关键词： 人工智能   审计数据治理   数据安全   数据质量   人才培养  

摘要： 在人工智能技术快速发展的背景下,审计数据治理成为提升审计效能、服务国家治理现代化的关键环节。从人工智能时代审计数据治理的应用现状出发,深入分析当前面临的挑战,结合我国相关政策要求,提出优化策略,并探讨未来发展趋势。通过强化数据治理能力,提升数据质量与安全性,为审计工作提供坚实的数据支撑,助力国家治理体系和治理能力现代化建设。

关键词： VTE   神经外科   机器学习   Caprini量表   Boruta  

摘要： 目的 构建基于机器学习算法的神经外科静脉血栓栓塞症(venous thromboembolism, VTE)风险预测模型。方法 采用过采样技术对数据进行平衡,应用Boruta算法进行关键特征变量筛选,然后利用AdaBoost、GBDT、LightGBM、SVM四种机器学习方法构建预测模型,并利用准确率、精确度、召回率、F1分数进行模型性能评估,综合对比四个模型的性能,选取最佳模型,并进行模型变量重要性分析。结果 Boruta方法最终将C1(年龄)、C3(体质指数(BMI>25 kg/m^(2)))、C7(下肢肿胀)、C8(卧床的内科患者)、C10(严重肺病,包括肺炎(<1个月))、C16(其他危险因素)、C18(大型开放手术(>45 min))、C20(限制卧床(≥72 h))、C21(恶性肿瘤(现患或既往))、C31(DVT/PTE史)、C33(脑卒中(<1月))、C35(多发性创伤(<1个月))确定为关键特征变量。利用AdaBoost、GBDT、LightGBM、SVM四种机器学习方法构建预测模型,GBDT是表现最佳的模型,准确率是0.967,精确度是0.967,召回率0.954,F1分数是0.954。年龄、下肢肿胀、卧床的内科患者、体质指数(BMI>25 kg/m^(2))、大型开放手术(>45 min)是神经外科VTE最重要的风险因素。结论 基于机器学习和Caprini评估量表构建的风险预测模型具有较高的模型性能,能够有效缩减评估指标,提升VTE评估的准确性和效率。

关键词： Darcy-Stokes方程   模型降阶   本征正交分解   机器学习   随机森林  

摘要： Darcy-Stokes方程是一类参数化的偏微分方程,高精度全模型(full-model)有限元法是求解该方程的常用数值方法之一.在实际应用中,往往需要对不同参数的Darcy-Stokes方程进行反复模拟,此时如果每次都使用高精度全模型来求解则代价太大.本文针对奇异扰动Darcy-Stokes方程提出了一种融合模型降阶和机器学习方法的快速求解方法.该方法使用本征正交分解(Proper Orthogonal Decomposition,POD)方法从解数据快照集构造解流形的低维逼近空间,建立降阶模型.为了克服模型降阶法调用和修改full-model导致计算效率降低的问题,该方法利用随机森林训练来得到低维空间表示系数与模型参数间的函数关系.数值算例表明,该方法兼具模型降阶和机器学习方法的优点.与高精度全模型方法相比,该方法能够在保证计算精度的前提下提升计算效率80余倍.

关键词： 电力设备   运维检修   智能技术   大数据   人工智能  

摘要： 随着电力系统的快速发展和智能化转型,传统的电力设备运维检修模式已难以满足高效运行和精益管理的需求。将大数据、人工智能、区块链等新兴技术应用于电力设备的状态监测、故障诊断、预防性运维、检修质量管控等环节,可有效提升设备管理水平和运维效率。此文围绕智能技术在电力设备运维检修领域的具体应用展开论述,重点介绍基于大数据的设备寿命预测、深度学习驱动的故障模式识别、考虑不确定性的检修策略优化、多源异构数据融合的故障诊断、融合视觉与振动的智能检测、区块链赋能的检修质量管理、动态优化的人力资源配置等核心技术与应用机制,以期为新时代电力设备智慧运维提供参考。

关键词： 机器学习   复合故障   自动化   分离   机电设备  

摘要： 在进行机电设备复合故障分离时,复合故障涉及多个故障同时发生的情况,导致信号复杂且特征难以提取,进而降低了复合故障分离的效果。为此,引入机器学习技术,利用机器学习算法对大规模高维度数据的处理能力,实现对复杂信号特征的精确提取。通过信号处理技术,结合领域知识,实现对机电设备复合故障关键特征的提取与筛选,降低数据维度并保留关键故障信息。基于机器学习算法,构建多分类模型,对提取的特征进行深入学习,实现故障类型的分类。通过引入独立成分分析(ICA)等信号分离技术,结合分类结果,实现故障信号的自动化分离。通过对比实验证明,该方法相较于现有方法,在复合故障分离准确性和精度上均有显著提升,为机电设备的智能故障诊断与维护提供了有力的技术支持,具有广阔的应用前景。

关键词： 免疫学   教学   人工智能   基于人工智能的教学   基于人工智能的学习   基于人工智能的管理  

摘要： 在人工智能(AI)飞速发展的时代背景下,教育模式与人才培养体系正经历着深刻的变革。基于AI的教学(AIBT)是以AI赋能教学过程,为教师提供多元化的教学支持;基于AI的学习(AIBL)是以AI助力学习过程,为学生提供个性化学习的技术通道;基于AI的管理(AIBM)是以AI辅助管理,为组织教学提供可视化的数据支持。本文系统提出了AIBT、AIBL和AIBM,并以免疫学教学为例,深入剖析了AI对教学改革的深远影响,以推动教育变革创新。

关键词： 马克思   “技术-就业”思想   人工智能   资本悖论   高质量充分就业  

摘要： 在人工智能不断演进的当下,就业是中国经济和民生领域所不可回避的问题。马克思虽未对就业问题有过专门论著,但其“技术-就业”思想为我们提供了理解人工智能时代就业问题的重要理论基础。马克思不仅对技术替代和就业创造等事关就业数量的问题进行了颇多考察,而且高度关注技术对就业质量的影响,这对认识人工智能时代就业问题的本质有着重要的指引作用。在人工智能时代,技术对就业质量的抑制作用受到资本逻辑驱使,只有突破资本悖论,合理和有效利用各类资本,推动技术向善,才能放大人工智能对就业的积极效应,加快实现高质量充分就业的目标任务。

关键词： 人工智能   诊断技术   脑出血   评估分析  

摘要： 目的探讨人工智能(AI)辅助诊断技术对脑出血的评估分析。方法选取2022年12月至2023年12月在本院确诊的86例脑出血患者为研究对象,所有患者均接受CT检查,均采用AI和人工诊断方法分析CT图像。测量所有患者脑出血体积、病灶最大面积短径、病灶最大面积长径及脑中线偏移等影像学指标,分析AI和人工诊断对脑出血患者出血部位、侧脑室积血检出率情况,分析AI和人工诊断对脑出血诊断的诊断价值。结果AI检测脑出血体积准确率显著高于人工利用多田公式测量血肿体积(P<0.05),以利用后处理容积测量软件预设CT值后手动方法圈出所有层面血肿,进行自动测量的结果为金标准;病灶最大面积短径、病灶最大面积长径及脑中线偏移等影像学指标均低于人工诊断(P<0.05);AI检测和人工诊断关于出血部位、侧脑室积血检出率无明显差异(P>0.05);AI显示脑出血部位为基底节29例、脑叶23例、丘脑14例、外囊12例、小脑3例、脑干5例;人工诊断显示脑出血部位为基底节41例、脑叶19例、丘脑12例、外囊10例、小脑2例、脑干2例,AI及人工诊断对脑出血部位诊断结果无明显差异(Z=0.083,P>0.05)。结论AI可更好诊断脑出血患者的出血体积、中线结构偏移等方面变化情况,并通过人工诊断复核,提高对脑出血的评估情况,提高工作效率。

关键词： 人工智能   智慧作业   作业全流程  

摘要： 本文以北京市日坛中学实验学校为样本,构建了覆盖“设计—采集—批改—分析—讲评—练习”全流程的智慧作业系统,通过AI算法与知识图谱技术实现作业精准化管理,形成“无感化融合”的校本实践模式。文章初步验证了人工智能赋能作业教学的“减负—提质—增效”三重效应,为教育数字化转型提供了可复制的校本化范式。

关键词： 机器学习   地表温度   合肥市区  

摘要： 随着城市热岛效应研究的不断深入,基于遥感技术的城市热岛研究日趋成熟。其中,利用遥感技术反演地表温度是探究城市热岛效应的有效途径之一。然而,城市地表温度受诸多因素影响,过往因线性回归算法存在局限性,难以全面、清晰地揭示各类影响因素与地表温度之间的内在联系。文章采用XGBoost、RandomForest和LightGBM三个机器学习算法对地表温度的九个主要影响因素,NDVI(归一化植被指数)、NDBI(归一化建筑指数)、NDWI(归一化水指数)、DEM(高程)、BH(建筑高度)、BD(建筑密度)、PS(人口数量)、WD(水系密度)、RD(路网密度)进行分析。根据不同机器学习模型的分析结果发现,LightGBM回归模型的精度在选取的三个机器学习模型中最高;另外,在城市建设过程中,城市建筑密度的增加和人口的集聚是导致合肥市区地表温度上升的两大主要因素。因此,在未来的城市建设过程中,应当减少高密度社区的建设,减缓城市地表温度的上升,同时为城市居民营造良好舒适的居住环境。