人工智能对教育的意义范文

导语：如何才能写好一篇人工智能对教育的意义，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

【关键词】 血管性认知功能障碍；支架成形术；复方苁蓉益智胶囊；疗效

DOI：10.14163/ki.11-5547/r.2015.10.114

血管性认知功能障碍（vascularcognitiveimpaiyment， VCL）是最常见的颅内血管疾病。国内外大量动物实验及临床研究均证明脑供血动脉狭窄是引起认知功能障碍的原因之一。冠状动脉支架成形（CAS）可以改善认知功能履有报道， 为治疗带来了希望。2012年5月～2014年5月作者观察研究了血管内支架成形术治疗和口服苁蓉益智胶囊治疗VSI的疗效和比较， 结果报告如下。

1 资料与方法

1. 1 一般资料 40例VCI患者来源于本院放射介入科。经全脑血管造影术或头部CT成象确诊为脑血管动脉狭窄， 均符合《第四届全国脑血管会议修订标准》， 并达到血管内治疗标准。中医辨证属肝肾亏虚， 痰瘀阻络证。其中男32例， 女8例；年龄60～81岁；病程6～12个月。40例患者中血脂异常20例， 糖尿病9例， 高血压病史30例， 脑梗死病史28例， 脑血管中度硬化4例。排除脑炎、脑肿瘤、脑外伤、脑出血、有精神病史、有一氧化痰中毒病史、正在服用抗精神病药影响认知功能的患者。40例确诊血管性认知功能障碍患者随机分为血管内支架成形治疗组（支架组）和口服复方苁蓉益智胶囊组， 各20例。两组患者在性别、年龄、病程等一般资料方面比较差异无统计学意义（P>0.05）， 具有可比性。

1. 2 治疗方法 支架组患者术前3 d开始服阿司匹林200～ 300 mg， 氯吡格雷75 mg， 1次/d， 连用3个月后改为氯吡格雷单药继续服至术后6个月。患者术后颈外血管残余狭窄≤10%， 颈内血管残余狭窄≤20%～30%。复方苁蓉益智胶囊组口服复方苁蓉益智胶囊4粒， 3次/d， 并连用阿司匹林和氯吡格雷至6个月。

1. 3 检测指标 两组患者在治疗前接受认知功能测定， 采用简易精神状态量表（MMSE）评分。其中时间定向力为5分， 地点定向力为5分， 即刻记忆力为3分， 延迟记忆力为3分， 计算力为5分， 语言能力为2分， 复述书写力为3分， 执行力为4分， 总分30分。认知功能严重程度分级：正常为MMSE评分≥27分；中度为21～27分；中度为10～20分；重度为≤9分。两组患者分别在6 h后和1、3、6个月分别行认知功能测定。

1. 4 统计学方法 采用SPSS18.0统计学软件处理数据。计量资料以均数±标准差（ x-±s）形式表示， 实施t检验；计数资料以率（%）形式表示， 实施 χ2检验。P

2 结果

两组治疗前后MMSE评分结果比较， 治疗前支架组与复方苁蓉益智胶囊组比较， 差异无统计学意义（P>0.05）；治疗后6 h内和1、3、6个月支架组MMSE评分较复方苁蓉益智胶囊组显著升高， 差异有统计学意义（P

3 讨论

病理机制研究发现[1]血管认知功能障碍患者皮层下小血管病变的比例很高， 在MRI上可呈白质异常， 与经常性、慢性和弥漫性的轻度缺血有关。Shibata等[2]采用双侧颈总动脉线结法， 造成小鼠脑组织反复缺血-再灌注， 使脑组织广泛损伤产生梗死灶， 引起皮层降解纤维受损出现皮层功能紊乱， 斑块脱落造成脑内多发微小的腔隙性梗死灶和微栓子造成的无症状性损伤的累加作用， 经行为学测试， 可使小鼠学习、记忆、认知功能受损。根据以上机制对VCI的治疗首先应注重控制血管因素的发展， 预防脑卒中的复发包括控制危险因素和脑卒中的一、二级预防。杨婷等[3]报道颈动脉支架成形术可以改善患者认知功能障碍， 颈动脉支架植入后， 大脑低灌注情况有所改善， 通过P300潜伏期检测、MMSE评分， 发现颈动脉支架植入术后患者的各项指标均比术前有明显好转。

中医认为病位在脑， 与心、肝、肾功能失调有关。由于七情内伤， 久病耗损， 年迈体弱， 致使气、血、痰、郁、瘀等病邪为患， 渐使脑髓空虚， 气血不足， 肾精亏耗， 痰瘀互阻， 脑髓失养。其症侯特征以虚为本， 以实为标， 临床多见虚实夹杂症。复方苁蓉益智胶囊有益智养肝， 活瘀化浊， 健脑增聪的功能， 适用于轻、中度血管性智呆属肝肾亏虚兼痰瘀阻络。在缺血再灌合并颈外静脉抽血降压所致缺血性脑损伤的大鼠模型中[4]， 本品可使大鼠在跃台试验中的错误次数减少， 水谜宫试验中游全程时间缩短， 进入盲端次数减少， 并可改善模型组造成的病理改变， 改善由脑血栓造成的脑缺血症状， 提高模型大鼠的脑组织血流量。

本研究将40例VCI患者分为两组， 比较治疗前及治疗后6 h和1、3、6个月MMSE评分， 治疗前支架组与复方苁蓉益智胶囊组比较差异无统计学意义（P>0.05）；但在治疗后6 h和1、3、6个月， 支架组与复方苁蓉益智胶囊组比较差异均有统计学意义（P

综上所述， 血管内支架成形术和口服复方苁蓉益智胶囊治疗VCI均有效， 但血管内支架成形术能让患者的认知功能在短时间内得到改善， 而复方苁蓉益智胶囊组需较长时间， 疗效上支架组优于复方苁蓉益智胶囊组。

参与文献

[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] 杨婷， 陈康宁.颈动脉支架置入术改善患者认知功能障碍.现代生物医学进展杂志， 2008（12）：2511-2513.

篇2

2016年是世界围棋界极不寻常的一年，3月份在“阿尔法围棋”（AlphaGo，一款围棋人工智能程序）与围棋世界冠军、职业九段选手李世石之间展开的一场人机大战中，“阿尔法”的胜出震惊全球。7月份世界职业围棋排名网站公布了最新世界排名：“阿法围棋”以3612分，超越3608分的柯洁成为新的世界第一。

2016年12月29日到2017年1月4日，一个名叫 “Master”的神秘网络围棋手横扫中、韩、日围棋界。它凭借惊人的稳定性一路高唱凯歌，获胜60场，没有败绩。最终神秘的“Master”揭开了庐山真面目，宣布自己就是“阿尔法围棋”。

2017年1月，谷歌Deep Mind公司宣布推出真正2.0版本的“阿尔法围棋”，成为第一个不借助让子，在全尺寸19×19的棋盘上击败职业围棋棋手的电脑围棋程序，其特点是摈弃了人类棋谱，只靠“深度学习”的方式成长起来挑战围棋的极限。

围棋是人类最具智慧的竞技之一，而人工智能（Artificial Intelligence，简称AI）研发是人类最具挑战性的科技探索。人机大战的经典对决将被同时载入围棋史册和科技史册。它的意义已经远远超出围棋本身，人们热衷谈论“阿尔法围棋”更多是出于对AI技术的关切。从诞生到日益成熟，AI理论和技术的应用领域在不断扩大，不知不觉间渗透到人类当代生活的各个方面。AI时代，互联网、金融、医疗、教育、物流、娱乐、传媒等行业都在加速自己智能化的进程。可以想见，未来人工智能带来的科技产品，将会是人类智慧的“容器”。 而与此同时，人类命运和机器智慧的冲突与共存，已经由人机大战开始不断升温。

“人工智能百年研究”项目

2014年秋季，美国斯坦福大学开启了“人工智能百年研究”（AI100）项目。这是一个超大型长期项目，该项目发起人――美国人工智能发展协会会长、前微软研究员埃里克・霍维茨博士表示，“我们的职责是研究人工智能在2030年前对人类社会生活方方面面所产生的影响，尤其是在北美地区”，而“研究的核心是，人类不能丧失对人工智能的控制能力”。 “人机大战”

2016年9月1日，“人工智能百年研究”项目的第一项成果《人工智能与2030年的生活》。这是一份试图定义北美城市在未来10多年间将要面临的可以模拟人类行为的计算机和机器人系统 （即人工智能）问题的报告，涉及交通、家庭/服务、健康医疗、教育、低资源社区、公共安全与防护、就业、娱乐等关注领域，目的是推动相关政策的制定。业内人士认为，工业界和学术界目前正在联手倒逼政府出台人工智能的相关政策，希望可以获得更大力度的资金和法律扶持。

《人工智能与2030年的生活》所列举的关注领域，均面临着人工智能的影响和挑战。例如开发安全可信赖的硬件的困难（交通工具和服务机器人），获得工作信赖的困难（低资源社区和公共安防），对劳动力可能被边缘化的担忧（就业和职业），以及人际交往减少带来的社会副作用（娱乐）等等。

1.交通：自动驾驶的汽车、卡车、无人机投递将改变城市里的工作、购物和休闲娱乐模式，但需要增加可靠性、安全性和用户接受度，并根据新的交通模式改进当前的相关法规和基础设施。

2.家庭/服务机器人：现在进入家庭的扫地机器人或特种机器人能够为家庭和工作场所提供清洁和安保服务，当务之急是技术方面的挑战和机器人成本过高的问题。

3.健康医疗：个人健康监测装备与手术机器具有极大的发展潜力，人工智能软件将最终对某些疾病自动进行诊断和治疗。目前的关键是获取医疗从业者的信任。

4.教育：互动辅导系统在帮助学生进行语言、数学以及其他技能的学习方面已经发挥出作用，自然语言处理的发展将为这一领域的应用带来全新的方式。当务之急是教育资源分配不均的问题，以及教、学双方直接互动的减少会带来哪些消极影响。

5.低资源社区：投资最新技术领域有助于更充分地发挥人工智能的优势，比如避免铅污染和改进食品分配等，重要的是让公众参与进来以增强相互信任。

6.公共安全与防护：利用相机、无人机和软件进行犯罪模式分析，应用人工智能技术来降低人类判断的主观偏见，与此同时在不侵犯个人自由和尊严的情况下增强安全性。目前需注意的是如何保护隐私和避免固有偏见。

7.就业和职业：随着全球经济的快速发展，传统岗位开始被新岗位取而代之，有关人类如何适应这种新变化的相关工作需要立即展开，比如如何妥善处理劳动力下岗以及人工智能对新工作岗位不适应的问题。

8.娱乐：内容创建工具、社交网络和人工智能的结合，将开创全新的媒体内容收集、组织和分发模式。但问题是新的娱乐方式如何在个人价值和社会价值之间取得平衡。

《人工智能与2030年的生活》在回顾发展历程和展望发展趋势时指出，人类正加速在人工智能领域的研究，试图建立一个能与人高效协作的智能系统。其中最重要的是机器学习的成熟，它受到了数字经济崛起的部分影响――数字经济为机器学习提供了大量数据。此外其他影响因素包括云计算资源的崛起，以及消费者对语音识别和导航支持等技术服务的需求。研究人员认为，不管是从基本方法上还是应用领域，包括大规模的机器学习、深度学习、增强学习、机器人、计算机视觉、自然语言处理、协作系统、众包和人类计算、算法游戏理论和计算的社会选择、物联网、神经形态芯片在内的研究趋势，共同促进了人工智能研究的热潮。

这份报告试图严肃地讨论这样一个问题：如何更好地引导人工智能来丰富和服务于人类生活，同时推动和激励这一领域的创新。因为人类目前并不能清晰而完美地预测未来的人工智能技术及其影响，所以一定要对相关政策进行评估。未来几年公众在交通和医疗等领域内应用人工智能的机会日渐增多，因此必须以一种能构建信任和理解的方式将其引入，确保在尊重人权和公民权利，保护隐私和安全，维护广泛而公正的利益分配等方面措施周备。 世界经济论坛说，机器人和人工智能到2020年可以取代510万个工作岗位。

研究人员指出，传统的人工智能范式已被数据驱动型范式成功取代，对于定理证明、基于逻辑的知识表征与推理这些程序的关注度在降低。作为20世纪七八十年代人工智能研究的一根支柱，规划（ Planning ）强烈依赖于建模假设，难以在实际应用中得到满足；视觉方面基于物理的方法和机器人技术中的传统控制与制图，正让位于通过检测手边任务的动作结果来实现闭环的数据驱动型方法；还有曾颇受欢迎的贝叶斯推理和图形模式，在数据和深度学习的显著成果前也显得相形见绌。在未来15年中，针对人类意识系统开发，按照能够互动的人类特点进行建模和设计人工智能系统成为人们的兴趣点。在考虑社会和经济维度的人工智能时，物联网型的系统变得越来越受欢迎。数据驱动型产品的数量及其市场规模将会扩大。

“为机器人安装‘死亡开关’”

2017年1月，欧洲议会法律事务委员会召开会议，呼吁制定“人类与人工智能/机器人互动的全面规则”。议公布的报告对机器人可能引发的安全风险、道德问题、对人类造成的伤害等情况进行了讨论，探讨是否需要为机器人安装“死亡开关”、研究机器人抢走人类工作的应对措施等等，要求欧盟为民用机器人制订法律框架。专家认为，这或将是首个涉及管制机器人的立法草案，将有利于人类应对机器人革命带来的社会震荡。

会议认为，人工智能和机器人发动的新工业革命可能影响到所有的社会阶层。机器人可能创造无限的繁荣，与此同时将影响人类未来的就业情况。机器人取代人类在许多行业是大势所趋。在德国，每1万个雇员中就有301个是工业机器人。报告要求欧盟委员会对各国民众的就业情况进行调查，重点关注极易被机器人取而代之的职位。如果机器人成为职位“杀手”，欧盟各成员国应考虑为国民提供基本的生活保障。埃里克・希尔根多夫是一名德国法律教授，他非常认同欧洲议会讨论的这项议题。“这不仅在政治上是可取的，从法律角度也是必要的，这样我们才能及时应对机器人革命带来的社会震荡。”他指出，“即使是银行顾问、教师和记者等要求严格的职业，未来也无法在这场科技洪流中幸免。”

会议强调，因为人工智能在几十年内可能超越人类的智力，将对人类控制机器人构成挑战。随着机器人自我意识的崛起，甚至可能威胁人类的生存。近年来，机器人“杀人”的事件时有发生：2015年6月，在德国大众汽车公司，一名工人安装机器人时反被它抓起推向金属板压死；2016年6月，美国一家汽车零件生产商的一名女员工正在修理出现故障的机器人时，它突然启动，将修理女工活活压死。

报告参照美国科幻小说作家艾萨克・阿西莫夫提出的“机器人学三大法则”，将其作为立法框架，对机器人自我意识觉醒后的行为规范做出规定。“机器人学三大法则”包括： 1.机器人不得伤害人，也不得见人受到伤害而袖手旁观。2.机器人应服从人的一切命令，但不得违反第一法则。3.机器人应保护自身的安全，但不得违反第一、第二法则。由于规则无法转化为代码，欧洲议会正在着手建立一个针对机器人和人工智能研发的机构，为设计、生产和操作机器人的人员提供技术、伦理和监管方面的专门知识等。

报告还提出：1.在设计新型机器人时，设计师应该尊重人类的基本人权，事先获得道德研究委员会的批准。2.必须为机器人注册，以便在调查事故时查找涉事的机器人。3.确保机器人安装有“死亡开关”，可以随时被关闭。4.机器人不能对使用者造成“身体或心理伤害”。如果酿成事故，机器人不能逃脱责任。机器人所负担的责任应该与其接收的实际指令及其自主程度相对应：它的学习能力和自主性越高，那么人的责任就较低；倘若它“受教育”的时间越长，教它的“老师”负的责任就越大。报告还指出，机器人的生产商或拥有者将来需要购买保险，来承担机器人可能造成的损失。

人类与机器人的关系将会引起一场涉及私隐、尊严和安全的大讨论，在欧洲议会投票赞成立法之前，各成员国政府将对此做进一步的辩论和修正。

“机器人应当纳税”

英国牛津大学近期一项调查结果显示，今后数十年间，自动化改变生产线的速度将超过20世纪。在经济合作与发展组织（OECD）成员国，57%的工作岗位有被自动化取代的风险。英国中央银行英格兰银行预测，在自动化浪潮中，危在旦夕的英国工作岗位多达1500万个。美国白宫2016年预测，机器人取代时薪低于20美元以下岗位、介于20～40美元岗位和时薪40美元以上岗位的概率分别为83%、31%和4%。

在美国微软公司创始人比尔・盖茨看来，为暂时性减缓自动化蔓延速度，很有必要向企业为雇用机器人员工而征税，税单将是阻止机器人取代人类工作岗位的杀伤性武器。如果机器人将大范围取代人类工作岗位，那它们至少应为此买单。“目前一个人类员工在工厂中创造了5万美元的价值，这个价值会被征税。人类员工需要缴纳各种税，如所得税、社会保障税以及其他税款。如果一个机器人在工厂做与某个工人同样的事情，我们也应按同等水平向它征税。”

盖茨同时认为，尽管一些工作岗位可能被机器人取代，但人们可以在那些所需技能是机器人无法复制的领域里继续工作。世界需要抓住机遇解放劳动力，让人们从事更好的工作，例如关爱老人和帮扶特需群体。在这些领域，人类具有独特的同情心和理解力。

法国社会党总统候选人伯努瓦・阿蒙也呼吁法国对机器人征税，部分税收用于补贴全民基本收入保障。越来越多的政界人士和硅谷富翁支持推出全民基本收入保障，以化解自动化引发的大范围失业。而反对机器人税的人士则持这样的观点：自动化即使在短期也可以借助提高生产率创造新的就业岗位。

“人类需要成为‘半机器人’”

美国特斯拉汽车公司首席执行官伊隆・马斯克在2017年2月13日迪拜举行的 “世界政府峰会”上表示，未来20年，驾驶人员的工作将被人工智能所颠覆，之后全球12%～15%的劳动力将因为人工智能而失业。“从技术角度讲，最迫切的影响会来自自动驾驶汽车。它到来的速度将远快于人们的预期，当然它会为人类提供极大的方便。”

篇3

【关键字】人工智能；课程改革；高中；信息技术；课程实施

【中图分类号】G420 【文献标识码】A 【论文编号】1009―8097 (2008) 10―0043―04

教育部在2003年颁布的高中信息技术新课程标准中，首次把“人工智能初步”设置为选修模块，与多媒体、网络、程序设计、数据库技术等一起列入信息技术课程体系[1]。此举曾被视作信息技术课程改革的亮点之一。然而，在如今高中信息技术新课改已经全面铺开之际，人工智能选修课程的推进仍然举步维艰，面临诸多困难和问题。

一 高中人工智能课程的现状分析

自2004年我国部分省级实验区开始推进高中新课程改革以来，信息技术课程改革已经开展了四年之久。从目前的总体情况来看，信息技术课程的基础模块与多媒体技术、网络技术、算法与程序设计三个选修模块的实施情况较好，而数据库技术与人工智能初步两个选修模块的推进情况相对不佳。特别是人工智能课程，至今在全国范围内正式开设该课程的学校寥寥可数，少数高中展开了一定的探索和实验，而大多数学校仍持有观望态度。以下分别从实施取向和实施层次的角度分析该课程的现状：

（1） 课程实施的取向

由于我国长期以来实行的是全国统一的课程与教材，按照统一规定执行教学计划，对学校和学生的评价也是按照统一标准与方式实施的，因此我国以往的课程实施基本上都采用了忠实观的取向[2]。本次新课改中信息技术课程的实施过程难免受到这种取向的影响。然而，新课程标准中对信息技术技术各个模块的具体实施并没有明确而详细的规定，从而使教师对包括人工智能模块在内的课程实施缺乏长期惯于依赖的参照和依据，增加了课程实施的难度，造成部分模块的课程难以开设的情况。

（2） 课程实施的层次

课程实施包括五个层面的变化，即教材的改变、组织方式的改变、角色和行为的改变、知识与理解的改变、价值的内化[3]。目前高中人工智能课程在教材改变的层面已经做出了一定的努力。在课程标准的指导下，现已出版的五套教材在体例、版面、学习活动、评价等方面进行了多样化的设计，基本上贯彻了新课标所倡导的课程目标和理念。在组织方式的层次，少数已经开设人工智能课程的学校结合学生的兴趣与学校的实际情况，有针对性地开展了课程的组织。然而，仍然有一些地区或学校不愿或不习惯打破原有的课程组织方式，而是采用硬性规定的方式，人为指定两三门课程，将选修变为必修，限制学生的自由选择，依然维持原有的固定班级授课的形式。教材的改变仅仅是课程实施的开始，在组织方式、角色或行为、知识与理解、价值等层次，大部分学校还未发生变化或变化还很小。

（3） 课程实施的典型个案

目前国内开展人工智能课程教学或实验的典型学校如表1所示。总体来看，这两所学校都地处东南沿海地区，且学校本身比较积极参与高中新课改的实践探索，属于“敢于吃螃蟹”的类型。考虑到课程本身的要求较高，两所学校都选取了基础较好的学生开展教学。到目前为止，两所学校均已开展了三期的教学或实验探索，任课教师及时总结教学心得体会，并在相关教学刊物或课程研修活动中与广大一线教师分享教学经验。

二 高中人工智能课程的影响因素

根据Snyder的研究，可以把课程实施的影响因素归纳为四个方面：课程改革自身的性质、校区的整体情况、学校的水平以及外部环境[4]。结合高中人工智能课程的现状，本文分别从以上四个方面来探讨影响该课程的主要因素。

（1） 课改自身的性质

课程改革本身的性质是影响课程实施的第一要素。它包括课程改革的必要性及其相关性、改革方案的清晰程度、改革内容的复杂性以及改革方案的质量与实用性。结合信息技术新课程改革的相关调查研究，广大信息技术教师和教研人员对课改的必要性应该认识得比较到位，然而他们对信息技术课程中是否有必要单独开设人工智能模块存有疑惑。其次，不少教师对课程改革方案（课程标准）的认识并不是非常清晰。他们认为新课程标准中的教学理念、实施建议等内容相对抽象，不易把握和理解，缺乏具体的针对性，可操作性不强。再次，人工智能课程的实用性相比其他模块并不明显，课程内容也相对难度较高。这些因素造成课程设置的必要性不强、实施难度大、实用性不高，直接影响人工智能课程在学校的顺利设置。

（2） 校区的整体情况

校区的整体情况主要包括地区的适应性、地方管理部门的支持、教学队伍的培养、教学研讨和交流等等。各地区对课程改革的需要程度会直接影响人们实施课程的积极性和主动性。我国东西部地区的学校对课程改革的需求程度不同，从而造成了课程实施的地区差别。从目前开设人工智能课程或教学实验的学校来看，均分布于东南沿海较为发达的地区。这些学校的共同特点是基础条件较好，对课程改革的积极性高，敢于进行教学尝试和革新。此外，地方管理部分的支持对课程实施也有很大影响，如广东省为了推动信息技术课程改革，专门出台了关于课程标准的教学指导意见[5]。其中强调“要特别注意人工智能初步”，并针对人工智能课程提供了较为具体的教学建议，从而促使该省出现了全国最早正式开设人工智能课程的学校。师资队伍也是影响课程的因素之一。目前大多数高中缺乏熟悉人工智能课程内容和教学方法的专业教师，使得学校无法开设该课程。因此，有关人工智能课程的研讨和学习交流显得尤为重要，然而目前这些方面的活动总体上相对缺乏。

（3） 学校的水平

学校水平对课程实施的影响因素包括校长的作用、教师的个人特征和教师集体的行为取向。学校是课程改革的基本单位，校长和教师是学校课程改革的动因。校长对课改理念的理解，以及对课改的支持、参与程度都会影响课程的顺利实施。校长通常会根据上级主管部门的意见，结合本校的实际情况，权衡课程改革可能对学校形成的各种影响。在高考的影响下，信息技术课程在高中各科中长期存在地位“低人一等”的现象，甚至出现课时常被“侵占”的现象。如果校长对信息技术课程本身不重视，那么要求学校开设人工智能选修课无疑是一种奢望。此外，一所学校教师个人和集体的改革意识的强弱也会影响课程的实施。从人工智能课程的现状来看，恰好印证了这一点：改革意识强的教师个人或教研组即使没有上级的硬性指令，也能积极展开各选修模块的教学尝试和探索，并自觉地从教学者成长为研究者，而思想保守的学校即使具备了课程实施的基本条件，也不愿积极开设相关的选修课程，长期停留于课程的“忠实执行者”的层次。

（4） 外部环境

外部环境因素主要包括政府部门的重视、外部机构的支持以及社区与家长的协助。各国课程改革的经验表明，教育行政部门和相关机构的态度在很大程度上影响到新课程的顺利实施。特别是我国长期以来受到前苏联教育模式的影响，课程改革通常是自上而下的模式，新课程的实施主要依靠各级政府教育行政部门的政策和指令的推动。本次新课程改革同样继承了这一模式，但是整个教育体制和评价体系未能及时进行相应的调整，因此在某些方面造成各级教育部门的政策抵触，出现“上有政策、下有对策”的情况。此外，社区与家长对新课改的认识和态度也影响到人工智能课程的实施。研究表明，社区与家长更加关心的是新课改是否有助于提高学生的学业成绩，是否会给学生造成更大的负担，而对学生能力的全面发展和个性的培养则是其次的考虑。因此，要使社区与家长认识和了解课程改革的意义和目标，引导其关心新课程、支持新课程才能更好的促进新课改的健康发展，进而才可能使得包括人工智能在内的高中各科选修模块得以全面开设与实施。

三 高中人工智能课程的反思

通过调查访谈以及与相关授课教师的交流，笔者了解到高中人工智能课程的教学情况和教师的经验体会。总体来说，该课程的推进情况不如预期理想，需要从课程的设计、管理、教学以及评价等方面进行反思。

（1） 课程设计

本次高中信息技术课程改革将原来的一门课程分解为1个必修模块和5个选修模块，从而给学生提供多样化的选择。“人工智能初步”选修模块是作为智能信息技术处理专题设置的，以反映信息技术学科的发展趋势，体现教育的时代性要求。课程设置的目的在于使学生在技术掌握与使用的过程中，逐渐领会信息技术在现代社会中的应用以及对科学技术和人类发展的深远意义[6]。然而，以上的描述更多是该模块的隐性价值，相比其他模块该课程的显性价值并不是很直观。而一线的信息技术教师较多关注的是该课程的显性价值：课程能给学生带来些什么？学生的实践能力能否有较大提高？教师们在没有找到一个合理的价值依托之前，一般不会贸然开课。这一点值得课程设计者和教研人员的深刻思考。

通过网络问卷调查，不少教师认为人工智能课程在高中开设是有一定必要性的[7]，但并不意味着所有的学生都需要学习该课程。课程应面向对人工智能有一定兴趣的学习者，且最好有一定的基础。事实上，相对于其他选修模块，选择人工智能课程的学生并不是很多。因此，结合我国目前的情况，可以考虑优先在发达地区条件较好的部分学校开设，再进一步利用其示范作用，以点带面，逐步铺开培训、指导、交流的规模和影响面，积极稳妥地推进高中人工智能课程的建设。

（2） 课程管理

课程的有效管理有助于提高课程实施的质量。上个世纪90年代以来，我国的中小学课程由原来的中央集权管理体制逐步转变为国家、地方、学校的三级管理体制。国家负责课程的总体规划，省级教育部门结合本地区实际制定课程计划或实施方案，而学校也将有权根据学校传统或学生兴趣开发适合本校的课程。目前人工智能课程虽然已被列入国家课程标准，但在地方管理层面并未得到应有的认可。部分地区考虑到高考因素，直接将人工智能模块排除在学生的选择范围之外，无疑成为阻碍该课程顺利实施的一个重要原因。

目前我国高中了解熟悉人工智能教学内容、方法的教师十分缺乏，相关教育主管部门需加强该课程的师资培养，邀请教材编写人员和相关专家，积极开展各级培训、研讨和交流活动，以务实的态度来听取学科教师的意见，为他们提供一些明确的、可操作的指导和建议。也可以开展优秀教学案例的征集和评奖，通过公开课的观摩和点评活动，或吸纳中学教师参与有关课程改革和教学研究的课题，以此提高教师参与改革的积极性。此外，国内高等师范院校信息技术相关专业应该对新课改作出及时的反应，针对高中信息技术各选修模块为师范生开设相关的课程，为课改的成功实施提供后备师资力量的支持。

（3） 课程教学

从已开展的人工智能课程教学或实验情况来看，主要的教学体会包括：教学对象选取时要有针对性，不宜硬性指定，应结合学习者自己的兴趣和学习基础供其自由选择；由于课程的理论和技术的要求较高，不宜大量采用“讲授法”进行教学，应设计一些有挑战性的活动供学生实践；为保证教学进度有序进行，可通过课堂小测及时巩固所学内容；应提供良好的网络条件和计算机设备以支持课程教学和实践的顺利开展。

国外一些高校通过远程网络的手段与中学合作开展人工智能教学，加快了课程建设的步伐，并提高了教学质量。大学负责教学网站的建设维护，主持与中小学的讨论答疑，中学则负责课程教学的具体实施。文中个案也印证了这种做法的有效性：让一些致力于高中人工智能课程研究的高校和部分条件较好的中学建立共同体，协作推动课程的实施。一方面，高校研究人员能为中学提供教学指导建议、技术和资源的支持；另一方面，中学的教学实践也为高校进行课程教学研究提供了材料和依据。

（4） 课程评价

研究表明，评价目前已成为影响高中信息技术新课程实施的一个重要问题[8]。从本次课改的动因来看，针对我国现行教育体制下的高考选拔制度在很多方面呈现的弊端，新课改力图在一定程度上改变这一局面，努力使学习者能够真正获得全面的发展。但是，在目前情况下以高考为“指挥棒”的评价体系短期内仍然无法发生质的变化。高中新课改实施以来，部分省份相继将信息技术课程纳入了高考的范畴，以往信息技术课程不受重视的情况逐渐得到了一些改善。然而，高考是否解决信息技术课程评价问题的一剂良药，进而为人工智能课程的实施及其评价带来新的希望，目前仍是值得怀疑和思考的问题。特别是当前高考科目已经较多，再增加科目无疑会加重学习者的负担，且很容易回到应试教育的老路上。

其次，虽然新课程标准中提供了关于课程评价的建议，但是其中的内容仍然比较抽象，可操作性不够。如在信息技术课程标准的评价建议中，提倡评价主体的多元化，关注学生的个别差异，综合应用多种过程性评价方式，适当渗透表现性评价的理念，等等。这些内容从理念上来讲都是很好的，但是如何在教学实践中加以操作实施，对一线教师而言仍是不够明确和难以把握的问题。而且，信息技术课程的每个模块各有特色，然而课程标准并未就此提供专门的评价建议。因此，一套科学合理、适合人工智能课程的评价体系和方法仍需要教研人员在实践中不断摸索总结。

参考文献

[1] 教育部. 普通高中技术课程标准(实验) [S].北京:人民教育出版社,2003:9.

[2] 钟启泉. 课程论[M].北京:教育科学出版社,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] 珠海教育信息网. 广东省普通高中信息技术课程标准教学指导意见 [DB/OL].

[6] 顾建军等.技术课程标准(实验)解读[M].武汉:北教育出版社,004:9.

篇4

这种解读所指的是，人工智能将在未来全面介入人类生活，开启人类文明发展的又一个新时代。

人工智能的绝对优势

人工智能早就进入了医学研究（药物研发、基础研究）和临床诊疗领域，人与人工智能的竞争也不可避免，那么，人工智能会像战胜柯洁一样，优于或胜过人类医生吗？

仅从现有的情况看，人工智能有优于人类医生的地方。以癌症治疗为例，当确诊癌症后，针对不同病人的个性化治疗才会比较有效。机器学习（算法）是人工智能的一基本内容，其中，数据的输入、输出、赋值等运算可以让人工智能对某一问题进行计算分析，从而得出有针对性的解决手段。加拿大西方大学的罗根（Peter Rogan）等人通过对基因数据的分析得出最可能的有效治疗癌症的方案，让该治疗方案变得更加个性化。

研究人员使用了一套含有40个基因的数据，这些基因可以在90%的乳腺癌中找到。在接受试验的近350名癌症病人当中，至少都会接受紫杉醇或吉西他滨其中一种化疗药物治疗。之后，研究人员让人工智能对数据展开处理并找出药物与病人基因之间存在的关系。结果显示，同时接受两种药物的治疗有效率为84%，只接受紫杉醇的有效率为82%，只接受吉西他滨的有效率则在62%到71%之间。

这就为医生提供了选择更好或最佳治疗方案的决策基础，在上述方案中，医生选择对病人同时使用紫杉醇和吉西他滨，可以达到最高的84%的治疗有效率。

也许这种人工智能软件对不同病人提供的治疗方案比其他医生的治疗有效，但是，人工智能的这种算法和分析是医生首先教会它的。更重要的问题是，当超出了这40个基因的范畴，这套人工智能的算法和提供治疗的方案就有可能受到限制。

面临这样的问题，人工智能只会一筹莫展。但是，人是有巨大动力的，这种动力的来源之一是，人有强烈的情感。柯洁输给Alpha Go或感到赢不了Alpha Go会沮丧得流泪，但Alpha Go不会。正是这种差别，让具有强烈爱心的人会想出更好的方法去诊疗和战胜疾病，至少取得更好的结果。基于这种情况，Alpha Go不可能战胜医生，因为前者没有爱心，后者，尤其是病人的亲属有强烈的情感和爱心。

战胜检查数据的真情暖男

一位叫马丽砂的女性患有卵巢癌。15年间，她经历了4次手术和30多次化疗，她的丈夫张欣华相伴相依，一路保驾护航，让她的生命一直延续。这名“暖男”起到的作用不过是辅助医生，但是他却使用了特有的“理工男方式”，通过数据分析、（深度）学习和逻辑推理，获得了理想的治疗结果。这些方法正是人工智能的强项，别说使用Alpha Go，就算是一种很简单的统计和分析软件都可能超过张欣华，但是决策和疾病治疗的结果难于胜过后者。

早在2005年，定期随访复查的马丽砂发现自己的验血指标似乎有些异常，但核磁共振检查未发现问题。张欣华分析，核磁共振的原理是逐行扫描，也许因为肿瘤的位置关系，或者扫描的行与行之间的断层关系，没能发现肿瘤。但普通的B超检查原理是检测回声，是反射过来的信息，这也许能发现一些更有意义的线索。他便自作自作主张让妻子做B超检查，果然发现肿瘤复发，及时作了手术切除。

而后，张欣华对妻子的检查数据做了如下的数据分析和深度学习：对其妻的一种肿瘤标记物CA125进行数据统计，时间为横坐标，CA125为纵坐标，把2014年2月11日到2017年5月1日的CA125变化描绘成曲线图。

95%的健康成年妇女CA125的水平≤35U/ml，如果CA125的数值是该数值的两倍以上，就意味着与癌症有一定关系，而马丽砂是癌症康复者，这个数值在更高的范围（几百）才可能被医生视为与癌症复发有关。马丽砂的CA125在2016年12月达到曲线的顶点，也只是73.5，没有达到医生认为的与癌症复发相关的数值。但张欣华比较了其妻2014年和2016年的两个高点，正好对应其在这两个时期的大手术，当时的数值与73.5相差无几。因此，张欣华认为情况不好，便带妻再到医院检查，发现肿瘤又复发了，又及时进行了手术，马丽砂CA125的曲线很快回归低位。

此次Alpha Go战胜柯洁，研究人员称是Alpha Go采用了能自行学习的人工神经网络技术，但也有专业人员认为如果仅仅是人工神经网络技术，不可能让Alpha Go达到如此强大的能力，实际情况是Alpha Go的核心――记忆增强技术得到更大增强，通过其海量的存储能力，不断将外部的数据输入存储器，更新数据结构，并分析数据，然后重新输出数据，给出相应的博弈策略。

但就算使用Alpha Go战胜柯洁采用的人工神经网络技术为马丽砂诊断，由于CA125数据正常，以及核磁共振成像检查正常，恐怕就连有经验的医生也会忽略患者的变化而不会让其再进一步检查，更不用说Alpha Go，仅靠数据分析判断，一定会把马丽砂归为正常情况。而患者的丈夫张欣华怀着对妻子无限的真情，用自己特有的计算方法判断妻子的病情，挽救了妻子的生命。这不能不说是人工智能输给人类大脑的佐证。

美国父子超越常规的精准医疗

说到底，这又是一种人工智能难以掌握的技能――精准医疗。因为人工智能的大数据和分析，以及深度学习只能对一般性的情况进行分析判断，不会对每种情况进行具体的个性化的分析和诊治。在进行精准医疗时，医生也未必会对每个病人做到个性化的诊治，而是千人一药、万人一刀地进行治疗。但只有对亲人倾注了深厚爱心的人才会对病人的具体情况进行辨别，以寻求有针对性的个性化精准医疗。

美国麻省理工学院数学家迪米特里斯・伯特西马斯教授的父亲在2007年诊断患有非转移性胃癌，已经无法手术，唯一的治疗方案是化疗。为了让父亲尽可能延长生命和提高生活质量，伯特西马斯研究了全美五大医院的常规化疗方案并惊讶地发现，每家医院使用的化疗方法都不同。

数学家的天性让其产生了一个想法，对医院的临床试验数据进行计算，以确定哪一种方法能产生更好的效果。他画了一张简单的图，横坐标代表药物毒性，纵坐标代表患者的生存率。根据这一曲线，伯特西马斯选取了一个他认为的最优策略对其父亲治疗。结果他的父亲在确诊胃癌后存活了2年，比医生的预期翻了一番。

人工智能难以逾越的“先天不足”

伯特西马斯和张欣华这样的精准医疗既不是人工智能能够做到的，也不是一般医生能做到的，因为不同的医生就有不同的对疾病的诊治和看法，以及选用自认为正确的和效果好的疗法，即便是人工智能采用人工神经网络技术自主学习，也不可能像伯特西马斯和张欣华那样对亲人进行个性化的诊治。这意味着，人工智能并不神秘，人人可用，而且根本就达不到人的自我学习和分析能力。更重要的是，人工智能没有情感，不会因为对亲人的爱而多一分责任、多一分细心、多一分分析、多一分比较，从而选择最有利于亲人的诊治方案。

显然，预测人工智能未来会在其他方面战胜人和统治人类社会，需要让它先要有情感。但是，人工智能不是生物，它会有七情六欲吗？退一步说，能把爱心输进去吗？

以此来看，人工智能“先天不足”，或许只有理性，那它靠什么与人做全方位的博弈？所以，不必过多担心人工智能会战胜人类，而是全身心享受我们作为人类所拥有的美好情感吧！

篇5

【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、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。

篇6

关键词:智能;决策系统;教学方法

随着信息技术的应用和普及,“智能化”成为信息化后续发展的重要内容之一。在决策领域,20世纪80年代,一种以计算机为工具、应用决策科学及有关学科的理论与方法、以人机交互方式辅助决策者决策的决策支持系统(DSS)应运而生。但是,DSS只能辅助和支持决策者决策,其贡献局限于对可选方案的评价,只能对有量化特性的问题使用数据模型和数值计算方法来辅助决策,不具有表示复杂决策过程的能力,因此,促使人们提出将DSS与专家系统(ES)相结合,以分别发挥DSS的数值分析和ES的符号处理优势,从而将定性分析和定量分析有机结合起来,以既能进行知识处理,又能有效地解决半结构化和非结构化问题,这就是智能决策支持系统(IDSS)的产生背景。

随着人工智能和智能技术的发展,IDSS在广泛的工程技术、经济、管理、医疗和农业科学等诸多领域,得到广泛应用。了解、掌握智能决策的基本知识和技术是计算机科学、智能科学类专业大学生的基本要求,因此,智能决策类课程应运而生,并逐渐发展成为计算机、自动化、管理科学与工程和智能科学技术等专业的专业课之一[1-4]。

在我校,智能决策系统课程作为计算机科学与技术、软件工程、网络工程和其他电子信息类专业的专业限选或选修课程。目前,该课程的教学内容存在如下问题:一是教学内容繁,二是技术更新快,三是涉及的专业知识深,对学生的理论基础知识(特别是数学知识、计算机技术)要求极高,教学难度大。因此,学生在学习过程中不得要领,抓不住课程的核心,只见树木、不见森林,从而影响学生们的学习效果。本文就是在这样背景下,提出并开展教学研究的。

1教学内容改革

智能决策系统是一门计算机科学、管理科学、人工智能和应用数学交叉的新兴专业课程,其学分通常为2～2.5学分,即32～40学时,其中包括0.5学分的实验课程(8学时)。因此,如何在有限学时中容纳下本课程教学内容,完成本课程的教学目标,就成为首要问题。

通过实践和教学改革,我校本课程的理论教学内容主要包括下列6个知识单元。

1) 决策理论概述。主要内容有决策的概念、类型、基础、流程和目标。理论课时数4学时。

2) 决策系统。主要内容有决策支持系统的概念、结构、功能、主要部件与设计要点。理论课时数控制在6学时。

3) 决策模型。主要内容有数据仓库、知识管理、数据挖掘、智能算法和数据处理。理论课时数控制在6学时。

4) 智能决策系统。主要内容有计算智能基础、专家系统的概念和结构、智能决策系统的概念和结构、智能决策系统的设计要点。理论课时数控制在8学时。

5) 群体决策系统。主要内容有协同计算概述,群体决策系统的概念、结构、功能、群体决策过程与建模和实现方法。理论课时数控制在6学时。

6)智能决策系统的发展。主要包括基于网络的决策系统技术和应用,网络技术与基于Agent的决策系统,智慧地球与智能化企业。理论课时数控制在2学时。

实践教学内容包括4个实验,学时总数为8学时,其教学内容设置见本文§3。

2教学方法改革

教学方法是为完成一定的教学目的、教学任务所采取的教学途径或教学程序,是以解决教学任务为目的、师生共同进行认识和实践的方法体系。其方法体系主要包含多个基本要素,比如教、学、信息传输载体(包含文字、图形、图像、肢体语言、表情、感知等)和教学辅助设备等。教学过程就是要充分利用具有信息优势、知识优势的教师,将信息、知识、技能、技巧,系统集成地传输给暂时处于低信息状态的学生。决定这个传输过程顺利进行的至关重要因素有:教师的积极性与责任心和学生的求知欲与基础知识及其结构。从教育学和心理学角度看,课程教学方法改革就是围绕这两个因素展开[5],限于篇幅,本文的讨论仅从如何调动学生的求知欲着手。

2.1探索式教学方法

经过多年教学实践,本文实践了“探索式教学法”,此法强调因材施教,在教学全过程创设教学环境、培养学生创新精神。所谓探索式教学方法是指在教学过程中,在教师的启发、诱导下,学生自主学习和合作讨论,以学习课程知识和科学问题为探索目标,以学生熟悉和能接触到生活原型为研究对象,为学生提供自由表达、质疑、探索、讨论问题的环境,学生通过个体、小组、团队等多种形式完成解难、释疑、尝试学习活动,将学生自己所学知识应用于解决实际问题的一种教学程序。探索式教学方法重视发展学生的创造性思维,培养自学能力,力图通过自我探索引导学生学会学习和初步掌握科学研究方法[6],培养学生的文献获取与加工能力、信息分析与加工利用能力、团队协作与沟通能力、语言表达与写作能力,和创新精神。为其终身学习和工作奠定良好基础。

尽管探索式教学法能够给教师的教学提供思想、理念指导,但是,针对不同教学对象和不同课程内容,其实际应用方法也会存在差异,这就是所谓的教无定法之说。本文以智能决策系统课程第1知识单元课外作业为例,尝试说明该法的具体应用方法,为保证该方法的实施效果,本文拟定了如下的教师操作流程:

1) 制定论文目标:培养学生综合利用参考文献和学会表达的能力。首先,要求学生学会获取、理解、过滤和分析信息;其次,要求学生掌握撰写科技论文的基本技巧;最后,要求学生在观众面前表达自己观点,学习说服听众、推销自己观点的技巧。

2) 论文基本要求:①围绕“关于信息技术对决策影响”的主题,学生自拟题目;②2周时间内,学生完成1 000字左右(2页A4幅面)的论文,其中内容需要包括摘要,关键词,问题或观点概述,目前发展状况,结论或结语;③制作演示幻灯片。

3) 提供信息查阅途径:通过网络教师自己已经掌握的文献资源和网络地址资源,指出查询方法和基本技巧。

4) 抽查式演讲:①使用幻灯片;②介绍主要内容;③结论;④点评、提问与回答。

5) 评价标准:①文档编制能力;②问题发现与分析能力;③表达与陈述能力。

在实施中,要防止出现如下情况:①题目太难或太容易,以免挫伤学生积极性;②提前告示和监督,防止学生偷懒或拷贝;③灵活掌握考评手段,鼓励创新,保护学生学习积极性。

2.2案例教学方法

案例教学法是在教师指导下,根据教学目标的要求,创设学生身临案例场境的教学氛围,使用案例来组织学生的学习、研究、实践等活动的教学方法。本课程利用该方法,加强了理论与实际的结合,为学生学习提供模仿案例,提高了学生对理论知识的理解和实践能力,培养学生综合运用所学知识解决实际问题的能力。案例教学法需要掌握好2个重要环节:

1) 案例选编。必须选择学生容易理解、常见的例子,案例选编必须围绕课程某个具体的教学目标,要适当加工,剔除与课程内容关联性小的内容和技术,降低难度,方便学生理解。同时,案例必须来自于实际,并且问题明确。

2) 案例讲解与分析。案例本身只是对实例的某些情况描述,表面上平铺直叙,但是,其中必须隐藏着多个问题,要引导学生积极思考、深入分析,以发现其中隐藏的问题,并找出问题产生的原因,提出解决方案。在思考和分析过程中,既要培养和开发学生智力,又要培养学生综合运用所学理论知识的能力。案例分析不能苛求解决问题的结果如何,而应该重点强调分析过程是否正确、方法是否恰当,案例讲解和分析的主要任务是培养学生发现问题、分析问题和逻辑思维等能力,通常解决问题的能力正是课程后续需要实施的教学目标。

本文在第4知识单元中,以6子棋计算机博弈系统为例,通过对6子棋计算机博弈平台的仿真实验,选择不同的博弈策略,比如不同的估值函数、不同的搜索策略等,获得不同的实验结果,实现人-机对战、机-机对战,让学生切实体会到机器智能的魔力及其智能系统的构造方法,有力地促进了学生对理论知识的理解,并激发了学生的学习兴趣。

3实验教学内容

3.1实验教学内容的设置

实验课是智能决策系统课程的重要环节,由于总课时有限,实验课时也就不多。但是,本校在专业课程中,仍然坚持设置了0.5学分的实验,以使学生能将理论知识与实践联系起来,使抽象的理论不再是深奥,提高学生灵活运用知识的能力。本课程实验学时为8学时,主要设置了表1中的3个实验。

3.2实验课的操作

为提高学生对课程理论知识的理解和应用设计能力,针对课程实验教学课时少和实验复杂特点,需要注意以下几点。

1) 简化平台、降低实验难度。实验教学过程重在是一个训练学生动手、动眼和动脑的过程,旨在培养学生好奇心和操作技能,以及观察问题、分析问题和解决问题能力。因此,在实验中,要尽量将实验平台简化,以将学生注意力集中于实验内容,保证实验效果。比如实验2,提供给学生智能交通灯控仿真平台,它实际上是一个软件模拟平台,能实现固定交管模式的全部功能,学生能通过标准接口建立自己设计的智能交通管理模式;又如实验3,以FIRA机器人足球5vs5比赛项目的仿真平台为实验平台,利用平台已设置的运球、传球、前进、后退、转动等命令,学生能通过这些命令建立足球机器人的路径规划和避障策略。

2) 科学分组、培养协作能力。由于实验3工作量比较大,需要多人协作完成,发挥集体智慧作用,因此,在实验3中,按照3～5人/组,实行组长负责制。组长监督、管理、协调本组实验过程,每个组员都有明确的任务,并对组长负责,组长对教师负责。实验3的课内实验设置4学时/2次,学时主要在课外完成实验3,历时1个月。

3) 设计算法、培养智能意识。引导学生,模仿人类智能,设计智能算法,实现简单的智能决策。由于课时有限,必须注意控制算法的简洁、实效,以使学生能在短时间内模拟实现简单的智能行为,着重引导学生分析业务行为,发现系统流程,构造智能算法,以此培养学生开发信息系统的智能意识。

4结语

智能决策系统是人工智能、计算机科学、自动控制科学交叉结合的一门新兴专业课程,对推动信息化向智能化方向发展具有重要意义。该课程作为在校主要面对电子信息、计算机专业学生,通过该课程学习,学生反映加深了对智能的理解,提高了对计算机技术应用的认识深度,培养了学生的智能化设计意识,激发了学生的求知欲望。本文的研究成果是源于智能决策系统课程,但是,对其他信息技术课程,也具有积极的借鉴意义。

参考文献:

[1] 钟义信. 智能科学技术导论[M]. 北京:北京邮电大学出版社,2006:1-38.

[2] 张彦铎,王海晖,刘昌辉. 地方工科院校智能科学建设的若干思考[J]. 计算机教育,2009(11):39-42.

[3] 韩力群. 智能科学与技术专业培养规范[R]. 北京:第二届全国智能科学与技术教育学术研讨会.2004.

[4] 王万森,钟义信,韩力群,等. 我国智能科学技术教育的现状与思考[J]. 计算机教育,2009(11):10-14.

[5] 杨德广,谢安邦. 高等教育学[M]. 北京:高等教育出版社,2009.6:1-50.

[6] 张伟峰. 本科高年级人工智能教学的几点思考[J]. 计算机教育,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

姚劲波

58集团CEO

内容分发的新时代

百度从本质上来讲，最核心的东西是在做内容的分发。

我们该分发什么？早期的时候，互联网内容是以文字为主要形态。随着带宽环境越来越好，人们的创造力越来越丰富，开始有了图片。到今天，其实不仅仅是图，有一个新的图片相关的形式叫做图集也非常受欢迎，很适合在互联网上传播的内容形式。

除了图片，还有视频。今天的视频，我觉得跟过去又有了很大的不一样。首先是短视l的这种兴起，它适用的场景和接触达到的人群都非常不一样。我们身处在百度这样的内容分发的中心，必须要能比别人更早的感知到内容分发环境的变化才行。

百科是一个很严谨的东西，但它很早就开始做秒懂视频，而且是放在词条的最前面，所以他们对这个内容分发的环境的敏感度就足够的高。所以这是我们在迎接新的时代到来的时候要保持的一种思维方式。要对新东西会敏感，什么东西会影响你。

整个世界一直是在变化，从PC互联网到移动互联网，移动互联网起来很多超级app，内容越来越多被封装在微信、微博里头。怎么利用百度的平台让内容回来、让我们的用户能够方便获取，完成我们让人们最便捷平等地获取信息找到所求的使命？这是在新的时代里我们需要认真思考认真准备并且为之奋斗的东西。

过去这一年我还有一点感受特别深，是社交媒体和自媒体这种环境下，很多时候人们更多的是在讲感情，更多地想传播他们愿意相信的东西，事实是什么已经不重要了。这对我们一个以搜索引擎为核心的公司来说，挑战也是蛮大的。在这种环境下，我们怎么来应对，也是一个很大的挑战。当然，挑战也意味着机遇。我也希望大家更加主动地去思考这个问题，找到新的属于我们的机会。

另外一个内容我觉得是数据，数据是新的内容。在移动互联网时代到来以后，数据怎么能够和应用相结合去呈现一些比较有价值的东西，怎么能够在我们百度的平台上把它变成新的内容，这也是下一步我们应该着力去做的。

这些结构化的数据，未来这些东西弄好了之后，它一方面给我们的用户提供了更多有价值的内容，另外一方面也是未来我们AI的一个前提。因为AI的技术需要非常多的数据支持，有价值的、有序的数据越多，你的这个最后出来的结果就会越好。以至于我们有一个技术大牛跟我说了一句话：他说数据秒杀一切算法。

这一点在现有的很多产品当中已经体现出来了，比如百度的语音搜索，大家可以看到识别的准确率已经非常高了。但是当我们比如说到通用的输入法去识别这些语音的时候，我们可能还不如市场上某些其他的竞争对手。为什么？因为我们在搜索的这个场景上掌握了比任何人都多的数据，而这种数据是非常非常有特点，有价值的，是别人达不到的。

用户在进行搜索的时候，其实他在心目中是有比较清晰的需求的，整个过程是一个寻找答案的过程，从最初的需求表达，到他最后找到答案，尤其是在移动互联网时代，在手百这样一个封闭的app里头，我们能够track到他的每一步。这就给我们提供了足够多的训练的数据，所以我们可以有很高的识别率。我们不仅仅能够有很高的语音识别率，实际上整个过程使得我们能够构建出来最好、最丰富的知识库。我们知道从需求到结果，到底是一个什么样子，这些东西都是我们非常有价值的东西。

但是在别的场景里头，有时候即使你技术特别好，可能也不能够争得过别人。比如你随便拍一件商品去识别，淘宝识别出来的结果，比我们现在拍照搜索的结果要更加精确。因为大量的商品库在他那里头，商家把数据都给标注好了。那么这对我们的启示是什么？除了我们自己已经有的这些个大量丰富的query到最后用户行为数据之外，我们也应该积极的到外头去找那些对我们有价值的相关的数据。让他们到百度的平台上来，我们利用这些数据，打磨我们算法，做出最优秀的用户体验和产品和服务来。

知识图谱（包括需求图谱、用户画像等），这些东西都是百度整个人工智能当中非常基础的构件，也是我们相对于其他任何一家公司的优势所在。而且我们从一开始就很重视，未来要更加有意识地根据我们的需求、场景跟产品，去不断地丰富，不断地打磨，不断地把这个东西做到极致，做到全世界最好。

某种意义上讲，我们未来的搜索从索引关键词的引擎，可能会逐步过渡到索引知识的引擎，它从表面文字的表达和query的匹配，这是上一个时代的事情。下一个时代的事情是用户真实的需求和我们已经积累的知识之间的一种匹配。

还有一个，就是我们现在非常重视的feed流产品。过去传统的搜索是人在找信息，现在要逐渐演进到信息找人。人在没有主动表达他的信息的时候，我们就已经能够猜出来这是他喜欢的，这是他需要的信息。如何能够很方便、高效地分发给这些需要和感兴趣的人，这个也是在内容分发形式上一个新的机会和挑战。我们因为有强大的知识图谱和用户画像，有多年人工智能方面的技术的积累，有大量的用户行为和数据，所以在这方面是非常有优势的。

连接服务的新时代

未来10―15年的时间，会有一个大的趋势，就是中国的这种消费升级。过去不管你的产品多烂，你只要是免费的，用户就用；不管你的产品多好，只要收费用户就不用。今天已经完全不是这个样子了。只要你做的好，用户愿意为你付费，虚拟的东西、服务性的东西、内容性的东西，用户也愿意付费。所以在我们的定义当中，所谓的连接服务，只要它不是纯虚拟的内容，它只要包含了付费的行为，包含了线上到线下的连接等等，这些我们都认为是服务。这对我们也是一个很新的课题。

一个人从query表达到最后的服务，被满足，可能有十步。我们也许只做了第一步到第三步，或者第一步到第五步。但这仍然叫连接人和服务，我们不一定是完全要从端到端全部都控制，只要往前能够推进一步，我们的用户体验就会好一分，我们对整个生态的把控能力也会强一些。

服务的内容化，也是我们看到的一个比较明显的趋势。你把糯米提供的服务都写成用户喜欢的内容，手机百度通过feed流推过去，用户也会很接受。什么叫用户喜欢的内容，我总结了八个字叫：喜闻乐见，赏心悦目。你能把内容用这种形式呈现出来，你用户的接受程度就会很高。

我们做的是要从线上给线下导流，从我们的产品形态以及我们所处的阶段来说，这个是更适合百度做的。我们做内容的分发、服务的分发，都是说让合适的人能够找到合适的内容、合适的服务。这是我们需要想办法通过服务的内容来解决重要的问题。

金融创新的新时代

我们看FSG做的最主要的一个东西，我们把它叫做B2B2C的模式。

互联网金融从最开始1.0的场景金融，到2.0的技术金融，我认为的3.0，就是所谓的模式创新。这个才是触及到这个行业的基本的东西。我也认为在未来相当长的一段时间里头，是一个金融创新的新时代。

我们要找到洞察。我们看到了什么别人看不到的东西，这样我们才跟别人比更有利，我们才能够有可能做的比别人好。

教育是个大市场，我们跟其他那些传统机构相比有优势，但是也有劣势。我们怎么能够进一步扩大我们的优势，让手百这些app进一步变得更加超级，更加有粘性，用户更多，同时怎么样利用好我们大的平台。金融这个行业，才能够做出创新的东西来。

整个金融可涉及的范围很广很多，FSG已经做的也有不少，我不细讲了，但是我们感觉到，这样一个时代，也是很明显的金融创新的新时代。

人工智能的新时代

一个明显的机会是软硬件的结合。亚马逊的echo非常成功，成功背后的逻辑是它在这个硬件上做了一些改造，而不仅仅是一个软件的解决方案。手机要考虑耗电的问题。但是智能音箱不需要考虑耗电的问题，这就使得它可以随时随地都响应你的需求。所以这是新的硬件形式带来的新的人工智能的机会。

无人车集成了雷达和摄像头这些硬件，才使得它具备了在无人操控下自动驾驶的能力，不是一个纯软件的需求。而这种集成的创新，其实现在还以一个非常快的速度在迭代过程当中。

我们这次在CES上的搭载度秘的小鱼在家这样的一款新产品，这也是一种典型的软硬件结合的例子。这些能力，不仅仅是说你的人脸识别的能力能够识别出来他，而是说你有一个硬件在那儿随时随刻都在监测你家庭的环境的时候，才能够实现这些东西。所以软硬件这种集成的创新，未来会有非常多的机会。

第二个机会是行业的运动。人工智能会改变每一个行业。对于每一个行业来说，你只要认真的去思考，你会发现这里有非常非常多的应用的机会。

我们不是某一个垂直的行业的公司，我们更像一个平台公司，我们不可能对每一个行业都非常非常了解。

但是我们跟有些行业关系比较近，比如医疗行业。最初百度这种医疗想做的事情很简单，就是一个O2O的东西，就是我们这儿有用户，很多人来找去哪儿看病，我们怎么帮他挂到他想挂的号。但是到去年开始，我们发现说其实像智能问诊已经变得越来越实用了。如果说我们的智能问诊的系统能够达到一个医生职业的平均水平的话，那就完全可以先通过一个智能的系统，起码是辅助这些医生做一些判断，真的是到大病的时候才到医院，到更具有规模的医院去。

那再往下走一层呢，比如说基因测序，它是非常大数据的一个东西。如果能够通过人工智能的方法跟医学知识进行结合，找到答案的话，也是一个很大的突破。再往下走，比如说新药的这种研发，怎么样去用人工智能的技术找到新的药，这些东西还处于早期阶段，但是我们觉得，最后可能这些东西能够有所作为。我也相信在物流、在零售等很多领域，其实都有类似的这样一个解决方案，利用人工智能去帮助解决。

人工智能在企业层面的应用也非常广泛。去年百度世界的时候讲过一个例子，叫做金牌销售。我们实时的识别客户的问题，然后实时的提示销售人员最牛的销售是怎么回答客户这样的问题。目前，我们已经有一个团队在做这个项目，这是真正的利用到了百度的人工智能的优势。能够对企业产生价值的这么一个项目。还有智能客服，大多数问题都是重复的，完全可以用机器学习的方法找到答案。

类似的这种应用我认为还有很多，只不过我们现在没有精力去一个一个地开垦。但是我们需要有这样的一种心态去思考。人工智能时代的时候，你的思维逻辑、思维方式应该变成什么样子，现在还不是很清晰。但是我相信，对我们不清晰，对其他公司来说更不清晰。我们应该及早的去朝着这个方向做我们的思考和尝试。

我们要做好准备

过去这一年，大家觉得反腐的力度比较大，就是跟这个理念相吻合的。在这个战场上，一定要常抓不懈。我们要想让每个人觉得公平，必须要打击掉那些钻制度的空子的人。我们正在朝着更加正面的方向去走，这个公司会变成一个更加公平的、对每个人来说更加公平的一个公司。

其次，用户至上。我们需要更多的思考市场的需求，更多的思考我们的产品对用户的价值。

当我们往下去拆解任务的过程当中，容易变成一些用户体验不好的体验。这样的情况其实是非常危险的。如果你用一个简单的机械的KPI往下分解和传递，那么很可能到基层到一线员工的时候，他完全不理解我们为什么要干这个事儿。这个时候如果他心目当中想的不是用户体验，想的不是市场需求，想的是我怎么能够完成这个数，那这个公司真的是时间一长就完蛋了。员工做的并不是我们想让做的事儿。

所以我们需要站在用户的角度来思考问题。我们现在手百虽然是一个native app，但是人们在使用手百的过程中，还没有一个真正native app的体验。我们经常点一个搜索结果后，到别人的网站上了。传统来讲，别人的网站上放了很多广告，那这就是别人网站的事情了。但是从用户的角度来想呢，用户永远都觉得他在用百度，我们要对用户的这种需求负责到底。

篇8

关键词：德国“工业4.0”;模具设计与制造专业;改革措施

2011年，德国联邦教育局和研究部推出德国“工业4.0”，与美国倡导的“工业互联网”和我国提出的“中国制造2025”相似，核心是智能制造，,主要是为了提高德国制造工业的智能化水平和竞争力[1]。“工业4.0”是德国政府对整个工业发展过程重新划分而提出的一个新颖概念。提出这个概念的德国产业界和学术界人士认为，技术不断精进的情况下，工业发展历经机械化的“工业1.0”、电气化的“工业2.0”和自动化的“工业3.0”三个时代后必然会步入智能化的“工业4.0”阶段。智能化时代，核心技术特征是“虚拟—实体系统”。“虚拟—实体系统”是指工业发展会以原有的互联网和信息系统为基石，融入服务网和物联网的新血液，紧密衔接实体世界与虚拟的信息网络，形成新的智能整体[2-3]。在工业范畴中，“虚拟—实体系统”可演变为以智能代替人控的“智能工厂”。在“智能工厂”中，可进行交互控制的智能机器提供生产，保证生产信息可以实时监控和传输；大数据存储系统保障核心控制系统，串联起生产原料采购入库、产品制造检测、成品物流输送等整个完整的流水线，同时可收集各环节传来的信息，以人工智能对其分析判断，决定具体的生产方案，并自动完成加工制造。这样就形成了精准按需生产、高度个性化制造的模式，达到降低成本、提高附加值的目的。德国“工业4.0”的出现无疑会撼动传统加工制造的机械产业部分，并迫使其产生重大变革，所以从事该行业的相关人员必须紧跟产业改革的步伐，提高自身的专业素养，做到改革与发展一致前进。同时，机械行业相关的人员需要具备更高的专业素养，因此必须改革模具设计与制造专业的教学模式，从教育源头抓起，逐步提高人员的专业素养，最终变革产业模式。

1建立绿色智能化制造的新理念

“工业4.0”概念的核心为智能制造，希望工业生产全面使用智能系统指导生产过程，做到人机互动，甚至可以将3D技术融入工业生产中。因此，培养储备力量的教学环境必须主动适应这一工业变革，无论教师还是学生都需要打破传统粗放生产的旧观念，形成创新的智能制造新思想。作为未来生力军的学生，尤其是机械、电子等相关专业的学生，需要在高校学习中形成符合“工业4.0”要求的智能化生产新思想，这也要求高校相关专业的教师在教学过程中做出与智能化制造相关的引导。

2教学内容多样化和具体化

虽然德国“工业4.0”的技术涵盖的领域较为广泛，但核心基础均为机械。因此，要求未来的机械工程师不仅要在自己的机械专业做到高精尖，还需要对相关电子、信息等专业知识有足够的储备，而学校机械专业在其培养计划中都应意识到学科的交叉学习，并做出相应改动。全面改革的德国“工业4.0”是希望智能化的工厂和生产系统能够代替传统方式。因此，机械专业学生的课程计划应涵盖与此智能化相关的软件工程、计算机网络技术、传感器、通信系统等课程。因为课时无法兼顾的学校，也应尽量利用课外实践课、选修课等方式引导学生进行自学，并在完成教学任务的前提下，尽可能挤出时间为学生解答疑问，帮助学生弥补相关知识，从而拓展机械专业学生的眼界和知识面。

3引导学生向着知识多元化发展

“工业4.0”的实现要求其从业人员掌握了解自身专业和相关领域的知识。因此，作为未来生力军的学生，在储备知识的阶段需要涉猎多方面知识，多元化发展，做到本专业高精尖，相关专业全了解，以成长为全能人才。但是，现在的高校教育制度仍旧是学分制，造成了学生学习十分局限的现状。学生很少主动与其他专业学生交流，学习知识面狭窄。所以，专业教师在教学过程中应该适当为学生安排与其发展相关的系列专题讲座，定期举办跨专业学习交流会，激发学生相互交流的学习热情，提高学生自身知识素养，鼓励和引导学生成长为适应时展需要的复合型人才。

4基于学科竞赛提高学生创新意识

德国“工业4.0”的另一个重要内容创新，但目前国内大部分高校的模具设计与制造专业还是沿用传统的教学内容和教学体系。因此，积极参与专业学科竞赛不仅可以提高学生的学习热情，还可以激发学生的创新能力，提高学生的动手能力。

5培养学生的团队意识和爱岗敬业的职业素养

“工业4.0”采取新的协作工作方式使工作可以脱离工作场地，直接利用虚拟网络和移动遥控的方式指导生产，员工管理自更高，大大提高了生产工作的积极性。因此，高校在配套的教学过程中应注意转变学生对行业工作环境的旧观念，以培养未来的优质机械工程师为目的，不仅提高学生动手能力，还要注重培养学生的兴趣，让学生提前适应智能化生产的工作氛围。“工业4.0”是德国提出的工业发展的必经之路，我国也同样提出了“中国制造2025”战略，其中提高高校机械专业的教学水平和学生素养是重要的基础工作。模具设计与制造专业应做出相应的教学改革来适应机械行业的发展，致力于培育专业突出、综合能力强的全能型人才。

作者:程婧璠 陈帆 付娟娟 毕立彩 刘小宁 单位:武汉软件工程职业学院

参考文献

[1]晏越.“德国工业4.0”与“中国制造2025”综述[J].科技风，2016，（16）：185-186.

篇9

关键词：情绪智力；情绪智力理论；学院派；实务派；研究方法

一、情绪智力概念的界定及探讨

情绪智力(EmotionalIntelligence)这个词是德国人BarbaraLeuner(1966)首先提出的[1]。1986年柏尼(W.P.Payne)在博士论文《情绪研究》中明确探讨了发展情绪智力的问题[2]。而将情绪智力作为理论概念正式提出的却是美国耶鲁大学的萨洛维(P.Salovey)和新罕布尔大学的梅耶(J.Mayer),1989--1990年，他们连续发表两篇学术论文，正式提出了情绪智力的概念和理论，将情绪智力定义为：“监察自身和他人的感情和情绪的能力,区分情绪之间差别的能力，以及运用这种信息以指导个人思维和行动的能力”[3]。在他们提出情绪智力的概念之后，围绕情绪智力概念的讨论日渐激烈，其中最出名的是哈佛大学心理学教授DanielGoleman,他于1995年在《情绪智力:为什么它比智商更重要》一书中将情绪智力定义为:了解自身感受,控制冲动和恼怒,理智处事,面对考验时保持平静和乐观心态的能力。此外，与现在的情绪智力相提并论的情商(emotionalquotient，EQ)概念则是由巴昂于1988年在其博士论文中首创的[4]。2000年，他主编了《情绪智力手册》(theHandbookofEmotionalIntelligence)，全面介绍了情绪智力的研究情况，认为情绪智力是影响人应付环境需要和压力的一系列情绪的、人格的和人际能力的总和。它是决定一个人在生活中能否取得成功的重要因素，直接影响人的整个心理健康[5]。

自从情绪智力于1996年传入中国以来，学者们纷纷给情绪智力下定义，如许远理将情绪智力定义为“感知与体验、描述与评价、调节与控制内省情绪、人际情绪、生态情绪的能力”[6]。陈家耀则进一步提出用情志力一词来概括有关情绪智力和非智力因素对智力活动的支持、导向和动力作用等心理活动。情志力的内涵是意向，其外延，从成分来说有情绪、意志和个性[7]。徐小燕、张进辅将情绪智力定义为“人们在学习、生活和工作中影响其成功与否的非认知性心理能力，包括情绪觉知能力、情绪评价能力、情绪适应能力、情绪调控能力和情绪表现能力等五种因素，它们又分为若干次级因素成分”[8]。这些概念均从不同的维度对情绪智力做了概括，但现存的问题是学界对情绪智力的概念并没有一个统一的认识。这与对情绪智力在国外的术语“emotionalIntelligence”中emotion一词到底该如何理解有很大的关系，同时还与对其外延和内涵的恰当界定联系紧密。因此，如何给情绪智力一个恰倒好处的概念有待进一步的研究。

二、情绪智力理论及结构

（一）情绪智力的学院派理论及结构

以Mayer和Salovey为主导的学院派，将情绪智力纳入智力的家族并坚持科学量化的道路[9]，学院派对情绪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绪智力，即反映了直接与标准智力定义相关的、人的实际心理能力[11]。1990年，美国心理学家Salovey和Mayer首次正式使用情绪智力这一概念描述影响成功的情绪特征，他们认为情绪智力是一种加工情绪信息的能力，它包括准确地评价自己和他人的情绪，恰当地表达情绪，以及适应性地调控情绪的能力。并以此为基础，提出了情绪智力结构的三因素能力模型。但此时情绪智力定义以及结构的划分都是在广泛查阅相关文献的基础上总结出来的，没有实证基础。后来，他们分别于1997年、1999年、2000年对情绪智力的定义及结构进行修订，最终将情绪智力界定为一种连接认知与情绪的心理能力，在此基础上确定了其结构的四个维度[12]。这四个维度从最基本的情绪感知和表达能力开始，到情绪管理调控能力为止，是按照每种能力发展的先后顺序进行排列的。具体内容为：

1．情绪的感知、表达能力：指从自己的生理状态、情感体验和思想中辨认和表达情绪的能力；以及从他人、艺术活动、语言中辨认和表达情绪的能力。

2．情绪对思维的促进能力：即促进认知行为，使问题解决、推理、决策和创造更为有效的能力，包括情绪对思维的引导；情绪对信息注意方向的影响；心境的起伏对思维的影响；情绪状态对问题解决的影响等多方面的能力。

3．对情绪的理解、分析能力：指认识情绪体验与语言表达之间关系的能力；理解情绪所传送意义的能力；理解复杂心情的能力；认识情绪转换的可能性及原因的能力等。其中最基本的是使用特定的词语来命名情绪并能有效的辨别它们之间的关系。该能力是“最具有认知意味的”。

4．情绪管理调控能力：根据所获得的信息，判断并成熟地进入或离开某种情绪的能力；觉察与自己和他人有关的情绪的能力，调节与别人的情绪之间的关系等。

（二）情绪智力的实务派理论及结构

以Goleman和Bar-on为代表的实务派将预测成功作为向导，试图在传统智力以外找到能够预测成功的所有重要因素[9]。实务派对情绪智力的研究采用的是混合模型研究取向[10]，混合模型是指特质的情绪智力，属于人格范围。即给情绪智力列出了一组人格特点菜单，如“同情、动机、坚持性、温情和社会技能”，我们将这理论及结构称为“混合模型”[11]。

1．Goleman的情绪智力理论及结构

1995年，Goleman在畅销书《情绪智力》中将情绪智力定义为了解情绪、管理情绪、自我动机、认知他人情绪、处理关系的能力[13]。他认为情绪智力在帮助个体取得成功上起的作用比智力的作用大，并且情绪智力可以通过经验和训练得到明显的提高。1998年，他在1995年情绪智力定义基础之上提出了一个5因素情绪智力理论结构[14]。这个结构共包括5个因素，25种能力。后来他又结合了RichardBoyatzis等人的研究把这5个因素25种能力精炼成4个因素20种能力，它们分别是自我觉知(包括情绪觉知能力、正确的自我评估、自信)，自我管理(包括自控能力、信用度、责任心、适应能力、成就动机、主动性)，社会觉知(包括移情、对团体情绪的觉知、服务倾向性)和社交技巧(包括帮助他人发展、领导能力、影响力、沟通能力、革新能力、协调能力、凝聚力、协作能力)。

2.Bar-on的情绪智力理论及结构

Bar-on于1997年提出情绪智力的定义，情绪智力是影响人应付环境需要和压力的一系列情绪的、人格的和人际能力的总和。他认为情绪智力是决定一个人在生活中能否取得成功的重要因素，直接影响人的整个心理健康[15]。Bar-on提出，情绪智力由个体内部成分、人际成分、适应性成分、压力管理成分、一般心境成分等五大主成分构成，其中，个体内部成分包含情绪自我觉察、自信、自我尊重、自我实现和独立性五种相关能力；人际成分包含共情、社会责任感和人际关系三种相关能力；适应性成分包含现实检验、问题解决和灵活性三种相关能力；压力管理成分包含压力承受和冲动控制两种相关能力；一般心境成分包含幸福感和乐观主义两种相关成分。这样，由五大主成分和15种相关能力组成了情绪智力系统[16]。Bar-on认为这15种能力是情绪智力最稳定、最有效的成分，对个体总的情绪幸福和应对生活的能力起决定作用。

三、情绪智力的研究方法与测量

（一）情绪智力的研究方法

在情绪智力研究开展的早期，曾出现过只强调经验范式而缺乏实证研究的现象。随着情绪智力研究地逐步深入，其研究方法已呈现出多样化趋势并取得了相当的成果。如罗森塔尔设计的了用来衡量辨别他人情绪特征能力的非言语敏感测验(简称PONS)；WalterMischel设计出果汁软糖实验来分析控制冲动、延缓满足、抵制诱惑的水平对将来成功的影响；Seligman塞利格曼根据这种观点设计了乐观态度测验，进而将这项测验应用于人才的选拔。在人工智能的研究中，“情绪智力”倍受关注。其始创人Picard教授认为，要使计算机真正智能化，适合人的需要并能自然地与人互动，就必须使它们具备识别和表达情绪的能力，即人工智能要具备被称作“情绪智力”的东西[17]。虽然情绪智力的人工智能研究刚起步，但已显示出令人兴奋的前景。情绪智力研究方法的多样性、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轻定量分析。

（二）情绪智力的测量

1．Schutle的EIS量表

情绪智力量表(EIS)是Schutle等人根据Salovey和Mayer(1990)的情绪智力模型开发的一份自陈问卷。它共有33项，可用于评估人们对自己以及他人情绪的感知、理解、表达、控制和管理利用的能力。此量表的高分者通常更为积极、更能克制冲动、更清楚地表达自己的感受、更好地恢复、较少的情感障碍和抑郁、更富有同情心、更能自我监控。

2．多因素情绪智力量表（MEIS）

该量表是Mayer等人于1998年编制的，1999年他们又发表该量表的修订版[12]。该量表是能力测验而非自陈测验。该量表以行为表现为基础，测量被试觉察情绪、鉴别情绪、理解情绪和控制情绪。它包括的四个维度十二项任务分别是：感知情绪(4项任务)、同化情绪(2项任务)、理解情绪(4项任务)和控制自我情绪(2项任务)。该量表有整体评分和专家评分两种评分方法。此量表的结构效度、聚合效度和区分效度都很高，尚无预测效度的报告。修订版与旧版的不同之处在于，旧版把多数人一致性作为正确答案的指标，修订版则把专家打分作为评判的标准。为了再次改进修订后的MEIS，Mayer、Salovey及Caruso等人又编制出了MSCEITV1.0和MSCEITV2.0。MSCEIT是一个基础能力量表，共有141个自陈项目，适用于17岁以上的人群。该量表旨在测量人们执行任务、解决情绪问题的质量和程度，而不是依赖个人对自己情绪技能的主观评估来计分。

3．情绪智力调查表（ECI）

该量表是Goleman等人根据Goleman1998年提出的精练后的情绪智力模型编制的，它可以测量该模型提到的4个因素20种能力。该量表有很高的内容效度，但到目前为止还没有有关此量表的预测效度的研究。ECI包含了Goleman情绪智力模型的所有内容，是一种比较完整的情绪智力评价工具。该量表的使用要求也较严格，使用者须经过专门的培训，合格后方能对施测结果给予正确解释与指导。ECI可以全方位评估个人和团体的情绪能力。

4．情商问卷（EQI）

EQI也叫《Bar-on情商量表》，它是Bar-on于1997年编制并出版的量表。该量表是国际上著名的心理量表之一。它包括5个主成分量表(其中包含15个分量表)和2个效度量表，共133个题目。其中主成分量表有：内省量表、人际量表、适应性量表、压力处理量表、总体情绪量表。效度量表则分别是乐观印象和悲观印象。EQI具有较高的内部一致性信度、重测信度、聚合效度和区分效度[18]。该量表出版后，得到广泛认可和应用，目前已被应用于心理咨询与治疗、人力资源、人格、学习能力等多种领域，被共认为是第一个标准化的情绪智力量表[19][20][21]。

5．工作能力量表-Ei版（WPQei）

WPQei用来测量个人的能力和素质，它以情绪智力的概念模型为基础，包括七个成分:创新，自我意识，直觉，情绪，动机，移情，社会技能。共有84个题项。员工在工作中可以把量表中的信息与自己的实际工作情况结合起来，有目的的提高自己的情绪管理能力。

除了上述量表之外，我国已有学者将DarwinB.Nelson和GaryR.Low两位博士于1998年编制的情绪技能问卷翻译和修订成中文版并投入试运行[22]。

三、小结

随着情绪智力受关注的程度不断提高，情绪智力的研究无论在理论上还是应用上将进一步深入，Bar-on宣称:“EQ时代已经开始了”[9]。情绪智力的研究已经取得了很大的进展，但毕竟对情绪智力正式研究的时间还不长，还有许多问题有待解决。如文章开头所提到的学界如何才能给情绪智力一个统一的概念？到底是学院派的能力模型理论更有说服力，还是实务派的混合模型理论更好，抑或二者相结合的为最佳，再或还有其他的理论模型有待发现？如何培养和提高情绪智力？要回答这些问题，就需要进一步对情绪智力的定义、理论、结构、研究方法、测量方法、应用进行探究。同时对情绪智力研究可能会呈现的趋势进行展望和预测：情绪智力研究方法和测量方法将在多样化的基础之上不断发展，情绪智力量表的社会实用性研究将成为学界的研究热点，学者专家们将研究形成中国自己本土化的情绪智力理论及量表。

参考文献：

[1]曾性初：《情志与情商》，《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

关键词：数据挖掘；ID3算法；决策树；报考

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2013）30-6705-05

1 概述

目前，报考主要是考生根据个人喜好及分数要求主观填报志愿。但是，在报考过程中，通过网络的招生信息往往比较分散，而招生单位数量众多、属性复杂，考生如何收集到对自己有利的信息并且在众多的招生单位中快速有效的选出适合自己的学校非常困难，因此在填报志愿的时候存在一定程度的盲目性，增大了落榜的可能性。数据挖掘是从大量数据中提取或“挖掘”知识，一般分为数据清理、数据集成、数据选择、数据变换、数据挖掘、模式评估、知识表示等，为自动和智能地把海量的数据转化为有用的知识提供了有力的手段，给数据和知识之间的鸿沟架设了方便之桥。在报考过程中应用数据挖掘技术，可以从大量的报考数据中抽取出有用的信息，找出数据变化的规律和数据之间的相互关系，用以指导学生更有效的报考志愿。该文把数据挖掘中的决策树算法（ID3算法）应用到报考工作中，按学校的不同属性进行分类，为广大考生提供决策支持，这样不仅能提高报考的效率，更能合理配置教育资源。

2 决策树方法概述

ID3决策树分类所采用的算法是自顶向下的贪心算法，从最后一个根结点开始，依次选择信息增益最高的属性作为分裂属性，然后将数据样本划分成不同的样本子集，再将每个样本子集构成一个子结点。对每个子结点再进行划分，生成新的子结点。按照此过程不断反复，直到能将样本准确分类或者所有的属性都已被选择，生成的决策树每个叶结点都对应一个分类。

3 数据预处理

3.1数据准备

在全国范围内，招生的学校数量数不胜数，影响学生报考的因素也是多种多样。大量未经筛选的数据不但不利于挖掘，甚至可能对挖掘结果产生不良影响。因此，我们在进行挖掘之前必须对数据进行整理和归纳，列出不同类型影响因素，为数据挖掘做好充分准备。该文学校分类的主要属性包括：学校类型、地理位置、校园面积、重点专业、企业口碑，如表1-1所示。该文列举部分学校作为样本，根据他们的部分属性组成如下的基础表结构，根据相应属性进行计算，得出挖掘结果。

3.1.1表结构数据

5 结束语

在目前的数据挖掘领域中，依然存在着许多分类问题的模型，但应用最为广泛的分类模型仍然是决策树算法。决策树方法的优点表现在分类过程中不需要人为设定任何参数，更适合于对新知识的发现。而决策树分类方法则是不需要任何除测试数据集以外的附加信息，这一点保证了决策树与其它分类方法相比具有更高的分类速度和更高的分类准确率。ID3算法是决策树最有影响的算法，把ID3算法应用于报考中对于招生工作有重要意义。

当然本文也还存在许多可以改进的地方，比如考虑的属性可以更多范围更广，另外对ID3算法进行相应的改进能在报考中有更有效的运用，该文对于算法的研究还存在不完善的地方。同时，本题中取值为离散类型，若把本题中的取值更改为连续类型，则需要用C4.5算法代替，该文没做详细描述。

参考文献：

[1] 曲亚辉.数据挖掘在研究生调剂中的应用研究[D].江苏科技大学，2011.

[2] 黄芳.基于数据挖掘的决策树技术在成绩分析中的应用研究[D].山东大学，2009.

[3] 冯菁，姚宏亮.ID3算法在教学质量评价中的应用研究[J].计算机工程与设计，2006.27（4）.

[4] 徐雯，张扬.ID3算法及其改进[J].计算机与数字工程，2009（10）.

[5] 缪志敏，赵陆文.基于单类分类器的半监督学习[J].模式识别与人工智能，2009（6）：924-930.

[6] 赵卫东，李旗号.粗集在决策树优化中的应用[J].系统工程学报，2001（16）：289-295.

[7] 代昆玉.胡滨.决策树算法在高考志愿填报中的应用[J].贵州大学学报：自然科学版，2009，26（2）.

[8] 唐一，马征.改进的ID3算法在高校就业系统中的应用分析[J].科技情报开发与经济，2011，24（4）.

[9] 范明，孟小峰.数据挖掘概念与技术[M].机械工业出版社，2007.

[10] 戴文华.基于遗传算法的文本分类及聚类研究[M].北京：科学出版社，2008.

[11] 曾铮.基于OLAP和数据挖掘技术的高考志愿填报方式分析评估方法[D].西南大学，2010.

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