关键词： 地聚合物   固化土   机器学习   抗压强度   寒区  

摘要： 为了探究季冻区电石渣激发偏高岭土基地聚合物固化土抗压强度变化规律及配比设计，通过180组试验数据构建数据库，以偏高岭土含量、电石渣含量、养护温度和养护时间为输入参数，固化土抗压强度为输出目标，利用机器学习方法建立输入参数与输出目标之间的回归关系。选用多种机器学习算法（KRR、ANN和GPR）建立电石渣激发偏高岭土基地聚合物固化土抗压强度预测模型，通过决定系数(R2)、均方根误差（RMSE）和平均绝对误差（MAE）对模型性能进行评估，并结合敏感性分析解释预测结果。研究结果表明，GPR模型的预测误差相对较小，具有较好的预测精度，可较好地预测电石渣激发偏高岭土基地聚合物固化土的抗压强度；敏感性分析发现，养护温度和养护时间对抗压强度的影响显著。相关研究结果可为电石渣激发偏高岭土基地聚合物在季节冻土工程性质改良中的应用设计提供参考依据。

关键词： 特发性黄斑前膜   人工智能   眼底影像   视网膜血管管径   血管分形维数  

摘要： 本研究使用基于人工智能的EVisionAI眼底图像分析系统分析特发性黄斑前膜(ERM)患眼视网膜血管形态特征,回顾性分析了北京大学人民医院2023年1月～2025年3月的146名ERM患者292只眼的眼底彩照视网膜血管特征.根据患眼光相干断层眼底扫描检查记录患眼基于连续的异位中心凹内层结构(EIFL)的ERM分期、EIFL厚度及黄斑中心凹视网膜(CFT)厚度.统计分析视网膜血管形态特征参数的不同ERM分期的组间差异及其与ERM分期的相关性.结果表明,单侧ERM患者中,ERM眼较对侧健康眼血管平均分支夹角、血管平均管径、血管平均弯曲度更大,血管分形维数、血管弓和黄斑夹角更小(P<0.05);血管分形维数(P=0.004)、血管平均管径(P<0.001)、血管平均弯曲度(P<0.001)与ERM分期相关.血管分形维数<1.553(OR=7.247,P<0.001)、血管平均管径>61.93μm(OR=2.277,P=0.013)、血管平均弯曲度>0.893×10 4(OR=5.044,P<0.001)、血管弓和黄斑夹角<88.84°(OR=4.628,P<0.001)是ERM患眼达到ERM3或4期的危险因素.本研究探索了各项视网膜血管参数与ERM分期的相关性及更高ERM分期的危险因素,为利用眼底彩照进行ERM分级、严重程度提供了一种新的建模思路.

关键词： 数智技术   人的全面发展   互联网   人工智能  

摘要： “人的全面发展”是每个人实现自由发展的基本条件，也是共产主义的基本追求。人的全面发展是不断实现的历史过程。生产力是人的全面发展的根本推动力，而社会制度则是人的全面发展实现的社会条件、平台或保障。当今时代，以数智技术体系为引领和主导的新一轮科技革命和产业变革正在兴起，推动劳动方式、交往方式发生根本变革，为个人能力的全面发展、社会关系的全面建构及个人需要的全面满足提供前所未有的条件。数智技术体系不断为实现个人对生产力总和即数据资源及互联网、人工智能等工具体系的普遍占有和个性、才能总和的发挥提供技术支持，从而为人的能力全面发展创造前所未有的物质基础和条件；在数智技术体系支持下，数字交往推动普遍交往深度拓展，为个人需要的全面发展和全面满足及个人能力的全面发挥创造全面的社会关系；在数智技术体系支持下，互联网、人工智能等极大地提高效率，创造更多自由时间，为人的全面发展提供时间条件。与资本主义极力利用数智技术为人的全面发展创造的条件和可能生产剩余价值、谋取私利，阻碍人的全面发展所不同的是，社会主义充分利用数智技术创造的条件，通过相应的政策引导、制度建设等举措，积极推动实现人的全面发展。

关键词： 人工智能   工程类   学术型研究生   培养困境  

摘要： 人工智能的迅猛发展为工程类学术型研究生培养带来了新的机遇与挑战。人工智能工具提升了课程学习、学术研究和论文写作的效率，但其深度应答、逼真幻觉及过度依赖导致研究生学术能力退化、创新思维缺失及学术不端行为频发等，与高校人才培养目标背道而驰。以环境科学与工程学科为例，阐述了高校对学术型研究生的课程、学术和论文要求，探讨了人工智能在这些方面的有利条件，分析了过度依赖人工智能在思想、学术思路、论文写作及学术不端等方面面临的困境，提出了人工智能辅助下的培养模式，包括将人工智能定位为辅助工具、加强人工智能辅助监管及完善约束机制，旨在为高校在人工智能时代优化研究生培养模式提供理论依据和实践参考，为培养高素质工程人才贡献思路。

关键词： 生物信息学   机器学习   溃疡性结肠炎   生物标志物   治疗靶点   免疫浸润   M1巨噬细胞   中性粒细胞  

摘要： 目的 通过生物信息学方法筛选溃疡性结肠炎（UC）黏膜组织差异表达基因（DEGs）并结合免疫浸润分析，探索UC潜在的生物标志物和治疗靶点。方法 从GEO数据库中获得UC相关4个数据集（GSE9452、GSE38713、GSE36807、GSE206285）。采用R软件对GSE9452和GSE38713进行DEGs分析，分别提取2个数据集中上调和下调的基因交集，获得共表达DEGs。随后，对共表达DEGs进行GO功能注释以及KEGG通路富集分析。利用LASSO和随机森林机器学习方法对训练集GSE9452中共表达DEGs进行深度学习，筛选核心基因，并在验证集GSE36807和GSE206285中进行验证。最后利用CIBERSORT算法进行免疫细胞浸润分析。结果 基于对两个GEO数据集的综合分析，共筛选出245个共表达DEGs，包括195个上调DEGs、50个下调DEGs。KEGG和GO富集分析结果显示，共表达DEGs涉及IL-17、NOD样受体、TNF、NF-κB和趋化因子等信号通路；主要参与防御反应、免疫反应、体液免疫应答、对细菌的反应、炎症反应等方面。整合两种机器学习算法和受试者工作特征验证，筛选出5个核心基因（CASP1、CCL11、CXCL10、REG1A、REG3A）。免疫细胞浸润发现M1巨噬细胞、中性粒细胞可能参与UC的发病过程且与核心基因高度相关。结论 CASP1、CCL11、CXCL10、REG1A、REG3A是预测或治疗UC的潜在生物标志物和作用靶点，且与免疫细胞浸润密切相关，可为UC的诊断和靶向治疗提供依据。

关键词： 净生态系统碳交换量   EMD分解   机器学习   杨树人工林  

摘要： 【目的】将分解重构思想与机器学习相结合，模拟人工林生态系统净碳交换量，为提高三北地区人工林生态系统固碳能力的模拟预测提供科学依据。【方法】基于北京市顺义区共青林场杨树人工林通量观测系统与微气象观测系统在2015—2018年生长季（4—10月）的逐日观测数据集，采用随机森林重要性排序方法分析获得净生态系统碳交换量（NEE）的主要驱动要素。采用经验模态分解法（EMD）将NEE与主要驱动要素分解重构为波动项与趋势项，分别使用BP神经网络、支持向量机（SVM）、随机森林（RF）和极致梯度提升（XG-Boost）四种机器学习模型进行模拟，优选模型后进行NEE序列的重构。【结果】 1)共青林场杨树人工林生态系统NEE受总辐射与温度影响显著，土壤体积含水量（5 cm）、饱和水汽压差和空气相对湿度对NEE的影响较弱，环境因子对NEE的影响重要性从大到小依次为：总辐射、平均气温、最高气温、最低气温、土壤体积含水量（5 cm）、饱和水汽压差、空气相对湿度；2)NEE分解重构后，对波动项与趋势项模拟效果最好的模型分别为支持向量机与随机森林模型；3)与直接使用机器学习模拟的方法相比，分解重构后的模拟测试集精度显著提升，R2由0.520提高到0.676，RMSE由1.998下降至1.646 μmolm-2s-1，MAE由1.578下降至1.273 μmolm-2s-1。【结论】总辐射、平均气温、最高气温和最低气温是影响研究区杨树人工林生态系统NEE逐日变化的最关键因素。本文提出的分解重构与机器学习相结合的方法可以有效提升NEE的模拟准确度，为三北地区森林生态系统固碳能力模拟提供了新思路。

关键词： 人工智能   数字阅读   阅读服务   阅读推广   CiteSpace  

摘要： 文章通过检索近10年人工智能技术在国内外数字阅读领域的研究文献，利用可视化研究工具CiteSpace绘制研究热点的知识图谱对文献进行内容分析。分析发现，近10年来国内人工智能技术在数字阅读领域的研究主题包括多模态数字出版、场景化与社交化阅读、智慧阅读服务；国外人工智能在数字阅读领域的研究主题包括数字阅读行为与个性化推荐、数字阅读理解与自然语言处理、无障碍阅读与智能辅助系统。未来，人工智能在数字阅读领域的研究应重点关注如何加强多模态、跨场景阅读技术的创新研发以及进一步推动阅读服务智能化、无障碍化和普惠化，以期为更多数字阅读用户提供便利。

关键词： 机器学习   纳米酶传感   食品质量监测   食品安全检测  

摘要： 高效且灵敏的检测技术是实现食品质量与安全精准监控的关键保障。纳米酶因其优异的催化活性，能够显著增强检测信号，从而有效提升分析方法的灵敏度与准确性。然而，食品基质的复杂性及光谱图像数据的多维特征，会降低检测结果的准确性和灵敏度。机器学习算法具备强大的数据处理与分析能力，能够深入挖掘和解析复杂的检测数据，进而显著提升检测方法的准确性、灵敏度及检测效率。本文系统综述了集成机器学习的纳米酶传感技术在食品质量与安全检测中的应用进展，重点探讨了该技术在食品有害物检测、品质及真实性监测中的技术优势。机器学习与纳米酶传感技术的融合不仅显著提升了检测的精准性与效率，也为食品质量与安全检测领域向智能化和高通量方向发展提供了坚实的技术支撑。

关键词： 算法   算法认知   算法厌恶   算法欣赏   人工智能  

摘要： 随着人工智能时代的到来，厘清个体的算法认知对于推动人工智能的健康发展和数字社会的全面构建至关重要。研究发现，个体对于算法的认知呈现出算法厌恶与算法欣赏的双重表征，而影响个体算法认知的结构性成因涉及微观、中观和宏观等不同的维度。微观层面包括算法和个体的双重影响，即算法的准确程度、透明程度、拟人程度以及个体的人格特质、算法任务熟悉度、人口统计学因素差异，中观层面的情境化约束主要包括人机交互、任务性质、激励结构以及道德关联，宏观层面的文化性渗透则涉及传统文化框架和国家技术认知。未来，在强化个体算法认知研究的同时，需要进一步将算法认知的个体层面拓展到集体层面，以便更好地实现算法的落地。

关键词： 酱香白酒尾酒   挥发性有机化合物   质量分级   机器学习   标志化合物  

摘要： 酱香白酒尾酒作为高浓度有机废水直接废弃处理导致资源浪费和环境污染。本研究以酱香白酒尾酒为研究对象，利用顶空固相微萃取-气相色谱-质谱法和气相色谱-火焰离子化检测器（Headspace solid-phase microextraction-gas chromatography-mass spectrometry and gas chromatography-flame ionization detector ， HS-SPME-GC-MS/GC-FID）等技术分析了酱香白酒尾酒中的主要挥发性物质及其潜在化合物，旨在为酱香白酒尾酒多级划分管理及其高效利用提供科学依据。研究结果表明，不同蒸馏阶段中，酯类、酸类、醇类与醛类化合物分别占挥发性有机化合物总量的 42.98%以上、22.62%以上、4.64%以上 和 2.73%以上。在同一阶段内，这四类化合物合计占检测到的挥发性有机化合物总量的 96.28%以上。随着蒸馏过程进行，酯类、醇类含量占比逐渐降低，而酸类、醛类含量占比逐渐上升。结合聚类分析和机器学习确定并验证了2-戊酮、仲戊醇、乙酸己酯、油酸乙酯、亚油酸乙酯、棕榈酸乙酯等是酱香白酒蒸馏过程尾酒风味结构分段分级的标志化合物。同时，综合聚类分析和乙醇动力学模型表明，前2 min或42.06% vol以上馏分为高品质尾酒，3～7 min或23.17% ～ 42.06% vol划为中品质尾酒，8 min及以后或低于23.17% vol为低品质尾酒。