人工智能是否达到奇点——来自图情档职业被人工智能完全替代概率的数据分析与思考

[目的/意义]人工智能作为引领未来发展的重要技术形态,在推动社会经济发展、刺激产业创新的同时,也带来关于人工智能是否会替代人类劳动力的新议题,有必要关注以人工智能为代表的技术进步对图情档从业者的替代效应和对技能、知识等的新需求。[研究设计/方法]使用O*NET数据库,基于机器学习和网络分析方法预测图情档职业被人工智能替代的概率,识别从事相关岗位的重要专业技能、核心知识和核心素养,探究人类智能从事图情档职业的技能优势。[结论/发现]人工智能冲击下,图书馆文书助理、技术馆员等可程序化的职业面临短期被替代风险,这种大环境要求图情档从业者兼具技术性和人文性质,图情档从业者人类智能的技能优势主要体现在创造力、社交互动、管理规划和主动学习四个方面。[创新/价值]客观审视人工智能带来的劳动力替代问题,预测与评估人工智能完全替代图情档职业的概率,识别图情档从业人员理应发展的核心能力,有助于积极应对人工智能时代技术性失业问题,保障图情档领域就业稳定。

基于Lattice LSTM的中医药古文献命名实体识别与应用研究

[目的/意义]为进一步提升中医药古文献命名实体识别的准确性,以信息化手段辅助现代中医学者进行医学诊断与临床决策,促进中医学的传承与创新。[方法/过程]提出一种集成字符与词汇信息的中医药古文献命名实体识别的Lattice LSTM模型,对《伤寒论》的疾病、证候、方剂、症状和药材五类实体进行抽取;在抽取出的实体基础上,人工提取实体间关系,利用Neo4j搭建了中医药知识图谱;最后以新冠肺炎为例,在图谱上完成相关检索。[结果/结论]实验结果表明,Lattice LSTM在中医术语识别上性能最优,F1值达到95.66%,比主流模型BiLSTM-CRF提升了1.68%,可用于中医药古文献的实体识别;搭建的中医药知识图谱也验证了主模型的现实价值。

融合BERT和主题模型的谣言检测方法

【目的/意义】在谣言检测过程中,针对文本的上下文语义特征和主题语义特征没有得到充分挖掘的问题,提出了一种融合BERT和主题模型的谣言检测方法,提升谣言检测效果。【方法/过程】利用BERT模型挖掘文本动态上下文语义特征,利用主题模型挖掘文本主题语义特征;同时结合了微博影响力和用户可信度特征,并在微博影响力特征设计阶段考虑了时效性因素;将以上特征进行充分融合,构建谣言检测模型。【结果/结论】以微博真实数据进行实证分析,实验结果表明,该方法在进行谣言检测任务时效果较好,准确率最高达到了93.68%,相较于表现性能最好的传统机器学习方法、深度学习方法、融合特征方法分别提升了约9.92%、3.29%、7.75%,能够实现对谣言的有效检测。此外,在微博影响力特征设计阶段考虑时效性因素更有助于提升谣言检测效果。【创新/局限】谣言检测效果仍有一定提升空间,未来可尝试结合用户评论内容特征进一步提升谣言检测效果。