2001，(8).

[6]马秀荣，王化宇.简述人工智能技术在网络安全管理中的应用[J].呼伦贝尔学院学报，2005，(4).

人工智能论文范文篇4

关键词：人工智能；高等学校；教学改革

随着“智能+”时代的到来，人工智能正逐步深入影响社会各阶层的改革和运作。要坚持把教育摆在优先发展，高等教育作为培养高质量人力资本的主要方式，更应该高度重视。EDUCAUSE四月的《地平线报告（2019高等教育版）》，预测了2019-2023年间可能影响全球高等教育技术应用的六大趋势、六大挑战和六项技术发展,随着人工智能技术和大数据的发展，未来高等教育技术发展将影响高等教育机构的运作、推动课程建设改革和分解、学习空间和混合学习设计等方面，高等教育将戛来越重视学习效果和学习体现。[1]根据“教育信息化‘十三五’规划”,到2020年要基本建成“人人皆学、处处能学、时时可学”的教育信息化体系。那么，高等学校该如何应用新的智能技术，以更好地提高高等学校办学质量，提升办学效率，节省教育成本，是高等学校管理者急需思考和解决的问题。

一、人工智能发展现状

人工智能是基于计算机的研究，用来研究开发并模拟、延伸人的思维过程和智能行为的多学科的新兴应用科学，涉及计算机科学、心理学、哲学和语言学等学科，主要利用计算机能实现社会发展中更高层次的应用。[2]人工智能从1956年诞生发展到现在，经过了起步发展期、反思发展、应用发展、低迷发展、稳步发展和蓬勃发展六个时期60多年的发展。从经典控制论发展到专家智能控制理论和模糊逻辑控制论等若干分支理论。[3]人工智能研究范围已远远超出了计算机科学的范畴，从简单的单项功能应用到多功能复合应用，正深度与社会生产各方面融合。如今，人工智能已经成为各国核心竞争力的重要组成部分。人工智能作为新一轮技术革命的重要支撑未来将更深入地应用到各种社会需求当中。美国《国家人工智能研发战略规划》提出人工智能在教育方面的影响：1.在教学方法环节和教学设计方面：应用人工智能技术，提升教学质量和学习者体验水平。2.改变人才培养目标和管理模式：提倡在各阶段教育（包括基础教育、高等教育及继续教育）以培养具备软硬技能的人才为目标，同时在教学管理运用人工智能技术提高效率。自2008年经济危机后，美国不断削减教育经费，一些院校开始尝试借助人工智能技术来解决经费不足及与学生沟通等方面的问题，比如海洋郡学院借助善于交谈的人工智能聊天机器人缓解了入学率连续下降的问题。由此可见人工智能正在影响着美国教育的发展，也将影响世界教育的发展，也将对我国高等教育发展产生深远影响。

二、我国高等教育发展现状

根据美国教育社会学家马丁•特罗的高等教育发展理论来划分高等教育：毛入学率在15%以下为精英化教育；毛入学率在15%至50%之间为大众型教育；毛入学大于或等于50%则为普及化教育。我国高等教育经过两次扩招之后，毛入学率到2018年已达到48.1%，普通本专科招生人数已增至790.99万人，可见我国高等教育即将迈入普及化时代。从2009—2017年我国高等教育层次招生数据来看，高等教育结构也已发生了改变，本科、研究生及网络教育本专科招生人数呈现逐年增加趋势，其中网络教育本专科人数增幅最明显。而根据教育部“教育信息化‘十三五’规划”到2020要建成“人人皆学、处处能学、时时可学”的目标，网络教育层次学生人数还将进一步增加。其他层次教育的教育形式也将跟随时代的要求，日益重视教育技术在日常教学环节和管理方面的应用。由此，未来人工智能在高等教育技术方面的发展空间很大，将对我国高等教育事业发展带来深远变化。

三、人工智能影响高等教育的发展

（一）高校管理模式和教育理念的改变。我国高校教育成本历来居高位，经费不足大大限制了高校在教学和科研方面的投入和发展，进而影响了高等教育的发展。著名经济学家舒尔茨认为教育成本与教育经费是两个不同的概念，教育经费不仅包括教育经费，指可以进行统计的资本成本和物质成本，还包括学生因上学而放弃的其他可能带来收入的机会成本。从这一角度来看，受教育者选择在校接受高等教育所付出的教育成本要大于实际支出的学费及其他费用。随着人工智能技术与社会生产的融合发展，高等学校管理者应该转变教育理念，不仅要利用人工智能技术提升自身管理效率，同时也要注重受教育者的学习体验。1.提升自身管理效率方面：学生日常及学籍管理、教学管理、科研管理及财务管理等多个方面，都可以运用人工智能技术和互联网技术将这些事务性的管理工作智能化,降低人员开支，减少繁琐的手续,提高办事效率。同时,通过智能技术还可以对管理方法进行智能决策,提高高校实验室、图书馆等资源的利用率。2.提升学习者体验方面：以人为本，重视人工智能学科的发展，推进高等教育国际化和终身化；推进高等教育与社会发展的深度融合；推动教学模式的变革，通过面向学习者打破学科界限提供个性化、多样化的多维学习空间来提升高等教育质量；注重为毕业生提升在就业市场上的比较优势，鼓励产学研融合为学生者带来不于传统教育的学习体验；重视网络高等教育的发展，让受教育者更好地平衡工作、家庭与学习间的关系,为学习者带来更优质地学习体验。（二）教学内容和教学方法的变革。首先高校在教学内容方面的改革。根据需要和实力建立人工智能专业或人工智能的学科体系，将人工智能素养纳入通识教育体系，建立“人工智能+X”复合人才培养方案；将培养学生共同利益观、可持续发展观和全球治理观的课程作为必修课，注重学生全球意识的培养；大力建设在线课程模块化，注重提升学生的知识技能。其次高校在教学方法方面的改革。高校的教学活动将以学习获得为中心，学习者的学习方式转变为以个体学习为主，而非传统的集体学习。通过课程分解将课程教学细化为课前准备、课中教学与课后巩固三个不同阶段,利用强大的智能技术平台,改变传统单一化教学方法，借助AI技术和人机友好交互手段,冲破学习时间和空间的限制,使高校教师和学习者能够进行互动交流。同时人工智能技术还可以结合课程教学中的知识点为学生提供最全面的测试,并能够为高校教师提供学习报告，以便更好地开展个性化指导,真正做到因材施教。对于高校教师如何使用更复杂的混合方法已成为发展趋势，在教学内容和教学方法上，高校教师利用人工智能技术不断创新，提升教学效果。

四、总结

随着经济社会的不断发展，科技将成为越来越重要的生产力，尤其是人工智能技术对社会发展的影响也日益突显。高校应该积极探索并加快人工智能专业人才培养，同时应该结合时代要求，以学习者为中心，建立教师、人工智能机器人和互联网、移动设备的生态系统,进一步提升我国高等教育质量，推动我国高等教育的全球化发展。

【参考文献】

[1]兰国帅,郭倩,吕彩杰,等.“智能+”时代智能技术构筑智能教育——《地平线报告(2019高等教育版)》要点与思考[J].开放教育研究,2019,25(3):22-35.

[2]黄秦辉.北京师范大学国际与比较教育研究院,人工智能时代的教育挑战及应对[N].中国教师报,2019-06-19(003).

人工智能论文范文篇5

一、问题的提出

随着计算机技术与网络技术的普及和发展，数字图书馆在我国高校、政府以及科研机构都得到了有效发展。数字图书馆来源于图书馆馆藏的数字化从而充分地高效地利用图书馆信息资源。现有的图书馆资料主要是书籍、杂志、报刊、技术报告等。人们希望利用因特网把所有的数字化的资源站点连接起来，这样要管理的信息除了图书馆中的文本信息外，还希望管理博物馆、展览馆、档案馆、学术组织以及其它Web站点上千差万别的信息。

面对浩瀚无边的数字化信息使得数字图书馆关键核心技术之一的文本分类成为一个日益重要的研究领域。文本分类技术是人工智能和信息获取技术的结合，是基于内容的自动信息管理的核心技术。

二、文本分类技术的基本原理

数字图书馆是一个巨大的知识宝库。数字图书馆的服务重点是以人为主，而不是以馆以书为主。数字图书馆的特点使得其服务要深入到知识的层次，通过对信息内容的组织和加工的自动化，把资源组织成一个知识系统。文本的自动分类是为提高信息内容服务的质量而产生的文本处理技术。它们的出现使得信息内容服务出现了新的局面。

文本分类是指根据文本的内容或属性，将大量的文本归到一个或多个类别的过程。文本分类算法是有监督学习的算法，它需要有一个己经手工分好类的训练文档集，文档的类别已标识，在这个训练集上构造分类器，然后对新的文档分类。如果训练集的类别未标识，就是无监督的学习算法，无监督学习算法从数据集中找出存在的类别或者聚集。

从数学角度来看文本分类是个映射程，它将未标明类别的文本映射到已有的类别中，用数学公式表示如下：

f：A→B其中，A为待分类的文本集合，B为分类体系中的类别集合

文本分类的映射规则是系统根据已经掌握的每类若干样本的数据信息，总结出分类的规律性而建立的判别公式和判别规则。然后在遇到新文本时，根据总结出的判别规则，确定文本相关的类别。但是由于大量的文本信息是一维的线性字符流，因此文本自动分类首先要解决的问题就是文本信息的结构化。在模式识别领域里，把文本信息的结构化称为"特征提取"。在文本信息内容处理领域，这项工作被称为文本的"向量空间表示"。其基本流程如图1所示：

系统使用训练样本进行特征选择和分类器训练。系统根据选择的特征将待分类的输入样本形式化，然后输入到分类器进行类别判定，得到输入样本所属的类别。

三、文本分类技术在数字图书馆中的应用分析

为了提高数字图书馆中分类准确率，加快系统运行速度，需要对文本特征进行选择和提取。两者的差别在于，特征选择的结果是初始特征项集合的子集，而特征提取的结果不一定是初始特征项集合的子集(例如初始特征项集合是汉字，而结果可能是汉字组成的字符串)。特征选择、提取和赋权方法对分类结果都有明显影响。

（一）文本特征项

文本的特征项应该具有以下特点:特征项是能够对文本进行充分表示的语言单位;文本在特征项空间中的分布具有较为明显的统计规律;文本映射到特征项空间的计算复杂度不太大。对于计算机来说，文本就是由最基本的语言符号组成的字符串。西文文本是由字母和标点符号组成的字符串，中文文本就是由汉字和标点符号组成的字符串。

概念也可以作为特征项，"计算机"和"电脑"具有同义关系，在计算文档的相似度之前，应该将两个词映射到同一个概念类，可以增加匹配的准确率。但是概念的判断和处理相对复杂，自然语言中存在同义关系(如老鼠、耗子)、近义关系(如忧郁、忧愁)、从属关系(如房屋、房顶)和关联关系(如老师、学生)等各种关系。如何很好地划分概念特征项，确定概念类，以及概念类的数量都是需要反复尝试和改进的问题。

（二）特征项选择

不同的特征项对于文档的重要性和区分度是不同的，通常高频特征项在多个类中出现，并且分布较为均匀，因此区分度较小;而低频特征项由于对文档向量的贡献较小，因此重要性较低。

文档频次就是文档集合中出现某个特征项的文档数目在特征项选择中计算每个特征项在训练集合中出现的频次，根据预先设定的闽值去除那些文档频次特别低和特别高的特征项。

信息增益方法是机器学习的常用方法，在分类问题中用于度量特征项在某种分类下表示信息量多少，通过计算信息增益得到那些在正例样本中出现频率高而在反例样本中出现频率低的特征项，以及那些在反例样本中出现频率高而在正例样本中出现频率低的特征项。

（三）特征值的提取

在文本分类中，我们称用来表示文档内容的基本单元为特征，特征可以是词、短语。目前，大多数有关文本分类的文献基本上采用词的集合来表示文档的内容。采用短语来表示文档存在两个缺点:第一短语的提取较困难，特别是准确的提取，需要较多的自然语言处理技术，而这些技术还不够成熟;第二采用词组表示文档在信息检索和文本分类中的效果并不比基于词的效果好，有时反而更差。

人工智能论文范文篇6

【关键词】法理学/法律推理/人工智能

【正文】

一、人工智能法律系统的历史

计算机先驱思想家莱布尼兹曾这样不无浪漫地谈到推理与计算的关系：“我们要造成这样一个结果，使所有推理的错误都只成为计算的错误，这样，当争论发生的时候，两个哲学家同两个计算家一样，用不着辩论，只要把笔拿在手里，并且在算盘面前坐下，两个人面对面地说：让我们来计算一下吧！”（注：转引自肖尔兹著：《简明逻辑史》，张家龙译，商务印书馆1977年版，第54页。）

如果连抽象的哲学推理都能转变为计算问题来解决，法律推理的定量化也许还要相对简单一些。尽管理论上的可能性与技术可行性之间依然存在着巨大的鸿沟，但是，人工智能技术的发展速度确实令人惊叹。从诞生至今的短短45年内，人工智能从一般问题的研究向特殊领域不断深入。1956年纽厄尔和西蒙教授的“逻辑理论家”程序，证明了罗素《数学原理》第二章52个定理中的38个定理。塞缪尔的课题组利用对策论和启发式探索技术开发的具有自学习能力的跳棋程序，在1959年击败了其设计者，1962年击败了州跳棋冠军，1997年超级计算机“深蓝”使世界头号国际象棋大师卡斯帕罗夫俯首称臣。

20世纪60年代，人工智能研究的主要课题是博弈、难题求解和智能机器人；70年代开始研究自然语言理解和专家系统。1971年费根鲍姆教授等人研制出“化学家系统”之后，“计算机数学家”、“计算机医生”等系统相继诞生。在其他领域专家系统研究取得突出成就的鼓舞下，一些律师提出了研制“法律诊断”系统和律师系统的可能性。（注：SimonChalton,LegalDiagnostics,ComputersandLaw,No.25,August1980.pp.13-15.BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.p.2.）

1970年Buchanan&Headrick发表了《关于人工智能和法律推理若干问题的考察》，一文，拉开了对法律推理进行人工智能研究的序幕。文章认为，理解、模拟法律论证或法律推理，需要在许多知识领域进行艰难的研究。首先要了解如何描述案件、规则和论证等几种知识类型，即如何描述法律知识，其中处理开放结构的法律概念是主要难题。其次，要了解如何运用各种知识进行推理，包括分别运用规则、判例和假设的推理，以及混合运用规则和判例的推理。再次，要了解审判实践中法律推理运用的实际过程，如审判程序的运行，规则的适用，事实的辩论等等。最后，如何将它们最终运用于编制能执行法律推理和辩论任务的计算机程序，区别和分析不同的案件，预测并规避对手的辩护策略，建立巧妙的假设等等。（注：Buchanan&Headrick,SomeSpeculationAboutArtificialIntelligenceandLegalReasoning,23StanfordLawReview(1970).pp.40-62.）法律推理的人工智能研究在这一时期主要沿着两条途径前进：一是基于规则模拟归纳推理，70年代初由WalterG.Popp和BernhardSchlink开发了JUDITH律师推理系统。二是模拟法律分析，寻求在模型与以前贮存的基础数据之间建立实际联系，并仅依这种关联的相似性而得出结论。JeffreyMeld-man1977年开发了计算机辅助法律分析系统，它以律师推理为模拟对象，试图识别与案件事实模型相似的其他案件。考虑到律师分析案件既用归纳推理又用演绎推理，程序对两者都给予了必要的关注，并且包括了各种水平的分析推理方法。

专家系统在法律中的第一次实际应用，是D.沃特曼和M.皮特森1981年开发的法律判决辅助系统(LDS)。研究者探索将其当作法律适用的实践工具，对美国民法制度的某个方面进行检测，运用严格责任、相对疏忽和损害赔偿等模型，计算出责任案件的赔偿价值，并论证了如何模拟法律专家意见的方法论问题。（注：''''ModelsofLegalDecisionmakingReport'''',R-2717-ICJ(1981).）

我国法律专家系统的研制于20世纪80年代中期起步。（注：钱学森教授：《论法治系统工程的任务与方法》（《科技管理研究》1981年第4期）、《社会主义和法治学与现代科学技术》（《法制建设》1984年第3期）、《现代科学技术与法和法制建设》（《政法论坛》）1985年第3期）等文章，为我国法律专家系统的研发起了思想解放和理论奠基作用。）1986年由朱华荣、肖开权主持的《量刑综合平衡与电脑辅助量刑专家系统研究》被确定为国家社科“七五”研究课题，它在建立盗窃罪量刑数学模型方面取得了成果。在法律数据库开发方面，1993年中山大学学生胡钊、周宗毅、汪宏杰等人合作研制了《LOA律师办公自动化系统》。（注：杨建广、骆梅芬编著：《法治系统工程》，中山大学出版社1996年版，第344-349页。）1993年武汉大学法学院赵廷光教授主持开发了《实用刑法专家系统》。（注：赵廷光等著：《实用刑法专家系统用户手册》，北京新概念软件研究所1993年版。）它由咨询检索系统、辅助定性系统和辅助量刑系统组成，具有检索刑法知识和对刑事个案进行推理判断的功能。

专家系统与以往的“通用难题求解”相比具有以下特点：(1)它要解决复杂的实际问题，而不是规则简单的游戏或数学定理证明问题；(2)它面向更加专门的应用领域，而不是单纯的原理性探索；(3)它主要根据具体的问题域，选择合理的方法来表达和运用特殊的知识，而不强调与问题的特殊性无关的普适性推理和搜索策略。

法律专家系统在法规和判例的辅助检索方面确实发挥了重要作用，解放了律师一部分脑力劳动。但绝大多数专家系统目前只能做法律数据的检索工作，缺乏应有的推理功能。20世纪90年代以后，人工智能法律系统进入了以知识工程为主要技术手段的开发时期。知识工程是指以知识为处理对象，以能在计算机上表达和运用知识的技术为主要手段，研究知识型系统的设计、构造和维护的一门更加高级的人工智能技术。（注：《中国大百科全书·自动控制与系统工程》，中国大百科全书出版社1991年版，第579页。）知识工程概念的提出，改变了以往人们认为几个推理定律再加上强大的计算机就会产生专家功能的信念。以知识工程为技术手段的法律系统研制，如果能在法律知识的获得、表达和应用等方面获得突破，将会使人工智能法律系统的研制产生一个质的飞跃。

人工智能法律系统的发展源于两种动力。其一是法律实践自身的要求。随着社会生活和法律关系的复杂化，法律实践需要新的思维工具，否则，法律家（律师、检察官和法官）将无法承受法律文献日积月累和法律案件不断增多的重负。其二是人工智能发展的需要。人工智能以模拟人的全部思维活动为目标，但又必须以具体思维活动一城一池的攻克为过程。它需要通过对不同思维领域的征服，来证明知识的每个领域都可以精确描述并制造出类似人类智能的机器。此外，人工智能选择法律领域寻求突破，还有下述原因：(1)尽管法律推理十分复杂，但它有相对稳定的对象（案件）、相对明确的前提（法律规则、法律事实）及严格的程序规则，且须得出确定的判决结论。这为人工智能模拟提供了极为有利的条件。(2)法律推理特别是抗辩制审判中的司法推理，以明确的规则、理性的标准、充分的辩论，为观察思维活动的轨迹提供了可以记录和回放的样本。(3)法律知识长期的积累、完备的档案，为模拟法律知识的获得、表达和应用提供了丰富、准确的资料。(4)法律活动所特有的自我意识、自我批评精神，对法律程序和假设进行检验的传统，为模拟法律推理提供了良好的反思条件。

二、人工智能法律系统的价值

人工智能法律系统的研制对法学理论和法律实践的价值和意义，可以概括为以下几点：

一是方法论启示。P.Wahlgren说：“人工智能方法的研究可以支持和深化在创造性方法上的法理学反思。这个信仰反映了法理学可以被视为旨在于开发法律分析和法律推理之方法的活动。从法理学的观点看，这种研究的最终目标是揭示方法论的潜在作用，从而有助于开展从法理学观点所提出的解决方法的讨论，而不仅仅是探讨与计算机科学和人工智能有关的非常细致的技术方面。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在模拟法律推理的过程中，法学家通过与工人智能专家的密切合作，可以从其对法律推理的独特理解中获得有关方法论方面的启示。例如，由于很少有两个案件完全相似，在判例法实践中，总有某些不相似的方面需要法律家运用假设来分析已有判例与现实案件的相关性程度。但法学家们在假设的性质问题上常常莫衷一是。然而HYPO的设计者，在无真实判例或真实判例不能充分解释现实案件的情况下，以假设的反例来反驳对方的观点，用补充、删减和改变事实的机械论方法来生成假设。这种用人工智能方法来处理假设的办法，就使复杂问题变得十分简单：假设实际上是一个新的论证产生于一个经过修正的老的论证的过程。总之，人工智能方法可以帮助法学家跳出法理学方法的思维定势，用其他学科的方法来重新审视法学问题，从而为法律问题的解决提供了新的途径。

二是提供了思想实验手段。西蒙认为，尽管我们还不知道思维在头脑中是怎样由生理作用完成的，“但我们知道这些处理在数字电子计算机中是由电子作用完成的。给计算机编程序使之思维，已经证明有可能为思维提供机械论解释”。（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）童天湘先生认为：“通过编制有关思维活动的程序，就会加深对思维活动具体细节的了解，并将这种程序送进计算机运行，检验其正确性。这是一种思想实验，有助于我们研究人脑思维的机理。”（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）人工智能法律系统研究的直接目标是使计算机能够获取、表达和应用法律知识，软件工程师为模拟法律推理而编制程序，必须先对人的推理过程作出基于人工智能理论和方法的独特解释。人工智能以功能模拟开路，在未搞清法律家的推理结构之前，首先从功能上对法律证成、法律检索、法律解释、法律适用等法律推理的要素和活动进行数理分析，将法理学、诉讼法学关于法律推理的研究成果模型化，以实现法律推理知识的机器表达或再现，从而为认识法律推理的过程和规律提供了一种实验手段。法学家则可以将人工智能法律系统的推理过程、方法和结论与人类法律推理活动相对照，为法律推理的法理学研究所借鉴。因此，用人工智能方法模拟法律推理，深化了人们对法律推理性质、要素和过程的认识，使法学家得以借助人工智能科学的敏锐透镜去考察法律推理的微观机制。正是在这个意义上，BryanNiblett教授说：“一个成功的专家系统很可能比其他的途径对法理学作出更多的（理论）贡献。”（注：BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.note14,p.3.）

三是辅助司法审判。按照格雷的观点，法律专家系统首先在英美判例法国家出现的直接原因在于，浩如烟海的判例案卷如果没有计算机编纂、分类、查询，这种法律制度简直就无法运转了。（注：PamelaN.GrayBrookfield,ArtificialLegalIntelligence,VT:DartmouthPublishingCo.,1997.p.402.）其实不仅是判例法，制定法制度下的律师和法官往往也要为检索有关的法律、法规和司法解释耗费大量的精力和时间，而且由于人脑的知识和记忆能力有限，还存在着检索不全面、记忆不准确的问题。人工智能法律系统强大的记忆和检索功能，可以弥补人类智能的某些局限性，帮助律师和法官从事相对简单的法律检索工作，从而极大地解放律师和法官的脑力劳动，使其能够集中精力从事更加复杂的法律推理活动。

四是促进司法公正。司法推理虽有统一的法律标准，但法官是具有主观能动性的差异个体，所以在执行统一标准时会产生一些差异的结果。司法解释所具有的建构性、辩证性和创造性的特点，进一步加剧了这种差异。如果换了钢铁之躯的机器，这种由主观原因所造成的差异性就有可能加以避免。这当然不是说让计算机完全取代法官，而是说，由于人工智能法律系统为司法审判提供了相对统一的推理标准和评价标准，从而可以辅助法官取得具有一贯性的判决。无论如何，我们必须承认，钢铁之躯的机器没有物质欲望和感情生活，可以比人更少地受到外界因素的干扰。正像计算机录取增强了高考招生的公正性、电子监视器提高了纠正行车违章的公正性一样，智能法律系统在庭审中的运用有可能减少某些徇私舞弊现象。

五是辅助法律教育和培训。人工智能法律系统凝聚了法律家的专门知识和法官群体的审判经验，如果通过软件系统或计算机网络实现专家经验和知识的共享，便可在法律教育和培训中发挥多方面的作用。例如，(1)在法学院教学中发挥模拟法庭的作用，可以帮助法律专业学生巩固自己所学知识，并将法律知识应用于模拟的审判实践，从而较快地提高解决法律实践问题的能力。(2)帮助新律师和新法官全面掌握法律知识，迅速获得判案经验，在审判过程的跟踪检测和判决结论的动态校正中增长知识和才干，较快地接近或达到专家水平。(3)可使不同地区、不同层次的律师和法官及时获得有关法律问题的咨询建议，弥补因知识结构差异和判案经验多寡而可能出现的失误。(4)可以为大众提供及时的法律咨询，提高广大人民群众的法律素质，增强法律意识。

六是辅助立法活动。人工智能法律系统不仅对辅助司法审判有重要的意义，而且对完善立法也具有实用价值。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）例如，伦敦大学Imperial学院的逻辑程序组将1981年英国国籍法的内容形式化，帮助立法者发现了该法在预见性上存在的一些缺陷和法律漏洞。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）立法辅助系统如能应用于法律起草和法律草案的审议过程，有可能事先发现一些立法漏洞，避免一个法律内部各种规则之间以及新法律与现有法律制度之间的相互冲突。

三、法理学在人工智能法律系统研究中的作用

1.人工智能法律系统的法理学思想来源

关于人工智能法律系统之法理学思想来源的追踪，不是对法理学与人工智能的联系作面面俱到的考察，而旨在揭示法理学对人工智能法律系统的发展所产生的一些直接影响。

第一，法律形式主义为人工智能法律系统的产生奠定了理论基础。18-19世纪的法律形式主义强调法律推理的形式方面，认为将法律化成简单的几何公式是完全可能的。这种以J·奥斯汀为代表的英国分析法学的传统，主张“法律推理应该依据客观事实、明确的规则以及逻辑去解决一切为法律所要求的具体行为。假如法律能如此运作，那么无论谁作裁决，法律推理都会导向同样的裁决。”（注：（美）史蒂文·J·伯顿著：《法律和法律推理导论》，张志铭、解兴权译，中国政法大学出版社1998年9月版，第3页。）换言之，机器只要遵守法律推理的逻辑，也可以得出和法官一样的判决结果。在分析法学家看来，“所谓‘法治’就是要求结论必须是大前提与小前提逻辑必然结果。”（注：朱景文主编：《对西方法律传统的挑战》，中国检察出版社1996年2月版，第292页。）如果法官违反三段论推理的逻辑，就会破坏法治。这种机械论的法律推理观，反映了分析法学要求法官不以个人价值观干扰法律推理活动的主张。但是，它同时具有忽视法官主观能动性和法律推理灵活性的僵化的缺陷。所以，自由法学家比埃利希将法律形式主义的逻辑推理说称为“自动售货机”理论。然而，从人工智能就是为思维提供机械论解释的意义上说，法律形式主义对法律推理所作的机械论解释，恰恰为人工智能法律系统的开发提供了可能的前提。从人工智能法律系统研制的实际过程来看，在其起步阶段，人工智能专家正是根据法律形式主义所提供的理论前提，首先选择三段论演绎推理进行模拟，由WalterG.Popp和BernhardSchlink在20世纪70年代初开发了JUDITH律师推理系统。在这个系统中，作为推理大小前提的法律和事实之间的逻辑关系，被计算机以“如果A和B，那么C”的方式加以描述，使机器法律推理第一次从理论变为现实。

第二，法律现实主义推动智能模拟深入到主体的思维结构领域。法律形式主义忽视了推理主体的社会性。法官是生活在现实社会中的人，其所从事的法律活动不可能不受到其社会体验和思维结构的影响。法官在实际的审判实践中，并不是机械地遵循规则，特别是在遇到复杂案件时，往往需要作出某种价值选择。而一旦面对价值问题，法律形式主义的逻辑决定论便立刻陷入困境，显出其僵化性的致命弱点。法律现实主义对其僵化性进行了深刻的批判。霍姆斯法官明确提出“法律的生命并不在于逻辑而在于经验”（注：（美）博登海默著：《法理学——法哲学及其方法》，邓正来、姬敬武译，华夏出版社1987年12月版，第478页。）的格言。这里所谓逻辑，就是指法律形式主义的三段论演绎逻辑；所谓经验，则包括一定的道德和政治理论、公共政策及直觉知识，甚至法官的偏见。法律现实主义对法官主观能动性和法律推理灵活性的强调，促使人工智能研究从模拟法律推理的外在逻辑形式进一步转向探求法官的内在思维结构。人们开始考虑，如果思维结构对法官的推理活动具有定向作用，那么，人工智能法律系统若要达到法官水平，就应该通过建立思维结构模型来设计机器的运行结构。TAXMAN的设计就借鉴了这一思想，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序、协调程序、说明程序分别对网络结构中的输入和输出信息进行动态结构调整，从而适应了知识整合的需要。大规模知识系统的KBS(KnowledgeBasedSystem)开发也注意了思维结构的整合作用，许多具有内在联系的小规模KBS子系统，在分别模拟法律推理要素功能（证成、法律查询、法律解释、法律适用、法律评价、理由阐述）的基础上，又通过联想程序被有机联系起来，构成了具有法律推理整体功能的概念模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）

第三，“开放结构”的法律概念打开了疑难案件法律推理模拟的思路。法律形式主义忽视了疑难案件的存在。疑难案件的特征表现为法律规则和案件之间不存在单一的逻辑对应关系。有时候从一个法律规则可以推出几种不同的结论，它们往往没有明显的对错之分；有时一个案件面对着几个相似的法律规则。在这些情况下，形式主义推理说都一筹莫展。但是，法律现实主义在批判法律形式主义时又走向另一个极端，它否认具有普遍性的一般法律规则的存在，试图用“行动中的法律”完全代替分析法学“本本中的法律”。这种矫枉过正的做法虽然是使法律推理摆脱机械论束缚所走出的必要一步，然而，法律如果真像现实主义法学所说的那样仅仅存在于具体判决之中，法律推理如果可以不遵循任何标准或因人而异，那么，受到挑战的就不仅是法律形式主义，而且还会殃及法治要求实现规则统治之根本原则，并动摇人工智能法律系统存在的基础。哈特在法律形式主义和法律现实主义的争论中采取了一种折中立场，他既承认逻辑的局限性又强调其重要性；既拒斥法官完全按自己的预感来随意判案的见解，又承认直觉的存在。这种折中立场在哈特“开放结构”的法律概念中得到了充分体现。法律概念既有“意义核心”又有“开放结构”，逻辑推理可以帮助法官发现问题的阳面，而根据社会政策、价值和后果对规则进行解释则有助于发现问题的阴面。开放结构的法律概念，使基于规则的法律推理模拟在受到概念封闭性的限制而对疑难案件无能为力时，找到了新的立足点。在此基础上，运用开放结构概念的疑难案件法律推理模型，通过逻辑程序工具和联想技术而建立起来。Gardner博士就疑难案件提出两种解决策略：一是将简易问题从疑难问题中筛选出来，运用基于规则的技术来解决；二是将疑难问题同“开放结构”的法律概念联系在一起，先用非范例知识如规则、控辩双方的陈述、常识来获得初步答案，再运用范例来澄清案件、检查答案的正确性。

第四，目的法学促进了价值推理的人工智能研究。目的法学是指一种所谓直接实现目的之“后法治”理想。美国法学家诺内特和塞尔兹尼克把法律分为三种类型。他们认为，以法治为标志的自治型法，过分强调手段或程序的正当性，有把手段当作目的的倾向。这说明法治社会并没有反映人类关于美好社会的最高理想，因为实质正义不是经过人们直接追求而实现的，而是通过追求形式正义而间接获得的。因此他们提出以回应型法取代自治型法的主张。在回应型法中，“目的为评判既定的做法设立了标准，从而也就开辟了变化的途径。同时，如果认真地对待目的，它们就能控制行政自由裁量权，从而减轻制度屈从的危险。反之，缺少目的既是僵硬的根源，又是机会主义的根源。”（注：（美）诺内特、塞尔兹尼克著：《转变中的法律与社会》，张志铭译，中国政法大学出版社1994年版，第60页。）美国批判法学家昂格尔对形式主义法律推理和目的型法律推理的特点进行了比较，他认为，前者要求使用内容明确、固定的规则，无视社会现实生活中不同价值观念的冲突，不能适应复杂情况和变化，追求形式正义；后者则要求放松对法律推理标准的严格限制，允许使用无固定内容的抽象标准，迫使人们在不同的价值观念之间做出选择，追求实质正义。与此相应，佩雷尔曼提出了新修辞学(NewRhetoric)的法律理论。他认为，形式逻辑只是根据演绎法或归纳法对问题加以说明或论证的技术，属于手段的逻辑；新修辞学要填补形式逻辑的不足，是关于目的的辩证逻辑，可以帮助法官论证其决定和选择，因而是进行价值判断的逻辑。他认为，在司法三段论思想支配下，法学的任务是将全部法律系统化并作为阐释法律的大前提，“明确性、一致性和完备性”就成为对法律的三个要求。而新修辞学的基本思想是价值判断的多元论，法官必须在某种价值判断的指示下履行义务，必须考虑哪些价值是“合理的、可接受的、社会上有效的公平的”。这些价值构成了判决的正当理由。（注：沈宗灵著：《现代西方法理学》，北京大学出版社1992年版，第443-446页。）制造人工智能法律系统最终需要解决价值推理的模拟问题，否则，就难以实现为判决提供正当理由的要求。为此，P.Wahlgren提出的与人工智能相关的5种知识表达途径中，明确地包括了以道义为基础的法律推理模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）引入道义逻辑，或者说在机器中采用基于某种道义逻辑的推理程序，强调目的价值，也许是制造智能法律系统的关键。不过，即使把道义逻辑硬塞给计算机，钢铁之躯的机器没有生理需要，也很难产生价值观念和主观体验，没办法解决主观选择的问题。在这个问题上，波斯纳曾以法律家有七情六欲为由对法律家对法律的机械忠诚表示了强烈怀疑，并辩证地将其视为法律发展的动力之一。只有人才能够平衡相互冲突的利益，能够发现对人类生存和发展至关重要的价值。因此，关于价值推理的人工智能模拟究竟能取得什么成果，恐怕还是个未知数。

2.法理学对人工智能法律系统研制的理论指导作用

GoldandSusskind指出：“不争的事实是，所有的专家系统必须适应一些法理学理论，因为一切法律专家系统都需要提出关于法律和法律推理性质的假设。从更严格的意义上说，一切专家系统都必须体现一种结构理论和法律的个性，一种法律规范理论，一种描述法律科学的理论，一种法律推理理论”。（注：GoldandSusskind,ExpertSystemsinLaw:AJurisprudentialandFormalSpecificationApproach,pp.307-309.）人工智能法律系统的研究，不仅需要以法理学关于法律的一般理论为知识基础，还需要从法理学获得关于法律推理的完整理论，如法律推理实践和理论的发展历史，法律推理的标准、主体、过程、方法等等。人工智能对法律推理的模拟，主要是对法理学关于法律推理的知识进行人工智能方法的描述，建立数学模型并编制计算机应用程序，从而在智能机器上再现人类法律推理功能的过程。在这个过程中，人工智能专家的主要任务是研究如何吸收法理学关于法律推理的研究成果，包括法理学关于人工智能法律系统的研究成果。

随着人工智能法律系统研究从低级向高级目标的推进，人们越来越意识到，对法律推理的微观机制认识不足已成为人工智能模拟的严重障碍。P.Wahlgren指出，“许多人工智能技术在法律领域的开发项目之所以失败，就是因为许多潜在的法理学原则没有在系统开发的开始阶段被遵守或给予有效的注意。”“法理学对法律推理和方法论问题的关注已经有几百年，而人工智能的诞生只是本世纪50年代中期的事情，这个事实是人工智能通过考察法理学知识来丰富自己的一个有效动机。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）因此，研究法律推理自动化的目标，“一方面是用人工智能（通过把计算机的应用与分析模型相结合）来支撑法律推理的可能性；另一方面是应用法理学理论来解决作为法律推理支撑系统的以及一般的人工智能问题。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在前一方面，是人工智能法律系统充当法律推理研究的思想实验手段以及辅助司法审判的问题。后一方面，则是法律推理的法律学研究成果直接为人工智能法律系统的研制所应用的问题。例如，20世纪70年代法理学在真实和假设案例的推理和分析方面所取得的成果，已为几种人工智能法律装置借鉴而成为其设计工作的理论基础。在运用模糊或开放结构概念的法律推理研究方面，以及在法庭辩论和法律解释的形式化等问题上，法理学的研究成果也已为人工智能法律系统的研究所借鉴。

四、人工智能法律系统研究的难点

人工智能法律系统的研究尽管在很短的时间内取得了许多令人振奋的成果，但它的发展也面临着许多困难。这些困难构成了研究工作需要进一步努力奋斗的目标。

第一，关于法律解释的模拟。在法理学的诸多研究成果中，法律解释的研究对人工智能法律系统的研制起着关键作用。法律知识表达的核心问题是法律解释。法律规范在一个法律论点上的效力，是由法律家按忠实原意和适合当时案件的原则通过法律解释予以确认的，其中包含着人类特有的价值和目的考虑，反映了法律家的知识表达具有主观能动性。所以，德沃金将解释过程看作是一种结合了法律知识、时代信息和思维方法而形成的，能够应变的思维策略。（注：Dworkin,TakingRightsSeriously,HarvardUniversityPressCambridge,Massachusetts1977.p.75.）目前的法律专家系统并未以知识表达为目的来解释法律，而是将法律整齐地“码放”在计算机记忆系统中仅供一般检索之用。然而，在法律知识工程系统中，法律知识必须被解释，以满足自动推理对法律知识进行重新建构的需要。麦卡锡说：“在开发智能信息系统的过程中，最关键的任务既不是文件的重建也不是专家意见的重建，而是建立有关法律领域的概念模型。”（注：McCarty,Intelligentlegalinformationsystems:problemsandprospects,op.cit.supra,note25,p.126.）建立法律概念模型必须以法律家对某一法律概念的共识为基础，但不同的法律家对同一法律概念往往有不同的解释策略。凯尔森甚至说：即使在国内法领域也难以形成一个“能够用来叙述一定法律共同体的实在法的基本概念”。（注：（奥）凯尔森著：《法与国家的一般理论》，沈宗灵译，中国大百科全书出版社1996年版，第1页。）尽管如此，法理学还是为法律概念模型的重建提供了一些方法。例如，德沃金认为，法官在“解释”阶段，要通过推理论证，为自己在“前解释”阶段所确定的大多数法官对模糊法律规范的“一致看法”提供“一些总的理由”。获取这些总的理由的过程分为两个步骤：首先，从现存的明确法律制度中抽象出一般的法律原则，用自我建立的一般法律理论来证明这种法律原则是其中的一部分，证明现存的明确法律制度是正当的。其次，再以法律原则为依据反向推出具体的法律结论，即用一般法律理论来证明某一法律原则存在的合理性，再用该法律原则来解释某一法律概念。TAXMAN等系统装置已吸收了这种方法，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序使计算机根据案件事实来执行某条法律规则，并在新案件事实输入时对法律规则作出新的解释后才加以调用。不过，法律知识表达的进展还依赖于法律解释研究取得更多的突破。

第二，关于启发式程序。目前的法律专家系统如果不能与启发式程序接口，不能运用判断性知识进行推理，只通过规则反馈来提供简单解释，就谈不上真正的智能性。启发式程序要解决智能机器如何模拟法律家推理的直觉性、经验性以及推理结果的不确定性等问题，即人可以有效地处理错误的或不完全的数据，在必要时作出猜测和假设，从而使问题的解决具有灵活性。在这方面，Gardner的混合推理模型，EdwinaL.Rissland运用联想程序对规则和判例推理的结果作集合处理的思路，以及Massachusetts大学研制的CABARET（基于判例的推理工具），在将启发式程序应用于系统开发方面都进行了有益的尝试。但是，法律问题往往没有唯一正确的答案，这是人工智能模拟法律推理的一个难题。选择哪一个答案，往往取决于法律推理的目的标准和推理主体的立场和价值观念。但智能机器没有自己的目的、利益和立场。这似乎从某种程度上划定了机器法律推理所能解决问题的范围。

第三，关于法律自然语言理解。在设计基于规则的程序时，设计者必须假定整套规则没有意义不明和冲突，程序必须消灭这些问题而使规则呈现出更多的一致性。就是说，尽管人们对法律概念的含义可以争论不休，但输入机器的法律语言却不能互相矛盾。机器语言具有很大的局限性，例如，LDS基于规则来模拟严格责任并计算实际损害时，表现出的最大弱点就是不能使用不精确的自然语言进行推理。然而，在实际的法律推理过程中，法律家对某个问题的任何一种回答都可根据上下文关系作多种解释，而且辩论双方总是寻求得出不同的结论。因此，智能法律专家系统的成功在很大程度上还依赖于自然语言理解研究工作的突破。牛津大学的一个程序组正在研究法律自然语言的理解问题，但是遇到了重重困难。原因是连法学家们自己目前也还没有建立起一套大家一致同意的专业术语规范。所以EdwinaL.Rissland认为，常识知识、意图和信仰类知识的模拟化，以及自然语言理解的模拟问题，迄今为止可能是人工智能面临的最困难的任务。对于语言模拟来说，像交际短语和短语概括的有限能力可能会在较窄的语境条件下取得成果，完全的功能模拟、一般“解决问题”能力的模拟则距离非常遥远，而像书面上诉意见的理解则是永远的终极幻想。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）

五、人工智能法律系统的开发策略和应用前景

我们能够制造出一台什么样的机器，可以证明它是人工智能法律系统？从检验标准上看，这主要是法律知识在机器中再现的判定问题。根据“图灵试验”原理，我们可将该检验标准概括如下：设两间隔开的屋子，一间坐着一位法律家，另一间“坐着”一台智能机器。一个人（也是法律家）向法律家和机器提出同样的法律问题，如果提问者不能从二者的回答中区分出谁是法律家、谁是机器，就不能怀疑机器具有法律知识表达的能力。

依“图灵试验”制定的智能法律系统检验标准，所看重的是功能。只要机器和法律家解决同样法律问题时所表现出来的功能相同，就不再苛求哪个是钢铁结构、哪个是血肉之躯。人工智能立足的基础，就是相同的功能可以通过不同的结构来实现之功能模拟理论。

从功能模拟的观点来确定人工智能法律系统的研究与开发策略，可作以下考虑：

第一，扩大人工智能法律系统的研发主体。现有人工法律系统的幼稚，暴露了仅仅依靠计算机和知识工程专家从事系统研发工作的局限性。因此，应该确立以法律家、逻辑学家和计算机专家三结合的研发群体。在系统研发初期，可组成由法学家、逻辑与认知专家、计算机和知识工程专家为主体的课题组，制定系统研发的整体战略和分阶段实施的研发规划。在系统研发中期，应通过网络等手段充分吸收初级产品用户（律师、检察官、法官）的意见，使研发工作在理论研究与实际应用之间形成反馈，将开发精英与广大用户的智慧结合起来，互相启发、群策群力，推动系统迅速升级。

第二，确定研究与应用相结合、以应用为主导的研发策略。目前国外人工智能法律系统的研究大多停留在实验室领域，还没有在司法实践中加以应用。但是，任何智能系统包括相对简单的软件系统，如果不经过用户的长期使用和反馈，是永远也不可能走向成熟的。从我国的实际情况看，如果不能将初期研究成果尽快地转化为产品，我们也难以为后续研究工作提供雄厚的资金支持。因此，人工智能法律系统的研究必须走产研结合的道路，坚持以应用开路，使智能法律系统尽快走出实验室，同时以研究为先导，促进不断更新升级。

第三，系统研发目标与初级产品功能定位。人工智能法律系统的研发目标是制造出能够满足多用户（律师、检察官、法官、立法者、法学家）多种需要的机型。初级产品的定位应考虑到，人的推理功能特别是价值推理的功能远远超过机器，但人的记忆功能、检索速度和准确性又远不如机器。同时还应该考虑到，我国目前有12万律师，23万检察官和21万法官，每年1.2万法学院本科毕业生，他们对法律知识的获取、表达和应用能力参差不齐。因此，初级产品的标准可适当降低，先研制推理功能薄弱、检索功能强大的法律专家系统。可与计算机厂商合作生产具有强大数据库功能的硬件，并确保最新法律、法规、司法解释和判例的网上及时更新；同时编制以案件为引导的高速检索软件。系统开发的先期目标应确定为：(1)替律师起草仅供参考的起诉书和辩护词；(2)替法官起草仅供参考的判决书；(3)为法学院学生提供模拟法庭审判的通用系统软件，以辅助学生在起诉、辩护和审判等诉讼的不同阶段巩固所学知识、获得审判经验。上述软件旨在提供一个初级平台，先解决有无和急需，再不断收集用户反馈意见，逐步改进完善。

第四，实验室研发应确定较高的起点或跟踪战略。国外以知识工程为主要技术手段的人工智能法律系统开发已经历了如下发展阶段：(1)主要适用于简单案件的规则推理；(2)运用开放结构概念的推理；(3)运用判例和假设的推理；(4)运用规则和判例的混合推理。我们如确定以简单案件的规则推理为初级市场产品，那么，实验室中第二代产品开发就应瞄准运用开放结构概念的推理。同时，跟踪运用假设的推理及混合推理，吸收国外先进的KBS和HYPO的设计思想，将功能子系统开发与联想式控制系统结合。HYPO判例法推理智能装置具有如下功能：(1)评价相关判例；(2)判定何方使用判例更加贴切；(3)分析并区分判例；(4)建立假设并用假设来推理；(5)为一种主张引用各种类型的反例；(6)建立判例的引证概要。HYPO以商业秘密法的判例推理为模拟对象，假设了完全自动化的法律推理过程中全部要素被建立起来的途径。值得注意的是，HYPO忽略了许多要素的存在，如商业秘密法背后的政策考虑，法律概念应用于实际情况时固有的模糊性，信息是否已被公开，被告是否使用了对方设计的产品，是否签署了让与协议，等等。一个系统设计的要素列表无论多长，好律师也总能再多想出一些。同样，律师对案件的分析，不可能仅限于商业秘密法判例，还可能援引侵权法或专利法的判例，这决定了起诉缘由的多种可能性。Ashley还讨论了判例法推理模拟的其他困难：判例并不是概念的肯定的或否定的样本，因此，要通过要素等简单的法律术语使模糊的法律规则得到澄清十分困难，法律原则和类推推理之间的关系还不能以令人满意的方式加以描述。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）这说明，即使具有较高起点的实验室基础研究，也不宜确定过高的目标。因为，智能法律系统的研究不能脱离人工智能的整体发展水平。

第五，人－机系统解决方案。人和机器在解决法律问题时各有所长。人的优点是能作价值推理，使法律问题的解决适应社会的变化发展，从而具有灵活性。机器的长处是记忆和检索功能强，可以使法律问题的解决具有一贯性。人－机系统解决方案立足于人与机器的功能互补，目的是解放人的脑力劳动，服务于国家的法治建设。该方案的实施可以分为两个阶段：第一阶段以人为主，机器为人收集信息并作初步分析，提供决策参考。律师受理案件后，可以先用机器处理大批数据，并参考机器的起诉和辩护方案，再做更加高级的推理论证工作。法官接触一个新案件，或新法官刚接触审判工作，也可以先看看“机器法官”的判决建议或者审判思路，作为参考。法院的监督部门可参照机器法官的判决，对法官的审判活动进行某种监督，如二者的判决结果差别太大，可以审查一下法官的判决理由。这也许可以在一定程度上制约司法腐败。在人－机系统开发的第二阶段，会有越来越多的简单案件的判决与电脑推理结果完全相同，因此，某些简单案件可以机器为主进行审判，例如，美国小额法庭的一些案件，我国法庭可用简易程序来审理的一些案件。法官可以作为“产品检验员”监督和修订机器的判决结果。这样，法官的判案效率将大大提高，法官队伍也可借此“消肿”，有可能大幅度提高法官薪水，吸引高素质法律人才进入法官队伍。

未来的计算机不会完全取代律师和法官，然而，律师和法官与智能机器统一体的出现则可能具有无限光明的前景。（注：Smith,J.C,MachineIntelligenceandLegalReasoning,Chicago-KentLawReview,1998,Vol.73,No.1,p277.）可以预见，人工智能将为法律工作的自动化提供越来越强有力的外脑支持。电脑律师或法官将在网络所及的范围内承担起诸如收债、税务、小额犯罪诉讼等职能。自动法律推理系统将对诉讼活动发挥越来越多的辅助作用，例如，通过严密的演绎逻辑使用户确信全部法律结论得出的正当性；在解决相互冲突的规则、判例和政策问题时提示可能出现的判决预测；等等。正如网络的出现打破了少数人对信息的垄断一样，电脑法律顾问的问世，将打破法官、律师对法律知识的垄断，极大地推动法律知识的普及，迅速提高广大人民群众的法律素质，使法律真正变为群众手中的锐利武器。

人工智能论文范文篇7

关键词：智慧教育；人工智能；计算机教育；推动；变革

随着社会的不断发展和进步，我国的教育事业面临着巨大的洗牌和转型升级。教育朝着更加信息化、智能化的方向发展。如今，智慧教育成为了当下教育行业的潮流。当前的教育事业的工作者或者专家学者都表态对于智慧教育充满着信心。智慧教育得以发展的依托还是基于当前火热的人工智能技术。人工智能能够对每一位学生进行大数据分析，从学生的历史数据中分析学生的学习习惯于性格特征，分析出学生适合的发展方向，因材施教，并结合学生的兴趣于意向为其制定学习计划，为他们量身定制专属于他们的个性化教育方案，让教育过程更加具有智慧性和科学性。此外，智慧教育还可以实时监控学生的学习进度与学习状态，及时针对学生做出调整。智慧教育不仅是教育教学的改革，更是智能科技发展的先进方向，是先进科技的实际应用的探索。

一本文相关基本理论概述

（一）智慧教育内核和特征。智慧教育其实就是一种宏观的教育系统，里面包括万象，形成一张巨大的智慧教育网络，这个智慧教育体系里面包含智慧校园、智慧课堂、智慧服务等一系列与智慧教育相关的板块，共同打造出智慧教育这样一个智能型的体系。智慧教育的发展依托于当代快速发展的互联网技术，包括物联网、大数据、云计算、人工智能等新兴科技，基于强大的现代化互联网技术，智慧教育完全打破了传统教育模式存在的弊端，具有一种智能化、个性化、可感知化以及实用性强大的教育服务系统，体现了数字化媒体教学的高级阶段的特征，也具有现代化教育信息化的内核。（二）人工智能。人工智能是最近几年发展出来的一种新兴科学技术，简称为AI，是一种虚拟现实技术，他能够通过科学技术的手段，将人们置身于虚拟的世界，并完美还原一定的逼真度，给人一种身临其境的感觉。人工智能技术包含的学科很多，是一种多学科融合，跨领域的一种应用型技术，能够实现指纹识别、图像识别、语音智能识别、机器人系统、高度仿真模拟等一系列应用，实现超越人类智慧的一种高科技。

二人工智能技术在计算机教育中的应用

（一）智能决策支持系统。智能决策支持系统是通过对大量数据的分析并结合教学政策等信息为计算机教育教学提供决策、制定教学目标于教学方案的系统。以数据分析为基础，计算机教学可以为学校提供多种决策模型以及教学方案，节约了教师的时间，也为教师提供了参考，便于教师改进教学模式，调整教学进度，提高了教育教学的效率。智能决策系统的应用也使学生们更加适应学校的教学模式，在学习过程中能够更上教学进度，对学习内容有了更加深刻的理解。智能决策系统是计算机教育中的重要改革，为我国大量高校的计算机教育提供了发展助力。（二）智能教学专家系统。智能教学专家系统能够模拟传统的授课环境，并在其中加入人工智能技术的支持，提供影视播放、文本展示等多媒体功能，让学生们既能于教师进行交流，又能在开放式的教学环境中自己体悟于感知。简单来说，智能教学专家系统能够将传统教学模式的优点与现代技术有机结合，提高课堂教学效率与教学成果。通过这一系统，学生不仅能够与智能化的教学专家交流，获取自己想了解的内容，还能够检查自己的学习成果，进行自我反省。智能教学专家系统还可以为学生量身定制教学课程，根据学生的知识储备、理解能力等为学生提供合适的学习材料，真正做到因材施教。（三）智能导学系统。智能导学系统使计算机教育过程中的辅助系统，它能够协调各类教学资源，为学生方便快捷的获取想要的知识提供便利。同时它还能帮助了解分析学生的现状，掌握学生们在学习过程中的缺陷与短板，同时对现有资源进行整合分析、管理，使其得到充分的利用。由此可见，智能导学系统是人工智能应用于计算机教育的重要支撑，没有它的存在，学生和教师无法利用人工智能强大的功能为自己服务。（四）智能仿真技术。近年来应用智能仿真技术开发CAI实验课件将有望为打通远程实验教学的瓶颈开启方便和智慧之门。智能仿真技术IST是不断发展变化的仿真环境促成和推动的一种技术开发，是人工智能与仿真技术的高度集成。IST力求克服以往传统仿真的模型及建模方法的局限性以及建模艰巨、界面单调和结果费解等方面的问题，重点研究广义仿真模型、仿真模型生成、智能仿真算法、智能仿真界面、仿真结果分析、多库仿真软件、综合仿真语言、仿真信息预处理等仿真技术。IST在输入信息预处理、仿真模型生成、仿真算法的灵活性有效性、仿真结果的分析解释等方面，体现智能性、适用性和友好性。由于智能仿真系统在某种程度上可替代仿真专家完成建模、设计实验、理解及评价仿真结果这些本需专家来完成的步骤，并具有一定的学习能力。因此，运用智能仿真系统来开发实验教学课件可以大大节省人力物力，降低开发成本，加快开发速度，缩短开发周期。（五）智能网络组卷系统。无纸化考试是教学考核的重大改革，也是考试发展的方向。无纸化考试技能节约资源，又能很好地杜绝作弊现象。无纸化考试过程包括题库建设、选题组卷、考试、以及考核结果判定于展示等环节。智能网络组卷系统能够以题库为基础进行组卷，节省了教师出题的时间，并且能够形成自动化的考试流程，减少考试过程中会出现的问题，降低作弊几率。智能组卷系统能够很大程度上满足教师对试卷的要求，且具有保密、高效、一致性强的优点。同时，各高校教师也可联合起来建设题库，将学生日常学习中的易错点、重点、难点问题进行记录，保证考试结果的真实性与可参考性。总之，智能考试系统能够极大的减少教师的工作，提高教学评价的真实性，为学生们日后的教学计划提供参考。

三人工智能应用于计算机教育面临的困难

（一）学生学习知识碎片化，系统化程度不高。目前，人工智能应用于计算机教育事业的时间不是很长，因此相对来说还是不是特别的成熟，还有很多地方需要去实践和优化。目前，人工智能应用在计算机教育中存在的最为主要的问题就是学生只是比较零散、系统化程度不够。人工智能在一定程度上虽然能够激发学生学习的自主性和积极性，但是学生们很容易选择自己所感兴趣的方面学习，而对于不感兴趣的就忽略，学生们选择上的自由导致学生学习知识不系统，过于零散，不利于学生形成一个完整而又系统的计算机知识体系，对于他们将来的职业生涯的发展也是有影响的。（二）学生学习自主性不强，管理难度增大。人工智能在一定程度上改变了传统的教育模式，学生们拥有更加多的自主权，课堂的上课模式也由传统的老师讲课，学生听课为主转变成了学生学习为主，老师只是扮演一个引导和答疑解惑的作用。这种新的模式对于那些有主见，自主学习能力强的学生来说是非常有好处的，充分给与了他们自幼学习的时间，课堂的学习效率变高了，学生的学习能力增强了，学生的想象力和创新力可以得到更为充分的发展。但是对于那些自主性较差的学生来说，这种新型的上课模式不一定特别适合他们。一方面，他们的自学能力较差，在课堂上让他们自主学习，完全摆脱老师的干扰，他们往往就比较迷茫，不知道怎么学习，导致上课的宝贵时间被浪费；另一方面，他们的自律性往往比较差，不能够很好的利用课堂上的时间进行学习，而是用来开小差、玩游戏、聊天等与课堂学习无关的活动，严重影响了他们课堂学习的效率，并且老师对他们的管理难度也增加了。（三）人工智能的应用引发人们的担忧。人工智能应用于教育教学系统需要获取学生的详细数据，这不可避免地造成了人们对隐私泄露的担忧。不法分子有可能利用计算机技术窃取学生以及学校的数据，对学生和学校而言是极大的安全隐患。因此，解决数据安全问题是人工智能广泛应用的一大障碍。此外，人工智能虽然有强大的分析能力，但是其结果依赖于数据的支持，而对于学生而言，存在许多不能用数据明确显示的因素，例如家庭情况、性格、爱好或者身体健康状态的变化等，这些因素将会造成分析结果的失真，进而对学生的教育于发展造成不良影响。因此人工智能技术的准确性与改进程度也是人们对人工智能信任程度的影响因素。人工智能能否顺利应用于智慧教育仍需进一步探索于研究。

四人工智能对计算机教育的推动和变革

（一）推动教育理念的变革。智慧教育是未来信息化教育的一种发展阶段，智慧教育的出现带领和引领新的教育模式，推动了教育理念的改革，促使教育活动跨越了传统教育模式的束缚，发展成为智能化、自主化、现代化的一种新型的教育形态。智能化的融合使得人工智能广泛的应用于教育行业，实现了教育行业质的飞跃。在计算机的教学过程中，人工智能能够打破学生在学习阶段遇到的问题，突破空间上的约束，实现家庭教育、社会教育、学习教育多位一体的复合式教育，实现计算机教育的大突破和大发展。人工智能最大的优势就是可以通过云计算和大数据分析，将智慧校园和学生的学习空间紧密联系起来，为学生们量身制定一份专属于他们自己的个性化学习方案，并且不断地进行跟踪和监控，保证学生学习后的效果，不在仅仅依赖于学校这个媒介进行学习，让学习可以无处不在，自由掌控，从而达到建立起终身性质的学习体系。（二）推动教学内容的变革。智慧时代下人工智能推动了计算机教学内容变革，实现了人工智能辅助教学系统帮助学生更好地实现计算机知识，并对学生的学习情况进行跟进和追踪，为下一步对学生制定个性化的教学方案或改进教学内容做好基础，所有的反馈结果教师可以轻松做到实时的跟进，达到实现因材施教的目的，完全推动了教学内容的改革。此外，人工智能还能够为学生打造一个以计算机技能学习为主的针对性平台，在平台上师生可以进行充分的交流和沟通。这个平台不局限于线下，在线上也可以轻松实现老师和学生之间的沟通和交流，可以设置一个专门的时间来进行答疑交流活动。其他时间，机器人助理就可以轻松回答学生们存在的问题，大大减轻了老师的工作负担，提升了效率。此外，人工辅助智能教学系统还能够通过深度学习和自然语言来生成专门的计算机教育内容，其质量与真人编写的相差无几。（三）减轻了教师的教学负担。智慧教育时代对于教师来说是一个利好的时代，人工智能的介入很大程度上减少了传统教育模式下老师备课、讲课、批改作业、对学生进行答疑解惑等各个环节所花费的时间，大大节省了老师的时间，提升了教学的效率。人工智能可以帮助老师解决很多繁琐型的工作，老师节省下来的时间可以花费在学习前沿性的知识和研究，不断给自己充电的过程中，对于老师未来的职业生涯的发展也是十分有帮助的。比如说，以前的传统模式下，老师一般是亲自批改作业，或者叫成绩优秀的学生帮忙批改作业，人工的劳动比较辛苦。现在，在智慧教育模式下，老师完全可以把这种重复性的工作交给人工智能作业批改机器人，大大提升教学的效率。传统的计算机教学过程中，老师都是根据教材和教学进度编制教学大纲和教学内容。但是，在新的智慧教育时代的背景下，老师完全可以通过人工智能技术，对教学方式进行改良，建立起交互性的教学系统。学生可以利用该系统，结合自身的实际需求，有针对性的进行学习，更加有利于学生获得他们想要的知识和内容。课堂也由传统的老师教课为主，转变为了学生们上课索取知识为主，并且能够有效的提升学习的效率和水平。

五结语

综上所述，我们可以看到，智慧教育的兴起是时代进步的不可阻挡的趋势，我们应该顺势而为，利用好人工智能这一强大的科技手段，助力于我国的计算机教育，大大的提升教育的质量和效益。其实，人工智能已经渗入到了教育行业的各个方面，推动了计算机教育在教育理念、教学内容、授课方式、教学模式等各个方面的改变，将会给教育行业带来巨大的机遇和挑战。作为一名教育工作者，应该时刻不断提升自己的专业的教学能力，不断为自己充电，这样才能够在人工智能来临的时代，发挥出自己的价值，而不被机器人轻易取代。此外，还需要积极学习国内外前沿的最新的知识，锻炼自己大脑具备思辨能力。

参考文献

[1]穆艳玲.中美高校本科计算机教育现状比较与探索[J].学园，2011(11):15-16.

[2]陈晓娟.国内外智慧教育建设成功经验及对南京的启示[J].改革与开放，2013(8):14-15.

[3]高朝营,王波.智慧教育时代背景下人工智能对计算机教育的推动与变革[J].教育现代化,2018,5(21):157-158.

人工智能论文范文篇8

一、人工智能对期刊出版的影响

学界和业界对人工智能在科技期刊出版流程中各个环节的应用都有探索，人工智能可以从数据库中筛选识别新的未被编辑发现的审稿专家，可以自动完成稿件内容的初审，判断稿件的科学性，可以识别数据造假和统计学问题，检出稿件中存在的学术不端问题，对稿件进行加工制版，大大提高期刊审稿和出版效率的同时保持较高的标准和严格的质量控制［1-4］。1．人工智能可以优化期刊出版流程人工智能可以快速匹配审稿专家、完成稿件初审、优化审稿流程、提高审稿效率、缩短审稿周期，帮助期刊更好地满足海量学术论文带来的审稿需求。人工智能可以独立完成论文初审并快速进行图文识别，判断论文的科学性、逻辑性和规范性，为编辑初审提供参考。人工智能可以识别报告不全的关键信息，确保所有必要信息比如研究样本量等都被准确完整地报告；能给出最恰当的统计方法建议，避免因统计学检验失当导致结论错误；可以识别为了得到预期结果而捏造的不实数据。人工智能可以整句整段地阅读，识别传统学术不端软件识别不出的洗稿式论文抄袭问题，确保期刊的学术价值。人工智能可以利用大数据深度挖掘和了解需求，基于读者的阅读喜好和反馈分析关注热点和需求，帮助编辑进行精准策划选题和传播推广，提高选题成功率和学术成果的传播效率［5］。人工智能还可以对稿件进行编辑加工制版，自动为插图补充说明文字或为文字配图，自动完成排版和校对，大大提高稿件的处理效率和质量，将编辑从机械、重复、容易造成倦怠的编辑工作中解放出来，集中精力从事更有创造性、更有技术含量的工作。2．人工智能在期刊出版中的应用人工智能在期刊出版流程中的各个环节都有尝试应用，同行评议是学术期刊出版中非常关键的一环，也是受到广泛争议和关注的一环。一小部分的科学家承担了大部分学术期刊的评审工作，海量学术稿件更使得这一过程异常费时费力、容易出错且饱受争议。期刊出版机构尝试用人工智能来对同行评议过程进行优化和改善，如帮助选择评审专家、统计核对研究数据、总结文章的学术价值等。瑞士期刊出版机构Frontiers通过AI工具AIRA帮助提高审稿和编辑出版效率，AIRA可以识别审稿专家并进行质量控制，对来稿进行自动准确评估，将质量过关且符合要求的稿件筛选出来给编辑。爱思唯尔旗下同行评审管理系统采用名为StatReviewer的软件，用于检查稿件的统计数据和统计方法的真实可靠性。Wiley的人工智能系统还可以对拒稿给出建议，节省作者、编辑和审稿专家的时间和精力，缩短出版时滞，优化出版流程，提高学术质量。同行评审平台ScholarOne以及Wiley等出版机构与丹麦人工智能新锐创业公司UNSILO合作开发的应用软件，可利用自然语言处理和机器学习对稿件进行语义分析，自动提取稿件的关键信息和主要内容；将稿件与Pubmed和WebofScience等数据库中已发表的学术论文进行全文比较，检出不当数据及造假图像等，为编辑提供参考，方便编辑进行决策。3．人工智能应用可能带来的问题利用人工智能来检索研究论文有时也存在一些局限，毕竟研究论文是写给人阅读和理解的，不是专门设计给机器开展深度学习和提取重要信息的。研究论文中经常有错误数据，人工智能可能会错误解读某些数据，将某些本来能解释得通的内容标为警示。没有人为审核的话，人工智能可能会阻碍某些有洞见的论文的发表。利用人工智能审稿，可能会强化之前审稿存在的偏倚问题。作者知道自己的学术论文将由人工智能进行评判，可能会改变主观意愿，甚至为迎合人工智能标准而改写论文。值得注意的是，目前人工智能也未能很好地解决新知问题，人工智能很难判断何为新知，而发现新知恰恰是学术研究中极为重要的事情，目前发现新知主要还是依靠人类的智慧。人工智能在加速科学出版速度的同时，是否会造成科学文献泛滥、失去科学出版的过滤功能、难以保证所的质量也值得思考。首先，目前人工智能软件还不足以自如地判断学术论文的科学性、创新性以及对特定研究领域的潜在影响等，因为这需要有超越学术论文本身的理解和思考能力，这种理解和思考能力是人工智能所不具备的。其次，要了解某一研究在相关领域内有何突破，这种突破通常是不可预测的，不具备一般规律，因此，人工智能评审能否识别真正有颠覆性的突破性研究还是未知数。

二、人工智能对期刊编辑的影响

人工智能时代，人工智能的应用对编辑的影响将是多方面的，期刊编辑要积极转变观念和工作方式，充分认识到人工智能给期刊出版和编辑工作带来的影响，让人工智能成为期刊编辑得力的工具和助手。人工智能未来将帮助编辑完成更多的工作，但同时对编辑也提出了更高的要求。编辑应该意识到人工智能存在一定的局限性和不足，需要编辑对其完成的工作进行把关和审核，一些人工智能难以完成的工作需要编辑亲力亲为［6-8］。1．人工智能时代对编辑提出了新要求人工智能在诸多方面有比人类智能更明显的优势，比如海量数据信息的浏览、筛选、提取和分析等。这些机械、烦琐、重复性的工作，人工智能可以完成并且保证高效率，而编辑人工处理容易产生疲劳感和懈怠，从而导致错误或纰漏。有了人工智能的帮助，编辑可以从这些机械重复的工作中抽身出来从事更有创造性的工作，比如对人工智能辅助完成的工作进行价值判断和最终把关。这种工作性质的转变也对编辑的能力和素养提出了更高的要求。人工智能时代的学术期刊编辑必须具备较强的信息处理能力，要掌握人工智能技术、大数据技术、云技术、多媒体技术等；要了解人工智能的基本原理和人工智能软件的使用，能熟练使用工具软件、数据库和网络检索工具；要能够运用人工智能程序进行策划组稿、审稿送审、编辑加工、排版校对、推送发行等，进而掌控人工智能参与的期刊编辑出版的整个流程。媒体智能化时代，期刊编辑还应完成从内容思维到产品思维的转变，突破以往的思维局限，注重学术期刊的产品属性。期刊编辑要明确自身产品的准确定位和目标受众，在期刊内容的新媒体传播过程中，兼顾专业性和科普性，努力扩大目标受众；不能只停留在对纸版期刊内容的复制粘贴及简单配图加工上，要充分发挥全媒体平台的多媒介属性，利用VR/AR等新技术，让用户获得视、听、触等多感官刺激，丰富学术期刊的产品形态，实现更好的传播效果。人工智能时代，学术传播也从传统媒体传播转向移动化、社交化和视频化的全媒体传播［9］。学术期刊应对专家、作者及读者资源进行整合，将期刊打造成学术交流的公共平台和学术成果的展示平台，打造成作者、读者、编委、审稿专家资源共享、信息交流、资源整合的平台。学术期刊应充分发挥学术平台的知识交流服务功能，定期策划重要选题，开展学术交流研讨，积极推动科普转化，与其他领域跨界合作，积极开发周边产品等，进而实现内容的多种创意、多向开发、多渠道销售、多次产出和增值的创新运营。2．人工智能本身可能存在的局限人工智能对学术期刊出版的影响应该更多体现在技术层面和工具层面，而不是核心内容层面。人工智能具有强大的数据处理能力和计算能力，在海量和繁杂信息的处理上可以做到超越人类。但人工智能只会执行人类赋予的逻辑指令，不具有人类的社会性和人类主体的分析能力，无法完全复制人类主体的实践活动并具备社会属性。人工智能现今的思维能力，仍然无法超越人类本身的思维和意识所拥有的整体性，无法模拟人类所拥有的主体性的社会关系与整体性思维；人工智能对感官和人脑的模拟仍处于最初的机械化阶段，不可能形成社会关系和进行现实感性活动。此外，人工智能还不具备人类处理情感和思考判断的能力，可能无法把握意识形态方面的知识和问题，在检验作者身份信息、影响因素预测等方面有困难，无法做出价值判断，无法处理各种人际关系，无法进行感情层面的交流。因此，在这些人工智能不太擅长的方面和期刊智能化出版可能存在问题的环节，编辑需要进行审核和把关，要保证拥有最终的决定权和全程的审核权。

人工智能论文范文篇9

1.人工智能对学术期刊的影响

1.1对出版流程进行优化

第一，期刊编辑人员可利用人工智能技术对学术论文进行仔细分析，科学评估文章的学术价值，并对论文中的文献引用次数进行统计。第二，人工智能技术可为编辑提供最新的参考文献和相关资讯，为选题和策划工作提供有效的依据。第三，编辑可利用人工智能中的大数据技术，对论文的各项内容进行对比和分析，找出与之相关的文献和报道，并对文献进行合理分类。第四，编辑可通过该项技术从多个角度对文章的创新程度和合理性进行分析，并在较短的时间内判断文章的质量。第五，通过对论文进行智能化分析，为审稿专家提供与之相匹配的稿件，提高审稿效率。编辑要对比较特殊的稿件内容进行审核，其他稿件可交由人工智能技术进行处理。

1.2对学术不端行为进行合理控制

为了保证学术不端行为得到更加有效地控制，可采用人工智能技术。目前，大部分检测系统的数据库范围存在一定限制。应用人工智能技术不仅可以对普通文字进行分析，还能对稿件中的图像和图形所涉及到的数据进行对比和分析。在分析的过程中，人工智能不会受到语种的限制，可迅速判断论文是否存在学术不端的行为。

1.3提高编校水平

在人工智能的支持下，自动编校算法已愈发成熟，并在许多系统中得到进一步应用。通过深度学习后，人工智能技术可全面了解编排的规范与编校要求，实现对论文的自动化编修，然后进一步核实参考文献。编辑人员利用自动化编教技术可大大减轻工作负担，严格保障编校效率与质量。在人工智能技术中，先进的大数据和深度学习系统可确保编纂和审校流程得到进一步优化，并通过构建完善的知识库与语料库，扩大检查的覆盖面。近年来，人工智能自动排版技术在学术编辑领域中得到进一步应用。该项技术不仅能够实现自动化排版，还能充分结合不同平台的特点，对论文进行规范排版与印刷，可确保不同终端的用户随时阅读和下载论文。此外，利用人工智能和大数据技术可对论文进行全面的包装，满足读者的深度阅读需求。总之，智能自动排版不仅能够提高出版的效率，还可保证论文的时效性。[2-3]

1.4实现迅速智能化稿件收录

我国期刊出版业具有丰富的资源，在开展技术传播和技术发展的过程中起到至关重要的促进作用。近些年来，由于各项技术的发展速度飞快，期刊传统的稿件收录方式正悄然发生变化。论文需在第一时间内被收录，才能使论文被同领域的研究者看到，并对其展开进一步的研究，进而产生新的研究内容和研究成果。若采用传统的稿件审稿系统，则无法满足上述要求。采用人工智能技术后，可保证优秀的稿件得到及时收录，促进学术期刊可持续发展。在传统的约稿模式中，期刊编辑需主动向作者提出约稿，比如，向作者发邮件、打电话。这种约稿方式不仅效率较低，而且无法实现精准高效的收稿。采用人工智能技术可明确期刊的收稿方向，锁定用户群体，精准发出约稿信，有效提高约稿效率。[4]同时，还可在信件中纳入近期期刊发表的相关内容，使被约稿人能够进一步了解期刊的情况，并做出是否应约的决定。随着技术水平的不断提升，人工智能技术可在送审环节中发挥出更多作用。编辑人员可将人工智能技术作为辅助工具，利用机器学习的方式，将稿件的研究方向与审稿专家的研究方向进行匹配，从而获得最为适合的审稿专家。审稿工作结束后，在本次审稿中涉及的相关信息将会作为新的数据被审稿系统获取。然后，利用机器学习的方式产生新的参数，然后以此类推，为稿件和审稿专家进行匹配。因此，通过这种方式不仅能够提高审稿效率，还能确保稿件得到迅速收录。[5]

2.人工智能技术在审核与校对工作中的应用前景

人工智能技术离不开深度学习算法和计算机技术的支持。经过优化后的算法不仅具有强大的计算能力和数据分析能力，还可得出相应的结论，为相关决策提供参考依据。将人工智能技术与审核和校对工作相结合，可充分凸显出自然语言处理技术的优势。审核与校对工作通常比较规范，需以客观事实为依据，这正是人工智能的强项。采用该项技术，可在海量数据库中找寻相应的资料，及时发现错误，对错误进行纠正。然而，由于人工智能缺乏一定的创造力和情感表达能力，若对审核和校对工作进行深化处理，则还存在一定障碍。[6]

2.1保证字词校对的准确性

目前，在市场中存在大量的校对软件，但这些软件并不能保证字词得到准确校对，而且离不开编辑的二次审核与确认。为了进一步优化校对软件的功能，可发挥出人工智能的优势。首先，要发挥出人工智能技术的深度学习功能，对各类正规参考文献和图书进行学习。第二，熟练掌握语义识别的技巧，可实现对校对文本的高效审核，准确发现文本中存在的问题。

2.2提高整句的校对水平

在使用常用的校对软件时，往往不能保证整句得到精准校对。为了提高软件的校对能力，可发挥出语言处理技术的优势，通过积累大量的整句，对文章内容进行全面的分析和解读，并利用其所掌握的知识库中的内容，对比文章的内容，可对其整句中的问题进行分析，做出相应的提示。

2.3保证校对结果的时效性

大部分校对软件中包含专业的词库和海量词汇，在应用人工智能后，可确保数据得到实时更新，对数据库中的海量数据进行批量处理，对其中的错误内容进行淘汰，保留与时俱进的词语和资料。

2.4提高专业名词的校对水平

利用人工智能技术可对传统的数据库进行更新，还能及时纳入全国科学技术名词审定委员会公布的专业名词，使数据库的功能更加强大。在后续审核和校对工作中，可及时从数据库中提取相应的名词，并将其与文稿中的名词进行对比，可提高校对的准确率。

3.人工智能技术背景下提高期刊编辑审核与校对效率的措施

期刊编辑人员要考虑到人工智能所带来的优势，善于接受新技术所带来的新挑战，不断学习，完善自身知识结构，将自身专业技能与人工智能技术的优势有机结合，可有效提高审核与校对效率。

3.1掌握校对软件的特点

在人工智能的支持下，校对软件的功能会日益完善，应用范围亦在不断拓展。然而，在日常审核与校对工作中，并不能完全使用校对软件替代编辑工作。编辑通常会利用校对软件对字词进行校对，但却无法实现对整句和语义的校对。随着时间的不断推移，校对软件不仅可实现对整句校对，还能提高对语义校对的准确度。然而，由于人工智能软件缺乏一定的常识和逻辑思维，在校对相关内容时依然无法保证校对的准确度。编辑要根据文稿的类型和软件的擅长之处，明确工作重点和工作任务，使自身工作与人工智能工作互为补充。

3.2不断完善知识结构

期刊编辑要以发展的眼光看待问题，并充分意识到自身知识结构所存在的欠缺，通过实际行动完善知识结构，实现能力的迭代。在审核和校对工作中，尽管现有的人工智能技术并不能真正替代编辑，但并不意味着编辑能够永远占据行业的主导权。若仅凭传统的工作经验和方法解决问题，就可能会导致编辑缺乏创新能力，从而被时代所淘汰。在日常工作中，编辑要认真学习与科技相关的知识，了解最新软件的特点，掌握人工智能技术的操作方法和发展规律，不断更新工作方式，充分适应接踵而至的挑战。

3.3实现自我精进

作为学术期刊的核心组成部分，学术编辑要充分考虑到自身能力的提升。第一，要创新工作理念。第二，掌握多元化知识和技能。编辑要主动学习与人工智能相关的知识，掌握常见的处理工具。比如，要认真学习编程技术，了解其发展现状和最新应用。第三，编辑人员要合理判定出版内容，并对其风险进行合理评估。比如，涉及到突发公共卫生安全事件时，编辑人员则需要利用自身的经验和敏锐的判断力明确排稿方向，确定刊期。第四，编辑要具备强大的职业判断力，这则是人工智能技术所无法替代的能力。目前，人工智能技术存在的弊端不容忽视，比如，该项技术不能替代人的创意。随着时间的不断推移，人类的创造能力依然是推动社会进步的源泉。对期刊编辑而言，要不断提高自身创造力，才能更好地驾驭人工智能技术。要认真学习特定领域的知识，比如，掌握相应的文本规范，了解语言逻辑，将人工智能技术作为审核和校对的辅助工具。

4.人工智能时代期刊编辑工作的转变

4.1搭建专业的学术服务平台

在人工智能时代，学术传播正逐渐迈向移动化和视频化方向，从传统的媒体形式转变为全媒体传播。期刊编辑要善于整合各类资源，将期刊打造成专业的学术交流平台和成果展示平台，充分分享作者、读者、编委、专家意见和建议，促进信息交流，实现资源整合。在互联网的支持下，读者对阅读的要求越来越高。在获取和传播知识时，期刊编辑要进一步完善服务功能，积极搜集和整理各种学术资源，设置专门的学术服务交流平台，满足广大读者和作者的需求。编辑人员要具备完善的品牌意识，培养自身策划能力和组织能力，保证各种学术交流活动顺利开展。定期举办学术交流活动，结合热点问题对活动进行策划，使广大科研人员拥有学习和交流的平台。通过学术活动，不仅能够扩大期刊杂志的影响力，还能提高论文的质量，从而扩大期刊品牌的影响力。要发挥出人工智能和大数据技术的作用，对用户的行为习惯和专业偏好进行分析，使推送内容更有针对性。比如，当作者的文章发表后，要为其推送论文的被引用情况，或为其推送与其研究相适应的新资讯，使其了解业内最新动向。要充分发挥出手机客户端、网站的优势，使用户能够在不同终端阅读信息，使用户和期刊之间的关系更加紧密。

4.2加强对人才的培养

为了进一步提高期刊的时效性，学术期刊出版单位要加强对优秀人才的培养，使广大期刊编辑能够熟练应用人工智能技术。要打造专门的编辑信息化管理系统，对编辑出版和编辑流程进行重组。比如，可在平台中融入期刊数据库、社交共享、移动出版等重要的功能，通过智能技术对用户进行描绘，从而进一步了解用户的特点，利用人工智能算法实现精准推送。要充分适应人工智能所带来的一系列改变，具备智能化工作思维。需加强对各类大数据平台的管理，提高数据和资源共享水平。要发挥出广大编辑的职能，加大投入力度，使编辑人员能够积极进行人工智能的学习。此外，出版单位要引导广大编辑了解相关法律法规，重视数据版权，采用专业的技术保障数据安全。

4.3转变工作观念和工作方式

在人工智能时代，编辑要积极转变传统的思想观念和工作方式，理性看待人工智能对编辑工作所带来的一系列影响，将人工智能视作编辑的得力工具。随着时间的不断推移，人工智能可帮助编辑完成更多工作，但编辑也要意识到人工智能自身存在的不足，需对工作进行合理的把关与控制，并亲自完成人工智能难以完成的工作。人工智能在许多方面凸显出的优势不容忽视。比如，该项技术可实现对海量数据的浏览和筛选，提高数据的价值。利用人工智能技术可处理这些重复性较高的工作，有效提高工作效率，减少由于人为原因造成的疏漏。在人工智能的帮助下，编辑能够及时从重复性的工作中抽身，从事更有创造性的工作。编辑要掌握更多的知识和技能，熟练运用多种工具和软件，发挥人工智能程序的优势，对稿件进行审核、编辑、排版和校对，对编辑出版流程进行优化。同时，编辑要转变工作思维，突破传统的思维局限，明确产品的定位和目标受众，利用新媒体对期刊内容进行传播，进一步扩大受众群体。要发挥出全媒体平台的多媒体属性，利用虚拟现实等新型技术为用户带来感官刺激，达到良好的传播效果。

5.人工智能应用存在的局限

第一，采用人工智能技术对论文进行检索时，可能会由于论文中存在的错误数据而导致人工智能对数据进行错误解读，将原本可以解释清楚的内容标为警示。若不进行人工审核，只采用人工智能技术对稿件进行审核，可能会对论文中的某些创新点造成影响。第二，采用人工智能技术对稿件进行审核时，可能会由于人工智能无法及时判断新知识，导致稿件作者改变自身主观意愿，为了满足人工智能的审核标准，从而对论文进行修改。第三，虽然人工智能能够进一步加快出版的速度，但在应用的过程中可能会出现文献泛滥、论文质量缺乏保障等问题。目前，人工智能技术并不能对论文的科学性和创新性进行合理判断。部分论文涉及到特殊领域，需通过人工审核的方式对论文的质量进行判断。人工智能技术缺乏人的理解、思考和创新能力，这是目前在应用这一技术时需要面对和改进的一个关键问题。第四，人工智能技术不能像人类一样去处理情感，或对某一问题做出理性的判断，尤其涉及到意识形态方面的知识和问题时，以目前的能力来看，人工智能技术尚无法进行处理。由此可见，由于人工智能还存在不擅长的内容，期刊编辑需加强对稿件的审核与把关，并保证拥有最终的决定权。

人工智能论文范文篇10

一、相关研究综述

在中国知网高级检索方式中选择按主题检索，方式为“人工智能”and“算法”and“数据”and“出版”，文献出版的时间范围为2018—2021，检索时间为2021年7月20日。共得到论文12篇。采用严格的检索条件为了避免检索到大量文献。在检索出的12篇论文中，有2篇发表于综合类核心期刊，其余10篇均发表于出版专业核心期刊。对这12篇论文用中国知网的分析功能进行分析，这12篇论文的总被引数68，总下载数5559，篇均被引数5.67，篇均下载数463.25。这说明检索方式筛选出了较有代表性的论文。夏德元认为，智能技术在传播领域的深度应用为提高出版生产力提供基础的同时改变了出版领域的生产关系[1]。付丽霞认为，应从各类著作权挑战的形态出发提出人工智能软件著作权保护难题的克服方法、人工智能辅助创作著作权侵害风险的化解举措，以及人工智能自主创作著作权认定困境的破解策略[2]。孔薇认为，学术期刊应创建基于数据挖掘与分析的智能出版管理平台；建立矩阵化、智能化的媒体融合发展体系；构建以用户需求为导向的知识服务模式；打造人机协同的智能型编辑部，不断推进智能化融合出版的发展进程[3]。相关研究在此不多综述。在中国知网以“人工智能”and“短视频”按主题检索，仅得到9篇论文。本文对人工智能技术在学术期刊出版中短视频应用进行探讨，以期为相关研究提供些许有益的参考。

二、人工智能视阈下学术传播与短视频的特点

（一）学术传播的特点

学术传播是学术信息经过编辑加工并复制后向受众发行的过程。与一般传播过程类似，学术传播也可以分为传播者、传播信息、媒介、接受者以及传播效果五个要素。学术传播既有符合一般的传播规律又有其特殊性。从传播信息生产者的角度看，信息生产者文化素养高。从信息传播角度看，学术信息要有较长的保存时间和相对稳定的呈现状态。原因在于学术信息生产者要在掌握前人的研究的基础上从事研究。从时效性角度看，学术信息要求在一定时间内呈现以体现学术信息生产者的学术观点。从内容方面看，学术内容专业性强，信息生产者的作用不可替代。短视频可以对学术内容传播起到辅助作用，将学术信息以短视频的形式表现出来，可以使学术知识的接受变得更容易，使受众对学术信息有更深刻的理解；而人工智能技术的应用能使传播效率更高，受众的细分更精准从而有效改善传播效果。

（二）短视频特点

在学术传播中，短视频是学术信息生产者的精神成果，表达了其学术思想或研究特点，具有独创性。短视频制作成本低，制作过程简单，传播范围广，可以在较短时间内将学术信息生产者所要传递的信息通过人工智能的算法推送给受众，提升学术信息生产者的学术影响。短视频可以促使学术信息生产者产生灵感，激发创作热情。由于短视频制作方便，学术信息生产者可以通过短视频制作紧跟学术研究热点或社会需求，提高短视频的内容价值。学术信息生产者可以通过短视频聚集人气、加强交流，有利于保持研究团队的活力。学术期刊出版单位在短视频传播中要逐步树立学术信息表述的规范与标准，以此弥补传统学术出版的缺陷。

三、短视频应用于学术期刊出版的实践路径

实践路径是主体对某一领域的实践的熟悉程度达到一定高度后的路径选择，是实践主体依据所处情境或对情境的理解基于认识实施的行为或计划的贯彻。实践路径的选择与阐释可以从实践者角度进行，也可以从作为主体实践的解释者的角度进行。

（一）加强对短视频的管理

对传统学术期刊的管理已经形成了成熟的管理模式。在学术传播中短视频的应用还没有形成稳定模式。学术期刊出版单位应积极采用各种传播形式提升传播效率，加速信息的交流。相关部门应加强对学术传播中短视频应用的引导，使短视频更好地为学术研究服务。短视频审核人员应加强法律法规方面的培训，借助人工智能的算法加强对短视频内容的审核，并制定标准使学术信息生产者在短视频制作中明确边界。相关部门应加强知识产权保护，通过加强对学术信息生产者的原创性观点以及研究方法的保护，提高其学术交流的积极性。相关部门可以推动建立行业协会，让行业协会发挥监督作用并承担部分管理责任，对短视频制作发挥引导作用，推动学术出版中短视频传播秩序的建立。

（二）创新学术传播方式

传统的学术传播主要以学术论文、专著等形式通过纸质媒体与网络平台进行。学术作品从选题策划到出版需要一定的时间，这对学术传播的时效性产生不利影响。学术作品借助网络的传播还可能增加受众的经济成本，使传播范围受到制约。出版单位可以利用短视频的实时性与互动性强的特点，以学术热点问题、重要学术人物或社会需求作为选题方向，增强短视频制作的指向性。出版单位可以通过指导学术信息生产者进行视频制作并对视频进行剪辑，或直接派出人员进行制作。学术成果评价所认可的方式主要以论文或专著为主，视频格式的学术研究成果受认可程度低，故学术出版中短视频应用还有不小的阻力。学术期刊出版单位可以选择观点新颖或研究方法有独特之处的视频，再与学术信息生产者取得联系，指导作者进行论文创作。这样可以让短视频作者产生创作的动力，其学术成果评价要求也可得到满足。学术期刊出版单位还可以针对短视频制作建立激励机制，推动高品质短视频的生产。学术期刊出版单位应对人工智能在短视频选择中的作用进行研究，通过人工智能的应用提高短视频遴选效率，让优质的短视频以最快的速度脱颖而出，呈现在受众视野中。

（三）加强短视频推送，完善评价机制

学术信息生产者在短视频制作中发挥筛选、加工、传播等作用，与其他社会个体与群体产生互动。学术期刊出版单位要提高对短视频的策划能力与精准推送能力。电子邮件推送是指将短视频通过电子邮件的形式发送给特定个人或组织的行为。电子邮件推送可以加强专家学者间的联系，增强学术传播的互动性。学术期刊出版单位可以通过人工智能算法的应用实现对短视频制作的引导，加强推送的准确性并获得流量收益。目前，短视频评价机制主要是从评论、点赞、关注情况以及播放率、完播率等方面进行。这种评价机制容易使学术信息生产者在短视频制作中受到非学术传播因素的影响。学术期刊出版单位对短视频的评价等坚持以内容为中心的原则，使短视频在学术出版应用中始终以社会效益作为首要考虑的因素。