传统发明创新理论1946-TRIZ不适应数字化时代

-综合DIKWP模型和经典TRIZ的创新问题解决方法

意图驱动的

数据、信息、知识、智慧融合

发明创造方法：

DIKWP-TRIZ

(中国人自己的原创发明创造方法：DIKWP-TRIZ)

利用DIKWP模型进行司法纠纷解决中的语义补偿与校验

段玉聪 教授（Prof. Yucong Duan）

DIKWP人工意识实验室

AGI-AIGC-GPT评测实验室

(联系邮箱：duanyucong@hotmail.com)

引言

在司法纠纷解决过程中，确保信息的语义安全至关重要。这涉及到信息在传递和处理过程中保持其原始意图和准确性，避免因歧义或误解导致的信息失真。DIKWP（数据、信息、知识、智慧、意图）模型提供了一个有力的框架，不仅用于保持信息的一致性和准确性，还能通过DIKWP层之间的互动来补偿和校验信息，确保语义的完整性和准确性。

DIKWP模型在语义补偿中的作用

DIKWP模型在司法过程中的运用，特别是在实现语义补偿和校验中的关键角色，包括：

数据（Data）D=(S,V)：原始事实和证据的语义（S）需清晰界定。在信息不完整的情况下，通过信息和知识层对数据进行补偿。

信息（Information）I⊆D×C：信息层通过提供上下文来增强数据的理解。例如，一段模糊的证人陈述可以通过与其他证据的关联来获取更清晰的意义。

知识（Knowledge）K={(I,R)}：知识层通过法律规则和先例的融合来补偿信息的不足，提供更全面的理解。

智慧（Wisdom）W:K×E→A：智慧层通过考虑道德、伦理和社会影响来指导决策，确保决策基于完整的语义理解。

意图（Purpose）P:(X,Y)→T：意图层通过明确目标和期望结果来引导整个过程，确保所有参与者对过程的目标有清晰的理解。

DIKWP模型在司法纠纷解决中的应用实例

数据与信息的补偿：在一个涉及财产纠纷的案件中，部分财产记录可能遗失或模糊不清。在这种情况下，通过收集相关的信息（如银行记录、交易通讯等）可以补偿数据的不完整性，构建更完整的案件画面。

知识对信息的校验：在刑事案件中，证人的陈述可能因个人偏见而产生歧义。通过应用法律知识，可以校验这些陈述与法律标准和先例是否一致，进而判断其在法律上的可靠性。

智慧层的决策导向：在涉及道德困境的案件中，例如涉及自卫的致命伤害案，智慧层的应用有助于在法律框架内考虑更广泛的社会和伦理因素，确保做出的判决在道德上是公正的。

意图层的目标指导：在复杂的商业诉讼中，通过明确诉讼的最终目的（如赔偿、恢复名誉等），可以帮助聚焦关键的法律问题和证据，避免案件偏离轨道。

数据与信息的补偿

在一个涉及财产纠纷的案件中，可能存在的挑战是部分财产记录的遗失或不清晰。DIKWP模型在此发挥关键作用：

l 数据层（D）：首先识别和收集现有的原始记录，如财产登记、购买合同等。

l 信息层（I）：通过补充的信息源，如银行记录、交易通讯等，增强原始数据的完整性。这一过程涉及将新收集的数据置于案件的具体上下文中，如将银行记录与财产购买日期相匹配。

l 知识层（K）：应用法律知识对补充的信息进行解释和验证。例如，使用相关法律条款来解释财产转移的合法性。

l 智慧层（W）：在更广泛的视角下评估信息，考虑道德和社会影响，例如评估财产分配的公平性。

l 意图层（P）：明确处理案件的最终目标，如确保财产分配的公正。

知识对信息的校验

在刑事案件中，证人陈述的准确性至关重要。DIKWP模型如何帮助校验证人陈述：

l 信息层（I）：首先对证人的陈述进行详细记录，识别其中可能存在的歧义或不确定性。

l 知识层（K）：使用法律知识对陈述进行分析，比如将证人陈述与现场证据进行对比，检查其一致性。

l 智慧层（W）：考虑证人陈述的社会和心理背景，如证人可能的偏见或动机。

l 意图层（P）：确保证人陈述的分析符合案件解决的目标，如查明真相。

智慧层的决策导向

在道德困境中，如自卫致命伤害案，DIKWP模型的应用：

l 知识层（K）：分析相关的法律条文和先例，如自卫法规和先前案例。

l 智慧层（W）：在法律框架内综合考虑更广泛的因素，如行为人的意图、情境的危险性等。

l 意图层（P）：确保决策过程符合社会公正原则，如考量受害者和行为人的权利平衡。

意图层的目标指导

在复杂的商业诉讼中，明确诉讼目标的重要性：

l 数据层（D）：收集与案件相关的所有商业交易记录、合同文档和通信记录。

l 信息层（I）：分析这些数据，以确定案件的关键争议点和证据。

l 知识层（K）：将收集到的信息与商法、合同法等相关法律条款结合起来，形成对案件的法律理解。

l 智慧层（W）：考虑诉讼可能对企业声誉、财务状况和市场地位的影响，以及如何通过法律解决方案最小化这些影响。

l 意图层（P）：明确诉讼的终极目标，例如赔偿、恢复名誉或终止不公平的商业实践，并确保所有司法活动都围绕着这些目标展开。

结论

利用DIKWP模型进行司法纠纷解决中的语义补偿与校验，不仅增强了信息的准确性和完整性，也提高了司法过程的效率和公正性。DIKWP模型通过在不同层次上互补和验证信息，确保了整个司法过程中信息的语义安全，有助于做出更明智、更公正的判决。

段玉聪，海南大学计算机科学与技术学院教授，博士生导师， 第一批入选海南省南海名家计划、海南省领军人才，2006年毕业于中国科学院软件研究所，先后在清华大学、首都医科大学、韩国浦项工科大学、法国国家科学院、捷克布拉格查理大学、意大利米兰比克卡大学、美国密苏里州立大学等工作与访学。现任海南大学计算机科学与技术学院学术委员会委员、海南大学数据、信息、知识、智慧、意图DIKWP创新团队负责人、兼重庆警察学院特聘研究员、海南省委双百人才团队负责人、海南省发明协会副会长、海南省知识产权协会副会长、海南省低碳经济发展促进会副会长、海南省农产品加工企业协会副会长、美国中密西根大学客座研究员及意大利摩德纳大学的博士指导委员会委员等职务。自2012年作为D类人才引进海南大学以来，累计发表论文260余篇，SCI收录120余次，ESI高被引11篇,引用统计超过4300次。面向多行业、多领域设计了241件（含15件PCT发明专利）系列化中国国家及国际发明专利，已获授权第1发明人中国国家发明专利及国际发明专利共85件。2020年获吴文俊人工智能技术发明三等奖；2021年作为程序委员会主席独立发起首届国际数据、信息、知识与智慧大会-IEEE DIKW 2021；2022年担任IEEE DIKW 2022大会指导委员会主席；2023年担任IEEE DIKW 2023大会主席；2022年获评海南省最美科技工作者（并被推全国）；2022年与2023年连续入选美国斯坦福大学发布的全球前2%顶尖科学家的“终身科学影响力排行榜”榜单。参与研制IEEE金融知识图谱国际标准2项、行业知识图谱标准4项。2023年发起并共同举办首届世界人工意识大会（Artificial Consciousness 2023, AC2023)。

数据（Data）可视为我们认知中相同语义的具体表现形式。通常，数据代表着具体的事实或观察结果的存在语义确认，并通过与认知主体已有认知对象的存在性包含的某些相同语义对应而确认为相同的对象或概念。在处理数据时，我们常常寻求并提取标定该数据的特定相同语义，进而依据对应的相同语义将它们统一视为一个相同概念。例如，当我们看到一群羊时，虽然每只羊可能在体型、颜色、性别等方面略有不同，但我们会将它们归入“羊”的概念，因为它们共享了我们对“羊”这个概念的语义理解。相同语义可以是具体的如识别手臂时可以根据一个硅胶手臂与人的手臂的手指数量的相同、颜色的相同、手臂外形的相同等相同语义进行确认硅胶手臂为手臂，也可以通过硅胶手臂不具有真实手臂的可以旋转对应的由“可以旋转”定义的相同语义，而判定其不是手臂。

信息（Information）则对应认知中不同语义的表达。通常情况下，信息指的是通过特定意图将认知DIKWP对象与认知主体已经认知的数据、信息、知识、智慧或意图联系起来，产生新的语义关联。在处理信息时，我们会根据输入的数据、信息、知识、智慧或意图，找出它们被认知的DIKWP对象的不同之处，对应不同的语义，并进行信息分类。例如，在停车场中，尽管所有的汽车都可以归入“汽车”这一概念，但每辆车的停车位置、停车时间、磨损程度、所有者、功能、缴费记录和经历都代表着信息中不同的语义。信息对应的不同语义经常存在于认知主体的认知中，常常未被显式表达出来，例如抑郁症患者可能用自己情绪“低落”来表达自己当前的情绪相对自己以往的情绪的下降，但这个“低落”对应的信息因为其对比状态不被听众了解而不能被听众客观感受到，从而成为该患者自己主观的认知信息。

知识（Knowledge）对应于认知中的完整语义。知识是通过观察和学习获得的对世界的理解和解释。在处理知识时，我们通过观察和学习抽象出至少一个完整语义对应的概念或模式。例如，通过观察我们得知所有的天鹅都是白色，这是我们通过收集大量信息后对“天鹅都是白色”这一概念的完整认知。

智慧（Wisdom）对应伦理、社会道德、人性等方面的信息，是一种来自文化、人类社会群体的相对于当前时代固定的极端价值观或者个体的认知价值观。在处理智慧时，我们会整合这些数据、信息、知识、智慧，并运用它们来指导决策。例如，在面临决策问题时，我们会综合考虑伦理、道德、可行性等各个方面的因素，而不仅仅是技术或效率。

意图（Purpose）可以看作是一个二元组（输入，输出），其中输入和输出都是数据、信息、知识、智慧或意图的内容。意图代表了我们对某一现象或问题的理解（输入），以及我们希望通过处理和解决该现象或问题来实现的目标（输出）。在处理意图时，人工智能系统会根据其预设的目标（输出），处理输入的内容，通过学习和适应，使输出逐渐接近预设的目标。