关键词： 人工智能   职业教育   课堂教学   AI风险  

摘要： 生成式人工智能深度赋能职业教育，既是技术革命的必然方向，又是职业教育数字化转型的内在要求。当前，生成式人工智能在职业教育课堂教学应用中存在技术滥用、数据偏差、认知偏差及伦理失范等风险，其根源在于职业教育各主体对技术应用的无序跟风、对生成内容的盲目照搬、对技术使用的过分依赖。为有效防范这些风险，应以“人本理念”预防“技术滥用风险”，以“数据治理”降低“数据偏差风险”，以“认知提升”削弱“认知偏差风险”，以“伦理规范”约束“伦理失范风险”。

关键词： 人工智能   矿产预测   地质约束   自监督图-Transformer   图强化学习  

摘要： 人工智能找矿是当前矿产预测的前沿领域.由于成矿过程的复杂性,成矿的稀有性,成矿特征多样性,以及人工智能模型的“黑箱”属性,使得智能矿产预测面临着找矿数据及其空间耦合关系表征不充分、训练样本不足、模型鲁棒性差、泛化能力弱和可解释性差等技术难题.本文深入剖析了产生这些技术难题的原因,梳理了现有研究中这些难题的解决方案.在此基础上,提出了2种解决上述技术难题的矿产预测人工智能模型新框架:(1)地质约束自监督图-Transformer模型,采用自监督学习缓解标注数据稀缺问题,通过图结构表征地质实体间的空间耦合关系,并引入Transformer增强模型对长程空间依赖关系的建模能力;(2)地质约束图强化学习模型,该模型在利用图结构表征地质实体的基础上,利用强化学习对数据特征进行充分挖掘,并将地质知识嵌入到奖励机制中,考虑成矿知识对状态判别的影响,从而提升模型的泛化能力和可解释性.

关键词： 算法推荐技术   精准思政   耦合性   人工智能  

摘要： 精准思政是思想政治教育领域的一种创新理念和实践模式，其核心是利用大数据、人工智能等现代技术，结合学生的思想动态和实际需求，实现思想政治教育的精准施策和精细化管理。算法推荐作为一种帮助实现用户与信息快速精确匹配的技术，与高校精准思政存在耦合性，可以丰富高校精准思政内容、提升高校精准思政效能、保障高校精准思政质量。然而，算法推荐技术与高校精准思政间也存在整体张力，如双方在逻辑上存在二律背反，在权力上存在彼此失衡，在目标上存在现实差别。这就要求我们在辩证看待两者关系的基础上，明确思想政治教育工作朝向，完善精准思政技术治理模式，强化高校教育主体科技素养，从而推动思政育人工作高质量发展。

关键词： 机器学习   预测模型   急性主动脉夹层   术后死亡  

摘要： 目的　基于临床一般变量进行极端梯度提升模型(XGBoost)-沙普利加和解释(SHAP)方法建立模型预测急性主动脉夹层(AAD)患者术后的死亡风险，搭建预测网站为临床医师和患者提供诊疗服务平台。方法　采用回顾性队列研究设计。收集2013年1月—2023年12月于河北医科大学第四医院行手术治疗的782例AAD患者的基本资料和首次入院血清标志物检测结果等进行分析。将患者按照随机抽样的方法以7:3的比例分为训练集和测试集。同时收集2020年1月—2023年12月河北医科大学第二医院收治的313例AAD患者组成外部验证集，用于模型的进一步验证。采用LASSO回归筛选变量后构建XGBoost机器学习模型并进行沙普利加和解释(SHAP)，采用受试者操作特征(ROC)曲线等方法对模型的预测性能进行评估。调用Shiny包将XGBoost模型部署到***，构建AAD患者术后死亡风险的预测网站，并在测试集和外部验证集分别采用简单随机抽样选取1例患者用于Shiny网页预测示例。结果　XGBoost模型预测AAD患者术后死亡的ROC曲线下面积(AUC)值较高[训练集：AUC=0.928(95% CI 0.901～0.956)；测试集：AUC=0.919(95% CI 0.891～0.949)；外部验证集：AUC=0.941(95% CI 0.915， 0.967)]。SHAP值解释变量在模型中的重要性排序由高到低依次为“乳酸脱氢酶”“血氯”“多脏器损伤”“二氧化碳结合力”“凝血酶原时间”“α-羟丁酸”“肌酸激酶同工酶”“Stanford分型”“合并使用床旁血液净化”“性别”“急性肾损伤”“消化道出血”“脑损伤”和“休克”。采用XGBoost-SHAP方法构建了AAD患者术后不良结局风险预测网站(https://***/document/)并进行实例验证，在测试集和外部验证集分别随机选取1例患者进行应用，结果显示，术后发生死亡的患者1模型预测值为0.9539，术后未发生死亡的患者2预测值为0.0206。结论　采用XGBoost算法构建了AAD患者术后院内死亡风险的预测模型，该模型具有较高的预测性能；利用该预测模型建立的在线预测工具有助于提高术后死亡高危患者的识别效率。

关键词： 临床实践指南   质量评估   循证护理   依从性   人工智能  

摘要： 随着社会的发展和人口老龄化的加剧，我国对高质量护理服务的需求持续增长，护理事业面临挑战与机遇并存、发展与改革并重的局面。临床实践指南作为提升护理质量、推动护理服务标准化和科学化的重要工具，其制订和实施面临证据整合难度大、方法学与报告不规范、多学科协作壁垒以及临床依从性差等诸多挑战。然而，随着方法学体系的优化、实施科学理论的推广，以及数智化技术赋能的应用等机遇的出现，高质量护理实践的发展也迎来了新的契机。本文阐述制订高质量护理临床实践指南的必要性及其面临的挑战与机遇，旨在为护理临床实践指南的制订、传播与实施提供理论参考。

关键词： 人工智能   医学院校教师   伦理素养   教师专业发展   医学教育   教师素养   协同培养  

摘要： 人工智能在医学领域的应用已经成为耦合基础研究与临床实践鸿沟、重塑诊疗范式的重要驱动力，在重塑医疗决策流程与医患互动模式的同时，也对传统医学伦理教育形成范式性挑战。在此背景下，医学院校教师人工智能伦理素养的体系化建构，已然成为推动医学教育智能化转型的关键议题。本研究通过理论构建、机制解析与实践路径设计的整合性研究，系统回应医学人工智能伦理教育的困境，从技术哲学与医学伦理学交叉视角，构建包含认知、能力与价值维度的素养框架，从内生驱动、外源协同与动态演化三维机制揭示伦理素养生成逻辑，阐明主体认知迭代、制度情境形塑与风险调适的相互作用规律。最后通过伦理认知与技术实践的融合框架设计、临床场景驱动的多模态实训机制创新，以及生态化治理的制度赋能，形成医学院校教师人工智能伦理素养协同培养闭环系统。

关键词： 水果   光谱学   机器学习   可溶性固形物含量   宽度学习系统  

摘要： 利用高光谱成像结合宽度学习系统（BLS）探究青枣可溶性固形物含量（SSC）检测方法。采用高光谱成像系统和数显折光仪分别获取青枣的光谱数据和SSC值，将BLS模型与6种光谱预处理方法和6种关键波长选择方法相结合，建立基于全波长和关键波长的预测模型，并将BLS模型的性能与5种经典光谱建模算法进行对比。在全波长条件下，标准正态变量变换（SNV）结合BLS模型得到最佳的预测结果，预测集的相关系数RP为0.871，均方根误差（RMSEP）为0.656。在关键波长条件下，综合考虑预测精度和关键波长数目，优选出的关键波长选择算法为区间变量迭代空间收缩算法结合连续投影算法（IVISSA-SPA），该方法提取21个关键波长，结合BLS模型得到的RP为0.851，RMSEP为0.697。此外，BLS模型的表现优于传统的光谱建模算法。研究表明，利用高光谱成像结合BLS模型可以实现青枣的SSC检测，同时为高光谱成像检测水果的品质属性提供了新的建模方法。

关键词： 胃癌   免疫治疗   双能计算机断层扫描   人工智能   影像组学   疗效评价   光子探测器计算机断层扫描  

摘要： 免疫治疗的发展改变了胃癌患者的临床治疗方案，它能够提高进展期胃癌患者的生存率，但其药物疗效在个体之间存在显著异质性，且病理学评价结果具有创伤性和滞后性。因此，术前评估免疫治疗疗效，合理选择手术时机，对于延长患者生存期以及最大限度降低并发症发生率具有重要意义，是当前临床亟待解决的关键问题。本文综述了双能计算机断层扫描定量分析技术与人工智能在评价胃癌免疫治疗疗效方面的研究进展，旨在通过无创性评估手段，为优化胃癌治疗策略、提升治疗效果提供科学依据。

关键词： 土壤碳   机器学习   气候情景   CMIP6   深层土壤  

摘要： [目的]气候变化和土地管理政策深刻影响土壤有机碳（SOC）。江汉平原作为农业重地，其丰富的土壤碳对于生态稳定和农业生产力至关重要，但气候变化和社会经济发展对该地区SOC的具体影响尚不明确。[方法]研究基于2009至2012年江汉平原的66个典型土壤剖面数据，结合CMCC-ESM2等3种气候模型，利用随机森林法对2081—2100年不同土层（0～30 cm、30～60 cm、60～100 cm）的SOC含量及其时空分布进行了预测。[结果]模型在30～60 cm的预测性能最佳，R2和RMSE分别为0.81和0.77 g·kg-1。SOC含量未来百年整体下降约0.16 g·kg-1，SSP1-2.6情景下降幅度稍大。SOC含量随土层深度增加呈递减趋势(11.98、8.26和7.14 g·kg-1)。SOC空间分布呈自东南向西北递减趋势，与该地区降水和温度变化规律相吻合。高值区域未来SOC含量下降幅度也较大。[结论]未来百年内，江汉平原SOC整体存量面临流失风险，需特别关注低排放情景下的短期碳输入不足问题。MPI-ESM1-2-HR模型在江汉平原SOC的长期预测中表现优异。

关键词： 咸潮评价体系   机器学习   特征因子   咸潮预测模型   东江三角洲  

摘要： 长期水文预测是水文学和水资源管理中的关键领域，通过对未来一段时间内的水文变量进行预测，对水资源规划、洪水预警、农业灌溉和城市供水等工作提供重要支撑。围绕咸潮影响下水资源配置中面临的关键问题和难点，探讨了基于机器学习的咸潮预测模型在东江三角洲的应用，重点研究了特征因子的选取和模型在不同条件下对年际尺度咸潮活动的中长期预测。主要通过建立咸潮影响等级评价体系，筛选出关键特征因子，并采用随机森林、梯度提升树和集成模型等学习技术进行咸潮预测。研究表明，非汛期降雨量、龙滩水库汛末蓄水量、三水站分流比以及新丰江水库汛末蓄水量是影响咸潮活动的关键因素。基于这些关键特征因子构建的机器学习集成模型提高了咸潮预测的准确性和稳定性。此外，结合实际设定多种场景开展咸潮活动的预测工作，可为东江三角洲地区的水资源管理以及咸潮预警提供科学支撑。