人工智能對教育的意義范文

導語：如何才能寫好一篇人工智能對教育的意義，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

【關鍵詞】 血管性認知功能障礙；支架成形術；復方蓯蓉益智膠囊；療效

DOI：10.14163/ki.11-5547/r.2015.10.114

血管性認知功能障礙（vascularcognitiveimpaiyment， VCL）是最常見的顱內血管疾病。國內外大量動物實驗及臨床研究均證明腦供血動脈狹窄是引起認知功能障礙的原因之一。冠狀動脈支架成形（CAS）可以改善認知功能履有報道， 為治療帶來了希望。2012年5月～2014年5月作者觀察研究了血管內支架成形術治療和口服蓯蓉益智膠囊治療VSI的療效和比較， 結果報告如下。

1 資料與方法

1. 1 一般資料 40例VCI患者來源于本院放射介入科。經全腦血管造影術或頭部CT成象確診為腦血管動脈狹窄， 均符合《第四屆全國腦血管會議修訂標準》， 并達到血管內治療標準。中醫辨證屬肝腎虧虛， 痰瘀阻絡證。其中男32例， 女8例；年齡60～81歲；病程6～12個月。40例患者中血脂異常20例， 糖尿病9例， 高血壓病史30例， 腦梗死病史28例， 腦血管中度硬化4例。排除腦炎、腦腫瘤、腦外傷、腦出血、有精神病史、有一氧化痰中毒病史、正在服用抗精神病藥影響認知功能的患者。40例確診血管性認知功能障礙患者隨機分為血管內支架成形治療組（支架組）和口服復方蓯蓉益智膠囊組， 各20例。兩組患者在性別、年齡、病程等一般資料方面比較差異無統計學意義（P>0.05）， 具有可比性。

1. 2 治療方法 支架組患者術前3 d開始服阿司匹林200～ 300 mg， 氯吡格雷75 mg， 1次/d， 連用3個月后改為氯吡格雷單藥繼續服至術后6個月。患者術后頸外血管殘余狹窄≤10%， 頸內血管殘余狹窄≤20%～30%。復方蓯蓉益智膠囊組口服復方蓯蓉益智膠囊4粒， 3次/d， 并連用阿司匹林和氯吡格雷至6個月。

1. 3 檢測指標 兩組患者在治療前接受認知功能測定， 采用簡易精神狀態量表（MMSE）評分。其中時間定向力為5分， 地點定向力為5分， 即刻記憶力為3分， 延遲記憶力為3分， 計算力為5分， 語言能力為2分， 復述書寫力為3分， 執行力為4分， 總分30分。認知功能嚴重程度分級：正常為MMSE評分≥27分；中度為21～27分；中度為10～20分；重度為≤9分。兩組患者分別在6 h后和1、3、6個月分別行認知功能測定。

1. 4 統計學方法 采用SPSS18.0統計學軟件處理數據。計量資料以均數±標準差（ x-±s）形式表示， 實施t檢驗；計數資料以率（%）形式表示， 實施 χ2檢驗。P

2 結果

兩組治療前后MMSE評分結果比較， 治療前支架組與復方蓯蓉益智膠囊組比較， 差異無統計學意義（P>0.05）；治療后6 h內和1、3、6個月支架組MMSE評分較復方蓯蓉益智膠囊組顯著升高， 差異有統計學意義（P

3 討論

病理機制研究發現[1]血管認知功能障礙患者皮層下小血管病變的比例很高， 在MRI上可呈白質異常， 與經常性、慢性和彌漫性的輕度缺血有關。Shibata等[2]采用雙側頸總動脈線結法， 造成小鼠腦組織反復缺血-再灌注， 使腦組織廣泛損傷產生梗死灶， 引起皮層降解纖維受損出現皮層功能紊亂， 斑塊脫落造成腦內多發微小的腔隙性梗死灶和微栓子造成的無癥狀性損傷的累加作用， 經行為學測試， 可使小鼠學習、記憶、認知功能受損。根據以上機制對VCI的治療首先應注重控制血管因素的發展， 預防腦卒中的復發包括控制危險因素和腦卒中的一、二級預防。楊婷等[3]報道頸動脈支架成形術可以改善患者認知功能障礙， 頸動脈支架植入后， 大腦低灌注情況有所改善， 通過P300潛伏期檢測、MMSE評分， 發現頸動脈支架植入術后患者的各項指標均比術前有明顯好轉。

中醫認為病位在腦， 與心、肝、腎功能失調有關。由于七情內傷， 久病耗損， 年邁體弱， 致使氣、血、痰、郁、瘀等病邪為患， 漸使腦髓空虛， 氣血不足， 腎精虧耗， 痰瘀互阻， 腦髓失養。其癥侯特征以虛為本， 以實為標， 臨床多見虛實夾雜癥。復方蓯蓉益智膠囊有益智養肝， 活瘀化濁， 健腦增聰的功能， 適用于輕、中度血管性智呆屬肝腎虧虛兼痰瘀阻絡。在缺血再灌合并頸外靜脈抽血降壓所致缺血性腦損傷的大鼠模型中[4]， 本品可使大鼠在躍臺試驗中的錯誤次數減少， 水謎宮試驗中游全程時間縮短， 進入盲端次數減少， 并可改善模型組造成的病理改變， 改善由腦血栓造成的腦缺血癥狀， 提高模型大鼠的腦組織血流量。

本研究將40例VCI患者分為兩組， 比較治療前及治療后6 h和1、3、6個月MMSE評分， 治療前支架組與復方蓯蓉益智膠囊組比較差異無統計學意義（P>0.05）；但在治療后6 h和1、3、6個月， 支架組與復方蓯蓉益智膠囊組比較差異均有統計學意義（P

綜上所述， 血管內支架成形術和口服復方蓯蓉益智膠囊治療VCI均有效， 但血管內支架成形術能讓患者的認知功能在短時間內得到改善， 而復方蓯蓉益智膠囊組需較長時間， 療效上支架組優于復方蓯蓉益智膠囊組。

參與文獻

[1] Erkiniuntti T， Roman G， Gauthier S， et al. Emerging therapies forvascular dementia and vascular Iar cognitive impairment. Stroke ， 2010， 35（4）：1010-1017 .

[2] Shibata M ， Ramasaki N ， Miyakawa T， et al. Selecti Ve impairment of working memory in a mouse model of chronic cerebralhypoperfusion. Stroke， 2007， 32（38）：2826-2832.

[3] 楊婷， 陳康寧.頸動脈支架置入術改善患者認知功能障礙.現代生物醫學進展雜志， 2008（12）：2511-2513.

篇2

2016年是世界圍棋界極不尋常的一年，3月份在“阿爾法圍棋”（AlphaGo，一款圍棋人工智能程序）與圍棋世界冠軍、職業九段選手李世石之間展開的一場人機大戰中，“阿爾法”的勝出震驚全球。7月份世界職業圍棋排名網站公布了最新世界排名：“阿法圍棋”以3612分，超越3608分的柯潔成為新的世界第一。

2016年12月29日到2017年1月4日，一個名叫 “Master”的神秘網絡圍棋手橫掃中、韓、日圍棋界。它憑借驚人的穩定性一路高唱凱歌，獲勝60場，沒有敗績。最終神秘的“Master”揭開了廬山真面目，宣布自己就是“阿爾法圍棋”。

2017年1月，谷歌Deep Mind公司宣布推出真正2.0版本的“阿爾法圍棋”，成為第一個不借助讓子，在全尺寸19×19的棋盤上擊敗職業圍棋棋手的電腦圍棋程序，其特點是擯棄了人類棋譜，只靠“深度學習”的方式成長起來挑戰圍棋的極限。

圍棋是人類最具智慧的競技之一，而人工智能（Artificial Intelligence，簡稱AI）研發是人類最具挑戰性的科技探索。人機大戰的經典對決將被同時載入圍棋史冊和科技史冊。它的意義已經遠遠超出圍棋本身，人們熱衷談論“阿爾法圍棋”更多是出于對AI技術的關切。從誕生到日益成熟，AI理論和技術的應用領域在不斷擴大，不知不覺間滲透到人類當代生活的各個方面。AI時代，互聯網、金融、醫療、教育、物流、娛樂、傳媒等行業都在加速自己智能化的進程。可以想見，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。 而與此同時，人類命運和機器智慧的沖突與共存，已經由人機大戰開始不斷升溫。

“人工智能百年研究”項目

2014年秋季，美國斯坦福大學開啟了“人工智能百年研究”（AI100）項目。這是一個超大型長期項目，該項目發起人――美國人工智能發展協會會長、前微軟研究員埃里克?霍維茨博士表示，“我們的職責是研究人工智能在2030年前對人類社會生活方方面面所產生的影響，尤其是在北美地區”，而“研究的核心是，人類不能喪失對人工智能的控制能力”。 “人機大戰”

2016年9月1日，“人工智能百年研究”項目的第一項成果《人工智能與2030年的生活》。這是一份試圖定義北美城市在未來10多年間將要面臨的可以模擬人類行為的計算機和機器人系統 （即人工智能）問題的報告，涉及交通、家庭/服務、健康醫療、教育、低資源社區、公共安全與防護、就業、娛樂等關注領域，目的是推動相關政策的制定。業內人士認為，工業界和學術界目前正在聯手倒逼政府出臺人工智能的相關政策，希望可以獲得更大力度的資金和法律扶持。

《人工智能與2030年的生活》所列舉的關注領域，均面臨著人工智能的影響和挑戰。例如開發安全可信賴的硬件的困難（交通工具和服務機器人），獲得工作信賴的困難（低資源社區和公共安防），對勞動力可能被邊緣化的擔憂（就業和職業），以及人際交往減少帶來的社會副作用（娛樂）等等。

1.交通：自動駕駛的汽車、卡車、無人機投遞將改變城市里的工作、購物和休閑娛樂模式，但需要增加可靠性、安全性和用戶接受度，并根據新的交通模式改進當前的相關法規和基礎設施。

2.家庭/服務機器人：現在進入家庭的掃地機器人或特種機器人能夠為家庭和工作場所提供清潔和安保服務，當務之急是技術方面的挑戰和機器人成本過高的問題。

3.健康醫療：個人健康監測裝備與手術機器具有極大的發展潛力，人工智能軟件將最終對某些疾病自動進行診斷和治療。目前的關鍵是獲取醫療從業者的信任。

4.教育：互動輔導系統在幫助學生進行語言、數學以及其他技能的學習方面已經發揮出作用，自然語言處理的發展將為這一領域的應用帶來全新的方式。當務之急是教育資源分配不均的問題，以及教、學雙方直接互動的減少會帶來哪些消極影響。

5.低資源社區：投資最新技術領域有助于更充分地發揮人工智能的優勢，比如避免鉛污染和改進食品分配等，重要的是讓公眾參與進來以增強相互信任。

6.公共安全與防護：利用相機、無人機和軟件進行犯罪模式分析，應用人工智能技術來降低人類判斷的主觀偏見，與此同時在不侵犯個人自由和尊嚴的情況下增強安全性。目前需注意的是如何保護隱私和避免固有偏見。

7.就業和職業：隨著全球經濟的快速發展，傳統崗位開始被新崗位取而代之，有關人類如何適應這種新變化的相關工作需要立即展開，比如如何妥善處理勞動力下崗以及人工智能對新工作崗位不適應的問題。

8.娛樂：內容創建工具、社交網絡和人工智能的結合，將開創全新的媒體內容收集、組織和分發模式。但問題是新的娛樂方式如何在個人價值和社會價值之間取得平衡。

《人工智能與2030年的生活》在回顧發展歷程和展望發展趨勢時指出，人類正加速在人工智能領域的研究，試圖建立一個能與人高效協作的智能系統。其中最重要的是機器學習的成熟，它受到了數字經濟崛起的部分影響――數字經濟為機器學習提供了大量數據。此外其他影響因素包括云計算資源的崛起，以及消費者對語音識別和導航支持等技術服務的需求。研究人員認為，不管是從基本方法上還是應用領域，包括大規模的機器學習、深度學習、增強學習、機器人、計算機視覺、自然語言處理、協作系統、眾包和人類計算、算法游戲理論和計算的社會選擇、物聯網、神經形態芯片在內的研究趨勢，共同促進了人工智能研究的熱潮。

這份報告試圖嚴肅地討論這樣一個問題：如何更好地引導人工智能來豐富和服務于人類生活，同時推動和激勵這一領域的創新。因為人類目前并不能清晰而完美地預測未來的人工智能技術及其影響，所以一定要對相關政策進行評估。未來幾年公眾在交通和醫療等領域內應用人工智能的機會日漸增多，因此必須以一種能構建信任和理解的方式將其引入，確保在尊重人權和公民權利，保護隱私和安全，維護廣泛而公正的利益分配等方面措施周備。 世界經濟論壇說，機器人和人工智能到2020年可以取代510萬個工作崗位。

研究人員指出，傳統的人工智能范式已被數據驅動型范式成功取代，對于定理證明、基于邏輯的知識表征與推理這些程序的關注度在降低。作為20世紀七八十年代人工智能研究的一根支柱，規劃（ Planning ）強烈依賴于建模假設，難以在實際應用中得到滿足；視覺方面基于物理的方法和機器人技術中的傳統控制與制圖，正讓位于通過檢測手邊任務的動作結果來實現閉環的數據驅動型方法；還有曾頗受歡迎的貝葉斯推理和圖形模式，在數據和深度學習的顯著成果前也顯得相形見絀。在未來15年中，針對人類意識系統開發，按照能夠互動的人類特點進行建模和設計人工智能系統成為人們的興趣點。在考慮社會和經濟維度的人工智能時，物聯網型的系統變得越來越受歡迎。數據驅動型產品的數量及其市場規模將會擴大。

“為機器人安裝‘死亡開關’”

2017年1月，歐洲議會法律事務委員會召開會議，呼吁制定“人類與人工智能/機器人互動的全面規則”。議公布的報告對機器人可能引發的安全風險、道德問題、對人類造成的傷害等情況進行了討論，探討是否需要為機器人安裝“死亡開關”、研究機器人搶走人類工作的應對措施等等，要求歐盟為民用機器人制訂法律框架。專家認為，這或將是首個涉及管制機器人的立法草案，將有利于人類應對機器人革命帶來的社會震蕩。

會議認為，人工智能和機器人發動的新工業革命可能影響到所有的社會階層。機器人可能創造無限的繁榮，與此同時將影響人類未來的就業情況。機器人取代人類在許多行業是大勢所趨。在德國，每1萬個雇員中就有301個是工業機器人。報告要求歐盟委員會對各國民眾的就業情況進行調查，重點關注極易被機器人取而代之的職位。如果機器人成為職位“殺手”，歐盟各成員國應考慮為國民提供基本的生活保障。埃里克?希爾根多夫是一名德國法律教授，他非常認同歐洲議會討論的這項議題。“這不僅在政治上是可取的，從法律角度也是必要的，這樣我們才能及時應對機器人革命帶來的社會震蕩。”他指出，“即使是銀行顧問、教師和記者等要求嚴格的職業，未來也無法在這場科技洪流中幸免。”

會議強調，因為人工智能在幾十年內可能超越人類的智力，將對人類控制機器人構成挑戰。隨著機器人自我意識的崛起，甚至可能威脅人類的生存。近年來，機器人“殺人”的事件時有發生：2015年6月，在德國大眾汽車公司，一名工人安裝機器人時反被它抓起推向金屬板壓死；2016年6月，美國一家汽車零件生產商的一名女員工正在修理出現故障的機器人時，它突然啟動，將修理女工活活壓死。

報告參照美國科幻小說作家艾薩克?阿西莫夫提出的“機器人學三大法則”，將其作為立法框架，對機器人自我意識覺醒后的行為規范做出規定。“機器人學三大法則”包括： 1.機器人不得傷害人，也不得見人受到傷害而袖手旁觀。2.機器人應服從人的一切命令，但不得違反第一法則。3.機器人應保護自身的安全，但不得違反第一、第二法則。由于規則無法轉化為代碼，歐洲議會正在著手建立一個針對機器人和人工智能研發的機構，為設計、生產和操作機器人的人員提供技術、倫理和監管方面的專門知識等。

報告還提出：1.在設計新型機器人時，設計師應該尊重人類的基本人權，事先獲得道德研究委員會的批準。2.必須為機器人注冊，以便在調查事故時查找涉事的機器人。3.確保機器人安裝有“死亡開關”，可以隨時被關閉。4.機器人不能對使用者造成“身體或心理傷害”。如果釀成事故，機器人不能逃脫責任。機器人所負擔的責任應該與其接收的實際指令及其自主程度相對應：它的學習能力和自主性越高，那么人的責任就較低；倘若它“受教育”的時間越長，教它的“老師”負的責任就越大。報告還指出，機器人的生產商或擁有者將來需要購買保險，來承擔機器人可能造成的損失。

人類與機器人的關系將會引起一場涉及私隱、尊嚴和安全的大討論，在歐洲議會投票贊成立法之前，各成員國政府將對此做進一步的辯論和修正。

“機器人應當納稅”

英國牛津大學近期一項調查結果顯示，今后數十年間，自動化改變生產線的速度將超過20世紀。在經濟合作與發展組織（OECD）成員國，57%的工作崗位有被自動化取代的風險。英國中央銀行英格蘭銀行預測，在自動化浪潮中，危在旦夕的英國工作崗位多達1500萬個。美國白宮2016年預測，機器人取代時薪低于20美元以下崗位、介于20～40美元崗位和時薪40美元以上崗位的概率分別為83%、31%和4%。

在美國微軟公司創始人比爾?蓋茨看來，為暫時性減緩自動化蔓延速度，很有必要向企業為雇用機器人員工而征稅，稅單將是阻止機器人取代人類工作崗位的殺傷性武器。如果機器人將大范圍取代人類工作崗位，那它們至少應為此買單。“目前一個人類員工在工廠中創造了5萬美元的價值，這個價值會被征稅。人類員工需要繳納各種稅，如所得稅、社會保障稅以及其他稅款。如果一個機器人在工廠做與某個工人同樣的事情，我們也應按同等水平向它征稅。”

蓋茨同時認為，盡管一些工作崗位可能被機器人取代，但人們可以在那些所需技能是機器人無法復制的領域里繼續工作。世界需要抓住機遇解放勞動力，讓人們從事更好的工作，例如關愛老人和幫扶特需群體。在這些領域，人類具有獨特的同情心和理解力。

法國社會黨總統候選人伯努瓦?阿蒙也呼吁法國對機器人征稅，部分稅收用于補貼全民基本收入保障。越來越多的政界人士和硅谷富翁支持推出全民基本收入保障，以化解自動化引發的大范圍失業。而反對機器人稅的人士則持這樣的觀點：自動化即使在短期也可以借助提高生產率創造新的就業崗位。

“人類需要成為‘半機器人’”

美國特斯拉汽車公司首席執行官伊隆?馬斯克在2017年2月13日迪拜舉行的 “世界政府峰會”上表示，未來20年，駕駛人員的工作將被人工智能所顛覆，之后全球12%～15%的勞動力將因為人工智能而失業。“從技術角度講，最迫切的影響會來自自動駕駛汽車。它到來的速度將遠快于人們的預期，當然它會為人類提供極大的方便。”

篇3

【關鍵字】人工智能；課程改革；高中；信息技術；課程實施

【中圖分類號】G420 【文獻標識碼】A 【論文編號】1009―8097 (2008) 10―0043―04

教育部在2003年頒布的高中信息技術新課程標準中，首次把“人工智能初步”設置為選修模塊，與多媒體、網絡、程序設計、數據庫技術等一起列入信息技術課程體系[1]。此舉曾被視作信息技術課程改革的亮點之一。然而，在如今高中信息技術新課改已經全面鋪開之際，人工智能選修課程的推進仍然舉步維艱，面臨諸多困難和問題。

一 高中人工智能課程的現狀分析

自2004年我國部分省級實驗區開始推進高中新課程改革以來，信息技術課程改革已經開展了四年之久。從目前的總體情況來看，信息技術課程的基礎模塊與多媒體技術、網絡技術、算法與程序設計三個選修模塊的實施情況較好，而數據庫技術與人工智能初步兩個選修模塊的推進情況相對不佳。特別是人工智能課程，至今在全國范圍內正式開設該課程的學校寥寥可數，少數高中展開了一定的探索和實驗，而大多數學校仍持有觀望態度。以下分別從實施取向和實施層次的角度分析該課程的現狀：

（1） 課程實施的取向

由于我國長期以來實行的是全國統一的課程與教材，按照統一規定執行教學計劃，對學校和學生的評價也是按照統一標準與方式實施的，因此我國以往的課程實施基本上都采用了忠實觀的取向[2]。本次新課改中信息技術課程的實施過程難免受到這種取向的影響。然而，新課程標準中對信息技術技術各個模塊的具體實施并沒有明確而詳細的規定，從而使教師對包括人工智能模塊在內的課程實施缺乏長期慣于依賴的參照和依據，增加了課程實施的難度，造成部分模塊的課程難以開設的情況。

（2） 課程實施的層次

課程實施包括五個層面的變化，即教材的改變、組織方式的改變、角色和行為的改變、知識與理解的改變、價值的內化[3]。目前高中人工智能課程在教材改變的層面已經做出了一定的努力。在課程標準的指導下，現已出版的五套教材在體例、版面、學習活動、評價等方面進行了多樣化的設計，基本上貫徹了新課標所倡導的課程目標和理念。在組織方式的層次，少數已經開設人工智能課程的學校結合學生的興趣與學校的實際情況，有針對性地開展了課程的組織。然而，仍然有一些地區或學校不愿或不習慣打破原有的課程組織方式，而是采用硬性規定的方式，人為指定兩三門課程，將選修變為必修，限制學生的自由選擇，依然維持原有的固定班級授課的形式。教材的改變僅僅是課程實施的開始，在組織方式、角色或行為、知識與理解、價值等層次，大部分學校還未發生變化或變化還很小。

（3） 課程實施的典型個案

目前國內開展人工智能課程教學或實驗的典型學校如表1所示。總體來看，這兩所學校都地處東南沿海地區，且學校本身比較積極參與高中新課改的實踐探索，屬于“敢于吃螃蟹”的類型。考慮到課程本身的要求較高，兩所學校都選取了基礎較好的學生開展教學。到目前為止，兩所學校均已開展了三期的教學或實驗探索，任課教師及時總結教學心得體會，并在相關教學刊物或課程研修活動中與廣大一線教師分享教學經驗。

二 高中人工智能課程的影響因素

根據Snyder的研究，可以把課程實施的影響因素歸納為四個方面：課程改革自身的性質、校區的整體情況、學校的水平以及外部環境[4]。結合高中人工智能課程的現狀，本文分別從以上四個方面來探討影響該課程的主要因素。

（1） 課改自身的性質

課程改革本身的性質是影響課程實施的第一要素。它包括課程改革的必要性及其相關性、改革方案的清晰程度、改革內容的復雜性以及改革方案的質量與實用性。結合信息技術新課程改革的相關調查研究，廣大信息技術教師和教研人員對課改的必要性應該認識得比較到位，然而他們對信息技術課程中是否有必要單獨開設人工智能模塊存有疑惑。其次，不少教師對課程改革方案（課程標準）的認識并不是非常清晰。他們認為新課程標準中的教學理念、實施建議等內容相對抽象，不易把握和理解，缺乏具體的針對性，可操作性不強。再次，人工智能課程的實用性相比其他模塊并不明顯，課程內容也相對難度較高。這些因素造成課程設置的必要性不強、實施難度大、實用性不高，直接影響人工智能課程在學校的順利設置。

（2） 校區的整體情況

校區的整體情況主要包括地區的適應性、地方管理部門的支持、教學隊伍的培養、教學研討和交流等等。各地區對課程改革的需要程度會直接影響人們實施課程的積極性和主動性。我國東西部地區的學校對課程改革的需求程度不同，從而造成了課程實施的地區差別。從目前開設人工智能課程或教學實驗的學校來看，均分布于東南沿海較為發達的地區。這些學校的共同特點是基礎條件較好，對課程改革的積極性高，敢于進行教學嘗試和革新。此外，地方管理部分的支持對課程實施也有很大影響，如廣東省為了推動信息技術課程改革，專門出臺了關于課程標準的教學指導意見[5]。其中強調“要特別注意人工智能初步”，并針對人工智能課程提供了較為具體的教學建議，從而促使該省出現了全國最早正式開設人工智能課程的學校。師資隊伍也是影響課程的因素之一。目前大多數高中缺乏熟悉人工智能課程內容和教學方法的專業教師，使得學校無法開設該課程。因此，有關人工智能課程的研討和學習交流顯得尤為重要，然而目前這些方面的活動總體上相對缺乏。

（3） 學校的水平

學校水平對課程實施的影響因素包括校長的作用、教師的個人特征和教師集體的行為取向。學校是課程改革的基本單位，校長和教師是學校課程改革的動因。校長對課改理念的理解，以及對課改的支持、參與程度都會影響課程的順利實施。校長通常會根據上級主管部門的意見，結合本校的實際情況，權衡課程改革可能對學校形成的各種影響。在高考的影響下，信息技術課程在高中各科中長期存在地位“低人一等”的現象，甚至出現課時常被“侵占”的現象。如果校長對信息技術課程本身不重視，那么要求學校開設人工智能選修課無疑是一種奢望。此外，一所學校教師個人和集體的改革意識的強弱也會影響課程的實施。從人工智能課程的現狀來看，恰好印證了這一點：改革意識強的教師個人或教研組即使沒有上級的硬性指令，也能積極展開各選修模塊的教學嘗試和探索，并自覺地從教學者成長為研究者，而思想保守的學校即使具備了課程實施的基本條件，也不愿積極開設相關的選修課程，長期停留于課程的“忠實執行者”的層次。

（4） 外部環境

外部環境因素主要包括政府部門的重視、外部機構的支持以及社區與家長的協助。各國課程改革的經驗表明，教育行政部門和相關機構的態度在很大程度上影響到新課程的順利實施。特別是我國長期以來受到前蘇聯教育模式的影響，課程改革通常是自上而下的模式，新課程的實施主要依靠各級政府教育行政部門的政策和指令的推動。本次新課程改革同樣繼承了這一模式，但是整個教育體制和評價體系未能及時進行相應的調整，因此在某些方面造成各級教育部門的政策抵觸，出現“上有政策、下有對策”的情況。此外，社區與家長對新課改的認識和態度也影響到人工智能課程的實施。研究表明，社區與家長更加關心的是新課改是否有助于提高學生的學業成績，是否會給學生造成更大的負擔，而對學生能力的全面發展和個性的培養則是其次的考慮。因此，要使社區與家長認識和了解課程改革的意義和目標，引導其關心新課程、支持新課程才能更好的促進新課改的健康發展，進而才可能使得包括人工智能在內的高中各科選修模塊得以全面開設與實施。

三 高中人工智能課程的反思

通過調查訪談以及與相關授課教師的交流，筆者了解到高中人工智能課程的教學情況和教師的經驗體會。總體來說，該課程的推進情況不如預期理想，需要從課程的設計、管理、教學以及評價等方面進行反思。

（1） 課程設計

本次高中信息技術課程改革將原來的一門課程分解為1個必修模塊和5個選修模塊，從而給學生提供多樣化的選擇。“人工智能初步”選修模塊是作為智能信息技術處理專題設置的，以反映信息技術學科的發展趨勢，體現教育的時代性要求。課程設置的目的在于使學生在技術掌握與使用的過程中，逐漸領會信息技術在現代社會中的應用以及對科學技術和人類發展的深遠意義[6]。然而，以上的描述更多是該模塊的隱性價值，相比其他模塊該課程的顯性價值并不是很直觀。而一線的信息技術教師較多關注的是該課程的顯性價值：課程能給學生帶來些什么？學生的實踐能力能否有較大提高？教師們在沒有找到一個合理的價值依托之前，一般不會貿然開課。這一點值得課程設計者和教研人員的深刻思考。

通過網絡問卷調查，不少教師認為人工智能課程在高中開設是有一定必要性的[7]，但并不意味著所有的學生都需要學習該課程。課程應面向對人工智能有一定興趣的學習者，且最好有一定的基礎。事實上，相對于其他選修模塊，選擇人工智能課程的學生并不是很多。因此，結合我國目前的情況，可以考慮優先在發達地區條件較好的部分學校開設，再進一步利用其示范作用，以點帶面，逐步鋪開培訓、指導、交流的規模和影響面，積極穩妥地推進高中人工智能課程的建設。

（2） 課程管理

課程的有效管理有助于提高課程實施的質量。上個世紀90年代以來，我國的中小學課程由原來的中央集權管理體制逐步轉變為國家、地方、學校的三級管理體制。國家負責課程的總體規劃，省級教育部門結合本地區實際制定課程計劃或實施方案，而學校也將有權根據學校傳統或學生興趣開發適合本校的課程。目前人工智能課程雖然已被列入國家課程標準，但在地方管理層面并未得到應有的認可。部分地區考慮到高考因素，直接將人工智能模塊排除在學生的選擇范圍之外，無疑成為阻礙該課程順利實施的一個重要原因。

目前我國高中了解熟悉人工智能教學內容、方法的教師十分缺乏，相關教育主管部門需加強該課程的師資培養，邀請教材編寫人員和相關專家，積極開展各級培訓、研討和交流活動，以務實的態度來聽取學科教師的意見，為他們提供一些明確的、可操作的指導和建議。也可以開展優秀教學案例的征集和評獎，通過公開課的觀摩和點評活動，或吸納中學教師參與有關課程改革和教學研究的課題，以此提高教師參與改革的積極性。此外，國內高等師范院校信息技術相關專業應該對新課改作出及時的反應，針對高中信息技術各選修模塊為師范生開設相關的課程，為課改的成功實施提供后備師資力量的支持。

（3） 課程教學

從已開展的人工智能課程教學或實驗情況來看，主要的教學體會包括：教學對象選取時要有針對性，不宜硬性指定，應結合學習者自己的興趣和學習基礎供其自由選擇；由于課程的理論和技術的要求較高，不宜大量采用“講授法”進行教學，應設計一些有挑戰性的活動供學生實踐；為保證教學進度有序進行，可通過課堂小測及時鞏固所學內容；應提供良好的網絡條件和計算機設備以支持課程教學和實踐的順利開展。

國外一些高校通過遠程網絡的手段與中學合作開展人工智能教學，加快了課程建設的步伐，并提高了教學質量。大學負責教學網站的建設維護，主持與中小學的討論答疑，中學則負責課程教學的具體實施。文中個案也印證了這種做法的有效性：讓一些致力于高中人工智能課程研究的高校和部分條件較好的中學建立共同體，協作推動課程的實施。一方面，高校研究人員能為中學提供教學指導建議、技術和資源的支持；另一方面，中學的教學實踐也為高校進行課程教學研究提供了材料和依據。

（4） 課程評價

研究表明，評價目前已成為影響高中信息技術新課程實施的一個重要問題[8]。從本次課改的動因來看，針對我國現行教育體制下的高考選拔制度在很多方面呈現的弊端，新課改力圖在一定程度上改變這一局面，努力使學習者能夠真正獲得全面的發展。但是，在目前情況下以高考為“指揮棒”的評價體系短期內仍然無法發生質的變化。高中新課改實施以來，部分省份相繼將信息技術課程納入了高考的范疇，以往信息技術課程不受重視的情況逐漸得到了一些改善。然而，高考是否解決信息技術課程評價問題的一劑良藥，進而為人工智能課程的實施及其評價帶來新的希望，目前仍是值得懷疑和思考的問題。特別是當前高考科目已經較多，再增加科目無疑會加重學習者的負擔，且很容易回到應試教育的老路上。

其次，雖然新課程標準中提供了關于課程評價的建議，但是其中的內容仍然比較抽象，可操作性不夠。如在信息技術課程標準的評價建議中，提倡評價主體的多元化，關注學生的個別差異，綜合應用多種過程性評價方式，適當滲透表現性評價的理念，等等。這些內容從理念上來講都是很好的，但是如何在教學實踐中加以操作實施，對一線教師而言仍是不夠明確和難以把握的問題。而且，信息技術課程的每個模塊各有特色，然而課程標準并未就此提供專門的評價建議。因此，一套科學合理、適合人工智能課程的評價體系和方法仍需要教研人員在實踐中不斷摸索總結。

參考文獻

[1] 教育部. 普通高中技術課程標準(實驗) [S].北京:人民教育出版社,2003:9.

[2] 鐘啟泉. 課程論[M].北京:教育科學出版社,2007:207-214.

[3] Fullan, M. & Pomfret, A. Research on curriculum and instruction implementation [J]. Review of education research, 1997, 47(1).

[4] Snyder J.B. & Zumwalt K. Curriculum implementation [M]. In Jackson P. W. (Ed).Handbook of Research on Curriculum. New York: Macmillan Publishing Company, 1992.

[5] 珠海教育信息網. 廣東省普通高中信息技術課程標準教學指導意見 [DB/OL].

[6] 顧建軍等.技術課程標準(實驗)解讀[M].武漢:北教育出版社,004:9.

篇4

這種解讀所指的是，人工智能將在未來全面介入人類生活，開啟人類文明發展的又一個新時代。

人工智能的絕對優勢

人工智能早就進入了醫學研究（藥物研發、基礎研究）和臨床診療領域，人與人工智能的競爭也不可避免，那么，人工智能會像戰勝柯潔一樣，優于或勝過人類醫生嗎？

僅從現有的情況看，人工智能有優于人類醫生的地方。以癌癥治療為例，當確診癌癥后，針對不同病人的個性化治療才會比較有效。機器學習（算法）是人工智能的一基本內容，其中，數據的輸入、輸出、賦值等運算可以讓人工智能對某一問題進行計算分析，從而得出有針對性的解決手段。加拿大西方大學的羅根（Peter Rogan）等人通過對基因數據的分析得出最可能的有效治療癌癥的方案，讓該治療方案變得更加個性化。

研究人員使用了一套含有40個基因的數據，這些基因可以在90%的乳腺癌中找到。在接受試驗的近350名癌癥病人當中，至少都會接受紫杉醇或吉西他濱其中一種化療藥物治療。之后，研究人員讓人工智能對數據展開處理并找出藥物與病人基因之間存在的關系。結果顯示，同時接受兩種藥物的治療有效率為84%，只接受紫杉醇的有效率為82%，只接受吉西他濱的有效率則在62%到71%之間。

這就為醫生提供了選擇更好或最佳治療方案的決策基礎，在上述方案中，醫生選擇對病人同時使用紫杉醇和吉西他濱，可以達到最高的84%的治療有效率。

也許這種人工智能軟件對不同病人提供的治療方案比其他醫生的治療有效，但是，人工智能的這種算法和分析是醫生首先教會它的。更重要的問題是，當超出了這40個基因的范疇，這套人工智能的算法和提供治療的方案就有可能受到限制。

面臨這樣的問題，人工智能只會一籌莫展。但是，人是有巨大動力的，這種動力的來源之一是，人有強烈的情感。柯潔輸給Alpha Go或感到贏不了Alpha Go會沮喪得流淚，但Alpha Go不會。正是這種差別，讓具有強烈愛心的人會想出更好的方法去診療和戰勝疾病，至少取得更好的結果。基于這種情況，Alpha Go不可能戰勝醫生，因為前者沒有愛心，后者，尤其是病人的親屬有強烈的情感和愛心。

戰勝檢查數據的真情暖男

一位叫馬麗砂的女性患有卵巢癌。15年間，她經歷了4次手術和30多次化療，她的丈夫張欣華相伴相依，一路保駕護航，讓她的生命一直延續。這名“暖男”起到的作用不過是輔助醫生，但是他卻使用了特有的“理工男方式”，通過數據分析、（深度）學習和邏輯推理，獲得了理想的治療結果。這些方法正是人工智能的強項，別說使用Alpha Go，就算是一種很簡單的統計和分析軟件都可能超過張欣華，但是決策和疾病治療的結果難于勝過后者。

早在2005年，定期隨訪復查的馬麗砂發現自己的驗血指標似乎有些異常，但核磁共振檢查未發現問題。張欣華分析，核磁共振的原理是逐行掃描，也許因為腫瘤的位置關系，或者掃描的行與行之間的斷層關系，沒能發現腫瘤。但普通的B超檢查原理是檢測回聲，是反射過來的信息，這也許能發現一些更有意義的線索。他便自作自作主張讓妻子做B超檢查，果然發現腫瘤復發，及時作了手術切除。

而后，張欣華對妻子的檢查數據做了如下的數據分析和深度學習：對其妻的一種腫瘤標記物CA125進行數據統計，時間為橫坐標，CA125為縱坐標，把2014年2月11日到2017年5月1日的CA125變化描繪成曲線圖。

95%的健康成年婦女CA125的水平≤35U/ml，如果CA125的數值是該數值的兩倍以上，就意味著與癌癥有一定關系，而馬麗砂是癌癥康復者，這個數值在更高的范圍（幾百）才可能被醫生視為與癌癥復發有關。馬麗砂的CA125在2016年12月達到曲線的頂點，也只是73.5，沒有達到醫生認為的與癌癥復發相關的數值。但張欣華比較了其妻2014年和2016年的兩個高點，正好對應其在這兩個時期的大手術，當時的數值與73.5相差無幾。因此，張欣華認為情況不好，便帶妻再到醫院檢查，發現腫瘤又復發了，又及時進行了手術，馬麗砂CA125的曲線很快回歸低位。

此次Alpha Go戰勝柯潔，研究人員稱是Alpha Go采用了能自行學習的人工神經網絡技術，但也有專業人員認為如果僅僅是人工神經網絡技術，不可能讓Alpha Go達到如此強大的能力，實際情況是Alpha Go的核心――記憶增強技術得到更大增強，通過其海量的存儲能力，不斷將外部的數據輸入存儲器，更新數據結構，并分析數據，然后重新輸出數據，給出相應的博弈策略。

但就算使用Alpha Go戰勝柯潔采用的人工神經網絡技術為馬麗砂診斷，由于CA125數據正常，以及核磁共振成像檢查正常，恐怕就連有經驗的醫生也會忽略患者的變化而不會讓其再進一步檢查，更不用說Alpha Go，僅靠數據分析判斷，一定會把馬麗砂歸為正常情況。而患者的丈夫張欣華懷著對妻子無限的真情，用自己特有的計算方法判斷妻子的病情，挽救了妻子的生命。這不能不說是人工智能輸給人類大腦的佐證。

美國父子超越常規的精準醫療

說到底，這又是一種人工智能難以掌握的技能――精準醫療。因為人工智能的大數據和分析，以及深度學習只能對一般性的情況進行分析判斷，不會對每種情況進行具體的個性化的分析和診治。在進行精準醫療時，醫生也未必會對每個病人做到個性化的診治，而是千人一藥、萬人一刀地進行治療。但只有對親人傾注了深厚愛心的人才會對病人的具體情況進行辨別，以尋求有針對性的個性化精準醫療。

美國麻省理工學院數學家迪米特里斯?伯特西馬斯教授的父親在2007年診斷患有非轉移性胃癌，已經無法手術，唯一的治療方案是化療。為了讓父親盡可能延長生命和提高生活質量，伯特西馬斯研究了全美五大醫院的常規化療方案并驚訝地發現，每家醫院使用的化療方法都不同。

數學家的天性讓其產生了一個想法，對醫院的臨床試驗數據進行計算，以確定哪一種方法能產生更好的效果。他畫了一張簡單的圖，橫坐標代表藥物毒性，縱坐標代表患者的生存率。根據這一曲線，伯特西馬斯選取了一個他認為的最優策略對其父親治療。結果他的父親在確診胃癌后存活了2年，比醫生的預期翻了一番。

人工智能難以逾越的“先天不足”

伯特西馬斯和張欣華這樣的精準醫療既不是人工智能能夠做到的，也不是一般醫生能做到的，因為不同的醫生就有不同的對疾病的診治和看法，以及選用自認為正確的和效果好的療法，即便是人工智能采用人工神經網絡技術自主學習，也不可能像伯特西馬斯和張欣華那樣對親人進行個性化的診治。這意味著，人工智能并不神秘，人人可用，而且根本就達不到人的自我學習和分析能力。更重要的是，人工智能沒有情感，不會因為對親人的愛而多一分責任、多一分細心、多一分分析、多一分比較，從而選擇最有利于親人的診治方案。

顯然，預測人工智能未來會在其他方面戰勝人和統治人類社會，需要讓它先要有情感。但是，人工智能不是生物，它會有七情六欲嗎？退一步說，能把愛心輸進去嗎？

以此來看，人工智能“先天不足”，或許只有理性，那它靠什么與人做全方位的博弈？所以，不必過多擔心人工智能會戰勝人類，而是全身心享受我們作為人類所擁有的美好情感吧！

篇5

【關鍵詞】法理學/法律推理/人工智能

【正文】

一、人工智能法律系統的歷史

計算機先驅思想家萊布尼茲曾這樣不無浪漫地談到推理與計算的關系：“我們要造成這樣一個結果，使所有推理的錯誤都只成為計算的錯誤，這樣，當爭論發生的時候，兩個哲學家同兩個計算家一樣，用不著辯論，只要把筆拿在手里，并且在算盤面前坐下，兩個人面對面地說：讓我們來計算一下吧！”（注：轉引自肖爾茲著：《簡明邏輯史》，張家龍譯，商務印書館1977年版，第54頁。）

如果連抽象的哲學推理都能轉變為計算問題來解決，法律推理的定量化也許還要相對簡單一些。盡管理論上的可能性與技術可行性之間依然存在著巨大的鴻溝，但是，人工智能技術的發展速度確實令人驚嘆。從誕生至今的短短45年內，人工智能從一般問題的研究向特殊領域不斷深入。1956年紐厄爾和西蒙教授的“邏輯理論家”程序，證明了羅素《數學原理》第二章52個定理中的38個定理。塞繆爾的課題組利用對策論和啟發式探索技術開發的具有自學習能力的跳棋程序，在1959年擊敗了其設計者，1962年擊敗了州跳棋冠軍，1997年超級計算機“深藍”使世界頭號國際象棋大師卡斯帕羅夫俯首稱臣。

20世紀60年代，人工智能研究的主要課題是博弈、難題求解和智能機器人；70年代開始研究自然語言理解和專家系統。1971年費根鮑姆教授等人研制出“化學家系統”之后，“計算機數學家”、“計算機醫生”等系統相繼誕生。在其他領域專家系統研究取得突出成就的鼓舞下，一些律師提出了研制“法律診斷”系統和律師系統的可能性。（注：SimonChalton,LegalDiagnostics,ComputersandLaw,No.25,August1980.pp.13-15.BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.p.2.）

1970年Buchanan&Headrick發表了《關于人工智能和法律推理若干問題的考察》，一文，拉開了對法律推理進行人工智能研究的序幕。文章認為，理解、模擬法律論證或法律推理，需要在許多知識領域進行艱難的研究。首先要了解如何描述案件、規則和論證等幾種知識類型，即如何描述法律知識，其中處理開放結構的法律概念是主要難題。其次，要了解如何運用各種知識進行推理，包括分別運用規則、判例和假設的推理，以及混合運用規則和判例的推理。再次，要了解審判實踐中法律推理運用的實際過程，如審判程序的運行，規則的適用，事實的辯論等等。最后，如何將它們最終運用于編制能執行法律推理和辯論任務的計算機程序，區別和分析不同的案件，預測并規避對手的辯護策略，建立巧妙的假設等等。（注：Buchanan&Headrick,SomeSpeculationAboutArtificialIntelligenceandLegalReasoning,23StanfordLawReview(1970).pp.40-62.）法律推理的人工智能研究在這一時期主要沿著兩條途徑前進：一是基于規則模擬歸納推理，70年代初由WalterG.Popp和BernhardSchlink開發了JUDITH律師推理系統。二是模擬法律分析，尋求在模型與以前貯存的基礎數據之間建立實際聯系，并僅依這種關聯的相似性而得出結論。JeffreyMeld-man1977年開發了計算機輔助法律分析系統，它以律師推理為模擬對象，試圖識別與案件事實模型相似的其他案件。考慮到律師分析案件既用歸納推理又用演繹推理，程序對兩者都給予了必要的關注，并且包括了各種水平的分析推理方法。

專家系統在法律中的第一次實際應用，是D.沃特曼和M.皮特森1981年開發的法律判決輔助系統(LDS)。研究者探索將其當作法律適用的實踐工具，對美國民法制度的某個方面進行檢測，運用嚴格責任、相對疏忽和損害賠償等模型，計算出責任案件的賠償價值，并論證了如何模擬法律專家意見的方法論問題。（注：''''ModelsofLegalDecisionmakingReport'''',R-2717-ICJ(1981).）

我國法律專家系統的研制于20世紀80年代中期起步。（注：錢學森教授：《論法治系統工程的任務與方法》（《科技管理研究》1981年第4期）、《社會主義和法治學與現代科學技術》（《法制建設》1984年第3期）、《現代科學技術與法和法制建設》（《政法論壇》）1985年第3期）等文章，為我國法律專家系統的研發起了思想解放和理論奠基作用。）1986年由朱華榮、肖開權主持的《量刑綜合平衡與電腦輔助量刑專家系統研究》被確定為國家社科“七五”研究課題，它在建立盜竊罪量刑數學模型方面取得了成果。在法律數據庫開發方面，1993年中山大學學生胡釗、周宗毅、汪宏杰等人合作研制了《LOA律師辦公自動化系統》。（注：楊建廣、駱梅芬編著：《法治系統工程》，中山大學出版社1996年版，第344-349頁。）1993年武漢大學法學院趙廷光教授主持開發了《實用刑法專家系統》。（注：趙廷光等著：《實用刑法專家系統用戶手冊》，北京新概念軟件研究所1993年版。）它由咨詢檢索系統、輔助定性系統和輔助量刑系統組成，具有檢索刑法知識和對刑事個案進行推理判斷的功能。

專家系統與以往的“通用難題求解”相比具有以下特點：(1)它要解決復雜的實際問題，而不是規則簡單的游戲或數學定理證明問題；(2)它面向更加專門的應用領域，而不是單純的原理性探索；(3)它主要根據具體的問題域，選擇合理的方法來表達和運用特殊的知識，而不強調與問題的特殊性無關的普適性推理和搜索策略。

法律專家系統在法規和判例的輔助檢索方面確實發揮了重要作用，解放了律師一部分腦力勞動。但絕大多數專家系統目前只能做法律數據的檢索工作，缺乏應有的推理功能。20世紀90年代以后，人工智能法律系統進入了以知識工程為主要技術手段的開發時期。知識工程是指以知識為處理對象，以能在計算機上表達和運用知識的技術為主要手段，研究知識型系統的設計、構造和維護的一門更加高級的人工智能技術。（注：《中國大百科全書·自動控制與系統工程》，中國大百科全書出版社1991年版，第579頁。）知識工程概念的提出，改變了以往人們認為幾個推理定律再加上強大的計算機就會產生專家功能的信念。以知識工程為技術手段的法律系統研制，如果能在法律知識的獲得、表達和應用等方面獲得突破，將會使人工智能法律系統的研制產生一個質的飛躍。

人工智能法律系統的發展源于兩種動力。其一是法律實踐自身的要求。隨著社會生活和法律關系的復雜化，法律實踐需要新的思維工具，否則，法律家（律師、檢察官和法官）將無法承受法律文獻日積月累和法律案件不斷增多的重負。其二是人工智能發展的需要。人工智能以模擬人的全部思維活動為目標，但又必須以具體思維活動一城一池的攻克為過程。它需要通過對不同思維領域的征服，來證明知識的每個領域都可以精確描述并制造出類似人類智能的機器。此外，人工智能選擇法律領域尋求突破，還有下述原因：(1)盡管法律推理十分復雜，但它有相對穩定的對象（案件）、相對明確的前提（法律規則、法律事實）及嚴格的程序規則，且須得出確定的判決結論。這為人工智能模擬提供了極為有利的條件。(2)法律推理特別是抗辯制審判中的司法推理，以明確的規則、理性的標準、充分的辯論，為觀察思維活動的軌跡提供了可以記錄和回放的樣本。(3)法律知識長期的積累、完備的檔案，為模擬法律知識的獲得、表達和應用提供了豐富、準確的資料。(4)法律活動所特有的自我意識、自我批評精神，對法律程序和假設進行檢驗的傳統，為模擬法律推理提供了良好的反思條件。

二、人工智能法律系統的價值

人工智能法律系統的研制對法學理論和法律實踐的價值和意義，可以概括為以下幾點：

一是方法論啟示。P.Wahlgren說：“人工智能方法的研究可以支持和深化在創造性方法上的法理學反思。這個信仰反映了法理學可以被視為旨在于開發法律分析和法律推理之方法的活動。從法理學的觀點看，這種研究的最終目標是揭示方法論的潛在作用，從而有助于開展從法理學觀點所提出的解決方法的討論，而不僅僅是探討與計算機科學和人工智能有關的非常細致的技術方面。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在模擬法律推理的過程中，法學家通過與工人智能專家的密切合作，可以從其對法律推理的獨特理解中獲得有關方法論方面的啟示。例如，由于很少有兩個案件完全相似，在判例法實踐中，總有某些不相似的方面需要法律家運用假設來分析已有判例與現實案件的相關性程度。但法學家們在假設的性質問題上常常莫衷一是。然而HYPO的設計者，在無真實判例或真實判例不能充分解釋現實案件的情況下，以假設的反例來反駁對方的觀點，用補充、刪減和改變事實的機械論方法來生成假設。這種用人工智能方法來處理假設的辦法，就使復雜問題變得十分簡單：假設實際上是一個新的論證產生于一個經過修正的老的論證的過程。總之，人工智能方法可以幫助法學家跳出法理學方法的思維定勢，用其他學科的方法來重新審視法學問題，從而為法律問題的解決提供了新的途徑。

二是提供了思想實驗手段。西蒙認為，盡管我們還不知道思維在頭腦中是怎樣由生理作用完成的，“但我們知道這些處理在數字電子計算機中是由電子作用完成的。給計算機編程序使之思維，已經證明有可能為思維提供機械論解釋”。（注：轉引自童天湘：《人工智能與第N代計算機》，載《哲學研究》1985年第5期。）童天湘先生認為：“通過編制有關思維活動的程序，就會加深對思維活動具體細節的了解，并將這種程序送進計算機運行，檢驗其正確性。這是一種思想實驗，有助于我們研究人腦思維的機理。”（注：轉引自童天湘：《人工智能與第N代計算機》，載《哲學研究》1985年第5期。）人工智能法律系統研究的直接目標是使計算機能夠獲取、表達和應用法律知識，軟件工程師為模擬法律推理而編制程序，必須先對人的推理過程作出基于人工智能理論和方法的獨特解釋。人工智能以功能模擬開路，在未搞清法律家的推理結構之前，首先從功能上對法律證成、法律檢索、法律解釋、法律適用等法律推理的要素和活動進行數理分析，將法理學、訴訟法學關于法律推理的研究成果模型化，以實現法律推理知識的機器表達或再現，從而為認識法律推理的過程和規律提供了一種實驗手段。法學家則可以將人工智能法律系統的推理過程、方法和結論與人類法律推理活動相對照，為法律推理的法理學研究所借鑒。因此，用人工智能方法模擬法律推理，深化了人們對法律推理性質、要素和過程的認識，使法學家得以借助人工智能科學的敏銳透鏡去考察法律推理的微觀機制。正是在這個意義上，BryanNiblett教授說：“一個成功的專家系統很可能比其他的途徑對法理學作出更多的（理論）貢獻。”（注：BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.note14,p.3.）

三是輔助司法審判。按照格雷的觀點，法律專家系統首先在英美判例法國家出現的直接原因在于，浩如煙海的判例案卷如果沒有計算機編纂、分類、查詢，這種法律制度簡直就無法運轉了。（注：PamelaN.GrayBrookfield,ArtificialLegalIntelligence,VT:DartmouthPublishingCo.,1997.p.402.）其實不僅是判例法，制定法制度下的律師和法官往往也要為檢索有關的法律、法規和司法解釋耗費大量的精力和時間，而且由于人腦的知識和記憶能力有限，還存在著檢索不全面、記憶不準確的問題。人工智能法律系統強大的記憶和檢索功能，可以彌補人類智能的某些局限性，幫助律師和法官從事相對簡單的法律檢索工作，從而極大地解放律師和法官的腦力勞動，使其能夠集中精力從事更加復雜的法律推理活動。

四是促進司法公正。司法推理雖有統一的法律標準，但法官是具有主觀能動性的差異個體，所以在執行統一標準時會產生一些差異的結果。司法解釋所具有的建構性、辯證性和創造性的特點，進一步加劇了這種差異。如果換了鋼鐵之軀的機器，這種由主觀原因所造成的差異性就有可能加以避免。這當然不是說讓計算機完全取代法官，而是說，由于人工智能法律系統為司法審判提供了相對統一的推理標準和評價標準，從而可以輔助法官取得具有一貫性的判決。無論如何，我們必須承認，鋼鐵之軀的機器沒有物質欲望和感情生活，可以比人更少地受到外界因素的干擾。正像計算機錄取增強了高考招生的公正性、電子監視器提高了糾正行車違章的公正性一樣，智能法律系統在庭審中的運用有可能減少某些現象。

五是輔助法律教育和培訓。人工智能法律系統凝聚了法律家的專門知識和法官群體的審判經驗，如果通過軟件系統或計算機網絡實現專家經驗和知識的共享，便可在法律教育和培訓中發揮多方面的作用。例如，(1)在法學院教學中發揮模擬法庭的作用，可以幫助法律專業學生鞏固自己所學知識，并將法律知識應用于模擬的審判實踐，從而較快地提高解決法律實踐問題的能力。(2)幫助新律師和新法官全面掌握法律知識，迅速獲得判案經驗，在審判過程的跟蹤檢測和判決結論的動態校正中增長知識和才干，較快地接近或達到專家水平。(3)可使不同地區、不同層次的律師和法官及時獲得有關法律問題的咨詢建議，彌補因知識結構差異和判案經驗多寡而可能出現的失誤。(4)可以為大眾提供及時的法律咨詢，提高廣大人民群眾的法律素質，增強法律意識。

六是輔助立法活動。人工智能法律系統不僅對輔助司法審判有重要的意義，而且對完善立法也具有實用價值。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）例如，倫敦大學Imperial學院的邏輯程序組將1981年英國國籍法的內容形式化，幫助立法者發現了該法在預見性上存在的一些缺陷和法律漏洞。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）立法輔助系統如能應用于法律起草和法律草案的審議過程，有可能事先發現一些立法漏洞，避免一個法律內部各種規則之間以及新法律與現有法律制度之間的相互沖突。

三、法理學在人工智能法律系統研究中的作用

1.人工智能法律系統的法理學思想來源

關于人工智能法律系統之法理學思想來源的追蹤，不是對法理學與人工智能的聯系作面面俱到的考察，而旨在揭示法理學對人工智能法律系統的發展所產生的一些直接影響。

第一，法律形式主義為人工智能法律系統的產生奠定了理論基礎。18-19世紀的法律形式主義強調法律推理的形式方面，認為將法律化成簡單的幾何公式是完全可能的。這種以J·奧斯汀為代表的英國分析法學的傳統，主張“法律推理應該依據客觀事實、明確的規則以及邏輯去解決一切為法律所要求的具體行為。假如法律能如此運作，那么無論誰作裁決，法律推理都會導向同樣的裁決。”（注：（美）史蒂文·J·伯頓著：《法律和法律推理導論》，張志銘、解興權譯，中國政法大學出版社1998年9月版，第3頁。）換言之，機器只要遵守法律推理的邏輯，也可以得出和法官一樣的判決結果。在分析法學家看來，“所謂‘法治’就是要求結論必須是大前提與小前提邏輯必然結果。”（注：朱景文主編：《對西方法律傳統的挑戰》，中國檢察出版社1996年2月版，第292頁。）如果法官違反三段論推理的邏輯，就會破壞法治。這種機械論的法律推理觀，反映了分析法學要求法官不以個人價值觀干擾法律推理活動的主張。但是，它同時具有忽視法官主觀能動性和法律推理靈活性的僵化的缺陷。所以，自由法學家比埃利希將法律形式主義的邏輯推理說稱為“自動售貨機”理論。然而，從人工智能就是為思維提供機械論解釋的意義上說，法律形式主義對法律推理所作的機械論解釋，恰恰為人工智能法律系統的開發提供了可能的前提。從人工智能法律系統研制的實際過程來看，在其起步階段，人工智能專家正是根據法律形式主義所提供的理論前提，首先選擇三段論演繹推理進行模擬，由WalterG.Popp和BernhardSchlink在20世紀70年代初開發了JUDITH律師推理系統。在這個系統中，作為推理大小前提的法律和事實之間的邏輯關系，被計算機以“如果A和B，那么C”的方式加以描述，使機器法律推理第一次從理論變為現實。

第二，法律現實主義推動智能模擬深入到主體的思維結構領域。法律形式主義忽視了推理主體的社會性。法官是生活在現實社會中的人，其所從事的法律活動不可能不受到其社會體驗和思維結構的影響。法官在實際的審判實踐中，并不是機械地遵循規則，特別是在遇到復雜案件時，往往需要作出某種價值選擇。而一旦面對價值問題，法律形式主義的邏輯決定論便立刻陷入困境，顯出其僵化性的致命弱點。法律現實主義對其僵化性進行了深刻的批判。霍姆斯法官明確提出“法律的生命并不在于邏輯而在于經驗”（注：（美）博登海默著：《法理學——法哲學及其方法》，鄧正來、姬敬武譯，華夏出版社1987年12月版，第478頁。）的格言。這里所謂邏輯，就是指法律形式主義的三段論演繹邏輯；所謂經驗，則包括一定的道德和政治理論、公共政策及直覺知識，甚至法官的偏見。法律現實主義對法官主觀能動性和法律推理靈活性的強調，促使人工智能研究從模擬法律推理的外在邏輯形式進一步轉向探求法官的內在思維結構。人們開始考慮，如果思維結構對法官的推理活動具有定向作用，那么，人工智能法律系統若要達到法官水平，就應該通過建立思維結構模型來設計機器的運行結構。TAXMAN的設計就借鑒了這一思想，法律知識被計算機結構語言以語義網絡的方式組成不同的規則系統，解釋程序、協調程序、說明程序分別對網絡結構中的輸入和輸出信息進行動態結構調整，從而適應了知識整合的需要。大規模知識系統的KBS(KnowledgeBasedSystem)開發也注意了思維結構的整合作用，許多具有內在聯系的小規模KBS子系統，在分別模擬法律推理要素功能（證成、法律查詢、法律解釋、法律適用、法律評價、理由闡述）的基礎上，又通過聯想程序被有機聯系起來，構成了具有法律推理整體功能的概念模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）

第三，“開放結構”的法律概念打開了疑難案件法律推理模擬的思路。法律形式主義忽視了疑難案件的存在。疑難案件的特征表現為法律規則和案件之間不存在單一的邏輯對應關系。有時候從一個法律規則可以推出幾種不同的結論，它們往往沒有明顯的對錯之分；有時一個案件面對著幾個相似的法律規則。在這些情況下，形式主義推理說都一籌莫展。但是，法律現實主義在批判法律形式主義時又走向另一個極端，它否認具有普遍性的一般法律規則的存在，試圖用“行動中的法律”完全代替分析法學“本本中的法律”。這種矯枉過正的做法雖然是使法律推理擺脫機械論束縛所走出的必要一步，然而，法律如果真像現實主義法學所說的那樣僅僅存在于具體判決之中，法律推理如果可以不遵循任何標準或因人而異，那么，受到挑戰的就不僅是法律形式主義，而且還會殃及法治要求實現規則統治之根本原則，并動搖人工智能法律系統存在的基礎。哈特在法律形式主義和法律現實主義的爭論中采取了一種折中立場，他既承認邏輯的局限性又強調其重要性；既拒斥法官完全按自己的預感來隨意判案的見解，又承認直覺的存在。這種折中立場在哈特“開放結構”的法律概念中得到了充分體現。法律概念既有“意義核心”又有“開放結構”，邏輯推理可以幫助法官發現問題的陽面，而根據社會政策、價值和后果對規則進行解釋則有助于發現問題的陰面。開放結構的法律概念，使基于規則的法律推理模擬在受到概念封閉性的限制而對疑難案件無能為力時，找到了新的立足點。在此基礎上，運用開放結構概念的疑難案件法律推理模型，通過邏輯程序工具和聯想技術而建立起來。Gardner博士就疑難案件提出兩種解決策略：一是將簡易問題從疑難問題中篩選出來，運用基于規則的技術來解決；二是將疑難問題同“開放結構”的法律概念聯系在一起，先用非范例知識如規則、控辯雙方的陳述、常識來獲得初步答案，再運用范例來澄清案件、檢查答案的正確性。

第四，目的法學促進了價值推理的人工智能研究。目的法學是指一種所謂直接實現目的之“后法治”理想。美國法學家諾內特和塞爾茲尼克把法律分為三種類型。他們認為，以法治為標志的自治型法，過分強調手段或程序的正當性，有把手段當作目的的傾向。這說明法治社會并沒有反映人類關于美好社會的最高理想，因為實質正義不是經過人們直接追求而實現的，而是通過追求形式正義而間接獲得的。因此他們提出以回應型法取代自治型法的主張。在回應型法中，“目的為評判既定的做法設立了標準，從而也就開辟了變化的途徑。同時，如果認真地對待目的，它們就能控制行政自由裁量權，從而減輕制度屈從的危險。反之，缺少目的既是僵硬的根源，又是機會主義的根源。”（注：（美）諾內特、塞爾茲尼克著：《轉變中的法律與社會》，張志銘譯，中國政法大學出版社1994年版，第60頁。）美國批判法學家昂格爾對形式主義法律推理和目的型法律推理的特點進行了比較，他認為，前者要求使用內容明確、固定的規則，無視社會現實生活中不同價值觀念的沖突，不能適應復雜情況和變化，追求形式正義；后者則要求放松對法律推理標準的嚴格限制，允許使用無固定內容的抽象標準，迫使人們在不同的價值觀念之間做出選擇，追求實質正義。與此相應，佩雷爾曼提出了新修辭學(NewRhetoric)的法律理論。他認為，形式邏輯只是根據演繹法或歸納法對問題加以說明或論證的技術，屬于手段的邏輯；新修辭學要填補形式邏輯的不足，是關于目的的辯證邏輯，可以幫助法官論證其決定和選擇，因而是進行價值判斷的邏輯。他認為，在司法三段論思想支配下，法學的任務是將全部法律系統化并作為闡釋法律的大前提，“明確性、一致性和完備性”就成為對法律的三個要求。而新修辭學的基本思想是價值判斷的多元論，法官必須在某種價值判斷的指示下履行義務，必須考慮哪些價值是“合理的、可接受的、社會上有效的公平的”。這些價值構成了判決的正當理由。（注：沈宗靈著：《現代西方法理學》，北京大學出版社1992年版，第443-446頁。）制造人工智能法律系統最終需要解決價值推理的模擬問題，否則，就難以實現為判決提供正當理由的要求。為此，P.Wahlgren提出的與人工智能相關的5種知識表達途徑中，明確地包括了以道義為基礎的法律推理模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）引入道義邏輯，或者說在機器中采用基于某種道義邏輯的推理程序，強調目的價值，也許是制造智能法律系統的關鍵。不過，即使把道義邏輯硬塞給計算機，鋼鐵之軀的機器沒有生理需要，也很難產生價值觀念和主觀體驗，沒辦法解決主觀選擇的問題。在這個問題上，波斯納曾以法律家有七情六欲為由對法律家對法律的機械忠誠表示了強烈懷疑，并辯證地將其視為法律發展的動力之一。只有人才能夠平衡相互沖突的利益，能夠發現對人類生存和發展至關重要的價值。因此，關于價值推理的人工智能模擬究竟能取得什么成果，恐怕還是個未知數。

2.法理學對人工智能法律系統研制的理論指導作用

GoldandSusskind指出：“不爭的事實是，所有的專家系統必須適應一些法理學理論，因為一切法律專家系統都需要提出關于法律和法律推理性質的假設。從更嚴格的意義上說，一切專家系統都必須體現一種結構理論和法律的個性，一種法律規范理論，一種描述法律科學的理論，一種法律推理理論”。（注：GoldandSusskind,ExpertSystemsinLaw:AJurisprudentialandFormalSpecificationApproach,pp.307-309.）人工智能法律系統的研究，不僅需要以法理學關于法律的一般理論為知識基礎，還需要從法理學獲得關于法律推理的完整理論，如法律推理實踐和理論的發展歷史，法律推理的標準、主體、過程、方法等等。人工智能對法律推理的模擬，主要是對法理學關于法律推理的知識進行人工智能方法的描述，建立數學模型并編制計算機應用程序，從而在智能機器上再現人類法律推理功能的過程。在這個過程中，人工智能專家的主要任務是研究如何吸收法理學關于法律推理的研究成果，包括法理學關于人工智能法律系統的研究成果。

隨著人工智能法律系統研究從低級向高級目標的推進，人們越來越意識到，對法律推理的微觀機制認識不足已成為人工智能模擬的嚴重障礙。P.Wahlgren指出，“許多人工智能技術在法律領域的開發項目之所以失敗，就是因為許多潛在的法理學原則沒有在系統開發的開始階段被遵守或給予有效的注意。”“法理學對法律推理和方法論問題的關注已經有幾百年，而人工智能的誕生只是本世紀50年代中期的事情，這個事實是人工智能通過考察法理學知識來豐富自己的一個有效動機。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）因此，研究法律推理自動化的目標，“一方面是用人工智能（通過把計算機的應用與分析模型相結合）來支撐法律推理的可能性；另一方面是應用法理學理論來解決作為法律推理支撐系統的以及一般的人工智能問題。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在前一方面，是人工智能法律系統充當法律推理研究的思想實驗手段以及輔助司法審判的問題。后一方面，則是法律推理的法律學研究成果直接為人工智能法律系統的研制所應用的問題。例如，20世紀70年代法理學在真實和假設案例的推理和分析方面所取得的成果，已為幾種人工智能法律裝置借鑒而成為其設計工作的理論基礎。在運用模糊或開放結構概念的法律推理研究方面，以及在法庭辯論和法律解釋的形式化等問題上，法理學的研究成果也已為人工智能法律系統的研究所借鑒。

四、人工智能法律系統研究的難點

人工智能法律系統的研究盡管在很短的時間內取得了許多令人振奮的成果，但它的發展也面臨著許多困難。這些困難構成了研究工作需要進一步努力奮斗的目標。

第一，關于法律解釋的模擬。在法理學的諸多研究成果中，法律解釋的研究對人工智能法律系統的研制起著關鍵作用。法律知識表達的核心問題是法律解釋。法律規范在一個法律論點上的效力，是由法律家按忠實原意和適合當時案件的原則通過法律解釋予以確認的，其中包含著人類特有的價值和目的考慮，反映了法律家的知識表達具有主觀能動性。所以，德沃金將解釋過程看作是一種結合了法律知識、時代信息和思維方法而形成的，能夠應變的思維策略。（注：Dworkin,TakingRightsSeriously,HarvardUniversityPressCambridge,Massachusetts1977.p.75.）目前的法律專家系統并未以知識表達為目的來解釋法律，而是將法律整齊地“碼放”在計算機記憶系統中僅供一般檢索之用。然而，在法律知識工程系統中，法律知識必須被解釋，以滿足自動推理對法律知識進行重新建構的需要。麥卡錫說：“在開發智能信息系統的過程中，最關鍵的任務既不是文件的重建也不是專家意見的重建，而是建立有關法律領域的概念模型。”（注：McCarty,Intelligentlegalinformationsystems:problemsandprospects,op.cit.supra,note25,p.126.）建立法律概念模型必須以法律家對某一法律概念的共識為基礎，但不同的法律家對同一法律概念往往有不同的解釋策略。凱爾森甚至說：即使在國內法領域也難以形成一個“能夠用來敘述一定法律共同體的實在法的基本概念”。（注：（奧）凱爾森著：《法與國家的一般理論》，沈宗靈譯，中國大百科全書出版社1996年版，第1頁。）盡管如此，法理學還是為法律概念模型的重建提供了一些方法。例如，德沃金認為，法官在“解釋”階段，要通過推理論證，為自己在“前解釋”階段所確定的大多數法官對模糊法律規范的“一致看法”提供“一些總的理由”。獲取這些總的理由的過程分為兩個步驟：首先，從現存的明確法律制度中抽象出一般的法律原則，用自我建立的一般法律理論來證明這種法律原則是其中的一部分，證明現存的明確法律制度是正當的。其次，再以法律原則為依據反向推出具體的法律結論，即用一般法律理論來證明某一法律原則存在的合理性，再用該法律原則來解釋某一法律概念。TAXMAN等系統裝置已吸收了這種方法，法律知識被計算機結構語言以語義網絡的方式組成不同的規則系統，解釋程序使計算機根據案件事實來執行某條法律規則，并在新案件事實輸入時對法律規則作出新的解釋后才加以調用。不過，法律知識表達的進展還依賴于法律解釋研究取得更多的突破。

第二，關于啟發式程序。目前的法律專家系統如果不能與啟發式程序接口，不能運用判斷性知識進行推理，只通過規則反饋來提供簡單解釋，就談不上真正的智能性。啟發式程序要解決智能機器如何模擬法律家推理的直覺性、經驗性以及推理結果的不確定性等問題，即人可以有效地處理錯誤的或不完全的數據，在必要時作出猜測和假設，從而使問題的解決具有靈活性。在這方面，Gardner的混合推理模型，EdwinaL.Rissland運用聯想程序對規則和判例推理的結果作集合處理的思路，以及Massachusetts大學研制的CABARET（基于判例的推理工具），在將啟發式程序應用于系統開發方面都進行了有益的嘗試。但是，法律問題往往沒有唯一正確的答案，這是人工智能模擬法律推理的一個難題。選擇哪一個答案，往往取決于法律推理的目的標準和推理主體的立場和價值觀念。但智能機器沒有自己的目的、利益和立場。這似乎從某種程度上劃定了機器法律推理所能解決問題的范圍。

第三，關于法律自然語言理解。在設計基于規則的程序時，設計者必須假定整套規則沒有意義不明和沖突，程序必須消滅這些問題而使規則呈現出更多的一致性。就是說，盡管人們對法律概念的含義可以爭論不休，但輸入機器的法律語言卻不能互相矛盾。機器語言具有很大的局限性，例如，LDS基于規則來模擬嚴格責任并計算實際損害時，表現出的最大弱點就是不能使用不精確的自然語言進行推理。然而，在實際的法律推理過程中，法律家對某個問題的任何一種回答都可根據上下文關系作多種解釋，而且辯論雙方總是尋求得出不同的結論。因此，智能法律專家系統的成功在很大程度上還依賴于自然語言理解研究工作的突破。牛津大學的一個程序組正在研究法律自然語言的理解問題，但是遇到了重重困難。原因是連法學家們自己目前也還沒有建立起一套大家一致同意的專業術語規范。所以EdwinaL.Rissland認為，常識知識、意圖和信仰類知識的模擬化，以及自然語言理解的模擬問題，迄今為止可能是人工智能面臨的最困難的任務。對于語言模擬來說，像交際短語和短語概括的有限能力可能會在較窄的語境條件下取得成果，完全的功能模擬、一般“解決問題”能力的模擬則距離非常遙遠，而像書面上訴意見的理解則是永遠的終極幻想。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）

五、人工智能法律系統的開發策略和應用前景

我們能夠制造出一臺什么樣的機器，可以證明它是人工智能法律系統？從檢驗標準上看，這主要是法律知識在機器中再現的判定問題。根據“圖靈試驗”原理，我們可將該檢驗標準概括如下：設兩間隔開的屋子，一間坐著一位法律家，另一間“坐著”一臺智能機器。一個人（也是法律家）向法律家和機器提出同樣的法律問題，如果提問者不能從二者的回答中區分出誰是法律家、誰是機器，就不能懷疑機器具有法律知識表達的能力。

依“圖靈試驗”制定的智能法律系統檢驗標準，所看重的是功能。只要機器和法律家解決同樣法律問題時所表現出來的功能相同，就不再苛求哪個是鋼鐵結構、哪個是血肉之軀。人工智能立足的基礎，就是相同的功能可以通過不同的結構來實現之功能模擬理論。

從功能模擬的觀點來確定人工智能法律系統的研究與開發策略，可作以下考慮：

第一，擴大人工智能法律系統的研發主體。現有人工法律系統的幼稚，暴露了僅僅依靠計算機和知識工程專家從事系統研發工作的局限性。因此，應該確立以法律家、邏輯學家和計算機專家三結合的研發群體。在系統研發初期，可組成由法學家、邏輯與認知專家、計算機和知識工程專家為主體的課題組，制定系統研發的整體戰略和分階段實施的研發規劃。在系統研發中期，應通過網絡等手段充分吸收初級產品用戶（律師、檢察官、法官）的意見，使研發工作在理論研究與實際應用之間形成反饋，將開發精英與廣大用戶的智慧結合起來，互相啟發、群策群力，推動系統迅速升級。

第二，確定研究與應用相結合、以應用為主導的研發策略。目前國外人工智能法律系統的研究大多停留在實驗室領域，還沒有在司法實踐中加以應用。但是，任何智能系統包括相對簡單的軟件系統，如果不經過用戶的長期使用和反饋，是永遠也不可能走向成熟的。從我國的實際情況看，如果不能將初期研究成果盡快地轉化為產品，我們也難以為后續研究工作提供雄厚的資金支持。因此，人工智能法律系統的研究必須走產研結合的道路，堅持以應用開路，使智能法律系統盡快走出實驗室，同時以研究為先導，促進不斷更新升級。

第三，系統研發目標與初級產品功能定位。人工智能法律系統的研發目標是制造出能夠滿足多用戶（律師、檢察官、法官、立法者、法學家）多種需要的機型。初級產品的定位應考慮到，人的推理功能特別是價值推理的功能遠遠超過機器，但人的記憶功能、檢索速度和準確性又遠不如機器。同時還應該考慮到，我國目前有12萬律師，23萬檢察官和21萬法官，每年1.2萬法學院本科畢業生，他們對法律知識的獲取、表達和應用能力參差不齊。因此，初級產品的標準可適當降低，先研制推理功能薄弱、檢索功能強大的法律專家系統。可與計算機廠商合作生產具有強大數據庫功能的硬件，并確保最新法律、法規、司法解釋和判例的網上及時更新；同時編制以案件為引導的高速檢索軟件。系統開發的先期目標應確定為：(1)替律師起草僅供參考的書和辯護詞；(2)替法官起草僅供參考的判決書；(3)為法學院學生提供模擬法庭審判的通用系統軟件，以輔助學生在、辯護和審判等訴訟的不同階段鞏固所學知識、獲得審判經驗。上述軟件旨在提供一個初級平臺，先解決有無和急需，再不斷收集用戶反饋意見，逐步改進完善。

第四，實驗室研發應確定較高的起點或跟蹤戰略。國外以知識工程為主要技術手段的人工智能法律系統開發已經歷了如下發展階段：(1)主要適用于簡單案件的規則推理；(2)運用開放結構概念的推理；(3)運用判例和假設的推理；(4)運用規則和判例的混合推理。我們如確定以簡單案件的規則推理為初級市場產品，那么，實驗室中第二代產品開發就應瞄準運用開放結構概念的推理。同時，跟蹤運用假設的推理及混合推理，吸收國外先進的KBS和HYPO的設計思想，將功能子系統開發與聯想式控制系統結合。HYPO判例法推理智能裝置具有如下功能：(1)評價相關判例；(2)判定何方使用判例更加貼切；(3)分析并區分判例；(4)建立假設并用假設來推理；(5)為一種主張引用各種類型的反例；(6)建立判例的引證概要。HYPO以商業秘密法的判例推理為模擬對象，假設了完全自動化的法律推理過程中全部要素被建立起來的途徑。值得注意的是，HYPO忽略了許多要素的存在，如商業秘密法背后的政策考慮，法律概念應用于實際情況時固有的模糊性，信息是否已被公開，被告是否使用了對方設計的產品，是否簽署了讓與協議，等等。一個系統設計的要素列表無論多長，好律師也總能再多想出一些。同樣，律師對案件的分析，不可能僅限于商業秘密法判例，還可能援引侵權法或專利法的判例，這決定了緣由的多種可能性。Ashley還討論了判例法推理模擬的其他困難：判例并不是概念的肯定的或否定的樣本，因此，要通過要素等簡單的法律術語使模糊的法律規則得到澄清十分困難，法律原則和類推推理之間的關系還不能以令人滿意的方式加以描述。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）這說明，即使具有較高起點的實驗室基礎研究，也不宜確定過高的目標。因為，智能法律系統的研究不能脫離人工智能的整體發展水平。

第五，人－機系統解決方案。人和機器在解決法律問題時各有所長。人的優點是能作價值推理，使法律問題的解決適應社會的變化發展，從而具有靈活性。機器的長處是記憶和檢索功能強，可以使法律問題的解決具有一貫性。人－機系統解決方案立足于人與機器的功能互補，目的是解放人的腦力勞動，服務于國家的法治建設。該方案的實施可以分為兩個階段：第一階段以人為主，機器為人收集信息并作初步分析，提供決策參考。律師受理案件后，可以先用機器處理大批數據，并參考機器的和辯護方案，再做更加高級的推理論證工作。法官接觸一個新案件，或新法官剛接觸審判工作，也可以先看看“機器法官”的判決建議或者審判思路，作為參考。法院的監督部門可參照機器法官的判決，對法官的審判活動進行某種監督，如二者的判決結果差別太大，可以審查一下法官的判決理由。這也許可以在一定程度上制約司法腐敗。在人－機系統開發的第二階段，會有越來越多的簡單案件的判決與電腦推理結果完全相同，因此，某些簡單案件可以機器為主進行審判，例如，美國小額法庭的一些案件，我國法庭可用簡易程序來審理的一些案件。法官可以作為“產品檢驗員”監督和修訂機器的判決結果。這樣，法官的判案效率將大大提高，法官隊伍也可借此“消腫”，有可能大幅度提高法官薪水，吸引高素質法律人才進入法官隊伍。

未來的計算機不會完全取代律師和法官，然而，律師和法官與智能機器統一體的出現則可能具有無限光明的前景。（注：Smith,J.C,MachineIntelligenceandLegalReasoning,Chicago-KentLawReview,1998,Vol.73,No.1,p277.）可以預見，人工智能將為法律工作的自動化提供越來越強有力的外腦支持。電腦律師或法官將在網絡所及的范圍內承擔起諸如收債、稅務、小額犯罪訴訟等職能。自動法律推理系統將對訴訟活動發揮越來越多的輔助作用，例如，通過嚴密的演繹邏輯使用戶確信全部法律結論得出的正當性；在解決相互沖突的規則、判例和政策問題時提示可能出現的判決預測；等等。正如網絡的出現打破了少數人對信息的壟斷一樣，電腦法律顧問的問世，將打破法官、律師對法律知識的壟斷，極大地推動法律知識的普及，迅速提高廣大人民群眾的法律素質，使法律真正變為群眾手中的銳利武器。

篇6

關鍵詞:智能;決策系統;教學方法

隨著信息技術的應用和普及,“智能化”成為信息化后續發展的重要內容之一。在決策領域,20世紀80年代,一種以計算機為工具、應用決策科學及有關學科的理論與方法、以人機交互方式輔助決策者決策的決策支持系統(DSS)應運而生。但是,DSS只能輔助和支持決策者決策,其貢獻局限于對可選方案的評價,只能對有量化特性的問題使用數據模型和數值計算方法來輔助決策,不具有表示復雜決策過程的能力,因此,促使人們提出將DSS與專家系統(ES)相結合,以分別發揮DSS的數值分析和ES的符號處理優勢,從而將定性分析和定量分析有機結合起來,以既能進行知識處理,又能有效地解決半結構化和非結構化問題,這就是智能決策支持系統(IDSS)的產生背景。

隨著人工智能和智能技術的發展,IDSS在廣泛的工程技術、經濟、管理、醫療和農業科學等諸多領域,得到廣泛應用。了解、掌握智能決策的基本知識和技術是計算機科學、智能科學類專業大學生的基本要求,因此,智能決策類課程應運而生,并逐漸發展成為計算機、自動化、管理科學與工程和智能科學技術等專業的專業課之一[1-4]。

在我校,智能決策系統課程作為計算機科學與技術、軟件工程、網絡工程和其他電子信息類專業的專業限選或選修課程。目前,該課程的教學內容存在如下問題:一是教學內容繁,二是技術更新快,三是涉及的專業知識深,對學生的理論基礎知識(特別是數學知識、計算機技術)要求極高,教學難度大。因此,學生在學習過程中不得要領,抓不住課程的核心,只見樹木、不見森林,從而影響學生們的學習效果。本文就是在這樣背景下,提出并開展教學研究的。

1教學內容改革

智能決策系統是一門計算機科學、管理科學、人工智能和應用數學交叉的新興專業課程,其學分通常為2～2.5學分,即32～40學時,其中包括0.5學分的實驗課程(8學時)。因此,如何在有限學時中容納下本課程教學內容,完成本課程的教學目標,就成為首要問題。

通過實踐和教學改革,我校本課程的理論教學內容主要包括下列6個知識單元。

1) 決策理論概述。主要內容有決策的概念、類型、基礎、流程和目標。理論課時數4學時。

2) 決策系統。主要內容有決策支持系統的概念、結構、功能、主要部件與設計要點。理論課時數控制在6學時。

3) 決策模型。主要內容有數據倉庫、知識管理、數據挖掘、智能算法和數據處理。理論課時數控制在6學時。

4) 智能決策系統。主要內容有計算智能基礎、專家系統的概念和結構、智能決策系統的概念和結構、智能決策系統的設計要點。理論課時數控制在8學時。

5) 群體決策系統。主要內容有協同計算概述,群體決策系統的概念、結構、功能、群體決策過程與建模和實現方法。理論課時數控制在6學時。

6)智能決策系統的發展。主要包括基于網絡的決策系統技術和應用,網絡技術與基于Agent的決策系統,智慧地球與智能化企業。理論課時數控制在2學時。

實踐教學內容包括4個實驗,學時總數為8學時,其教學內容設置見本文§3。

2教學方法改革

教學方法是為完成一定的教學目的、教學任務所采取的教學途徑或教學程序,是以解決教學任務為目的、師生共同進行認識和實踐的方法體系。其方法體系主要包含多個基本要素,比如教、學、信息傳輸載體(包含文字、圖形、圖像、肢體語言、表情、感知等)和教學輔助設備等。教學過程就是要充分利用具有信息優勢、知識優勢的教師,將信息、知識、技能、技巧,系統集成地傳輸給暫時處于低信息狀態的學生。決定這個傳輸過程順利進行的至關重要因素有:教師的積極性與責任心和學生的求知欲與基礎知識及其結構。從教育學和心理學角度看,課程教學方法改革就是圍繞這兩個因素展開[5],限于篇幅,本文的討論僅從如何調動學生的求知欲著手。

2.1探索式教學方法

經過多年教學實踐,本文實踐了“探索式教學法”,此法強調因材施教,在教學全過程創設教學環境、培養學生創新精神。所謂探索式教學方法是指在教學過程中,在教師的啟發、誘導下,學生自主學習和合作討論,以學習課程知識和科學問題為探索目標,以學生熟悉和能接觸到生活原型為研究對象,為學生提供自由表達、質疑、探索、討論問題的環境,學生通過個體、小組、團隊等多種形式完成解難、釋疑、嘗試學習活動,將學生自己所學知識應用于解決實際問題的一種教學程序。探索式教學方法重視發展學生的創造性思維,培養自學能力,力圖通過自我探索引導學生學會學習和初步掌握科學研究方法[6],培養學生的文獻獲取與加工能力、信息分析與加工利用能力、團隊協作與溝通能力、語言表達與寫作能力,和創新精神。為其終身學習和工作奠定良好基礎。

盡管探索式教學法能夠給教師的教學提供思想、理念指導,但是,針對不同教學對象和不同課程內容,其實際應用方法也會存在差異,這就是所謂的教無定法之說。本文以智能決策系統課程第1知識單元課外作業為例,嘗試說明該法的具體應用方法,為保證該方法的實施效果,本文擬定了如下的教師操作流程:

1) 制定論文目標:培養學生綜合利用參考文獻和學會表達的能力。首先,要求學生學會獲取、理解、過濾和分析信息;其次,要求學生掌握撰寫科技論文的基本技巧;最后,要求學生在觀眾面前表達自己觀點,學習說服聽眾、推銷自己觀點的技巧。

2) 論文基本要求:①圍繞“關于信息技術對決策影響”的主題,學生自擬題目;②2周時間內,學生完成1 000字左右(2頁A4幅面)的論文,其中內容需要包括摘要,關鍵詞,問題或觀點概述,目前發展狀況,結論或結語;③制作演示幻燈片。

3) 提供信息查閱途徑:通過網絡教師自己已經掌握的文獻資源和網絡地址資源,指出查詢方法和基本技巧。

4) 抽查式演講:①使用幻燈片;②介紹主要內容;③結論;④點評、提問與回答。

5) 評價標準:①文檔編制能力;②問題發現與分析能力;③表達與陳述能力。

在實施中,要防止出現如下情況:①題目太難或太容易,以免挫傷學生積極性;②提前告示和監督,防止學生偷懶或拷貝;③靈活掌握考評手段,鼓勵創新,保護學生學習積極性。

2.2案例教學方法

案例教學法是在教師指導下,根據教學目標的要求,創設學生身臨案例場境的教學氛圍,使用案例來組織學生的學習、研究、實踐等活動的教學方法。本課程利用該方法,加強了理論與實際的結合,為學生學習提供模仿案例,提高了學生對理論知識的理解和實踐能力,培養學生綜合運用所學知識解決實際問題的能力。案例教學法需要掌握好2個重要環節:

1) 案例選編。必須選擇學生容易理解、常見的例子,案例選編必須圍繞課程某個具體的教學目標,要適當加工,剔除與課程內容關聯性小的內容和技術,降低難度,方便學生理解。同時,案例必須來自于實際,并且問題明確。

2) 案例講解與分析。案例本身只是對實例的某些情況描述,表面上平鋪直敘,但是,其中必須隱藏著多個問題,要引導學生積極思考、深入分析,以發現其中隱藏的問題,并找出問題產生的原因,提出解決方案。在思考和分析過程中,既要培養和開發學生智力,又要培養學生綜合運用所學理論知識的能力。案例分析不能苛求解決問題的結果如何,而應該重點強調分析過程是否正確、方法是否恰當,案例講解和分析的主要任務是培養學生發現問題、分析問題和邏輯思維等能力,通常解決問題的能力正是課程后續需要實施的教學目標。

本文在第4知識單元中,以6子棋計算機博弈系統為例,通過對6子棋計算機博弈平臺的仿真實驗,選擇不同的博弈策略,比如不同的估值函數、不同的搜索策略等,獲得不同的實驗結果,實現人-機對戰、機-機對戰,讓學生切實體會到機器智能的魔力及其智能系統的構造方法,有力地促進了學生對理論知識的理解,并激發了學生的學習興趣。

3實驗教學內容

3.1實驗教學內容的設置

實驗課是智能決策系統課程的重要環節,由于總課時有限,實驗課時也就不多。但是,本校在專業課程中,仍然堅持設置了0.5學分的實驗,以使學生能將理論知識與實踐聯系起來,使抽象的理論不再是深奧,提高學生靈活運用知識的能力。本課程實驗學時為8學時,主要設置了表1中的3個實驗。

3.2實驗課的操作

為提高學生對課程理論知識的理解和應用設計能力,針對課程實驗教學課時少和實驗復雜特點,需要注意以下幾點。

1) 簡化平臺、降低實驗難度。實驗教學過程重在是一個訓練學生動手、動眼和動腦的過程,旨在培養學生好奇心和操作技能,以及觀察問題、分析問題和解決問題能力。因此,在實驗中,要盡量將實驗平臺簡化,以將學生注意力集中于實驗內容,保證實驗效果。比如實驗2,提供給學生智能交通燈控仿真平臺,它實際上是一個軟件模擬平臺,能實現固定交管模式的全部功能,學生能通過標準接口建立自己設計的智能交通管理模式;又如實驗3,以FIRA機器人足球5vs5比賽項目的仿真平臺為實驗平臺,利用平臺已設置的運球、傳球、前進、后退、轉動等命令,學生能通過這些命令建立足球機器人的路徑規劃和避障策略。

2) 科學分組、培養協作能力。由于實驗3工作量比較大,需要多人協作完成,發揮集體智慧作用,因此,在實驗3中,按照3～5人/組,實行組長負責制。組長監督、管理、協調本組實驗過程,每個組員都有明確的任務,并對組長負責,組長對教師負責。實驗3的課內實驗設置4學時/2次,學時主要在課外完成實驗3,歷時1個月。

3) 設計算法、培養智能意識。引導學生,模仿人類智能,設計智能算法,實現簡單的智能決策。由于課時有限,必須注意控制算法的簡潔、實效,以使學生能在短時間內模擬實現簡單的智能行為,著重引導學生分析業務行為,發現系統流程,構造智能算法,以此培養學生開發信息系統的智能意識。

4結語

智能決策系統是人工智能、計算機科學、自動控制科學交叉結合的一門新興專業課程,對推動信息化向智能化方向發展具有重要意義。該課程作為在校主要面對電子信息、計算機專業學生,通過該課程學習,學生反映加深了對智能的理解,提高了對計算機技術應用的認識深度,培養了學生的智能化設計意識,激發了學生的求知欲望。本文的研究成果是源于智能決策系統課程,但是,對其他信息技術課程,也具有積極的借鑒意義。

參考文獻:

[1] 鐘義信. 智能科學技術導論[M]. 北京:北京郵電大學出版社,2006:1-38.

[2] 張彥鐸,王海暉,劉昌輝. 地方工科院校智能科學建設的若干思考[J]. 計算機教育,2009(11):39-42.

[3] 韓力群. 智能科學與技術專業培養規范[R]. 北京:第二屆全國智能科學與技術教育學術研討會.2004.

[4] 王萬森,鐘義信,韓力群,等. 我國智能科學技術教育的現狀與思考[J]. 計算機教育,2009(11):10-14.

[5] 楊德廣,謝安邦. 高等教育學[M]. 北京:高等教育出版社,2009.6:1-50.

[6] 張偉峰. 本科高年級人工智能教學的幾點思考[J]. 計算機教育,2009(11):139-141.

Research on Teaching Reform of Intelligent Decision System Courses

ZHANG Xiao-chuan, CHEN Feng

(School of Computer Science, Chongqing University of Technology, Chongqing 400054, China)

篇7

姚勁波

58集團CEO

內容分發的新時代

百度從本質上來講，最核心的東西是在做內容的分發。

我們該分發什么？早期的時候，互聯網內容是以文字為主要形態。隨著帶寬環境越來越好，人們的創造力越來越豐富，開始有了圖片。到今天，其實不僅僅是圖，有一個新的圖片相關的形式叫做圖集也非常受歡迎，很適合在互聯網上傳播的內容形式。

除了圖片，還有視頻。今天的視頻，我覺得跟過去又有了很大的不一樣。首先是短視l的這種興起，它適用的場景和接觸達到的人群都非常不一樣。我們身處在百度這樣的內容分發的中心，必須要能比別人更早的感知到內容分發環境的變化才行。

百科是一個很嚴謹的東西，但它很早就開始做秒懂視頻，而且是放在詞條的最前面，所以他們對這個內容分發的環境的敏感度就足夠的高。所以這是我們在迎接新的時代到來的時候要保持的一種思維方式。要對新東西會敏感，什么東西會影響你。

整個世界一直是在變化，從PC互聯網到移動互聯網，移動互聯網起來很多超級app，內容越來越多被封裝在微信、微博里頭。怎么利用百度的平臺讓內容回來、讓我們的用戶能夠方便獲取，完成我們讓人們最便捷平等地獲取信息找到所求的使命？這是在新的時代里我們需要認真思考認真準備并且為之奮斗的東西。

過去這一年我還有一點感受特別深，是社交媒體和自媒體這種環境下，很多時候人們更多的是在講感情，更多地想傳播他們愿意相信的東西，事實是什么已經不重要了。這對我們一個以搜索引擎為核心的公司來說，挑戰也是蠻大的。在這種環境下，我們怎么來應對，也是一個很大的挑戰。當然，挑戰也意味著機遇。我也希望大家更加主動地去思考這個問題，找到新的屬于我們的機會。

另外一個內容我覺得是數據，數據是新的內容。在移動互聯網時代到來以后，數據怎么能夠和應用相結合去呈現一些比較有價值的東西，怎么能夠在我們百度的平臺上把它變成新的內容，這也是下一步我們應該著力去做的。

這些結構化的數據，未來這些東西弄好了之后，它一方面給我們的用戶提供了更多有價值的內容，另外一方面也是未來我們AI的一個前提。因為AI的技術需要非常多的數據支持，有價值的、有序的數據越多，你的這個最后出來的結果就會越好。以至于我們有一個技術大牛跟我說了一句話：他說數據秒殺一切算法。

這一點在現有的很多產品當中已經體現出來了，比如百度的語音搜索，大家可以看到識別的準確率已經非常高了。但是當我們比如說到通用的輸入法去識別這些語音的時候，我們可能還不如市場上某些其他的競爭對手。為什么？因為我們在搜索的這個場景上掌握了比任何人都多的數據，而這種數據是非常非常有特點，有價值的，是別人達不到的。

用戶在進行搜索的時候，其實他在心目中是有比較清晰的需求的，整個過程是一個尋找答案的過程，從最初的需求表達，到他最后找到答案，尤其是在移動互聯網時代，在手百這樣一個封閉的app里頭，我們能夠track到他的每一步。這就給我們提供了足夠多的訓練的數據，所以我們可以有很高的識別率。我們不僅僅能夠有很高的語音識別率，實際上整個過程使得我們能夠構建出來最好、最豐富的知識庫。我們知道從需求到結果，到底是一個什么樣子，這些東西都是我們非常有價值的東西。

但是在別的場景里頭，有時候即使你技術特別好，可能也不能夠爭得過別人。比如你隨便拍一件商品去識別，淘寶識別出來的結果，比我們現在拍照搜索的結果要更加精確。因為大量的商品庫在他那里頭，商家把數據都給標注好了。那么這對我們的啟示是什么？除了我們自己已經有的這些個大量豐富的query到最后用戶行為數據之外，我們也應該積極的到外頭去找那些對我們有價值的相關的數據。讓他們到百度的平臺上來，我們利用這些數據，打磨我們算法，做出最優秀的用戶體驗和產品和服務來。

知識圖譜（包括需求圖譜、用戶畫像等），這些東西都是百度整個人工智能當中非常基礎的構件，也是我們相對于其他任何一家公司的優勢所在。而且我們從一開始就很重視，未來要更加有意識地根據我們的需求、場景跟產品，去不斷地豐富，不斷地打磨，不斷地把這個東西做到極致，做到全世界最好。

某種意義上講，我們未來的搜索從索引關鍵詞的引擎，可能會逐步過渡到索引知識的引擎，它從表面文字的表達和query的匹配，這是上一個時代的事情。下一個時代的事情是用戶真實的需求和我們已經積累的知識之間的一種匹配。

還有一個，就是我們現在非常重視的feed流產品。過去傳統的搜索是人在找信息，現在要逐漸演進到信息找人。人在沒有主動表達他的信息的時候，我們就已經能夠猜出來這是他喜歡的，這是他需要的信息。如何能夠很方便、高效地分發給這些需要和感興趣的人，這個也是在內容分發形式上一個新的機會和挑戰。我們因為有強大的知識圖譜和用戶畫像，有多年人工智能方面的技術的積累，有大量的用戶行為和數據，所以在這方面是非常有優勢的。

連接服務的新時代

未來10―15年的時間，會有一個大的趨勢，就是中國的這種消費升級。過去不管你的產品多爛，你只要是免費的，用戶就用；不管你的產品多好，只要收費用戶就不用。今天已經完全不是這個樣子了。只要你做的好，用戶愿意為你付費，虛擬的東西、服務性的東西、內容性的東西，用戶也愿意付費。所以在我們的定義當中，所謂的連接服務，只要它不是純虛擬的內容，它只要包含了付費的行為，包含了線上到線下的連接等等，這些我們都認為是服務。這對我們也是一個很新的課題。

一個人從query表達到最后的服務，被滿足，可能有十步。我們也許只做了第一步到第三步，或者第一步到第五步。但這仍然叫連接人和服務，我們不一定是完全要從端到端全部都控制，只要往前能夠推進一步，我們的用戶體驗就會好一分，我們對整個生態的把控能力也會強一些。

服務的內容化，也是我們看到的一個比較明顯的趨勢。你把糯米提供的服務都寫成用戶喜歡的內容，手機百度通過feed流推過去，用戶也會很接受。什么叫用戶喜歡的內容，我總結了八個字叫：喜聞樂見，賞心悅目。你能把內容用這種形式呈現出來，你用戶的接受程度就會很高。

我們做的是要從線上給線下導流，從我們的產品形態以及我們所處的階段來說，這個是更適合百度做的。我們做內容的分發、服務的分發，都是說讓合適的人能夠找到合適的內容、合適的服務。這是我們需要想辦法通過服務的內容來解決重要的問題。

金融創新的新時代

我們看FSG做的最主要的一個東西，我們把它叫做B2B2C的模式。

互聯網金融從最開始1.0的場景金融，到2.0的技術金融，我認為的3.0，就是所謂的模式創新。這個才是觸及到這個行業的基本的東西。我也認為在未來相當長的一段時間里頭，是一個金融創新的新時代。

我們要找到洞察。我們看到了什么別人看不到的東西，這樣我們才跟別人比更有利，我們才能夠有可能做的比別人好。

教育是個大市場，我們跟其他那些傳統機構相比有優勢，但是也有劣勢。我們怎么能夠進一步擴大我們的優勢，讓手百這些app進一步變得更加超級，更加有粘性，用戶更多，同時怎么樣利用好我們大的平臺。金融這個行業，才能夠做出創新的東西來。

整個金融可涉及的范圍很廣很多，FSG已經做的也有不少，我不細講了，但是我們感覺到，這樣一個時代，也是很明顯的金融創新的新時代。

人工智能的新時代

一個明顯的機會是軟硬件的結合。亞馬遜的echo非常成功，成功背后的邏輯是它在這個硬件上做了一些改造，而不僅僅是一個軟件的解決方案。手機要考慮耗電的問題。但是智能音箱不需要考慮耗電的問題，這就使得它可以隨時隨地都響應你的需求。所以這是新的硬件形式帶來的新的人工智能的機會。

無人車集成了雷達和攝像頭這些硬件，才使得它具備了在無人操控下自動駕駛的能力，不是一個純軟件的需求。而這種集成的創新，其實現在還以一個非常快的速度在迭代過程當中。

我們這次在CES上的搭載度秘的小魚在家這樣的一款新產品，這也是一種典型的軟硬件結合的例子。這些能力，不僅僅是說你的人臉識別的能力能夠識別出來他，而是說你有一個硬件在那兒隨時隨刻都在監測你家庭的環境的時候，才能夠實現這些東西。所以軟硬件這種集成的創新，未來會有非常多的機會。

第二個機會是行業的運動。人工智能會改變每一個行業。對于每一個行業來說，你只要認真的去思考，你會發現這里有非常非常多的應用的機會。

我們不是某一個垂直的行業的公司，我們更像一個平臺公司，我們不可能對每一個行業都非常非常了解。

但是我們跟有些行業關系比較近，比如醫療行業。最初百度這種醫療想做的事情很簡單，就是一個O2O的東西，就是我們這兒有用戶，很多人來找去哪兒看病，我們怎么幫他掛到他想掛的號。但是到去年開始，我們發現說其實像智能問診已經變得越來越實用了。如果說我們的智能問診的系統能夠達到一個醫生職業的平均水平的話，那就完全可以先通過一個智能的系統，起碼是輔助這些醫生做一些判斷，真的是到大病的時候才到醫院，到更具有規模的醫院去。

那再往下走一層呢，比如說基因測序，它是非常大數據的一個東西。如果能夠通過人工智能的方法跟醫學知識進行結合，找到答案的話，也是一個很大的突破。再往下走，比如說新藥的這種研發，怎么樣去用人工智能的技術找到新的藥，這些東西還處于早期階段，但是我們覺得，最后可能這些東西能夠有所作為。我也相信在物流、在零售等很多領域，其實都有類似的這樣一個解決方案，利用人工智能去幫助解決。

人工智能在企業層面的應用也非常廣泛。去年百度世界的時候講過一個例子，叫做金牌銷售。我們實時的識別客戶的問題，然后實時的提示銷售人員最牛的銷售是怎么回答客戶這樣的問題。目前，我們已經有一個團隊在做這個項目，這是真正的利用到了百度的人工智能的優勢。能夠對企業產生價值的這么一個項目。還有智能客服，大多數問題都是重復的，完全可以用機器學習的方法找到答案。

類似的這種應用我認為還有很多，只不過我們現在沒有精力去一個一個地開墾。但是我們需要有這樣的一種心態去思考。人工智能時代的時候，你的思維邏輯、思維方式應該變成什么樣子，現在還不是很清晰。但是我相信，對我們不清晰，對其他公司來說更不清晰。我們應該及早的去朝著這個方向做我們的思考和嘗試。

我們要做好準備

過去這一年，大家覺得反腐的力度比較大，就是跟這個理念相吻合的。在這個戰場上，一定要常抓不懈。我們要想讓每個人覺得公平，必須要打擊掉那些鉆制度的空子的人。我們正在朝著更加正面的方向去走，這個公司會變成一個更加公平的、對每個人來說更加公平的一個公司。

其次，用戶至上。我們需要更多的思考市場的需求，更多的思考我們的產品對用戶的價值。

當我們往下去拆解任務的過程當中，容易變成一些用戶體驗不好的體驗。這樣的情況其實是非常危險的。如果你用一個簡單的機械的KPI往下分解和傳遞，那么很可能到基層到一線員工的時候，他完全不理解我們為什么要干這個事兒。這個時候如果他心目當中想的不是用戶體驗，想的不是市場需求，想的是我怎么能夠完成這個數，那這個公司真的是時間一長就完蛋了。員工做的并不是我們想讓做的事兒。

所以我們需要站在用戶的角度來思考問題。我們現在手百雖然是一個native app，但是人們在使用手百的過程中，還沒有一個真正native app的體驗。我們經常點一個搜索結果后，到別人的網站上了。傳統來講，別人的網站上放了很多廣告，那這就是別人網站的事情了。但是從用戶的角度來想呢，用戶永遠都覺得他在用百度，我們要對用戶的這種需求負責到底。

篇8

關鍵詞：德國“工業4.0”;模具設計與制造專業;改革措施

2011年，德國聯邦教育局和研究部推出德國“工業4.0”，與美國倡導的“工業互聯網”和我國提出的“中國制造2025”相似，核心是智能制造，,主要是為了提高德國制造工業的智能化水平和競爭力[1]。“工業4.0”是德國政府對整個工業發展過程重新劃分而提出的一個新穎概念。提出這個概念的德國產業界和學術界人士認為，技術不斷精進的情況下，工業發展歷經機械化的“工業1.0”、電氣化的“工業2.0”和自動化的“工業3.0”三個時代后必然會步入智能化的“工業4.0”階段。智能化時代，核心技術特征是“虛擬—實體系統”。“虛擬—實體系統”是指工業發展會以原有的互聯網和信息系統為基石，融入服務網和物聯網的新血液，緊密銜接實體世界與虛擬的信息網絡，形成新的智能整體[2-3]。在工業范疇中，“虛擬—實體系統”可演變為以智能代替人控的“智能工廠”。在“智能工廠”中，可進行交互控制的智能機器提供生產，保證生產信息可以實時監控和傳輸；大數據存儲系統保障核心控制系統，串聯起生產原料采購入庫、產品制造檢測、成品物流輸送等整個完整的流水線，同時可收集各環節傳來的信息，以人工智能對其分析判斷，決定具體的生產方案，并自動完成加工制造。這樣就形成了精準按需生產、高度個性化制造的模式，達到降低成本、提高附加值的目的。德國“工業4.0”的出現無疑會撼動傳統加工制造的機械產業部分，并迫使其產生重大變革，所以從事該行業的相關人員必須緊跟產業改革的步伐，提高自身的專業素養，做到改革與發展一致前進。同時，機械行業相關的人員需要具備更高的專業素養，因此必須改革模具設計與制造專業的教學模式，從教育源頭抓起，逐步提高人員的專業素養，最終變革產業模式。

1建立綠色智能化制造的新理念

“工業4.0”概念的核心為智能制造，希望工業生產全面使用智能系統指導生產過程，做到人機互動，甚至可以將3D技術融入工業生產中。因此，培養儲備力量的教學環境必須主動適應這一工業變革，無論教師還是學生都需要打破傳統粗放生產的舊觀念，形成創新的智能制造新思想。作為未來生力軍的學生，尤其是機械、電子等相關專業的學生，需要在高校學習中形成符合“工業4.0”要求的智能化生產新思想，這也要求高校相關專業的教師在教學過程中做出與智能化制造相關的引導。

2教學內容多樣化和具體化

雖然德國“工業4.0”的技術涵蓋的領域較為廣泛，但核心基礎均為機械。因此，要求未來的機械工程師不僅要在自己的機械專業做到高精尖，還需要對相關電子、信息等專業知識有足夠的儲備，而學校機械專業在其培養計劃中都應意識到學科的交叉學習，并做出相應改動。全面改革的德國“工業4.0”是希望智能化的工廠和生產系統能夠代替傳統方式。因此，機械專業學生的課程計劃應涵蓋與此智能化相關的軟件工程、計算機網絡技術、傳感器、通信系統等課程。因為課時無法兼顧的學校，也應盡量利用課外實踐課、選修課等方式引導學生進行自學，并在完成教學任務的前提下，盡可能擠出時間為學生解答疑問，幫助學生彌補相關知識，從而拓展機械專業學生的眼界和知識面。

3引導學生向著知識多元化發展

“工業4.0”的實現要求其從業人員掌握了解自身專業和相關領域的知識。因此，作為未來生力軍的學生，在儲備知識的階段需要涉獵多方面知識，多元化發展，做到本專業高精尖，相關專業全了解，以成長為全能人才。但是，現在的高校教育制度仍舊是學分制，造成了學生學習十分局限的現狀。學生很少主動與其他專業學生交流，學習知識面狹窄。所以，專業教師在教學過程中應該適當為學生安排與其發展相關的系列專題講座，定期舉辦跨專業學習交流會，激發學生相互交流的學習熱情，提高學生自身知識素養，鼓勵和引導學生成長為適應時展需要的復合型人才。

4基于學科競賽提高學生創新意識

德國“工業4.0”的另一個重要內容創新，但目前國內大部分高校的模具設計與制造專業還是沿用傳統的教學內容和教學體系。因此，積極參與專業學科競賽不僅可以提高學生的學習熱情，還可以激發學生的創新能力，提高學生的動手能力。

5培養學生的團隊意識和愛崗敬業的職業素養

“工業4.0”采取新的協作工作方式使工作可以脫離工作場地，直接利用虛擬網絡和移動遙控的方式指導生產，員工管理自更高，大大提高了生產工作的積極性。因此，高校在配套的教學過程中應注意轉變學生對行業工作環境的舊觀念，以培養未來的優質機械工程師為目的，不僅提高學生動手能力，還要注重培養學生的興趣，讓學生提前適應智能化生產的工作氛圍。“工業4.0”是德國提出的工業發展的必經之路，我國也同樣提出了“中國制造2025”戰略，其中提高高校機械專業的教學水平和學生素養是重要的基礎工作。模具設計與制造專業應做出相應的教學改革來適應機械行業的發展，致力于培育專業突出、綜合能力強的全能型人才。

作者:程婧璠 陳帆 付娟娟 畢立彩 劉小寧 單位:武漢軟件工程職業學院

參考文獻

[1]晏越.“德國工業4.0”與“中國制造2025”綜述[J].科技風，2016，（16）：185-186.

篇9

關鍵詞：情緒智力；情緒智力理論；學院派；實務派；研究方法

一、情緒智力概念的界定及探討

情緒智力(EmotionalIntelligence)這個詞是德國人BarbaraLeuner(1966)首先提出的[1]。1986年柏尼(W.P.Payne)在博士論文《情緒研究》中明確探討了發展情緒智力的問題[2]。而將情緒智力作為理論概念正式提出的卻是美國耶魯大學的薩洛維(P.Salovey)和新罕布爾大學的梅耶(J.Mayer),1989--1990年，他們連續發表兩篇學術論文，正式提出了情緒智力的概念和理論，將情緒智力定義為：“監察自身和他人的感情和情緒的能力,區分情緒之間差別的能力，以及運用這種信息以指導個人思維和行動的能力”[3]。在他們提出情緒智力的概念之后，圍繞情緒智力概念的討論日漸激烈，其中最出名的是哈佛大學心理學教授DanielGoleman,他于1995年在《情緒智力:為什么它比智商更重要》一書中將情緒智力定義為:了解自身感受,控制沖動和惱怒,理智處事,面對考驗時保持平靜和樂觀心態的能力。此外，與現在的情緒智力相提并論的情商(emotionalquotient，EQ)概念則是由巴昂于1988年在其博士論文中首創的[4]。2000年，他主編了《情緒智力手冊》(theHandbookofEmotionalIntelligence)，全面介紹了情緒智力的研究情況，認為情緒智力是影響人應付環境需要和壓力的一系列情緒的、人格的和人際能力的總和。它是決定一個人在生活中能否取得成功的重要因素，直接影響人的整個心理健康[5]。

自從情緒智力于1996年傳入中國以來，學者們紛紛給情緒智力下定義，如許遠理將情緒智力定義為“感知與體驗、描述與評價、調節與控制內省情緒、人際情緒、生態情緒的能力”[6]。陳家耀則進一步提出用情志力一詞來概括有關情緒智力和非智力因素對智力活動的支持、導向和動力作用等心理活動。情志力的內涵是意向，其外延，從成分來說有情緒、意志和個性[7]。徐小燕、張進輔將情緒智力定義為“人們在學習、生活和工作中影響其成功與否的非認知性心理能力，包括情緒覺知能力、情緒評價能力、情緒適應能力、情緒調控能力和情緒表現能力等五種因素，它們又分為若干次級因素成分”[8]。這些概念均從不同的維度對情緒智力做了概括，但現存的問題是學界對情緒智力的概念并沒有一個統一的認識。這與對情緒智力在國外的術語“emotionalIntelligence”中emotion一詞到底該如何理解有很大的關系，同時還與對其外延和內涵的恰當界定聯系緊密。因此，如何給情緒智力一個恰倒好處的概念有待進一步的研究。

二、情緒智力理論及結構

（一）情緒智力的學院派理論及結構

以Mayer和Salovey為主導的學院派，將情緒智力納入智力的家族并堅持科學量化的道路[9]，學院派對情緒智力的研究采用的是能力模型取向[10]，能力模型是指能力的情緒智力，即反映了直接與標準智力定義相關的、人的實際心理能力[11]。1990年，美國心理學家Salovey和Mayer首次正式使用情緒智力這一概念描述影響成功的情緒特征，他們認為情緒智力是一種加工情緒信息的能力，它包括準確地評價自己和他人的情緒，恰當地表達情緒，以及適應性地調控情緒的能力。并以此為基礎，提出了情緒智力結構的三因素能力模型。但此時情緒智力定義以及結構的劃分都是在廣泛查閱相關文獻的基礎上總結出來的，沒有實證基礎。后來，他們分別于1997年、1999年、2000年對情緒智力的定義及結構進行修訂，最終將情緒智力界定為一種連接認知與情緒的心理能力，在此基礎上確定了其結構的四個維度[12]。這四個維度從最基本的情緒感知和表達能力開始，到情緒管理調控能力為止，是按照每種能力發展的先后順序進行排列的。具體內容為：

1．情緒的感知、表達能力：指從自己的生理狀態、情感體驗和思想中辨認和表達情緒的能力；以及從他人、藝術活動、語言中辨認和表達情緒的能力。

2．情緒對思維的促進能力：即促進認知行為，使問題解決、推理、決策和創造更為有效的能力，包括情緒對思維的引導；情緒對信息注意方向的影響；心境的起伏對思維的影響；情緒狀態對問題解決的影響等多方面的能力。

3．對情緒的理解、分析能力：指認識情緒體驗與語言表達之間關系的能力；理解情緒所傳送意義的能力；理解復雜心情的能力；認識情緒轉換的可能性及原因的能力等。其中最基本的是使用特定的詞語來命名情緒并能有效的辨別它們之間的關系。該能力是“最具有認知意味的”。

4．情緒管理調控能力：根據所獲得的信息，判斷并成熟地進入或離開某種情緒的能力；覺察與自己和他人有關的情緒的能力，調節與別人的情緒之間的關系等。

（二）情緒智力的實務派理論及結構

以Goleman和Bar-on為代表的實務派將預測成功作為向導，試圖在傳統智力以外找到能夠預測成功的所有重要因素[9]。實務派對情緒智力的研究采用的是混合模型研究取向[10]，混合模型是指特質的情緒智力，屬于人格范圍。即給情緒智力列出了一組人格特點菜單，如“同情、動機、堅持性、溫情和社會技能”，我們將這理論及結構稱為“混合模型”[11]。

1．Goleman的情緒智力理論及結構

1995年，Goleman在暢銷書《情緒智力》中將情緒智力定義為了解情緒、管理情緒、自我動機、認知他人情緒、處理關系的能力[13]。他認為情緒智力在幫助個體取得成功上起的作用比智力的作用大，并且情緒智力可以通過經驗和訓練得到明顯的提高。1998年，他在1995年情緒智力定義基礎之上提出了一個5因素情緒智力理論結構[14]。這個結構共包括5個因素，25種能力。后來他又結合了RichardBoyatzis等人的研究把這5個因素25種能力精煉成4個因素20種能力，它們分別是自我覺知(包括情緒覺知能力、正確的自我評估、自信)，自我管理(包括自控能力、信用度、責任心、適應能力、成就動機、主動性)，社會覺知(包括移情、對團體情緒的覺知、服務傾向性)和社交技巧(包括幫助他人發展、領導能力、影響力、溝通能力、革新能力、協調能力、凝聚力、協作能力)。

2.Bar-on的情緒智力理論及結構

Bar-on于1997年提出情緒智力的定義，情緒智力是影響人應付環境需要和壓力的一系列情緒的、人格的和人際能力的總和。他認為情緒智力是決定一個人在生活中能否取得成功的重要因素，直接影響人的整個心理健康[15]。Bar-on提出，情緒智力由個體內部成分、人際成分、適應性成分、壓力管理成分、一般心境成分等五大主成分構成，其中，個體內部成分包含情緒自我覺察、自信、自我尊重、自我實現和獨立性五種相關能力；人際成分包含共情、社會責任感和人際關系三種相關能力；適應性成分包含現實檢驗、問題解決和靈活性三種相關能力；壓力管理成分包含壓力承受和沖動控制兩種相關能力；一般心境成分包含幸福感和樂觀主義兩種相關成分。這樣，由五大主成分和15種相關能力組成了情緒智力系統[16]。Bar-on認為這15種能力是情緒智力最穩定、最有效的成分，對個體總的情緒幸福和應對生活的能力起決定作用。

三、情緒智力的研究方法與測量

（一）情緒智力的研究方法

在情緒智力研究開展的早期，曾出現過只強調經驗范式而缺乏實證研究的現象。隨著情緒智力研究地逐步深入，其研究方法已呈現出多樣化趨勢并取得了相當的成果。如羅森塔爾設計的了用來衡量辨別他人情緒特征能力的非言語敏感測驗(簡稱PONS)；WalterMischel設計出果汁軟糖實驗來分析控制沖動、延緩滿足、抵制誘惑的水平對將來成功的影響；Seligman塞利格曼根據這種觀點設計了樂觀態度測驗，進而將這項測驗應用于人才的選拔。在人工智能的研究中，“情緒智力”倍受關注。其始創人Picard教授認為，要使計算機真正智能化，適合人的需要并能自然地與人互動，就必須使它們具備識別和表達情緒的能力，即人工智能要具備被稱作“情緒智力”的東西[17]。雖然情緒智力的人工智能研究剛起步，但已顯示出令人興奮的前景。情緒智力研究方法的多樣性、前沿性另人欣慰，但仍存在一些不足，最主要的就是重定性研究而輕定量分析。

（二）情緒智力的測量

1．Schutle的EIS量表

情緒智力量表(EIS)是Schutle等人根據Salovey和Mayer(1990)的情緒智力模型開發的一份自陳問卷。它共有33項，可用于評估人們對自己以及他人情緒的感知、理解、表達、控制和管理利用的能力。此量表的高分者通常更為積極、更能克制沖動、更清楚地表達自己的感受、更好地恢復、較少的情感障礙和抑郁、更富有同情心、更能自我監控。

2．多因素情緒智力量表（MEIS）

該量表是Mayer等人于1998年編制的，1999年他們又發表該量表的修訂版[12]。該量表是能力測驗而非自陳測驗。該量表以行為表現為基礎，測量被試覺察情緒、鑒別情緒、理解情緒和控制情緒。它包括的四個維度十二項任務分別是：感知情緒(4項任務)、同化情緒(2項任務)、理解情緒(4項任務)和控制自我情緒(2項任務)。該量表有整體評分和專家評分兩種評分方法。此量表的結構效度、聚合效度和區分效度都很高，尚無預測效度的報告。修訂版與舊版的不同之處在于，舊版把多數人一致性作為正確答案的指標，修訂版則把專家打分作為評判的標準。為了再次改進修訂后的MEIS，Mayer、Salovey及Caruso等人又編制出了MSCEITV1.0和MSCEITV2.0。MSCEIT是一個基礎能力量表，共有141個自陳項目，適用于17歲以上的人群。該量表旨在測量人們執行任務、解決情緒問題的質量和程度，而不是依賴個人對自己情緒技能的主觀評估來計分。

3．情緒智力調查表（ECI）

該量表是Goleman等人根據Goleman1998年提出的精練后的情緒智力模型編制的，它可以測量該模型提到的4個因素20種能力。該量表有很高的內容效度，但到目前為止還沒有有關此量表的預測效度的研究。ECI包含了Goleman情緒智力模型的所有內容，是一種比較完整的情緒智力評價工具。該量表的使用要求也較嚴格，使用者須經過專門的培訓，合格后方能對施測結果給予正確解釋與指導。ECI可以全方位評估個人和團體的情緒能力。

4．情商問卷（EQI）

EQI也叫《Bar-on情商量表》，它是Bar-on于1997年編制并出版的量表。該量表是國際上著名的心理量表之一。它包括5個主成分量表(其中包含15個分量表)和2個效度量表，共133個題目。其中主成分量表有：內省量表、人際量表、適應性量表、壓力處理量表、總體情緒量表。效度量表則分別是樂觀印象和悲觀印象。EQI具有較高的內部一致性信度、重測信度、聚合效度和區分效度[18]。該量表出版后，得到廣泛認可和應用，目前已被應用于心理咨詢與治療、人力資源、人格、學習能力等多種領域，被共認為是第一個標準化的情緒智力量表[19][20][21]。

5．工作能力量表-Ei版（WPQei）

WPQei用來測量個人的能力和素質，它以情緒智力的概念模型為基礎，包括七個成分:創新，自我意識，直覺，情緒，動機，移情，社會技能。共有84個題項。員工在工作中可以把量表中的信息與自己的實際工作情況結合起來，有目的的提高自己的情緒管理能力。

除了上述量表之外，我國已有學者將DarwinB.Nelson和GaryR.Low兩位博士于1998年編制的情緒技能問卷翻譯和修訂成中文版并投入試運行[22]。

三、小結

隨著情緒智力受關注的程度不斷提高，情緒智力的研究無論在理論上還是應用上將進一步深入，Bar-on宣稱:“EQ時代已經開始了”[9]。情緒智力的研究已經取得了很大的進展，但畢竟對情緒智力正式研究的時間還不長，還有許多問題有待解決。如文章開頭所提到的學界如何才能給情緒智力一個統一的概念？到底是學院派的能力模型理論更有說服力，還是實務派的混合模型理論更好，抑或二者相結合的為最佳，再或還有其他的理論模型有待發現？如何培養和提高情緒智力？要回答這些問題，就需要進一步對情緒智力的定義、理論、結構、研究方法、測量方法、應用進行探究。同時對情緒智力研究可能會呈現的趨勢進行展望和預測：情緒智力研究方法和測量方法將在多樣化的基礎之上不斷發展，情緒智力量表的社會實用性研究將成為學界的研究熱點，學者專家們將研究形成中國自己本土化的情緒智力理論及量表。

參考文獻：

[1]曾性初：《情志與情商》，《教育研究》1999.3.

[2]Payne,W.L.Astudyofemotion:developingemotionalintelligence;self-integration;relatingtofear,painanddesire.DissertationAb2stractsInternational,1986,47,(01),203A.

[3]Salovey,P.,&Mayer,J.D.(1990).Emotionalintelligence.Imagination,Cognition,andPersonality,9,185-211.

[4]Bar-On,R.Thedevelopmentofanoperationalconceptofpsycho2logicalwell-being.Unpublisheddoctoraldissertation.RhodesUni2versity,SouthAfrica.1988.

[5]Bar-On,R.&ParkerJ.D.A.Handbookofemotionalintelligence:Theory,Development,Assessment,andApplicationatHome,SchoolandintheWorkplace[M].SanFrancisco,CA:Jossery-Bass.2000.

篇10

關鍵詞：數據挖掘；ID3算法；決策樹；報考

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2013）30-6705-05

1 概述

目前，報考主要是考生根據個人喜好及分數要求主觀填報志愿。但是，在報考過程中，通過網絡的招生信息往往比較分散，而招生單位數量眾多、屬性復雜，考生如何收集到對自己有利的信息并且在眾多的招生單位中快速有效的選出適合自己的學校非常困難，因此在填報志愿的時候存在一定程度的盲目性，增大了落榜的可能性。數據挖掘是從大量數據中提取或“挖掘”知識，一般分為數據清理、數據集成、數據選擇、數據變換、數據挖掘、模式評估、知識表示等，為自動和智能地把海量的數據轉化為有用的知識提供了有力的手段，給數據和知識之間的鴻溝架設了方便之橋。在報考過程中應用數據挖掘技術，可以從大量的報考數據中抽取出有用的信息，找出數據變化的規律和數據之間的相互關系，用以指導學生更有效的報考志愿。該文把數據挖掘中的決策樹算法（ID3算法）應用到報考工作中，按學校的不同屬性進行分類，為廣大考生提供決策支持，這樣不僅能提高報考的效率，更能合理配置教育資源。

2 決策樹方法概述

ID3決策樹分類所采用的算法是自頂向下的貪心算法，從最后一個根結點開始，依次選擇信息增益最高的屬性作為分裂屬性，然后將數據樣本劃分成不同的樣本子集，再將每個樣本子集構成一個子結點。對每個子結點再進行劃分，生成新的子結點。按照此過程不斷反復，直到能將樣本準確分類或者所有的屬性都已被選擇，生成的決策樹每個葉結點都對應一個分類。

3 數據預處理

3.1數據準備

在全國范圍內，招生的學校數量數不勝數，影響學生報考的因素也是多種多樣。大量未經篩選的數據不但不利于挖掘，甚至可能對挖掘結果產生不良影響。因此，我們在進行挖掘之前必須對數據進行整理和歸納，列出不同類型影響因素，為數據挖掘做好充分準備。該文學校分類的主要屬性包括：學校類型、地理位置、校園面積、重點專業、企業口碑，如表1-1所示。該文列舉部分學校作為樣本，根據他們的部分屬性組成如下的基礎表結構，根據相應屬性進行計算，得出挖掘結果。

3.1.1表結構數據

5 結束語

在目前的數據挖掘領域中，依然存在著許多分類問題的模型，但應用最為廣泛的分類模型仍然是決策樹算法。決策樹方法的優點表現在分類過程中不需要人為設定任何參數，更適合于對新知識的發現。而決策樹分類方法則是不需要任何除測試數據集以外的附加信息，這一點保證了決策樹與其它分類方法相比具有更高的分類速度和更高的分類準確率。ID3算法是決策樹最有影響的算法，把ID3算法應用于報考中對于招生工作有重要意義。

當然本文也還存在許多可以改進的地方，比如考慮的屬性可以更多范圍更廣，另外對ID3算法進行相應的改進能在報考中有更有效的運用，該文對于算法的研究還存在不完善的地方。同時，本題中取值為離散類型，若把本題中的取值更改為連續類型，則需要用C4.5算法代替，該文沒做詳細描述。

參考文獻：

[1] 曲亞輝.數據挖掘在研究生調劑中的應用研究[D].江蘇科技大學，2011.

[2] 黃芳.基于數據挖掘的決策樹技術在成績分析中的應用研究[D].山東大學，2009.

[3] 馮菁，姚宏亮.ID3算法在教學質量評價中的應用研究[J].計算機工程與設計，2006.27（4）.

[4] 徐雯，張揚.ID3算法及其改進[J].計算機與數字工程，2009（10）.

[5] 繆志敏，趙陸文.基于單類分類器的半監督學習[J].模式識別與人工智能，2009（6）：924-930.

[6] 趙衛東，李旗號.粗集在決策樹優化中的應用[J].系統工程學報，2001（16）：289-295.

[7] 代昆玉.胡濱.決策樹算法在高考志愿填報中的應用[J].貴州大學學報：自然科學版，2009，26（2）.

[8] 唐一，馬征.改進的ID3算法在高校就業系統中的應用分析[J].科技情報開發與經濟，2011，24（4）.

[9] 范明，孟小峰.數據挖掘概念與技術[M].機械工業出版社，2007.

[10] 戴文華.基于遺傳算法的文本分類及聚類研究[M].北京：科學出版社，2008.

[11] 曾錚.基于OLAP和數據挖掘技術的高考志愿填報方式分析評估方法[D].西南大學，2010.

[12] Alexey Pryakhin， Matthias Schubert， Arthur Zimek，et al.Future trends in data mining[J].Data Min Knowl Disc. 2007，15：87-97.