|
迈向客观全面的智商与情商测评标准-基于DIKWP面向语义空间构建
November 2023
DOI:
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)
迈向客观全面的智商与情商测评标准
-基于DIKWP面向语义空间构建
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)
目录
4.1 详细分析EQ-i情商自评量表中考察点在DIKWP到DIKWP转化模块的应用
4.1.2 EQ-i量表在DIKWP到DIKWP转化模块的覆盖完整性
4.2 Bar-On情商自评量表(EQ-i)在DIKWP模型中的详细映射与分析
4.3 Bar-On情商自评量表(EQ-i)的DIKWP语义映射及转化模块分析
4.3.1 Bar-On EQ-i的DIKWP到DIKWP的5*5转化模块分析
5.1.2 EQ-i与DIKWP的5*5转化模块的覆盖完整性度量
在当今多元化的心理测评领域,智商(IQ)和情商(EQ)的准确测量对于理解和促进个体的心理发展至关重要。近年来,随着数据科学和人工智能技术的快速发展,如何有效利用这些技术来提升智商和情商测评的准确性和适用性,成为了心理学和数据科学领域的热点话题。在这个背景下,DIKWP(数据、信息、知识、智慧、意图)模型的出现,为智商和情商测评带来了新的视角和方法。
DIKWP模型通过整合数据、信息、知识、智慧和意图的多维度分析,提供了一个全面和深入的测评框架。在这个框架中,不仅关注测评数据的收集和分析,还着重于如何利用这些数据来形成有意义的知识和智慧,进而更好地理解和评估个体的智力和情感能力。这种方法不仅提高了测评的科学性和准确性,而且为个体提供了更为个性化和有益的反馈和发展建议。
本文旨在探讨DIKWP模型在智商和情商测评中的应用,分析该模型如何帮助提高测评的准确性和全面性,同时也探索了未来该领域可能的发展方向和挑战。通过对现有的智商和情商测评工具的深入分析和改进建议,本文为心理测评的理论和实践提供了新的视角,期望能够促进心理测评领域的进一步发展和创新。
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。
本报告选取了著名的韦氏智商测试(Wechsler Intelligence Scale)作为分析对象,探讨该测评问卷在DIKWP语义模型下的映射,并评估其在DIKWP到DIKWP的5*5转化模块中的覆盖完整性。
韦氏智商测试的DIKWP映射分析
数据层(D)
数据层问题映射:
韦氏测试中的问题如“定义词语”或“记忆数字序列”直接收集关于智力的原始数据(D)。
这些数据提供了关于个体语言理解、记忆、数学能力等的基础量化指标。
信息层(I)
信息层问题映射:
问题如“解决数学问题”或“完成图形拼图”提供了关于个体逻辑思维和空间智力的信息(I)。
这些信息有助于理解个体在特定智力领域的表现。
知识层(K)
知识层问题映射:
韦氏测试的评分结果与传统智力理论(如流体智力和晶体智力)相联系,形成知识层映射(K)。
智慧层(W)
智慧层问题映射:
结合个体的智力得分与其社会背景、个人经历,进行综合评估,形成智慧层映射(W)。
意图层(P)
意图层问题映射:
根据综合评估的结果,确定个体智力提升的目标,如增强问题解决能力或提升记忆技巧(P)。
DIKWP到DIKWP的5*5转化模块分析
数据到信息的转化
理由:韦氏测试通过其标准化问题,有效地从个体的答案中提取出关于智力的关键信息。
信息到知识的转化
理由:测试结果的解读和评分机制将信息转化为对个体智力水平的具体理解。
知识到智慧的转化
理由:智力得分与个体的实际应用场景相结合,评估如何将智力运用于日常生活和学习中。
智慧到意图的转化
理由:基于智力评估的结果,为个体制定智力发展和提升的具体目标。
覆盖完整性的评价
评价:韦氏智商测试在DIKWP模型的各层中表现出较好的覆盖完整性,尤其在数据和信息层。测试的结构和内容有效地从数据层转化到意图层,提供全面的智力评估。
小结
通过将韦氏智商测试的结果映射到DIKWP模型,我们能够更全面地评估和理解个体的智力特质。这种方法不仅提高了测评的客观性和可靠性,还为个体智力的发展提供了更为具体和个性化的指导。
当前智商(IQ)测评的方法多种多样,但仍面临着一系列挑战,如对多元智能的忽视、文化偏见等。通过DIKWP(数据、信息、知识、智慧、意图)语义模型,我们可以更全面地理解智商测评的局限性,并探索可能的改进路径。
智商测评的DIKWP模型分析
数据层(D)的挑战
数据收集局限性:智商测试通常依赖标准化测试题来收集数据,这些数据(D)往往着重量化分析,可能忽略个体的多元智能和创造力。
文化偏见问题:测试题可能包含特定文化背景的内容,导致对不同文化背景个体的不公平评估。
信息层(I)的挑战
信息解读的单一性:智商测试结果通常转化为单一的分数(I),忽略了智力的多维性和复杂性。
个体差异的忽视:标准化的信息处理无法充分反映个体在不同智力领域的独特性。
知识层(K)的挑战
智力理论的局限性:当前智商测评常基于陈旧的智力理论(K),未能适应新兴的智能研究,如情感智力、社会智力等。
知识更新的滞后:智商测试往往未能及时反映智力研究的最新进展。
智慧层(W)的挑战
综合评估的缺乏:智商测评结果往往未能综合考虑个体的社会环境、文化背景和个人经历(W)。
智力应用的忽视:缺乏对个体如何将智力应用于实际问题解决的评估。
意图层(P)的挑战
明确发展目标的缺失:智商测评往往未能为个体提供明确的智力发展目标或改进建议(P)。
个性化发展计划的欠缺:缺乏基于个体智力特点的个性化教育和训练计划。
基于DIKWP的改进方向
数据层(D)
多元数据收集:增加创造性思维、问题解决等方面的评估,以获取更全面的智力数据。
信息层(I)
信息的多维解读:将智商测试结果与个体的多元智能、情境反应等信息相结合,提供更丰富的智力信息。
知识层(K)
更新智力理论:融入最新的智力研究,如流体智力和晶体智力的概念,扩展智力的定义和理解。
智慧层(W)
综合智力评估:考虑个体的社会文化背景和生活经验,进行更全面的智力综合评估。
意图层(P)
发展目标设定:基于综合评估结果,为个体设定具体的智力发展目标和路径。
小结
通过DIKWP模型分析当前智商测评的现状和挑战,我们不仅能更深刻地理解智商测评的局限,还能探索多元、全面和个性化的智力评估方法。这有助于推动智商测评向更加科学和人性化的方向发展。
4.1 详细分析EQ-i情商自评量表中考察点在DIKWP到DIKWP转化模块的应用
Bar-On情商自评量表(EQ-i)包含一系列问题,旨在评估个体的情绪智力。本部分将针对EQ-i量表中的典型问题进行详细分析,探讨这些问题在DIKWP到DIKWP转化模块中的对应关系及其理由。
数据层(D)到信息层(I)
典型问题:“我知道何时感到压力。”
对应理由:此问题直接收集个体对自身情绪状态的认知数据(D),这些数据在信息层被转化为对个体情绪自知度的量化分析(I)。
信息层(I)到知识层(K)
典型问题:“我能有效地管理我的情绪。”
对应理由:该问题提供的信息有助于分析个体的情绪管理能力(I),这在知识层转化为对情绪管理能力在情商理论框架下的评估(K)。
知识层(K)到智慧层(W)
典型问题:“我能理解他人的情绪。”
对应理由:此问题反映个体的同理心能力(K),在智慧层中,这被用于评估个体如何将这种理解应用于社交互动和决策中(W)。
智慧层(W)到意图层(P)
典型问题:“我在团队中有效地合作。”
对应理由:此问题的回答揭示了个体在团队环境中的表现(W),在意图层中,这有助于设定提升团队合作能力的目标(P)。
4.1.2 EQ-i量表在DIKWP到DIKWP转化模块的覆盖完整性
数据层(D)到信息层(I):EQ-i的问题有效地从个体收集了原始情绪和行为数据,为信息层的深入分析提供基础。
信息层(I)到知识层(K):通过提供的情绪信息,量表有助于构建个体情商的理论知识框架。
知识层(K)到智慧层(W):量表中的问题使得将理论知识应用于实际情境成为可能,评估个体如何将情商理论运用于日常生活。
智慧层(W)到意图层(P):基于智慧层的综合评估,量表有助于明确个体的情商发展目标和提升路径。
结论
EQ-i情商自评量表中的问题在DIKWP模型的各层之间提供了流畅的转化,确保了测评的覆盖完整性。通过深入分析这些问题在DIKWP模型中的映射,可以更准确地理解和提升个体的情商能力。
4.2 Bar-On情商自评量表(EQ-i)在DIKWP模型中的详细映射与分析
Bar-On情商自评量表(EQ-i)作为一种广泛应用的情商测评工具,包含了多个问题,旨在评估个体的情绪智力。本报告将详细探讨EQ-i各个问题在DIKWP模型中的映射,并分析其在DIKWP到DIKWP的5*5转化模块的对应理由及覆盖完整性。
EQ-i各问题的DIKWP映射分析
数据层(D)
数据层问题映射:
EQ-i中的问题如“我能理解他人的感受”直接映射到数据层,收集个体的自我评估数据D理解感受。
此类数据为情商的量化指标,如同理心、社交技能等的自我评分。
信息层(I)
信息层问题映射:
问题如“我在困难情况下保持冷静”提供了关于个体情绪管理的信息I冷静。
这些信息有助于识别个体的情绪调节能力和应对策略。
知识层(K)
知识层问题映射:
通过对EQ-i问题的分析,将个体的情感信息与情商理论知识联系起来,如将“我能有效地表达我的情感”关联到情商理论中的自我表达能力K自我表达。
智慧层(W)
智慧层问题映射:
结合个体的情商得分与其社会背景,进行综合评估。例如,分析“我在社交场合感到自在”如何反映个体的社交能力W社交能力。
意图层(P)
意图层问题映射:
根据EQ-i的评估结果,确定个体情商提升的具体目标,如增强沟通技巧P沟通技巧。
DIKWP到DIKWP的5*5转化模块分析
数据到信息的转化
理由:EQ-i的问题设计使得从个体的自评数据中提取出有关其情绪管理和人际交往的详细信息成为可能。
信息到知识的转化
理由:通过对个体情绪信息的分析,能够将其与情商理论中的相关概念对应,如情绪调节能力。
知识到智慧的转化
理由:在此阶段,情商的理论知识与个体的具体情境相结合,进行更深入的理解和应用,如考虑个体的文化背景。
智慧到意图的转化
理由:基于对个体情商的全面理解,能够制定出符合其需求和背景的情商提升目标。
覆盖完整性的评价
评价:EQ-i量表在DIKWP的各层中表现出良好的覆盖完整性。其问题设计充分覆盖了从数据收集到情商提升目标设定的整个流程,确保了测评的全面性和深度。
小结
通过对EQ-i量表在DIKWP模型的映射和分析,可以更全面、深入地理解和应用情商测评结果。这种方法不仅提升了测评的准确性和可靠性,还为个体情商的发展提供了更为具体和个性化的指导。
4.3 Bar-On情商自评量表(EQ-i)的DIKWP语义映射及转化模块分析
本报告深入分析Bar-On情商自评量表(EQ-i)中每个问题的DIKWP到DIKWP的5*5转化模块的覆盖完整性。我们将探讨如何将EQ-i的每个问题映射到DIKWP模型的不同层,并分析其在转化模块中的覆盖情况和理由。
4.3.1 Bar-On EQ-i的DIKWP到DIKWP的5*5转化模块分析
数据层(D)到信息层(I)的转化
数据层的问题映射:
EQ-i中的问题如“我了解自己的情感”映射到数据层,收集个体对这些问题的响应,表示为D自我情感。
信息层的覆盖:
个体的响应被解读为关于自我情感认知的信息,映射为I自我情感。
信息层(I)到知识层(K)的转化
信息层的问题映射:
问题如“我能有效管理压力”提供了关于个体情绪管理能力的信息,表示为I情绪管理。
知识层的覆盖:
这些信息被映射到情商理论中的自我管理领域,转化为K情绪管理。
知识层(K)到智慧层(W)的转化
知识层的问题映射:
问题如“我擅长建立人际关系”反映了个体在社交技能方面的知识,表示为K社交技能。
智慧层的覆盖:
社交技能的知识被进一步分析,考虑个体的社会背景和文化差异,转化为综合社交技能评估W社交技能。
智慧层(W)到意图层(P)的转化
智慧层的问题映射:
问题如“我对未来充满希望”反映个体的乐观态度和生活满意度,属于智慧层分析,表示为W乐观态度。
意图层的覆盖:
乐观态度的评估用于制定个人发展目标,如增强积极思维,映射为P积极思维。
数据层到信息层:EQ-i的问题直接收集关于个体情感和行为的数据,这些数据在信息层被转化为具体的情感和行为信息。
信息层到知识层:从个体的响应中提取的信息被映射到情商理论的相关领域,转化为对个体情商各方面的认知。
知识层到智慧层:情商理论中的知识被应用于评估个体在不同情境下的行为和反应,形成对个体情商的综合理解。
智慧层到意图层:综合评估的结果用于制定个人发展计划和目标,如提升特定情商领域的能力。
小结
通过将EQ-i量表的每个问题映射到DIKWP模型的相应层,并分析其在5*5转化模块中的覆盖情况,我们能够更全面地理解和评估个体的情商。这种方法提供了一种更细致和系统的方式来分析和改进情商测评。
本报告选择了著名的情商测评工具——Bar-On情商自评量表(EQ-i)作为分析对象,探讨了如何基于DIKWP模型进行语义映射和分析,并评估了该问卷在DIKWP的五个维度上的覆盖完整性。
数据层(D)的覆盖与映射
原始数据收集:
EQ-i量表收集的数据包括个体对各个情绪反应和行为的自评。
这些数据直接映射到DIKWP模型的数据层,例如,量表中关于“情绪自觉”项的自评分数映射为D情绪自觉。
信息层(I)的覆盖与映射
情绪信息的提取与分析:
量表中个体对于各种情绪状态的评分转化为信息层的具体指标,如“情绪自控”得分转化为I情绪自控。
知识层(K)的覆盖与映射
情商理论知识的整合:
将EQ-i量表中的各项评分与情商理论中的对应领域关联,如将“人际关系”评分映射为K人际关系。
智慧层(W)的覆盖与映射
综合评估的生成:
基于量表的评分,生成对个体情商的综合评估,如综合所有情商领域的得分以产生W综合评估。
意图层(P)的覆盖与映射
情商提升目标的确立:
根据综合评估的结果,确定情商提升的目标,如在人际交往能力上的提升P人际提升。
5.1.2 EQ-i与DIKWP的5*5转化模块的覆盖完整性度量
覆盖完整性的评估
DIKWP各层的覆盖:
数据层(D):EQ-i问卷的自评数据为情商的各个维度提供了丰富的原始数据。
信息层(I):通过对情绪状态和行为的评分,问卷提供了关于情绪管理和社会互动的关键信息。
知识层(K):问卷各项与情商理论的对应关系确保了知识层的良好覆盖。
智慧层(W):问卷的综合评估反映了个体在情商各方面的整体表现。
意图层(P):问卷结果可以用于确定情商提升的具体目标。
转化效率与准确性:
从数据到信息:问卷的设计确保了高效准确的数据到信息的转化。
从信息到知识:问卷项与情商理论的紧密结合保证了信息到知识的有效转化。
从知识到智慧:问卷的综合评分机制提供了从知识到智慧的平稳转化。
从智慧到意图:基于综合评估的结果,问卷有助于明确提升情商的具体意图。
小结
通过将EQ-i情商自评量表的结果映射到DIKWP模型,我们可以更系统地分析和理解个体的情商特征。该量表在DIKWP的五个维度上显示出良好的覆盖完整性,确保了从原始数据到具体提升目标的有效转化。这种映射和分析方法为情商测评的改进提供了新的视角和工具。
当前主流的情商测评标准通常基于心理学理论,涉及个体的自我认知、自我管理、社会意识和关系管理能力。本报告旨在通过DIKWP语义模型映射这些标准,并分析如何改进现有情商测评方法。
DIKWP语义映射及分析
数据层(D):收集情商相关数据
数据收集与编码:
收集个体的行为观察、自我报告问卷和心理测评结果等原始数据。
对数据进行编码,如情绪反应D1,人际互动反馈D2等,将这些数据转化为量化指标。
信息层(I):提取情感和行为信息
情感信息提取:
应用自然语言处理技术分析问卷和访谈文本,提取情感表达、应对策略等信息。
例如,从个体的自述中提取情绪调节能力的信息I调节。
知识层(K):应用情商理论
理论框架应用:
将收集的信息映射到情商理论框架中,比如Goleman的情商五大领域:自我认知、自我调节、社会技能、同理心和动机。
对每个领域建立评估模型,如自我认知模型K认知,将信息层的输出转化为知识层的分析结果。
智慧层(W):综合分析与建议
综合情商评估:
结合个体的社会背景、文化和生活经历等因素,对情商的不同领域进行综合评估。
例如,评估个体的社会技能W社会在不同社交环境中的表现。
意图层(P):确定情商提升目标
目标设定与优化:
根据综合评估结果,设定个体情商提升的目标,如提高同理心P同理心。
开发个性化的提升方案,使用优化算法确定最有效的训练和干预方法。
小结
DIKWP模型在情商测评中的应用不仅可以提高评估的准确性和综合性,还能为个体情商的提升提供更有针对性的建议。通过深入分析个体在不同情商领域的表现,结合其社会文化背景,可以为个体提供更合适的发展路径和训练计划。这种方法的实施,有望改进现有情商测评标准,使其更加全面和客观。
当前的情商(Emotional Intelligence, EI)测评标准面临着多方面的挑战,如评估的主观性和标准的不一致性。本报告探讨了如何利用DIKWP(数据、信息、知识、智慧、意图)语义模型来改进情商测评,使其更加客观、全面和精确。
数据层(D)的应用
情感表达的数据采集:
使用生理传感器(如心率监测器)和行为追踪技术(如眼动追踪)收集个体在特定情境下的生理和行为数据,编码为向量D。
例如,心率变异性(HRV)可作为情绪反应的生理指标。
自评问卷数据的量化:
将自评问卷的答案转化为数值数据,如利用Likert量表,生成情感自评的数据向量D自评。
信息层(I)的应用
情感数据的上下文分析:
定义信息提取函数f提取(D),将生理和行为数据中的关键信息提取出来,如情感激发点、反应时间等。
使用自然语言处理技术分析自评问卷的文本回答,提取情感关键词。
知识层(K)的应用
情感理论的整合:
结合心理学中的情感理论,构建知识向量K,包括情绪识别、情绪调节等方面。
使用函数g关联(I,K) 将信息向量与情感理论联系起来,为情感数据提供理论解释。
智慧层(W)的应用
综合情感影响评估:
构建模型M(K,W1),将情感理论与个体的社会、职业环境结合起来,评估情感智力的实际应用。
例如,考虑个体在工作团队中的情感调节能力和领导力表现。
意图层(P)的应用
情商测评目标的确立:
定义目标函数T(W, P1),其中P1代表情商测评的目标,如职业适应性、团队合作能力等。
使用优化方法确定最佳测评结果,符合个体的实际情况和发展需求。
数据层向量化D=[dHRV, d眼动, d自评]。
信息层的自然语言处理:应用词嵌入和情感分析技术,将文本数据转化为情感信息向量I。
知识层的情感理论映射:构建基于情感理论的向量空间K,并计算I与K之间的相关度。
智慧层的综合模型:构建线性或非线性模型M,整合个体的情感表现与其社会环境。
意图层的优化算法:应用决策树、聚类或逻辑回归等方法,根据M的输出确定情商测评的目标和策略。
小结
通过应用DIKWP模型和数学化方法,情商测评可以变得更加科学、客观和全面。这种方法提高了情商测评的准确性和实用性,使其更贴近个体的实际需求和发展目标。
本文深入探讨了DIKWP(数据、信息、知识、智慧、意图)模型在智商和情商测评中的应用,揭示了该模型如何能够提升测评的准确性、全面性和个性化。通过多层次分析,DIKWP模型不仅能够更有效地处理和解释测评数据,还能够在更深层次上理解和评估个体的智力和情感能力。
文章针对韦氏智商测试和Bar-On情商自评量表(EQ-i)等经典测评工具进行了详细的DIKWP分析。这些分析展示了DIKWP模型如何在不同层次上处理和映射测评中的数据、信息、知识、智慧和意图,从而提供更为全面和深入的理解。
展望未来,DIKWP模型在智商和情商测评领域的应用有望继续拓展。研究者可以探索更多创新的测评工具和方法,以更好地适应个体的多样性和复杂性。此外,随着人工智能和数据科学的发展,DIKWP模型在处理大规模测评数据方面的潜力将更加显著。这不仅有助于提高测评的科学性和准确性,还能够为个体提供更为精准和有益的发展建议。
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。
[1] Liu Y, Wang W, Wang W, et al. Purpose-Driven Evaluation of Operation and Maintenance Efficiency and Safety Based on DIKWP[J]. Sustainability, 2023, 15(17): 13083.
[2] Duan Y, Sun X, Che H, et al. Modeling data, information and knowledge for security protection of hybrid IoT and edge resources[J]. Ieee Access, 2019, 7: 99161-99176.
[3] Mei Y, Duan Y, Chen L, et al. Purpose Driven Disputation Modeling, Analysis and Resolution Based on DIKWP Graphs[C]//2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2022: 2118-2125.
[4] Guo Z, Duan Y, Chen L, et al. Purpose Driven DIKW Modeling and Analysis of Meteorology and Depression[C]//2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2022: 2126-2133.
[5] Huang Y, Duan Y, Yu L, et al. Purpose Driven Modelling and Analysis for Smart Table Fill and Design based on DIKW[C]//2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2022: 2134-2141.
[6] Fan K, Duan Y. Purpose Computation-Oriented Modeling and Transformation on DIKW Architecture[J]. Intelligent Processing Practices and Tools for E-Commerce Data, Information, and Knowledge, 2022: 45-63.
[7] Li Y, Duan Y, Maamar Z, et al. Swarm differential privacy for purpose-driven data-information-knowledge-wisdom architecture[J]. Mobile Information Systems, 2021, 2021: 1-15.
[8] Hu T, Duan Y, Mei Y. Purpose Driven Balancing of Fairness for Emotional Content Transfer Over DIKW[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2074-2081.
[9] Huang Y, Duan Y. Fairness Modelling, Checking and Adjustment for Purpose Driven Content Filling over DIKW[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2316-2321.
[10] Mei Y, Duan Y, Yu L, et al. Purpose Driven Biological Lawsuit Modeling and Analysis Based on DIKWP[C]//International Conference on Collaborative Computing: Networking, Applications and Worksharing. Cham: Springer Nature Switzerland, 2022: 250-267.
[11] Lei Y, Duan Y. Purpose-driven Content Network Transmission Protocol Crossing DIKW Modals[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2322-2327.
[12] Huang Y, Duan Y. Towards purpose driven content interaction modeling and processing based on DIKW[C]//2021 IEEE World Congress on Services (SERVICES). IEEE, 2021: 27-32.
[13] Li Y, Duan Y, Maamar Z, et al. Swarm differential privacy for purpose-driven data-information-knowledge-wisdom architecture[J]. Mobile Information Systems, 2021, 2021: 1-15.
[14] Qiao H, Yu L, Duan Y. Analysis of Evolutionary Model of DIKW Based on Cloud Resource Allocation Management[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2172-2179.
[15] Chen L, Wei X, Chen S, et al. Reconstruction of Smart Meteorological Service Based on DIKW[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2180-2183.
[16] Hu T, Duan Y. Modeling and Measuring for Emotion Communication based on DIKW[C]//2021 IEEE World Congress on Services (SERVICES). IEEE, 2021: 21-26.
[17] Haiyang Z, Lei Y, Yucong D. Service Recommendation based on Smart Contract and DIKW[C]//2021 IEEE World Congress on Services (SERVICES). IEEE, 2021: 54-59.
[18] Hu S, Duan Y, Song M. Essence Computation Oriented Multi-semantic Analysis Crossing Multi-modal DIKW Graphs[C]//International Conference on Collaborative Computing: Networking, Applications and Worksharing. Cham: Springer International Publishing, 2020: 320-339.
[19] Duan Y, Lu Z, Zhou Z, et al. Data privacy protection for edge computing of smart city in a DIKW architecture[J]. Engineering Applications of Artificial wisdom, 2019, 81: 323-335.
[20] Duan Y, Zhan L, Zhang X, et al. Formalizing DIKW architecture for modeling security and privacy as typed resources[C]//Testbeds and Research Infrastructures for the Development of Networks and Communities: 13th EAI International Conference, TridentCom 2018, Shanghai, China, December 1-3, 2018, Proceedings 13. Springer International Publishing, 2019: 157-168.
[21] Wang Y, Duan Y, Wang M, et al. Resource Adjustment Processing on the DIKWP Artificial Consciousness Diagnostic System, DOI: 10.13140/RG.2.2.23640.06401. https://www.researchgate.net/publication/375492685_Resource_Adjustment_Processing_on_the_DIKWP_Artificial_Consciousness_Diagnostic_System. 2023.
[22] Tang F, Duan Y, Wei J, et al. DIKWP Artificial Consciousness White Box Measurement Standards Framework Design and Practice, DOI: 10.13140/RG.2.2.23010.91848. https://www.researchgate.net/publication/375492522_DIKWP_Artificial_Consciousness_White_Box_Measurement_Standards_Framework_Design_and_Practice. 2023.
[23] Wu K, Duan Y, Chen L, et al. Computer Architecture and Chip Design for DIKWP Artificial Consciousness, DOI: 10.13140/RG.2.2.33077.24802. https://www.researchgate.net/publication/375492075_Computer_Architecture_and_Chip_Design_for_DIKWP_Artificial_Consciousness. 2023.
[24] Duan Y. Which characteristic does GPT-4 belong to? An analysis through DIKWP model. DOI: 10.13140/RG.2.2.25042.53447. https://www.researchgate.net/publication/375597900_Which_characteristic_does_GPT-4_belong_to_An_analysis_through_DIKWP_model_GPT-4_shishenmexinggeDIKWP_moxingfenxibaogao. 2023.
[25] Duan Y. DIKWP Processing Report on Five Personality Traits. DOI: 10.13140/RG.2.2.35738.00965. https://www.researchgate.net/publication/375597092_wudaxinggetezhide_DIKWP_chulibaogao_duanyucongYucong_Duan. 2023.
[26] Duan Y. Research on the Application of DIKWP Model in Automatic Classification of Five Personality Traits. DOI: 10.13140/RG.2.2.15605.35047. https://www.researchgate.net/publication/375597087_DIKWP_moxingzaiwudaxinggetezhizidongfenleizhongdeyingyongyanjiu_duanyucongYucong_Duan. 2023.
[27] Duan Y, Gong S. DIKWP-TRIZ method: an innovative problem-solving method that combines the DIKWP model and classic TRIZ. DOI: 10.13140/RG.2.2.12020.53120. https://www.researchgate.net/publication/375380084_DIKWP-TRIZfangfazongheDIKWPmoxinghejingdianTRIZdechuangxinwentijiejuefangfa. 2023.
[28] Duan Y. The Technological Prospects of Natural Language Programming in Large-scale AI Models: Implementation Based on DIKWP. DOI: 10.13140/RG.2.2.19207.57762. https://www.researchgate.net/publication/374585374_The_Technological_Prospects_of_Natural_Language_Programming_in_Large-scale_AI_Models_Implementation_Based_on_DIKWP_duanyucongYucong_Duan. 2023.
[29] Duan Y. The Technological Prospects of Natural Language Programming in Large-scale AI Models: Implementation Based on DIKWP. DOI: 10.13140/RG.2.2.19207.57762. https://www.researchgate.net/publication/374585374_The_Technological_Prospects_of_Natural_Language_Programming_in_Large-scale_AI_Models_Implementation_Based_on_DIKWP_duanyucongYucong_Duan. 2023.
[30] Duan Y. Exploring GPT-4, Bias, and its Association with the DIKWP Model. DOI: 10.13140/RG.2.2.11687.32161. https://www.researchgate.net/publication/374420003_tantaoGPT-4pianjianjiqiyuDIKWPmoxingdeguanlian_Exploring_GPT-4_Bias_and_its_Association_with_the_DIKWP_Model. 2023.
[31] Duan Y. DIKWP language: a semantic bridge connecting humans and AI. DOI: 10.13140/RG.2.2.16464.89602. https://www.researchgate.net/publication/374385889_DIKWP_yuyanlianjierenleiyu_AI_deyuyiqiaoliang. 2023.
[32] Duan Y. The DIKWP artificial consciousness of the DIKWP automaton method displays the corresponding processing process at the level of word and word granularity. DOI: 10.13140/RG.2.2.13773.00483. https://www.researchgate.net/publication/374267176_DIKWP_rengongyishide_DIKWP_zidongjifangshiyiziciliducengjizhanxianduiyingdechuliguocheng. 2023.
[33] Duan Y. Implementation and Application of Artificial wisdom in DIKWP Model: Exploring a Deep Framework from Data to Decision Making. DOI: 10.13140/RG.2.2.33276.51847. https://www.researchgate.net/publication/374266065_rengongzhinengzai_DIKWP_moxingzhongdeshixianyuyingyongtansuocongshujudaojuecedeshendukuangjia_duanyucongYucong_Duan. 2023.
[34] Duan Y. DIKWP Digital Economics 12 Chain Machine Learning Chain: Data Learning, Information Learning, Knowledge Learning, Intelligent Learning, purposeal Learning. DOI: 10.13140/RG.2.2.26565.63201. https://www.researchgate.net/publication/374266062_DIKWP_shuzijingjixue_12_lianzhijiqixuexilian_shujuxuexi-xinxixuexi-zhishixuexi-zhihuixue_xi-yituxuexi_duanyucongYucong_Duan. 2023
[35] Duan Y. Big Data and Small Data Governance Based on DIKWP Model: Challenges and Opportunities for China. DOI: 10.13140/RG.2.2.21532.46724. https://www.researchgate.net/publication/374266054_jiyuDIKWPmoxingdedashujuyuxiaoshujuzhili_zhongguodetiaozhanyujiyu. 2023.
[36] Duan Y. DIKWP is based on digital governance: from "data governance", "information governance", "knowledge governance" to "wisdom governance". "Analysis of the current situation. DOI: 10.13140/RG.2.2.23210.18883. https://www.researchgate.net/publication/374265977_DIKWPjiyushuzizhilicongshujuzhilixinxizhilizhishizhilidaozhihuihuazhilidexianzhuangfenxi. 2023.
[37] Duan Y. Exploration of the nature of data tenure and rights enforcement issues based on the DIKWP model. DOI: 10.13140/RG.2.2.35793.10080. https://www.researchgate.net/publication/374265942_jiyu_DIKWP_moxingdeshujuquanshuxingzhiyuquequanwentitantao_duanyucongYucong_Duan. 2023.
[38] Duan Y. The DIKWP Model: Bridging Human and Artificial Consciousness. DOI: 10.13140/RG.2.2.23839.33447. https://www.researchgate.net/publication/374265912_DIKWP_moxingrenleiyurengongyishideqiaoliang_duanyucongYucong_Duan. 2023.
[39] Duan Y. An Exploration of Data Assetisation Based on the DIKWP Model: Definitions, Challenges and Prospects. DOI: 10.13140/RG.2.2.24887.91043. https://www.researchgate.net/publication/374265881_jiyu_DIKWP_moxingdeshujuzichanhuatanjiudingyitiaozhanyuqianjing_duanyucongYucong_Duan. 2023.
[40] Duan Y. Purpose-driven DIKWP Resource Transformation Processing: A New Dimension of Digital Governance. DOI: 10.13140/RG.2.2.29921.07529. https://www.researchgate.net/publication/374265796_yituqudongde_DIKWP_ziyuanzhuanhuachulishuzizhilidexinweidu_duanyucongYucong_Duan. 2023.
[41] Altshuller, G. (1984). Creativity as an Exact Science. Gordon and Breach.
[42] Altshuller, G., & Shulyak, L. (2002). 40 Principles: TRIZ Keys to Technical Innovation. Technical Innovation Center, Inc.
[43] Fey, V., & Rivin, E. I. (2005). Innovation on Demand: New Product Development Using TRIZ. Cambridge University Press.
[44] Kaplan, S. (1996). An Introduction to TRIZ: The Russian Theory of Inventive Problem Solving. Ideation International Inc.
[45] Rantanen, K., & Domb, E. (2008). Simplified TRIZ: New Problem-Solving Applications for Engineers. CRC Press.
[46] Mann, D. L. (2007). Hands-On Systematic Innovation for Business and Management. IFR Press.
[47] Savransky, S. D. (2000). Engineering of Creativity: Introduction to TRIZ Methodology of Inventive Problem Solving. CRC Press.
[48] Zlotin, B., & Zusman, A. (2001). Directed Evolution: Philosophy, Theory and Practice. Ideation International Inc.
[49] Orloff, M. A. (2006). Inventive Thinking through TRIZ: A Practical Guide. Springer.
Terninko, J., Zusman, A., & Zlotin, B. (1998). Systematic Innovation: An Introduction to TRIZ. CRC Press.
[50] Souchkov, V. (2008). TRIZ and Systematic Business Model Innovation. Value Innovation.
[51] Cascini, G., & Russo, D. (2007). Computer-Aided Analysis of Patents for Product Innovation: Comparing Strategic Design and TRIZ. Creativity and Innovation Management, 16(3).
[52] DeCarlo, N., & DeCarlo, D. (2002). The 7 Steps of Creative Thinking: Rationalize, Analyze, Detect, Enhance, Locate, Implement, Predict. The TRIZ Journal.
[53] Chechurin, L., & Borgianni, Y. (2016). Value Driven TRIZ Innovation of Product-Service Systems. Procedia CIRP.
[54] Lee, S., & Park, J. (2005). TRIZ-facilitated Innovation Strategy in Information Technology. Journal of Computer Information Systems.
[55] Kim, C., & Song, B. (2007). Creating New Product Ideas with TRIZ-Based Semantic Network Analysis. Expert Systems with Applications.
[56] Vincenti, W. G. (1990). What Engineers Know and How They Know It: Analytical Studies from Aeronautical History. Johns Hopkins University Press.
[57] Bogatyreva, O., et al. (2010). Bridging the Gaps between Innovation, TRIZ, and Biological Analogy. Procedia Engineering.
[58] Sokolov, G., & Abramov, O. (2019). TRIZ and Digital Transformation: From Information to Knowledge Management. Journal of Engineering and Technology Management.
[59] Sato, Y., & Hanaoka, K. (2007). TRIZ-based Technology Forecasting: Identification of Evolution Patterns. Futures.
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-2 00:13
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社