关键词： 大语言模型   膝骨关节炎   物理治疗   人工智能  

摘要： 目的 比较ChatGPT-4.5与DeepSeek-V3在膝骨关节炎物理治疗五大关键环节中的回答表现，评估其在康复指导中的准确性、完整性、可靠性与可读性，并探讨其临床应用潜力。方法 从发布于2011年9月—2024年1月的10部国内外权威膝骨关节炎康复指南中提取21个核心问题，覆盖康复评估、物理因子治疗、运动疗法、辅助器具使用及患者教育5类任务，输入至ChatGPT-4.5与DeepSeek-V3中获取回答。由4名具有5年以上临床经验的物理治疗师使用Likert量表评估其回答的准确性（5分制）、完整性（5分制）与可靠性（7分制），比较两种大语言模型评分差异；另辅以语言风格聚类分析。结果 得分数据多不符合正态分布，以中位数（下四分位数，上四分位数）表示。ChatGPT-4.5的准确性[4.75(4.75,4.75) vs. 4.75(4.50,5.00)分，P=0.018]、完整性[4.75(4.50,5.00) vs. 4.25(4.00,4.50)分，P=0.006]和可靠性[5.75(5.50,6.00) vs. 5.50(5.50,5.50)分，P=0.015]得分均高于DeepSeek-V3。语言风格聚类分析显示ChatGPT-4.5语言风格更丰富，DeepSeek-V3更标准化。ChatGPT-4.5的词汇丰富度得分高于DeepSeek-V3[4.792(4.720,4.912) vs. 4.564(4.409,4.653)分，P<0.001]，句法丰富度得分低于DeepSeek-V3[2.133(2.072,2.154) vs. 2.187(2.154,2.206)分，P=0.003]。结论 ChatGPT-4.5在准确性、完整性与可靠性方面总体表现优于DeepSeek-V3，任务完成能力更强；其用词更为多样，具有较强的语言生成灵活性。DeepSeek-V3则在句法结构上表现得更为丰富，语言规范性更强。ChatGPT-4.5更适用于内容丰富、需要解释性强的任务场景，DeepSeek-V3更适合标准化问答型应用。

关键词： 大语言模型   提示工程   自动化提示工程   思维链   机器学习   进化算法   即插即用系统  

摘要： 基于提示学习的提示工程对于提升大语言模型的技术可及性、加速其推广扩散与应用开发至关重要。传统的提示工程过度依赖于提示词设计者的领域知识和使用经验，且不易满足提示空间较大的任务；相比之下，自动化提示工程能够自动化或半自动化地生成或优化提示词，以探索大规模的提示词组合，并通过自动优化技术提升提示词生成的稳定性。然而目前仍缺乏对自动化提示研究的系统性综述；因此，为了总结该领域研究现状、挑战和发展方向，及时跟进该领域的最新研究成果，详细梳理并评述自动化提示工程的实现形式，提出自动化提示工程的未来研究方向。依据自动化提示工程实现形式在逻辑推理和效能导向两个维度的取舍上，将其分为基于思维链的自动化提示工程、基于类机器学习模型的自动化提示工程、基于进化算法的自动化提示工程以及使用预训练包的即插即用系统。随后，全面评估自动化提示工程技术，构建其工作原理的理论解释框架，评估各类实现形势的适用性与局限性。最后，展望多模态大模型、强推理模型以及智能体中自动化提示工程的发展趋势，提出未来发展方向。

关键词： 机器学习   金属掺杂   气体吸附   MoS  

摘要： 为了加快对传感材料结构的设计及气敏性能调控，使用高通量计算结合机器学习的方法研究过渡金属掺杂MoS2气敏材料与吸附气体之间的构效关系。通过构建单原子和双原子过渡金属掺杂MoS2体系(TM-MoS2、TM2-MoS2，TM=V、Mn、Co、Mo、Ru)，基于第一性原理计算了3种典型的室内气体污染物HCHO、NH3和H2S的吸附能，并采用4种算法构建了机器学习回归预测模型。使用逐步滤波的特征工程策略，筛选出合理的特征集合提高了机器学习模型的泛化能力。结果表明，XGBoost算法最佳，其在训练集和测试集上的R2分别为0.91和0.78，RMSE分别为0.15、0.34 eV。使用SHAP分析各特征对回归模型的贡献，其中Ng和εd的贡献值最大，特征Dg的贡献最小。

关键词： 人工智能   产业链韧性   熵值法   时空特征  

摘要： 在世界百年未有之大变局加速演进背景下，提升人工智能产业链韧性已成为中国全球价值链地位攀升的关键。文章构建了人工智能产业链韧性评价指标体系，采用熵值法对2015—2023年中国人工智能产业链韧性进行测度，并利用Dagum基尼系数法探究2015—2023年中国人工智能产业链韧性发展差距，最后使用核密度估计法、莫兰指数与空间杜宾模型对时空收敛特征展开分析。研究结果表明：人工智能产业链韧性呈现稳步上升的发展趋势，其中，四川、安徽、湖北的人工智能产业链韧性增长速率较快。在区域差异方面，人工智能产业链韧性整体发展差异正在逐步缩小；区域间差异是人工智能产业链韧性差异的主要来源。在时空特征方面，人工智能产业链韧性存在空间溢出效应，能够促进邻近地区的人工智能产业链韧性提升。在收敛性特征方面，人工智能产业链韧性存在σ收敛，且存在绝对β收敛与条件β收敛。

关键词： 智能制造   “纺纱学”   教学改革   产教融合  

摘要： 基于智能制造背景，以培养纺织行业智能化技术人才为目标，探讨 “纺纱学”课程的教学改革，从教学内容、教学方法、思政教育、考核方式等教学过程中存在关键问题入手，并积极进行探索尝试，建立了一套基于校企合作、产教融合、科教融合等的人才培养方案和课程教学改革措施。引导学生在掌握纺纱基本理论和工艺过程的基础上，深入了解纺织行业的智能化发展，助力纺织行业的高质量发展。

关键词： 堰塞坝   稳定性   机器学习   模型对比   贝叶斯网络  

摘要： 堰塞坝是一种由崩塌、滑坡、泥石流等产生的斜坡体堵塞河道形成的自然灾害，严重威胁下游居民的生命财产安全。快速准确预测堰塞坝稳定性是制定灾后应急预案、开展后续重建工作的重要基础。通过收集国内外380座实际堰塞坝案例的数据，筛选出46组完整案例，对选取案例的数据进行相关性分析和正态转化，采用贝叶斯网络、决策树、Bagging、RBF神经网络和逻辑回归等5种机器学习算法，分别建立稳定性评估模型。为对比模型拟合能力和泛化能力的优劣，比较了各模型训练集和测试集的正确率及模型综合效果指标，结果显示贝叶斯网络模型正确率达到89.19%，为最高、模型效果综合指标值达1.28，为最大。堰塞坝的稳定性受多种因素影响，稳定性评估模型能够快速评估堰塞坝的稳定性，预知堰塞坝的失稳风险，提前采取措施，也可为危险等级划分提供参考。

关键词： 新质生产力   智能制造   技能人才   耦合逻辑   培养路径  

摘要： 在智能制造行业技能人才供需矛盾凸显的现实背景下,文章运用数据挖掘等方法,基于产业需求视角提炼出“技能性-统筹性-全链性”的技能人才胜任力模型,并以此对标新质生产力“高科技、高效能、高质量”的发展特征,从学理上揭示“智能制造行业技能人才”与“新质生产力”之间“技术-系统-发展”三重耦合逻辑。基于此逻辑,提出智能制造行业技能人才培养的行动路径:以技术逻辑为“源”,共探“科技”演进的人力需求;以系统逻辑为“基”,共商“教育”供给的培育范式;以发展逻辑为“渠”,共创“人才”供需的制度环境。

关键词： 定向进化   机器学习   蛋白改造   蛋白语言模型  

摘要： 定向进化是合成生物学领域的核心底层技术之一。通过在实验室中模拟自然界发生的进化过程，定向进化利用功能筛选从大量的突变序列文库中不断获得性能提升的蛋白序列，帮助实现野生型蛋白难以实现的功能。近年来不断发展的机器学习、蛋白语言模型等人工智能（Artificial intelligence, AI）方法进一步拓展了该技术的使用场景和工作效率，帮助其在酶、抗体、生物传感器等的改造中取得优异表现。本文总结了传统定向进化在突变文库构建和功能筛选过程中使用的典型策略，并对近年来开发的高效连续定向进化平台进行介绍，进一步对定向进化技术存在的序列空间有限、容易陷入局部最优等一系列问题进行探讨。快速迭代的机器学习模型与定向进化相结合，一方面能够缓解序列空间的探索局限性，另一方面能够从起始序列设计、中间文库优化、功能信息提取等多个维度对定向进化的实验流程进行完善，帮助实现更加高效的蛋白改造尝试。为明确定向进化结合机器学习的应用潜力，我们重点展示了机器学习辅助定向进化的代表案例。最后，我们简要探讨了该领域的潜在挑战和未来发展方向。

关键词： 可见-近红外光谱   数据预处理   机器学习   偏最小二乘回归算法   SPXY算法   交叉验证   水中明矾含量   水质检测  

摘要： 明矾作为净水剂溶水无色透明，其残留可能对人体健康构成潜在威胁。文中采用可见-近红外光谱技术对纯水、池塘水等不同水体中不同浓度明矾溶液的光谱进行检测。结合偏最小二乘回归模型的方法并通过五折交叉验证以及模型训练学习建立了光谱数据与明矾含量之间的映射关系，获得了高达0.990 0的预测决定系数和低至0.001 7的预测均方根误差，实现了对水中明矾含量的准确预测。最低检测浓度达到0.1%，为光谱技术快速检测净水过程中明矾残留提供了技术支持。

关键词： 水质评价   机器学习   水质预测  

摘要： 河流水质评价和预测对水环境管理具有重要指导意义。基于2016—2020年的M河流域监测数据，利用水质指数（WQI）模型评估河流水质时空变化特征，并通过机器学习模型进行水质预测。结果表明：（1）从河流年际变化来看，水质在逐年提升；从河流水质空间分异来看，流域水质表现为上游到下游水质逐渐下降。（2）使用随机森林（RF）模型识别关键的水质参数，发现在河流干流和支流中溶解氧（DO）、氨氮是决定水质的关键影响因子。（3）评估3种机器学习模型预测水质效果得出，RF模型预测精度较低，反向传播神经网络（BPNN）和长短期记忆（LSTM）网络模型预测精度高，LSTM网络模型是预测WQI的优选模型。通过阐明长江经济带M河流域水质时空特征，运用机器学习预测河流水质，可为河流水污染控制与相关政策调整与实施提供科学依据。