【目的】 针对AI for Science范式下科学数据碎片化、质量参差、形态错配与流通受阻等供给困境，探讨科学数据基础设施由“资源管理”向“价值供给”转型的实现路径。【方法】 提出“科学数据供给枢纽”概念，构建“汇聚-转换-分发-调度”四重运行机制；设计代理转发、集散供给、反向供给、数据Claw、联邦协同和订阅推送6种服务模式；提出“需求理解-资源调度-动态适配”核心能力框架与分层参考架构；研发SD-Nexus原型系统，以AlphaFold3膜蛋白结构预测训练的跨库数据集构建为场景开展验证。【结果】 定量评估结果表明，反向供给与联邦协同在端到端时延压缩与传输轻量化上优势显著；数据Claw与订阅推送实现了零人工介入，自动化程度最高；订阅推送转入增量模式后时延显著降低。实验验证了多模式协同供给的有效性与互补性。【局限】 实验主要基于蛋白质结构预测这一学科场景，未在多学科、多机构真实生产环境和长期在线运行条件下进行泛化性验证。【结论】 科学数据供给枢纽是实现从“人适应数据”到“数据适应AI”范式转变的关键基础设施，对推动AI for Science生态发展具有重要战略意义。
【目的】 针对多模态虚假信息中存在的语义冲突与噪声干扰问题，本文提出一种自适应评估证据质量、高效管理冲突的多模态虚假信息检测方法。【方法】 利用BERT、CLIP-ViT及MLP分别提取多模态特征；通过门控网络动态分配可信度系数α，引入Shafer折扣规则修正原始证据以量化不确定性；最后，采用Dempster合成规则进行冲突消解与决策融合。【结果】 在Fakeddit、GossipCop、PolitiFact三个数据集上，本文模型的F1值分别达到81.67%、90.73%和89.89%，稳定优于其他方法。消融实验表明，引入动态可信度网络和DS融合策略后，模型F1值在三个数据集上相较基线模型分别提升43.72、26.87和5.53个百分点。冲突系数分析表明，本文模型在高冲突区域仍能有效锁定模态共识，展现出较强的抗冲突能力与鲁棒性。【局限】 本文方法对多模态共同检测失败样本缺乏有效纠正机制，其证据结构有进一步细化的空间，且在跨领域、跨语言场景下的普适性尚未得到充分验证。【结论】 本文为解决多模态冲突下的虚假信息检测提供了兼具鲁棒性与可解释性的技术路径。
【目的】 针对传统财务欺诈检测方法中结构化特征语义表达不足、特征交互依赖人工先验的问题，提出一种融合大语言模型解释增强与语义聚类的财务欺诈检测框架SCLdE-FD。【方法】 首先将结构化财务指标文本化，利用大语言模型生成具有审计逻辑的解释性描述；然后通过金融领域预训练模型对指标及其解释文本进行语义嵌入，计算语义相关性，依据相关性进行层次聚类；在语义一致的簇内，设计差值、比值及对数差等运算构造交互特征；最后，结合互信息与方差分析进行联合筛选，形成语义增强特征集。【结果】 对比实验表明，语义增强特征集的F1值相较于基线实现2个百分点的边际提升，验证了SCLdE-FD框架的有效性。不同训练比例的补充实验表明，当训练语料不低于50%时框架方法即可产生有效增益，在75%的语料规模下性能已接近使用全量数据的效果。【局限】 SCLdE-FD框架的语义增强效果依赖于财务指标文本化模板、大语言模型解释质量的稳定性。【结论】 SCLdE-FD框架通过引入大语言模型的语义推理与聚类约束的特征交互，能够有效挖掘深层次财务关联并抑制特征噪声，为提升财务欺诈检测的精度与特征鲁棒性提供了新的解决方案。
【目的】 针对中文仇恨言论检测中隐晦表达识别困难、对抗性攻击泛化能力不足等问题，本文提出一种基于大语言模型提示的多模态编码方法。【方法】 本文方法由4个模块组成：对抗性数据增强框架用于生成高质量对抗样本，六维细粒度情感特征标签用于情感刻画，多模态编码融合汉字字形、拼音及字符特征，层级注意力机制动态融合异构特征，并最终经SoftMax函数输出分类预测。【结果】 在COLDataset和CHSD数据集上，本文方法精确率分别达86.83%和87.22%，召回率分别达87.94%和88.15%，F1值分别达87.35%和87.64%，较现有基线模型提升显著。消融实验显示，多维情感特征和字形-拼音编码等方法对检测结果均有提升。【局限】 方法依赖大语言模型生成的对抗样本和情感特征标签质量，且多模态编码的计算复杂度较高，对现实世界中数据非均衡问题仍需验证。【结论】 本文方法基于大语言模型进行对抗提示与多模态编码，显著提升中文仇恨言论检测的鲁棒性与准确性，为复杂网络环境下的内容治理提供技术支撑。
【目的】 针对多模态情感分析中模态内存在虚假相关性，且模态间的情感歧义会阻碍虚假相关性抑制的问题，提出一种因果感知增强与歧义感知融合的多模态情感分析模型。【方法】 为抑制模态内的虚假相关性，重构多模态情感分析的因果图，基于前门调整方法设计一个多层的双分支Transformer架构。该架构结合自注意力和交叉注意力机制，抑制特征与标签的虚假相关性，并生成去偏表示。为有效利用多模态互补性抑制虚假相关性，采用变分自编码器和KL散度量化模态间的歧义，减少模态冲突。最后，通过联合任务损失和辅助损失优化模型，提高情感预测的准确性和鲁棒性。【结果】 模型在CMU-MOSI和CMU-MOSEI数据集上的实验结果均优于所有对比模型。与最优基线模型相比，Acc-2分别提高1.36和1.23个百分点，F1值分别提高1.27和1.21个百分点。此外，在CMU-MOSEI-OOD数据集上较最优基线模型，Acc-2和F1值分别提高5.41和5.46个百分点。【局限】 模型对文本特征的依赖性较强，在文本信息不足时，情感预测的准确性可能受到影响。【结论】 模型通过因果增强和动态融合有效抑制虚假相关性与情感歧义，情感分析性能显著提升，在分布外数据集上表现出色。
【目的】 针对文化艺术品交易频率低、样本分布稀疏、数据孤立性强、单一模态预测准确率不足等难题，通过双重注意力机制提升模型对稀疏数据的预测能力。【方法】 融合图像、文本和数值三类异构特征，构建了一个基于双重注意力机制的多模态价值评估模型。通过二次瓶颈注意力（TBA）模块，实现模态内与模态间的深度语义融合，并通过跨样本注意力机制（CSA），建立锚样本与相似样本之间的类比关系，提升对稀疏数据的预测能力。【结果】 基于5万余条真实陶瓷拍卖数据开展实证分析，结果表明，所提模型在测试集上的MAPE为57.01%，与ViT+BGE+全连接层+TBA模型相比，加入CSA机制后MAPE下降9.83个百分点。【局限】 实验主要基于陶瓷艺术品数据，模型在其他艺术品类型中的适用性仍需验证；稀缺场景下模型依赖相似样本的数量与质量，当可参考样本不足时预测稳定性可能下降；主要从预测指标验证模型效果，对特征贡献和估值结果形成机制的解释仍不充分。【结论】 所构建的模型为文化艺术品智能估值提供了技术路径，并为艺术品交易平台的智能化转型提供了理论参考与实践支持。
【目的】 针对混合专家架构大模型在参数突变问题中因知识固化与推理线性化导致的性能瓶颈，提出面向动态知识验证的推理优化方法。【方法】 构建基于知识验证的智能体博弈框架，在主推理智能体与验证智能体之间引入反馈式博弈机制，并结合注意力引导的拓扑重组和弹性资源分配策略，提升模型对非连续参数变化的识别与推理能力。以DeepSeek-R1-8B为基线模型，采用渐进式知识蒸馏方法，在医用物理学与材料科学领域的参数突变问题集上进行实验验证。【结果】 优化后的模型在测试集上的平均得分为87.18分，较原始DeepSeek-R1-8B模型提高11.12分，并在多数测试任务中取得优于经Prompt提示的DeepSeek-R1-671B模型的结果。【局限】 训练数据主要集中于医用物理学与材料科学领域，模型对更广泛跨领域参数突变问题的泛化能力仍有待验证。【结论】 所提出框架通过智能体博弈实现对混合专家架构大模型的动态知识验证，有助于提升模型在复杂参数突变场景下的推理能力。
【目的】 面向个体化需求识别不足与居家慢病管理适配性有限的问题，探索构建融合多源健康数据与领域知识的慢病知识服务模型。【方法】 首先，构建基于用户生理数据的健康状态评估模块，通过规则判定实现风险评估与预警，生成用户健康摘要；其次，基于对话评估融合用户输入与健康摘要，识别用户意图并解析对话语境中的有效信息，与健康状态评估模块共同实现用户需求预解析；最后，借助慢病知识库与图谱检索增强技术，实现特定疾病场景下知识检索、证据组织与回复生成。【结果】 基于CMtMedQA数据集构建糖尿病多轮对话测试集并开展实验，结果显示，模型的语义相关性得分为0.799，术语命中率为0.412，在语义相关性、术语命中率、回答规范性与语言易读性方面优于对比模型。【局限】 当前知识服务内容以文本形式呈现，对于需要图像或视频辅助说明的健康问题，其信息展示的直观性和可理解性仍有待提升。【结论】 融合预解析与图谱检索增强的慢病知识服务模型能有效提升知识服务的准确性与规范性，为智能慢病管理提供可拓展的技术路径。
【目的】 针对五运六气理论知识体系复杂、规则推演严密，且大语言模型易产生幻觉与推理偏差的问题，提出一种图增强混合检索方法，提升中医专业场景下问答系统的准确性与可信性。【方法】 融合BM25、稠密向量与稀疏向量检索，引入基于社区发现的五运六气多层次知识图谱进行语义增强，采用倒数排名融合算法进行候选排序，并结合受控提示与引用约束机制，引导大语言模型基于文献证据生成回答。【结果】 与未引入检索增强的基线模型相比，本文方法在生成质量、语义相似性和答案覆盖率等指标上均显著提升，综合得分提升10.46个百分点。消融实验表明，禁用图增强模块后综合得分下降5.04个百分点，单独使用BM25、稠密向量和稀疏向量检索时则分别下降9.83、10.73和10.01个百分点。【局限】 知识库规模与理论覆盖范围有限，端到端动态更新及真实场景验证有待进一步完善。【结论】 本文方法能够有效提升五运六气知识密集型问答任务中的证据召回和结构化推理能力，为构建可信、可解释的中医智能问答系统提供了可行路径。
【目的】 探索人智交互情境下适老化设计可供性的类别及其与老年人需求的映射机理。【方法】 融合需求-可供性-功能特征框架和可供性实现视角，基于元人种志方法归纳可供性类别。随后，在智能手表情境下采用卡片分类实验探索产品功能特征、可供性和需求之间的映射关系，明确可供性的实现过程。【结果】 本文归纳了理解可供性、具身可供性、共情可供性等9类适老化设计的可供性，构建了功能特征-可供性-实现-结果映射机制的整合模型。【局限】 仅依赖文献数据归纳可供性，对可供性实现过程的揭示具有情境局限性。【结论】 本文丰富了人智交互中适老化设计可供性理论体系，为政府和企业开展以人为本的适老化设计提供实践启示。
【目的】 探讨影响在线医疗团队绩效的多种条件变量如何通过不同组合实现高或非高绩效。【方法】 以好大夫在线平台为研究情境，首先利用必要条件分析方法检验单个条件变量对结果变量的非必要性，然后通过模糊集定性比较分析（fsQCA）方法对高在线医疗团队绩效和非高在线医疗团队绩效分别进行组态分析，最后通过动态fsQCA方法探究高在线医疗团队绩效组态的动态演变规律。【结果】 8个条件变量均不是影响高或非高在线医疗团队绩效的单一必要条件，同时存在4种导致高在线医疗团队绩效产生的组态模式及三种导致非高在线医疗团队绩效产生的组态模式，高在线医疗团队绩效的组态模式在不同时间阶段具有差异。【局限】 仅获取单个在线医疗平台的二手数据，影响了研究结论的可推广性。【结论】 高或非高在线医疗团队绩效的组态验证了复杂性理论的4个原则。研究结果有助于平台优化资源配置，同时为在线医疗团队组建和运营提供理论依据和实践指导。
【目的】 针对现有扩散推荐模型在兼顾数据采样效率和生成质量方面的问题，本文提出一种改进的扩散推荐模型，以提升模型的推荐性能与训练效率。【方法】 通过设计协同正态先验映射模块，结合矩阵分解和Box-Cox变换将交互数据转换为近似高斯分布，以减少扩散模型前向噪声累积。后向推理阶段引入双层掩蔽机制聚焦重要交互信息。此外，在损失函数中融合高斯平滑约束，以增强生成数据的正态性，从而提高模型的收敛速度与生成质量。【结果】 在三个公开数据集上的实验显示，当推荐列表长度为5时，相对于传统扩散推荐模型，本文模型的平均召回率和归一化折扣累积增益指标分别提升了2.4和3.2个百分点。【局限】 模型在动态用户偏好建模和长尾推荐等方面有一定局限性。【结论】 本文模型能有效地平衡数据采样效率与生成质量间的关系，展现出良好的应用潜力。
【目的】 针对当前种植农事活动数据稀疏、农事知识跨领域多类型的特点，以及现有事件抽取方法在农事领域泛化能力不足的问题，基于通用模型设计农事知识抽取策略，提高低资源场景下的抽取精度和跨领域适应能力。【方法】 提出一种基于小样本学习的种植农事知识抽取方法AgriEvent-UIE。首先定义了种植农事活动分类体系，设计领域适配的提示（Prompt）机制和模式（Schema）模板，在此基础上利用少量标注数据微调UIE模型，实现跨领域、多类型农事知识的精准抽取；其次在自建农事数据集和中文农业公共数据集上对比验证了本文方法的有效性。【结果】 AgriEvent-UIE在自建农事数据集上的触发词和论元抽取的F1值分别达到0.911和0.824，相应的F1值相较经典事件抽取模型CasEE分别提升15.8和27.2个百分点，表明其优越性；在中文农业公共数据集上的触发词抽取和论元抽取的F1值分别达到0.893和0.813，验证了其泛化能力。【局限】 模型抽取性能高度依赖Schema模板的设计质量，对于模板未包含的内容，抽取性能可能面临一些挑战。【结论】 AgriEvent-UIE能够有效解决多类型种植农事知识抽取中的低资源挑战，从而为农业智能化提供更为扎实的数据与知识基础。
