生成式预训练模型以其高度个性化的学习体验和基于数据与反馈的动态学习方式重构了教育空间和教学方法，为教育体系带来了颠覆性变革。但随着生成式预训练模型普遍化，尤其是Chat GPT的崛起，一些新的伦理风险也逐渐凸显出来，其中包括技术风险、内容风险、数据风险和算法风险等。这些风险既有生成式预训练模型本身在训练过程中不自觉产生的偏见或误导性言论对人的侵犯，也有人类本身的因素如：开发者算法霸权、个体技术认知缺乏、教师数据素养欠缺等。针对这些伦理风险，可以从加强理论研究和知识普及、研发符合我国教育模式的生成式预训练模型、推动教育形态的结构性变革来进行伦理风险治理，以确保生成式预训练模型技术在教育领域的应用符合教育伦理规范。

工程伦理教育在高校工科工程素质培养中受到越来越多的关注。针对高校工科现行工程伦理教育开展现状进行了问卷调查,根据问卷调查结果,分析了工程伦理教育存在的问题,并结合工程训练中心实践教学优势,提出在工程训练实训中融入工程伦理教育的教学模式,从教育目标、教学方法等方面搭建了工程伦理教育教学框架。该项教学改革旨在加强对学生伦理意识的培养,切实提高学生的工程素养,提高人才培养质量。

通用大模型具备“能理解会创作”的能力，将可能给教育实践带来更为颠覆性的变革，但也可能加剧传统伦理问题并产生新的伦理风险。这些伦理风险的类型主要包括：技术风险、内容风险、数据风险与算法风险。依据通用大模型的技术基础与教育应用伦理风险的表现，教育领域通用大模型应用伦理风险具有客观性与主观性并存、价值性与风险性并存、可控性与不确定性并存等特征。这些伦理风险的形成既有技术因素，也有人的因素。技术因素主要包括：模型能力的涌现性可能导致应用失控、功能的泛化性可能导致人的异化、输入数据的海量性与无序性可能导致对人的侵犯、内容的生成性可能导致教育失序等。人的因素主要包括：因技术水平有限导致我国缺少自主知识产权的教育大模型、对通用大模型技术认知不足、商业竞争导致技术缺陷、通用大模型技术伦理规范与监管落后等。依据教育领域通用大模型应用伦理风险表征与成因分析，可从加快开发我国自主知识产权的教育专用大模型、筑牢通用大模型开发与应用的监管体系、构建通用大模型相适配的教育新形态、扶持弱势群体以缩小“数字鸿沟”、加强对通用大模型的理论研究与知识普及等方面进行伦理风险治理。

【目的】针对林业文本利用率低、通用领域预训练语言模型对林业知识理解不足以及模型标注数据耗时费力等问题，研究利用大量林业文本，提出一种融合林业领域知识的预训练语言模型，并通过自动标注训练数据，高效实现林业抽取式问答，为林业决策管理提供智能化信息服务。【方法】首先，基于网络爬虫技术构建包含术语、法律法规和文献3个主题的林业语料库，使用该语料库对通用领域预训练语言模型BERT进行继续预训练，通过掩码语言模型和下一句预测这2个任务进行自监督学习，使BERT能够有效地学习林业语义信息，得到具有林业文本通用特征的预训练语言模型ForestBERT。随后，对预训练语言模型mT5进行微调，实现样本的自动标注，通过人工校正后，构建包含3个主题的共2 280个样本的林业抽取式问答数据集。基于该数据集对BERT、RoBERTa、MacBERT、PERT、ELECTRA、LERT种通用领域的中文预训练语言模型以及本文构建的ForestBERT进行训练和验证，以明确ForestBERT的优势。为了探究不同主题对模型性能的影响，分别基于林业术语、林业法律法规、林业文献3个主题的数据集对所有模型进行微调。此外，将ForestBERT与BERT在林业文献中的问答结果进行可视化比较，以更直观地展现ForestBERT的优势。【结果】ForestBERT在林业领域的抽取式问答任务中整体表现优于其他6个对比模型，与基础模型BERT相比，精确匹配（EM）分数和F1分数分别提升了1.6%和1.72%，在另外5个模型的平均性能上也均提升0.96%。在各个模型最优划分比例下，ForestBERT在EM上分别优于BERT和其他5个模型2.12%和1.2%，在F1上分别优于1.88%和1.26%。此外，ForestBERT在3个林业主题上也均表现优异，术语、法律法规、文献任务的评估分数分别比其他6个模型平均提升了3.06%、1.73%、2.76%。在所有模型中，术语任务表现最佳，F1的平均值达到87.63%，表现最差的法律法规也达到82.32%。在文献抽取问答任务中，ForestBERT相比BERT提供了更准确、全面的答案。【结论】采用继续预训练的方式来增强通用领域预训练语言模型的林业专业知识，可以有效提升模型在林业抽取式问答任务中的表现，为林业文本和其他领域的文本处理和应用提供了一种新思路。

随着深度学习的迅速发展和领域数据的快速积累，领域化的预训练模型在知识组织和挖掘中发挥了越来越重要的支撑作用。面向海量的中文政策文本，结合相应的预训练策略构建中文政策文本预训练模型，不仅有助于提升中文政策文本智能化处理的水平，而且为政策文本数据驱动下的精细化和多维度分析与探究奠定了坚实的基础。面向国家级、省级和市级平台上的政策文本，通过自动抓取和人工辅助相结合的方式，在去除非政策文本的基础上，确定了131390份政策文本，总字数为305648206。面向所构建的中文政策文本语料库，基于BERT-base-Chinese和Chinese-RoBERTa-wwm-ext，本研究利用MLM (masked language model)和WWM (whole word masking)任务构建了中文政策文本预训练模型（ChpoBERT），并在Github上对该模型进行了开源。在困惑度评价指标和政策文本自动分词、词性自动标注、命名实体识别下游任务上，ChpoBERT系列模型均表现出了较优的性能，可为政策文本的智能知识挖掘提供领域化的基础计算资源支撑。

[目的]针对水稻病虫害图像分类技术缺少对病症描述的问题，本文提出一种轻量化的水稻病虫害图像描述模型，对水稻病虫害图像进行更为具体的描述。[方法]以白叶枯病、细菌性条斑病、恶苗病、三化螟虫、稻瘟病、稻曲病、纹枯病、飞虱、稻蓟马、胡麻斑病这十类常见的水稻病虫害开展研究，构建了水稻病虫害图像中文描述数据集。首先采用多模态预训练模型CLIP生成图像向量，其中包含基本的图像信息以及丰富的语义信息，采用映射网络将图像向量映射到文本空间里生成文本提示向量，语言模型GPT-2根据文本提示向量生成图像描述。[结果]试验结果表明，在水稻病虫害图像描述数据集上，本文模型的指标总体明显优于其他模型，本文算法的BLEU-1、BLEU-2、BLEU-3、BLEU-4、ROUGE、METEOR指标较传统的CNN＿LSTM模型分别提升0.26、0.27、0.24、0.22、0.22、0.14。生成的图像描述具有准确、详细、语义丰富等优点。另外使用实际稻田图片对模型进行测试，实际田间的场景更为复杂多样，生成的图像描述指标与数据集指标对比总体仅有轻微下降，仍高于其他对比模型。本文模型对水稻病虫害的总体识别准确率达97.28%。[结论]基于多模态预训练模型的水稻病虫害图像描述方法能够准确识别水稻病虫害病症并形成相应的病症描述，为水稻病虫害检测提供一种新思路。

为解决困扰农村发展的"三农"难题,我国开始了对农村产业结构的调整,并将发展农村休闲旅游业作为主要的实施途径。近几年来,我国旅游产业发展迅速,在很大程度上推动了我国农村休闲旅游产业的发展。除此之外,国家实行的社会主义新农村建设也为农村旅游业的发展提供良好的契机。但是在农村休闲旅游产业不断发展与壮大的同时,出现了乡村景观布局不合理、生态环境遭到严重破坏等状况,不仅破坏了原有的乡村特色,也极大的威胁到乡村生态系统的整体稳定性。因此党的十八大指出要坚持"生态文明"建设的重要举措,在生态伦理建设视阈下发展和管理农村休闲旅游产业。本文主要从农村休闲旅游产业的发展模式和管理策略方面进行阐述,并以浙江省地区为例,对其农村休闲旅游景观的建设情况进行调查研究。

为解决困扰农村发展的"三农"难题,我国开始了对农村产业结构的调整,并将发展农村休闲旅游业作为主要的实施途径。近几年来,我国旅游产业发展迅速,在很大程度上推动了我国农村休闲旅游产业的发展。除此之外,国家实行的社会主义新农村建设也为农村旅游业的发展提供良好的契机。但是在农村休闲旅游产业不断发展与壮大的同时,出现了乡村景观布局不合理、生态环境遭到严重破坏等状况,不仅破坏了原有的乡村特色,也极大的威胁到乡村生态系统的整体稳定性。因此党的十八大指出要坚持"生态文明"建设的重要举措,在生态伦理建设视阈下发展和管理农村

[目的 /意义]对预训练语言模型在情报学与情报工作中的相关研究进行系统性的梳理与分析，为后续预训练模型与情报研究的融合提供借鉴。[方法 /过程]首先，简述预训练模型的基本原理与发展历程，汇总情报研究中应用较为广泛的预训练模型。其次，宏观上分析预训练模型在国内外情报研究中的热点方向，微观上从情报组织、情报检索、情报挖掘等方面调研预训练模型相关研究成果，并细致分析归纳预训练模型的应用方式、改进策略与性能表现。最后，从预训练模型的语料、训练、评价、应用等方面总结当前预训练模型在情报学科中面临的机遇与挑战，展望未来发展。[结果 /结论 ]当前BERT及其改型在情报处理中应用最广、表现最优。结合神经网络与微调的范式被用于各研究场景，尤其是领域信息抽取与文本分类任务。继续预训练、外部知识增强、架构优化等策略可进一步提升性能。如何平衡训练语料的规模与质量、提升模型易用性与安全性、高准度与多维度评价模型真实能力、加速学科知识挖掘工具落地应是未来考虑的关键问题。

以ChatGPT为代表的生成式AI依托于海量的训练数据来实现模型的迭代升级，训练数据的质量和数量直接决定着生成式AI的性能和泛化能力。然而，训练数据本身潜藏着来源合法性、质量可信性、规模偏离性等风险，自我规制与政府规制路径都难以契合生成式AI的市场布局与更迭速度，亟须在包容审慎理念下对生成式AI训练数据予以元规制。在元规制理念下，国家通过规范引导模型研发者将经设计的数据保护与科技伦理理念内嵌于生成式AI的训练数据中，促成数据保护从利用环节延伸至研发环节，通过可信的数据来源、数据分类分级、数据影响评估等措施促成模型研发者自我观照式的内省，并经由数据保护的监管沙盒实现自我规制的规制。

发达的互联网信息技术给大学生生活和学习带来前所未有的变革的同时，也使他们思想中原有的伦理道德体系受到了极大的冲击。从责任伦理的角度来看，当前，大学生在网络伦理方面不同程度地存在对自我、他人和社会的责任缺失等问题。究其原因，主要在于互联网的高度隐蔽性和虚拟性、大学生自身心智尚未完全成熟、相关法律法规与监管不完善、网络社会责任教育严重缺位。为此，高校须直面问题，结合实际情况深挖背后原因，果断采取借鉴传统慎独思想、做好网络责任教育、完善网络法律法规、加强网络素养教育策略等措施，最大程度地提升大学生的网络伦理道德水平，提高高校网络伦理教育的质量。

本文在论述科技信息管理活动中伦理风险现象的基础上,分析了科技信息管理风险的原因,有针对性地提出了科技信息建设的对策。

面对生成式人工智能带来的机遇和挑战，高校需采取合适的应对策略。基于学术伦理视角，采用“情形-策略-价值原则”三层分析框架，对17所世界著名高校发布的19份指导文本进行内容分析发现：生成式人工智能在高等教育中的使用情形可以分为知识传授领域辅助人类智能、知识生产领域辅助人类智能以及知识传授领域替代人类智能三类。指导文本使用多种类型的政策工具，分别体现支持性、限制性和禁止性使用策略。指导文本制定所依据的学术伦理原则主要包括原创性原则、透明度原则以及教育性原则。在人工智能时代，高校应切实肩负起规范生成式人工智能使用的责任，分类规制人工智能不同的使用情形，重塑学术伦理的标尺，成为人工智能道德规则制定的风向标。

近年来,预训练模型(pre-trained models, PTMs)被广泛应用于说话人验证(speaker verification, SV)系统,通过在预训练模型下游接入说话人分类网络,并进行微调,可大幅提升系统性能。然而,目前基于预训练模型的SV研究大多在有标签的数据集上进行微调,需要大量目标域带标注数据。该文提出一种基于预训练模型的半监督说话人验证系统,首先,利用少量带标注数据训练一个种子模型;其次,利用该种子模型结合无监督聚类算法为无标注数据生成伪标签;再次,联合真实标注数据和伪标注数据进行模型重训练;最后,通过多轮迭代提升模型性能。在仅有100 h带标签说话人数据的条件下,该文提出的半监督系统在Vox Celeb1-O测试集的等错误率为1.02%,比基线系统降低了86.8%,表明该文所提出的半监督说话人验证系统的有效性。

指出对博士生进行系统的、科学的、严格的学术训练是博士生教育的必经环节,高质量的学术训练不但需要导师的系统规划与精心设计,也需要博士生自身的积极参与。认为激发并维持博士生参与学术训练的内生动力,培育博士生的主体自觉,不但是学术训练的路径选择,本质上也应该是学术训练的目标指向之一。探讨了ARCS模型视角下导师培育博士生学术训练动机的策略:一是明晰训练要求与重点,维持博士生学术训练的"注意力";二是分析学习需求与经验,增进博士生学术训练的"关联度";三是重视培育自我效能感,增强博士生学术训练的"自信心";四是注重成果评价与应用,提升博士生学术训练的"满意度"。