期刊文献+
共找到8篇文章
< 1 >
每页显示 20 50 100
当谈论AI,舆论学在谈论些什么——基于LDA模型的文献主题挖掘与演化分析
1
作者 孟威 何镇辉 《新媒体与社会》 2025年第1期143-165,460,461,共25页
本研究基于LDA主题模型,对舆论学关于人工智能技术的学术文献(2017~2024年)进行主题聚类和分析,形成“舆论生成”“社会情绪”“意识形态安全”“政治安全”“舆论生态”“舆情管控”“技术赋能”“媒体建设”8个主题。基于技术变迁的视... 本研究基于LDA主题模型,对舆论学关于人工智能技术的学术文献(2017~2024年)进行主题聚类和分析,形成“舆论生成”“社会情绪”“意识形态安全”“政治安全”“舆论生态”“舆情管控”“技术赋能”“媒体建设”8个主题。基于技术变迁的视角,分析人工智能技术发展如何影响舆论学研究的问题意识和主要议题,以及舆论学的学术生产实践如何与人工智能的技术发展、社会应用和政策实施等实践展开互动,最终融入社会治理和技术规范的框架之中。在此基础上,进一步反思舆论学研究的结构性失衡问题,并探索未来的出路。 展开更多
关键词 舆论学 人工智能 LDA主题模型 学术生产
在线阅读 下载PDF
基于LDA模型的国际人工智能监管文本的主题热点及策略分析
2
作者 毛太田 彭一荷 《科技情报研究》 2025年第3期70-81,共12页
[目的/意义]文章对国际人工智能监管政策深入挖掘研究,洞察各国监管焦点与趋势,以期为全球AI治理策略提供有益参考。[方法/过程]文章运用LDA主题聚类分析法,对27份国际政策文件开展深入研究,精准识别主题、剖析关键主题词,并进一步揭示... [目的/意义]文章对国际人工智能监管政策深入挖掘研究,洞察各国监管焦点与趋势,以期为全球AI治理策略提供有益参考。[方法/过程]文章运用LDA主题聚类分析法,对27份国际政策文件开展深入研究,精准识别主题、剖析关键主题词,并进一步揭示人工智能领域的监管热点。[结果/结论]研究揭示了6个核心监管主题:系统风险评估、伦理法律规范、社会影响治理、透明度与信任、创新与风险控制、全球监管策略,并根据结果提出4项政策建议。 展开更多
关键词 人工智能治理 人工智能监管 LDA模型 主题挖掘 聚类分析 政策研究
在线阅读 下载PDF
框架理论视角下人工智能风险的社会建构:基于事件新闻文本挖掘的分析 被引量:1
3
作者 刘清民 王芳 《图书与情报》 北大核心 2025年第3期66-79,共14页
媒体通过框架建构人工智能风险的社会意义,影响公众认知与政策响应。厘清AI风险报道的主题特征与情感表达,能够为优化AI风险治理提供理论支持和实证依据。文章基于框架理论,构建“范围-视角-色彩”三维分析模型,结合LDA主题建模、情感... 媒体通过框架建构人工智能风险的社会意义,影响公众认知与政策响应。厘清AI风险报道的主题特征与情感表达,能够为优化AI风险治理提供理论支持和实证依据。文章基于框架理论,构建“范围-视角-色彩”三维分析模型,结合LDA主题建模、情感分析与语言模糊性识别等自然语言处理方法,对AI风险报道新闻文本进行系统分析,揭示框架建构机制及其演化特征。结果发现,AI风险新闻议题经历了从技术性风险向社会性风险的转变,早期主要关注数据隐私和司法偏见等技术问题,近年来逐步转向算法歧视、选举干预和心理操控等社会政治议题;不同媒体类型在报道立场与关注重心上表现出显著差异,反映出风险传播中的多元视角建构;媒体普遍倾向于使用负面情绪表达,并辅以语言模糊策略,强化了公众对AI风险的焦虑与警觉情绪。研究表明,媒体在AI风险传播中不仅是信息中介,更是风险意义的积极建构者。 展开更多
关键词 人工智能风险 框架理论 LDA 情感分析 风险演化
在线阅读 下载PDF
错位的升级与结构性失序:AI幻觉主导的信息迷雾风险与分类治理可能
4
作者 张梦晗 沈文乾 《传媒观察》 2025年第10期53-63,共11页
在生成式人工智能迅猛发展的背景下,大语言模型驱动下的AI幻觉问题日益凸显,并成为引发虚假信息传播与信息迷雾风险的重要源头。本文聚焦“AI幻觉主导的信息迷雾”这一风险形态,通过案例分析与LDA主题建模方法,对中、美、欧人工智能相... 在生成式人工智能迅猛发展的背景下,大语言模型驱动下的AI幻觉问题日益凸显,并成为引发虚假信息传播与信息迷雾风险的重要源头。本文聚焦“AI幻觉主导的信息迷雾”这一风险形态,通过案例分析与LDA主题建模方法,对中、美、欧人工智能相关法律政策文本进行语义聚类与热度分析,提炼出数据操控、透明性失准、舆论多元性冲击等三大核心风险表征。在此基础上进一步剖析了该类信息迷雾风险的生成机制,指出由于训练数据源头性污染、治理机制碎片化、技术发展军备化及AI内容辨识困难等多重原因,这一风险体现出由技术偏差向社会挑战的系统性演化趋势。最后,本文提出基于输出可信、多元共治与信任重建三维路径的分类治理框架,探索针对生成式人工智能风险的治理可能,为优化治理实践提供参考。 展开更多
关键词 AI幻觉 信息迷雾 风险治理 LDA主题建模
原文传递
融合SVM-LDA与加权相似度的潜在新兴技术识别研究——以人工智能领域为例 被引量:8
5
作者 冉从敬 田文芳 《情报学报》 CSSCI CSCD 北大核心 2024年第5期563-574,共12页
在新一轮科技革命和产业变革加速发展的大背景下,如何在新技术不断涌现的技术大海中精准找到和识别出有颠覆性潜力的新兴技术,对于国家、企业参与主体和相关商业投资机构把握科技创新发展趋势和方向、合理配置科技资源、提前进行科技战... 在新一轮科技革命和产业变革加速发展的大背景下,如何在新技术不断涌现的技术大海中精准找到和识别出有颠覆性潜力的新兴技术,对于国家、企业参与主体和相关商业投资机构把握科技创新发展趋势和方向、合理配置科技资源、提前进行科技战略规划与技术布局具有重要的意义。本文提出一种基于知识增强SVM-LDA(Support Vector Machine-Latent Dirichlet Allocation)的新兴技术主题识别模型。首先,基于专家小组的先验知识,制定基础技术类别划分标准;其次,将技术类别划分标准作为先验知识输入SVM-LDA模型,得到技术主题聚类结果;再其次,基于类别主题词的加权相似度计算,确定潜在新兴关键技术;最后,以人工智能领域为例进行实证研究。采用本文模型共得到24项潜在新兴技术,主要分布在特种机器人技术、监测预警技术、视频图像处理技术、语音识别技术、自动规划和决策技术以及自然语言处理技术6个大类方向。 展开更多
关键词 新兴技术 知识增强 SVM-LDA模型 加权相似度 人工智能领域
在线阅读 下载PDF
文本挖掘在主题发现和相关性评估中的应用——以人工智能和机器人领域的专利为例 被引量:2
6
作者 王元波 骆浩楠 汪峥 《工业控制计算机》 2020年第2期102-103,106,共3页
人工智能和机器人是当前技术发展的重要领域,专利反映了基础研究和技术创新的进展。将两者结合起来进行学科发现与关联性评价以及演化趋势分析,有利于对知识的挖掘,对于理解科学技术的互动与渗透、识别技术机会、发现潜在商业机会具有... 人工智能和机器人是当前技术发展的重要领域,专利反映了基础研究和技术创新的进展。将两者结合起来进行学科发现与关联性评价以及演化趋势分析,有利于对知识的挖掘,对于理解科学技术的互动与渗透、识别技术机会、发现潜在商业机会具有重要意义。在LDA算法的基础上,通过对专利主题强度和主题内容演变的分析,探索并构建了能够全面揭示专利主题关系的相关进化图。人工智能和机器人专利领域的实证研究表明,该方法能够充分展示领域主题随时间的变化趋势,揭示专利主题之间的相互继承关系。 展开更多
关键词 信息挖掘 主题发现 相关性评估 LDA模型 人工智能和机器人
在线阅读 下载PDF
Artificial intelligence empowering research on loneliness, depression and anxiety-Using Covid-19 as an opportunity
7
作者 Qijian Zheng Feng Liu +3 位作者 Shuya Xu Jingyi Hu Haixing Lu Tingting Liu 《Journal of Safety Science and Resilience》 EI CSCD 2023年第4期396-409,共14页
The COVID-19 pandemic has had a profound impact on public mental health,leading to a surge in loneliness,depression,and anxiety.And these public psychological issues increasingly become a factor affecting social order... The COVID-19 pandemic has had a profound impact on public mental health,leading to a surge in loneliness,depression,and anxiety.And these public psychological issues increasingly become a factor affecting social order.As researchers explore ways to address these issues,artificial intelligence(AI)has emerged as a powerful tool for understanding and supporting mental health.In this paper,we provide a thorough literature review on the emotions(EMO)of loneliness,depression,and anxiety(EMO-LDA)before and during the COVID-19 pandemic.Additionally,we evaluate the application of AI in EMO-LDA research from 2018 to 2023(AI-LDA)using Latent Dirichlet Allocation(LDA)topic modeling.Our analysis reveals a significant increase in the proportion of literature on EMO-LDA and AI-LDA before and during the COVID-19 pandemic.We also observe changes in research hotspots and trends in both field.Moreover,our results suggest that the collaborative research of EMO-LDA and AI-LDA is a promising direction for future research.In conclusion,our review highlights the urgent need for effective interventions to address the mental health challenges posed by the COVID-19 pandemic.Our findings suggest that the integration of AI in EMO-LDA research has the potential to provide new insights and solutions to support individuals facing loneliness,depression,and anxiety.And we hope that our study will inspire further research in this vital and revelant domin. 展开更多
关键词 COVID-19 LONELINESS Depression ANXIETY EMO-LDA ai-lda Computational affection
原文传递
中文期刊知识图谱研究范式的优化 被引量:19
8
作者 贾维辰 李文光 余明媚 《中国远程教育》 CSSCI 北大核心 2020年第11期1-10,76,共11页
在科学知识图谱领域,代表性软件CiteSpace对于期刊数据的分析具有重要价值,但是CiteSpace软件对中文期刊数据的分析仅能完成几类基础聚类和数据分析,如若希望做深入解读就需要对已有中文期刊CiteSpace研究范式进行完善和创新。本研究通... 在科学知识图谱领域,代表性软件CiteSpace对于期刊数据的分析具有重要价值,但是CiteSpace软件对中文期刊数据的分析仅能完成几类基础聚类和数据分析,如若希望做深入解读就需要对已有中文期刊CiteSpace研究范式进行完善和创新。本研究通过深入分析CiteSpace两篇代表性文献,提取了标准研究范式,从CSSCI收录的文献中梳理出通用的CiteSpace中文期刊研究范式,并将两种范式进行对比,探究中文期刊研究范式需要优化之处。基于此,本研究通过使用自然语言处理技术(简称“NLP”)主题挖掘的典型模型Latent Dirichlet Allocation(简称“LDA”)处理论文摘要数据,通过这种技术完善文献检索策略和文献数据处理方法,提出的“优化范式”丰富了中文期刊CiteSpace研究来源数据,增强了中文期刊CiteSpace研究内容的深度和系统性,并通过对国内人工智能在教育领域应用的研究进一步验证了该“优化范式”的可操作性,揭示出国内人工智能在教育领域应用研究的前沿主要聚焦于智慧学习环境的构建和相关技术支持。在与国内CSSCI同类型文献的对比中,“优化范式”在数据收集、数据分析、数据解读三个阶段的表现均优于传统中文期刊CiteSpace研究范式。 展开更多
关键词 期刊知识图谱 文献计量 LDA模型 CiteSpace 研究范式 人工智能教育 中文社会科学引文索引(CSSCI)
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部