关键词： 人工智能   人机协同   思想政治教育   对分课堂  

摘要： 人工智能技术的迅猛发展，为研究生思政课对分课堂的认知效能提升提供了历史机遇，同时也带来了技术理性与人文价值的深层博弈。在此背景下，其智能化重构需在遵循思想政治教育规律、把握技术赋能边界的基础上，进一步在认知维度上实现思维培养范式转型，具体而言，可通过以下路径实现:一是通过人机协同的认知升维机制突破传统教学认知局限，二是设计智能化路径推动批判性思维的显性化培养，三是依托协同机制创新实现教育价值的具象化传导。最终，通过“理论逻辑—技术路径—运行机制”的闭环体系，构建具有中国特色的智能化思政教育新形态，推动思想政治教育从知识灌输向思维赋能转型。

关键词： 扰动   单细胞测序   机器学习   深度学习  

摘要： 单细胞扰动技术将基因编辑或药物处理等外部扰动与单细胞测序结合起来,提供了在分子层面上细胞对扰动响应的高分辨率表型特征.通过计算方法对这些数据进行分析有助于揭示基因调控网络和药物作用机制,并预测未观测基因或药物组合的潜在效应.本文总结具有代表性的单细胞扰动技术,概述基于统计建模、机器学习和深度学习等多种扰动效应的解析和预测方法,并展望扰动图谱、空间多组学数据和因果学习等前沿技术与方法的应用前景.

关键词： 智能制造   机械设计   应用途径  

摘要： 现如今我国在机械设计技术的创新和研发上一直都保持着积极进取的态度,正是因为这种态度我国智能技术水平才不断地进步,如今已经走入了各个行业和千家万户当中,智能制造在我国已经逐渐发展成了一个常态化名词。本文提出将智能制造应用在机械设计技术中,有助于实现机械设计流程的优化、有助于加快机械设计行业转型、有助于提高各个环节的生产效率、有助于推动机械行业飞速发展。本文将对智能制造在机械设计中的应用特点进行阐述,并具体说明自动识别技术、虚拟现实技术、故障诊断技术、智能报警技术等智能制造技术在机械设计技术中的具体应用案例,进一步对上述观点进行论证。

关键词： 边坡稳定性   机器学习   优化算法   评价模型   数值模拟  

摘要： 丘陵或山地地区的公路工程建设与运维中，边坡失稳是工程地质灾害防治的重点问题。为实现对公路边坡稳定性的高效、准确评价，本文以安徽省山区高速公路边坡为例，甄选坡度、开挖级数、节理组数等11个因子作为评价指标，提出基于两种优化算法改进三种机器学习的评价模型，通过数值模拟计算对模型评价结果的准确性进行验证。结果表明：与GWO算法和ELM、RF机器学习模型相比，本文提出的KOA-SVM评价模型的准确率和精确率分别达到了95.8%和96.53%，较GWO算法和ELM、RF机器学习模型收敛速度更快、准确率更高。数值模拟计算结果与KOA-SVM模型评价结果一致，验证了该模型的准确性。研究成果可为山区公路工程规避沿线边坡失稳灾害提供借鉴。

关键词： 人工智能   机器学习   深度学习   实验动物模型   生物医药  

摘要： 随着生物技术的快速发展，研究人员不断寻求新的方法来提高生物医学研究和药物开发的效率和精确度，促进多学科融合。人工智能（artificial intelligence， AI）技术的快速发展为这一领域带来了前所未有的机遇。通过整合多种AI模型，研究人员能够更好地利用多组学数据、识别疾病表型、解读动物行为、评估治疗效果，改进实验设计，减少实验动物的使用量，同时提高动物设施管理水平，改善动物福利。本文综述了近10年来AI生物医学研究中的应用进展，探讨其在疾病表型识别、实验动物模型选择与设计、动物行为学分析和动物设施管理等方面的贡献；指出其在数据的标准化，AI模型选择和可解释性，AI模型到动物实验到临床实践的外推过程，以及AI在涉及人类基因和个性化医疗等敏感领域中使用时的伦理考量等方面的挑战，旨在帮助相关领域研究人员和从业者了解其发展现状与机遇，为其更广泛的应用提供助益。

关键词： 数字社会   数字技术   人工智能   大语言模型  

摘要： 数字社会是指数字技术驱动下的社会形态，是一种在技术迭代中不断演化与生成的多层次复杂系统。重新理解数字社会具有显著必要性，应遵循“核心技术装置—社会组织逻辑—社会关系结构—社会伦理问题”的系统分析框架。据此，从电子计算机的问世到全球互联网的普及，从人工智能的崛起到大语言模型的涌现，数字社会经历了技术驱动下的四轮社会形态重构。作为“核心技术装置”的数字技术不断推动着“社会组织逻辑”的迭代和“社会关系结构”的重组，亦催生了全新且日趋复杂的“社会伦理问题”。数字社会的重新理解有助于更好应对数字技术赋能的社会变革，走向更具智慧和可持续性的数字文明。

关键词： 肺结核   肺癌   生物信息学   机器学习算法   生物标志  

摘要： 目的 本研究旨在通过整合生物信息学分析与机器学习算法，筛选外周血中结核病特异性的生物标志物，以提升肺结核与肺癌的鉴别诊断效能。方法 基于GEO数据库下载数据集GSE42834，筛选肺结核、肺癌的差异表达基因（differentially expressed genes，DEGs），并利用韦恩图获取肺结核特异性DEGs。进一步采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator， LASSO）算法和随机森林算法（random forest， RF）对候选基因进行双重筛选，获取核心诊断标志物，并在独立数据集（GSE157657、GSE198048）中以临床队列（肺结核84例、肺癌31例、健康人54例）验证其表达与诊断性能。结果 共鉴定出277个肺结核DEGs，通过LASSO和随机森林联合筛选出4个共同的特征基因Gbp6、Batf2、Gbp5、Tap1 作为肺结核诊断的生物标志物。单个基因诊断肺结核时，受试者工作特征曲线（ROC）下面积（AUC）均高于 0.98。对验证数据集 GSE157657 和 GSE198048 的分析表明，上述基因在肺结核患者外周血中显著高表达（P<0.0001），而在肺癌患者中表达差异不明显。通过收集临床样本评估诊断效率，发现 Gbp6、Batf2、Gbp5、Tap1 在结核组中的表达显著高于健康组和肺癌组。以肺癌和健康人作为对照组时，ROC 曲线显示，单个 Gbp6、Batf2 和 Tap1 对菌阴或菌阳肺结核诊断的 AUC 值几乎均高于 0.8；四基因联合应用时，模型对总体肺结核的诊断 AUC 达到 0.99（菌阴肺结核 AUC>0.98）。结论 本研究筛选出的肺结核特异性基因标志物（Gbp6、Batf2、Gbp5、Tap1）诊断效能高，具有重要的临床鉴别诊断价值，为肺结核的无创鉴别诊断提供了新策略。未来需开展多中心前瞻性研究，验证其泛化性，并探索其在其他感染性疾病中的特异性。

关键词： 中药大蜜丸   炼蜜   5-羟甲基糠醛   质量控制   智能制造  

摘要： 中药大蜜丸以药效稳定、服用便捷等特点，在传统中药剂型中占据重要地位。其炼蜜工艺不仅直接影响制剂药效与稳定性，亦为潜在毒性物质5-羟甲基糠醛（5-hydroxymethylfurfural， 5-HMF）的主要来源。鉴于5-HMF的潜在毒性及《中国药典》2020年版限量要求，实时精准控制其含量已成为中药制造测量的关键挑战。该文基于中药制造测量研究内容，综述了大蜜丸生产中5-HMF的毒效争议、质量控制难点、生成机制及其影响因素，以推动大蜜丸标准化与智能化生产。首先，分析5-HMF的毒效争议及安全性限量标准，指出大蜜丸生产存在限量标准模糊、工艺过度依赖经验控制、5-HMF累积效应显著及测量实时性不足等问题；其次，阐明美拉德反应与焦糖化反应在5-HMF生成中的主导作用，探讨蜂蜜原料组成、炼蜜工艺参数和设备类型对其生成的影响规律；随后，评述色谱、光谱、电化学及生物传感技术的研究进展，分析各方法在制造测量与智能控制方面的适用性；最后，提出基于“点-线-面”的大蜜丸炼蜜单元5-HMF质量控制框架的智能制造体系，强调未来质量控制应向数字化、智能化与连续生产方向转型，以全面提升大蜜丸制剂的安全性、标准化和国际竞争力。

关键词： 机器学习   重金属   籽粒   有机肥   预测  

摘要： 随着工业化进程的加速和农业活动的频繁，作物重金属污染已成为当前农业生产中一个不容忽视的问题。本研究基于54篇文献的791组数据，利用自动机器学习模型对作物籽粒重金属浓度进行预测。研究选取有机肥施用量、有机肥重金属浓度、土壤重金属浓度、有机质、酸碱度、阳离子交换量、黏粒含量、砂粒含量、粉粒含量和作物类型10种影响因素作为输入变量，选取铬(Cr)、镉(Cd)、铅(Pb)、砷(As)和汞(Hg)在作物籽粒中的浓度作为输出变量，评估深度学习(DL)、分布式随机森林(DRF)、极度随机树(XRT)、堆栈集合(SE)、梯度提升机(GBM)和广义线性模型(GLM)6种模型的模拟预测效果，并分析影响作物籽粒重金属累积的关键因素。结果表明：不同重金属的最佳预测模型存在差异。DL模型对Cr、Pb、As和Hg的预测效果最优，而GBM模型对Cd的预测精度最高。特征重要性和SHAP分析显示，有机肥施用量与作物类型是影响作物籽粒重金属累积的关键因素，有机肥施用量、土壤重金属浓度、有机肥重金属浓度、砂粒含量与作物籽粒重金属浓度呈正相关，阳离子交换量、酸碱度、有机质、黏粒含量与作物籽粒重金属浓度呈负相关。综上，DL和GBM模型在预测作物籽粒重金属浓度中具有优势，生产中需严格控制有机肥施用带来的重金属输入风险。

关键词： 目标检测   深度学习   模型架构   人工智能   计算机视觉  

摘要： 目标检测技术是计算机视觉领域的关键组成部分，它在各种实际应用中扮演着至关重要的角色.目标检测技术经历了几十年的发展，从早期依赖于手工特征提取的方法，到当前深度学习模型的广泛应用.目前在目标检测领域缺少以深度学习基础模型技术的改进为发展脉络的总结研究，在此背景下，以人工智能领域基础模型的发展过程为线索，围绕不同种类基础模型概述了基于这些模型的不同目标检测模型的发展，同时对这些基于不同基础模型的目标检测算法进行了比较，并分析不同模型的优缺点以及不同模型的改进策略.同时概述了目标检测技术的评估指标以及不同阶段的技术进步，特别强调了深度学习如何推动目标检测性能的显著提升，讨论了目标检测在处理多样化场景、提高实时性和准确性方面的挑战，并对未来可能的研究方向进行了深度探讨，包括但不限于模型的泛化能力、计算效率以及与更复杂任务的结合，为多个未来研究方向提出了可能的提高策略.旨在提供一个清晰的技术演进视角，以促进目标检测领域的进一步研究和应用.