关键词： 人工智能   传统文化   高校教育  

摘要： 人工智能技术对教育领域的渗透下,传统文化教育面临着AI时代的局限性及转型的现实需求。如何在快速变化的社会环境中涵养传统文化,培养具有深厚文化底蕴、高尚道德情操和创新能力的高素质人才,成为高校教育管理的重要课题。本研究探讨了人工智能时代下高校传统文化教育的范式转换与路径分析,提出“技术+文化+教育”三元融合的转型框架,对新时代高校文化教育具有一定的现实意义。

关键词： 人工智能   思想政治教育   技术异化  

摘要： 随着数字技术的深入发展和广泛应用,人工智能正与思想政治教育进行系统重构和深度融合,这为推动新时代思想政治教育的数字化转型提供了契机。然而,人工智能尚处于初步发展的阶段,对于思想政治教育的赋能作用有限,甚至存在风险。文章立足教育主体、教育内容和教育方法三大维度,预测技术赋能过程中存在的风险挑战,并提出针对性的优化路径,以确保思想政治教育在人工智能的赋能作用下行稳致远。具体来说,要加强技术伦理的规范化监管,优化教育内容的数字化呈现,优化教育教学模式与方法。

关键词： 人工智能   隐私政策   预测隐私   以人为本  

摘要： 随着人工智能技术的广泛应用，用户的数据隐私安全成为研究的焦点之一。为了保护用户的数据隐私安全，企业提供了隐私政策。然而，大多数隐私政策不仅存在不可解释、不透明、不公平、实用性不强和及时性较低等问题，还忽略了用户的预测隐私。因而在具体实践中，隐私政策既不能有效保护直接获取得到的隐私，又会侵犯到预测隐私，违背了最初的目的，产生了隐私政策的保护悖论。本文参照以人为本的人工智能框架，提出要开发以人为本的隐私政策，以尽可能消解隐私政策的困境，确保用户的数据隐私安全。

关键词： miRNA   机器学习   深度学习   miRNA靶标预测   miRNA相关靶标数据库  

摘要： 微小RNA（miRNA）通过与靶标RNA非翻译区的特定位点结合来调控基因表达。由于识别miRNA靶标的高通量实验方法昂贵且耗时，因此，研究可以准确预测miRNA靶标的计算方法具有重要意义。本文综述了近年来基于机器学习的miRNA靶标预测方法及miRNA靶标相关数据库。首先介绍了miRNA及其功能，阐明了miRNA靶标预测的重要性。随后，概述了常见的miRNA靶标数据库，这些数据库为miRNA靶标预测提供了重要的数据基础。接着，详细阐述了基于SVM、集成学习、深度学习等机器学习模型的miRNA靶标预测方法。最后，讨论了miRNA靶标预测研究的未来挑战和方向，并展望了深度学习技术在miRNA靶标预测领域的应用前景。

关键词： 人工智能   中学数学   数学个性化学习   数学核心素养   发展张力   范式转向  

摘要： 飞速发展的信息技术促使人类逐步迈入人工智能时代。传统的数学个性化学习范式面临着新的机遇与挑战,需要在人工智能视域中重新审视数学个性化学习范式及其转向。数学个性化学习的基本价值涵摄滋育学习者主体性、彰显学习者独特性和突出学习者创造性,并借助适宜的数学活动发掘学习者的认知优势与潜能。文章从个性化学习理论与数学实践活动、新课程改革设计与数学教学现状、人工智能技术与实施路径三重向度阐释了数学个性化学习的发展张力,从价值与观念、学习共同体、思考向度三个层面构建了数学个性化学习的新范式。数学个性化学习的实施路径主要包括明确数学个性化学习的价值与目标,共创多元对话与各擅胜场的学习社群,构筑同频共振的学习支持体系。

关键词： 鄱阳湖   南矶湿地   遥感影像分类   特征优选   机器学习  

摘要： 针对湿地土地利用信息提取易混淆，分类精度低的问题，提出一种基于随机森林（Random Forest）算法预处理的遗传算法与支持向量机（GA-SVM）融合的湿地土地利用分类模型，该模型兼具随机森林算法特征提取优势及遗传算法全局搜索能力。结合Landsat-8鄱阳湖南矶湿地遥感影像光谱特征，以特征优选后的GA-SVM模型分别对比基于粒子群算法(PSO-SVM)及灰狼算法（GWO-SVM)组合模型的土地利用分类精度，实验结果表明：经随机森林特征优选预处理后的GA-SVM模型在鄱阳湖南矶湿地土地利用分类的总体精度（Overall Accuracy)为99.2%。采用随机森林算法特征优选预处理能够实现自动搜索并反演GA-SVM模型参数，相较于常规机器学习算法的地物信息提取精度更高，在提高模型鲁棒性的同时实现了湿地土地利用信息的分类提取。研究成果可为湿地地物识别与分类提供参考。

关键词： 机器学习   GMM-LightGBM模型   TOC预测   页岩   松辽盆地  

摘要： 总有机碳（TOC）含量作为评价页岩储层地球化学特征的重要参数，是衡量页岩储层有机质含量和生烃潜力的重要指标。测井数据具有高纵向分辨率的特点，可以弥补取样数量不足、测试成本高等缺陷，因此在页岩油勘探中利用测井数据预测有机碳含量已成为一项重要技术。本文提出了一种结合高斯混合模型（GMM）和轻量级梯度提升机算法（LightGBM）的组合模型，实现TOC的测井预测。以松辽盆地南部长岭凹陷青山口组一段页岩为研究对象，收集了声波时差、中子孔隙度、自然伽马、电阻率、密度测井数据，通过箱型图方法进行异常点检测和处理，利用交叉验证和网格搜索方法调节最优参数，建立TOC预测模型。将提出方法与改进Δlg R、K-近邻算法（KNN）、决策树（DT）、极端梯度提升（XGBoost）和LightGBM五种模型进行对比，结果表明GMM-LightGBM模型的预测效果最佳，模型评价指标均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）为0.254、0.211、0.766。并将该模型应用在另一口实例取心井中，也取得了不错的效果，RMSE、MAE和R2分别为0.547、0.462、0.647。

关键词： 有机碳含量预测   机器学习   陆相页岩   四川盆地   凉高山组  

摘要： 总有机碳含量（TOC）是评价烃源岩生烃潜力的主要参数，常用的TOC测井模型在实际应用中受地质条件的差异影响较大，稳定性不高，制约了综合评价结果。本文选择四川盆地川北地区凉高山组二段作为研究对象，基于TOC取心实验数据和常规测井资料，运用随机森林算法对选定测井曲线进行特征重要性评估，消除测井曲线之间的测量误差及冗余数据的影响，优选四类测井曲线作为模型输入参数；选择准确性高、稳定性强的卷积神经网络结合长短期记忆神经网络，并引入牛顿拉夫逊优化算法对神经网络进行优化，确定最优超参数，建立一种基于牛顿拉夫逊算法优化卷积神经网络结合长短期记忆神经网络（NRBO-CNN-LSTM）的TOC回归组合智能预测方法，并进行TOC预测。模型预测表明，本文使用的神经网络模型决定系数高达0.976 3，预测结果均方误差（MSE）和平均绝对误差（MAE）分别为0.107和0.240 3，整体误差（MAPE）为0.052 1，在砂泥频繁互层、测井曲线随岩性变化波动较大的沉积环境下弥补了常规神经网络预测算法的不足，有效提高TOC预测结果的精确度。本文研究结果可对四川盆地凉高山组油气的勘探提供可靠参考。

关键词： 人工智能   中职语文   教学创新   个性化学习   教育公平  

摘要： 在AI 技术快速发展的当下,中职语文教学在面临教学模式改革和能力培养的挑战。基于AI技术在教育领域的应用实践,探讨AI技术对中职语文教学手段、资源整合、评价体系的变革作用,并结合智能系统开发、个性化学习设计、互动平台构建、技术赋能实现教学创新,在技术赋能过程中,持续平衡好人文素养和工具理性,由此来助力教育公平和质量提升。

关键词： 数值模式   气候模拟   机器学习   次网格参数化  

摘要： 次网格物理过程是地球模拟系统中的重要组成部分,其参数化是气候模式不确定性的主要来源.传统的参数化方案往往基于简化假设,难以准确反映大气过程的复杂性.机器学习作为一种强有力的工具,为解决气候模式次网格参数化方案提供了新的方法.本文采用U-Net和Transformer Encoder机器学习模型,构建了适用于气候模式的次网格参数化方案,并利用ClimSim数据集进行训练和验证,学习次网格过程与大尺度环境变量之间的复杂非线性关系.研究结果表明,这些机器学习模型构建的次网格参数化方案能够有效地模拟云和对流等复杂的次网格过程,并显著提高气候模式的模拟精度.相比于传统的多层感知机架构, U-Net和Transformer Encoder模型在非线性关系拟合能力方面表现更优.然而,本研究主要关注离线条件下的拟合性能,未来的研究需进一步验证这些方法在气候模式在线耦合中的稳定性与效率,尤其是通过结合物理约束的方法来增强其物理一致性.