博文
基于DIKWP模型的学术评价机制变革：衔接、融合与过渡
|
基于DIKWP模型的学术评价机制变革：衔接、融合与过渡
段玉聪（Yucong Duan）
DIKWP-AC人工意识实验室
AGI-AIGC-GPT评测DIKWP（全球）实验室
DIKWP research group, 海南大学
摘要：随着人工智能技术的快速发展，学术评价机制面临着前所未有的挑战与机遇。传统的评价机制，如SCI检索、影响因子和高被引论文等，虽然在学术界有着广泛的应用和认可，但在评价的全面性、动态性和参与性方面存在限制。本报告探讨了基于DIKWP模型（数据、信息、知识、智慧、目的）的新型学术评价机制，该机制致力于衔接和融合传统与现代评价方法，通过整合人工智能技术和DIKWP模型，提出了一个更加全面、公平和透明的学术评价体系。报告详细描述了新评价机制的设计原则、实施步骤和预期效果，以及如何通过社区参与和持续优化确保评价体系的适应性和有效性。通过这一变革，旨在促进学术研究的健康发展，鼓励创新性研究，同时为研究者提供一个更加多元和参与性的评价环境。
2023年以来在AI技术颠覆下的传统同行评议机制的情景中，我们可以预见一系列深刻的变革：
**自动化的初步筛选过程：**AI技术可以自动分析提交的学术论文，基于预设的质量标准和相关性标准进行初步筛选。这不仅大大减少了人工筛选的负担，还提高了筛选过程的效率和公正性。
**深度内容分析：**AI系统能够深入分析论文的内容，识别出新颖性、研究方法的准确性、数据分析的有效性等关键因素。通过深度学习和自然语言处理技术，AI能够理解复杂的学术论文，提供与人类专家相媲美乃至超越的评审意见。
**预测论文影响力：**利用大数据和机器学习算法，AI技术可以预测论文未来的引用量和学术影响力。这为编辑和评审提供了一个重要的参考依据，帮助他们识别那些可能会对学术界产生重大影响的研究工作。
**检测学术不端行为：**AI技术能够有效检测论文中的剽窃、数据伪造、重复发表等学术不端行为。通过对海量文献数据库的分析，AI可以迅速识别出论文中可能存在的问题，保障学术的纯洁性。
**个性化的匹配专家：**AI系统可以根据论文的内容和研究方向，自动匹配最合适的评审专家。这一过程考虑了专家的研究兴趣、专业背景和评审历史，确保每篇论文都能得到最公正和专业的评审。
**实时反馈和交互系统：**AI技术可以建立一个平台，允许作者和评审之间进行更直接和实时的交流。这种交互不仅加快了评审过程，还提高了评审的透明度和互动性。
**持续学习和自我优化：**随着时间的推移，AI系统通过不断学习新的数据和评审结果，其评审质量和准确性将持续提升。这种自我优化的能力使得AI技术成为一个不断进化的系统，能够适应学术界不断变化的需求。
在AI技术颠覆下的传统同行评议机制将变得更加高效、公正和智能。这种变革不仅提升了学术出版的质量和速度，还为研究人员提供了更加便捷和互动的学术交流环境，推动了整个学术界的进步和创新。
变革发生的时间进程
在未来几年里，我们可以预期AI技术在同行评议机制中的应用将经历从初步尝试到全面实施的过程。以下是这些变革可能发生的时间进程：
2024-2025年：初步尝试和验证**研究阶段：**学术界和技术开发者开始合作，研究如何将AI技术有效地应用于同行评议过程中。期间将会有少量的试验性项目启动，用于验证AI在自动化初步筛选、内容分析以及检测学术不端行为等方面的有效性。
**技术验证：**这一阶段的成功案例将证明AI技术在提高评审效率和准确性方面的潜力，但同时也会暴露出技术实施的初期挑战，如评审标准的制定、AI系统的训练数据质量等。
**技术迭代：**根据初期试验的反馈，技术开发者将不断完善AI系统，改进算法，扩大数据库，以适应更广泛的学术领域和复杂的评审需求。
**初步应用：**更多的学术期刊和会议开始采用AI技术进行论文的初步筛选和内容分析，AI辅助的同行评议成为越来越多编辑和学者接受的新常态。
**广泛应用：**随着AI技术的成熟和社区对AI辅助评审机制信任度的提高，越来越多的学术出版物和组织开始全面采用AI技术进行同行评议。
**社区反馈：**学术社区开始对AI评审机制的效果进行广泛的讨论和反馈，进一步推动技术的优化和改进。同时，也会涌现出针对AI评审的伦理和道德讨论，促进评审机制的透明度和公平性。
**持续优化：**基于不断收集的数据和反馈，AI系统将进入持续优化和学习的阶段，其评审质量和准确性逐渐超过或达到人类专家水平。
**深度整合：**AI技术将不仅仅在同行评议过程中发挥作用，还将深度整合到学术研究的各个方面，包括研究设计、数据分析、结果验证等，形成一个全面智能化的学术研究和出版生态。
AI技术在同行评议机制中的应用将是一个逐步发展的过程，从最初的尝试和验证到技术的完善、广泛应用，再到深度整合和持续优化。这一过程不仅需要技术的进步，还需要学术界、技术开发者以及社会各界的共同努力和适应。随着时间的推移，我们可以预见一个更加高效、公正和智能的同行评议新时代的到来。
对当前的学术评价机制产生的变革和影响
随着人工智能技术在同行评议过程中的广泛应用，我们将见证对当前学术评价机制的深刻变革，尤其是对SCI检索、影响因子和高被引论文等重要指标的影响。以下是这些变化可能带来的具体影响和变革：
对SCI检索的影响**更广泛的包容性：**AI技术能够更高效地识别和评价跨学科研究的价值，这可能导致SCI检索系统包含更多领域的研究，增加跨学科研究的可见性。
**检索质量提升：**AI辅助的检索系统能够更准确地理解研究内容和语境，提高检索结果的相关性和准确性，从而提升研究人员检索文献的效率。
**评价标准的多元化：**AI技术将使得影响因子的计算不再仅仅依赖于引用数量，还可能包括论文的社会影响、跨学科影响等多维度的评价标准。
**实时动态更新：**借助AI的实时数据处理能力，影响因子可能变成一个动态更新的指标，更真实地反映期刊或文章的即时影响力。
**内容质量的重视：**高被引论文的评价可能不再仅仅依赖于被引次数，AI技术能够深入分析论文的创新性、学术质量和社会价值，形成更全面的评价机制。
**快速发现和推广：**AI技术能够快速识别潜在的高质量研究，促进其在学术界的快速传播和应用，加速科学知识的迭代更新。
**公平性和透明度的提升：**AI技术的应用将减少人为偏见和主观性的影响，提高学术评价的公平性和透明度。
**适应性和灵活性增强：**随着学术研究的不断发展和变化，AI技术能够快速适应新的学术趋势和评价需求，使学术评价机制更加灵活和时效。
**促进学术创新：**AI辅助的评价机制将更加重视研究的原创性和创新性，鼓励学者探索新领域、新方法，从而推动学术创新和科学进步。
人工智能技术将对现有的学术评价机制产生深远的影响，推动其向更加公平、透明、多元和动态的方向发展。这些变革将有助于更好地激励和评价学术成就，促进学术研究的健康发展。
基于DIKWP模型的影响分析
借助DIKWP模型进行深入分析，我们可以从数据、信息、知识、智慧、目的（DIKWP）的角度来理解人工智能技术对学术评价机制变革的影响：
数据（Data）在变革过程中，数据作为基础层面，指的是关于期刊引用、论文质量、跨学科研究等的原始信息。人工智能技术能够有效地处理和分析这些大量复杂的数据，为学术评价提供更准确和全面的基础支撑。例如，通过深度学习算法，可以从文献中提取关键数据，如引用次数、研究领域、作者贡献等，为后续的信息提炼和知识形成打下基础。
信息（Information）信息层面涉及将原始数据转化为有用的信息，如通过算法分析识别出高质量研究、潜在的跨学科影响等。AI技术在这一层面的应用，使得从大量数据中提炼出的信息更加精准、有针对性，为学术评价提供了更为丰富和深入的内容。
知识（Knowledge）知识层面关注于从信息中提取和构建有价值的知识，如理解影响因子的深层含义、构建跨学科研究的评价标准等。AI技术通过对信息的深度分析和学习，有助于形成对学术评价新标准的理解和知识，从而推动评价机制的创新和优化。
智慧（Wisdom）智慧层面强调应用知识来进行明智的决策和判断，如决定哪些新的评价标准应该被引入学术评价体系。AI技术在此层面的应用，能够基于深度知识和数据分析，为学术评价机制的改进提供策略性的建议，确保评价标准的公正性、全面性和前瞻性。
目的（Purpose）最终，目的层面关注于通过改革学术评价机制来实现的长远目标，如促进学术创新、保障研究质量、激励学术交流等。通过DIKWP模型的应用，人工智能技术的引入不仅仅是改变评价机制的手段，更是为了实现更高层次的目标——创建一个更加健康、公正、激励创新的学术生态系统。
DIKWP模型为我们提供了一个全面分析人工智能技术如何影响学术评价机制变革的框架。从数据的收集和处理，到信息的提炼，再到知识的构建和智慧的应用，直至实现评价机制改革的最终目的，人工智能技术在每一个层面上都将发挥关键作用，推动学术评价向更加科学、合理、激励创新的方向发展。
从概念空间到语义空间转换背景下的DIKWP学术评价机制
基于DIKWP模型和从概念空间到语义空间的转换，设想一个新的学术评价机制，这个机制不仅关注传统的量化指标（如引用次数、影响因子等），而且深入挖掘学术成果的语义价值和社会影响，从而更全面地评价研究的质量和贡献。下面是基于DIKWP模型设计的新评价机制的畅想：
数据（Data）层面自动化数据收集：使用AI技术自动收集关于学术出版物的原始数据，包括但不限于引用次数、下载量、社交媒体提及次数等。
多维度数据整合：除了传统指标外，还考虑研究的跨学科性、研究团队的多样性、研究的开放性（如开放获取出版物）等非传统数据指标。
信息提炼与增强：通过自然语言处理（NLP）技术，从文献中提取更丰富的信息，如研究主题的新颖性、研究方法的创新性、研究结果的实用性等。
语义分析：分析研究内容的语义信息，识别研究的核心贡献和对现有知识体系的影响。
知识图谱构建：构建领域内的知识图谱，将新的研究成果与现有知识体系相连接，评估研究的创新性和补充性。
跨学科评价：通过知识图谱分析，评估研究在跨学科领域中的贡献和影响力。
决策支持系统：基于AI技术，为学术评价提供决策支持，如自动识别高质量研究、推荐潜在的研究合作伙伴等。
价值与伦理考量：在评价过程中融入伦理和社会责任的考量，评价研究的社会价值和道德影响。
多元化评价目标：确立多元化的评价目标，包括促进科学创新、支持社会进步、鼓励开放科学等。
动态调整与反馈：根据科研环境和社会需求的变化，动态调整评价机制，建立反馈机制促进评价标准的持续优化。
基于DIKWP的新评价机制将不再单一依赖传统的量化指标，而是综合利用人工智能技术，从数据到智慧的全链条对学术成果进行深入分析和评价。这种机制能够更准确地反映研究的真实价值和社会影响，促进科学研究的质量提升和科研生态的健康发展。
基于DIKWP模型和从概念空间到语义空间的转换，对传统学术评价机制的变革可以通过以下详细进程实现：
初始阶段：构建基础框架定义新的评价指标：在多学科专家的共同协作下，定义一套包含量化和质化指标的综合评价体系。这些指标不仅涵盖传统的影响因子和引用次数，还包括研究的创新性、社会影响、跨学科贡献等。
技术平台搭建：开发基于AI技术的平台，利用自然语言处理、数据挖掘、语义分析等技术，自动收集和分析学术成果的相关数据。
数据层面的自动化处理：利用AI技术自动化收集学术出版物的数据，如下载量、社交媒体提及次数等，并整合这些数据以增强信息的丰富度。
信息层面的深度解析：通过NLP技术深入解析文本内容，提炼出研究的核心概念和贡献，以及其对现有知识体系的补充和挑战。
知识层面的连接与映射：构建领域知识图谱，将新的研究成果与现有知识体系相链接，评估其在知识体系中的位置和贡献。
智慧层面的决策支持：基于评价体系和集成的数据，AI系统提供决策支持，如识别和推荐高影响研究、评估研究的社会价值等。
目的层面的动态调整：根据社会需求和科研环境的变化，动态调整评价体系和指标，确保评价机制的时效性和适应性。
社会影响反馈：通过与学术界、工业界和公众的交流，收集对新评价机制的反馈，不断优化和调整评价指标和流程。
持续的技术创新：随着AI和数据科学技术的发展，不断探索新的数据分析和处理技术，提高评价机制的准确性和效率。
开放性和透明性：保持评价机制的开放性和透明性，鼓励学术社区和公众参与评价过程，提高评价体系的公信力。
全球化合作：与国际学术组织和研究机构合作，推动全球范围内的评价标准统一，促进国际学术交流和合作。
通过这一进程，基于DIKWP模型的新学术评价机制不仅能够更准确地评价研究的质量和影响，还能促进科学研究的健康发展和科研生态的多样性。这个变革将是一个渐进的过程，需要科研界、技术界和社会各方的共同努力和支持。
传统评价机制如何与DIKWP评价机制衔接、融合与过渡
在当前的学术界，传统评价机制主要依赖于同行评议、影响因子、被引次数等指标，这些指标虽然提供了研究影响力和质量的一定指示，但也存在诸多局限性，如过分侧重于数量而忽视质量、忽略跨学科研究的价值等。随着人工智能（AI）技术的发展和DIKWP（数据、信息、知识、智慧、目的）模型的提出，出现了将这一新模型应用于学术评价的可能性，以期构建更加全面、公正和动态的评价体系。下面详细论述传统评价机制如何与基于DIKWP的评价机制衔接、融合与过渡。
1. 衔接阶段：数据和信息层面的整合在衔接阶段，首要任务是将传统评价机制中的数据和信息整合到DIKWP模型中。这包括将现有的学术出版物、引用数据、影响因子等转化为DIKWP框架下的数据（D）和信息（I）层面的输入。通过AI技术，如自然语言处理（NLP）和数据挖掘，可以自动化地从大量学术文献中提取相关数据和信息，同时评估其质量和相关性。这一过程不仅提高了数据处理的效率，也为后续的深度分析奠定了基础。
2. 融合阶段：知识和智慧层面的深化融合阶段的核心是利用提取的数据和信息，通过语义分析和知识图谱技术，构建知识（K）层面的深度理解。在这一阶段，研究成果不再仅仅被视为独立的数据点，而是作为知识体系中的一部分，其价值和意义在于与现有知识的关联和对知识体系的贡献。此外，智慧（W）层面的评价也开始得到重视，评价机制开始考虑研究的社会影响、伦理考量和实际应用价值，而非仅仅关注其理论贡献。
3. 过渡阶段：目的层面的引入和评价体系的动态调整过渡阶段的关键在于目的（P）层面的引入，即考虑研究的最终目标和意图在评价体系中的体现。这要求评价机制能够识别和评估研究背后的动机、目标以及其对学术界和社会的潜在贡献。此时，传统评价指标（如影响因子和被引次数）与基于DIKWP模型的评价指标需要被动态整合，形成一个既能反映研究即时影响力，又能评估其长远价值和社会影响的多元评价体系。
4. 完善阶段：构建基于DIKWP的综合评价平台在完善阶段，基于DIKWP的评价机制将完全形成，成为一个综合性的评价平台，不仅包括传统评价指标，也融入了基于数据、信息、知识、智慧和目的的全面评价。这一平台将具备高度的灵活性和动态性，能够根据学术界和社会的变化及时调整评价标准和指标。它将采用AI和机器学习技术，不断从新的研究成果中学习和适应，以提高评价的准确性和前瞻性。此外，该平台将鼓励开放性和透明性，允许研究者和评审者直接参与到评价过程中，增加评价机制的互动性和参与度。
5. 实施阶段：持续优化和社区参与最后，为确保评价机制的有效性和适应性，需要建立一个持续优化的机制和广泛的社区参与。这涉及到定期的评价体系审查、更新评价标准、引入新的评价技术和方法，以及收集和响应学术界和社会的反馈。社区参与尤为重要，因为它确保了评价体系能够真正反映学术界和社会的需求和价值观，同时促进了学术交流和合作。
结论传统评价机制与基于DIKWP模型的评价机制的衔接、融合与过渡，标志着学术评价向更加全面、动态和参与性方向的演进。通过整合AI技术和DIKWP模型，新的评价体系不仅能够更准确地评估研究的质量和影响力，也能够考虑研究的社会价值和长远意义。这一转变将促进学术研究的健康发展，鼓励跨学科和创新性研究，同时也为研究者提供更公平、透明和多元的评价环境。随着技术的进步和学术界的不断变化，基于DIKWP的评价机制将不断演化和完善，为学术研究和社会进步做出更大的贡献。基于DIKWP模型的学术评价机制变革是对传统学术评价体系的重要补充和发展。通过引入人工智能技术和DIKWP模型，新的评价机制能够更准确、全面地评估研究的质量和影响力，同时考虑研究的社会价值和长远意义。这一变革不仅促进了学术研究的健康发展，还鼓励了跨学科和创新性研究，提高了评价的公平性、透明性和多元性。随着技术的不断进步和学术界需求的变化，基于DIKWP的评价机制将持续演化，为全球学术研究和社会进步做出更大贡献。
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、兼北京信用学会高级顾问、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、海南省人工智能学会高级顾问、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。
https://blog.sciencenet.cn/blog-3429562-1421459.html
上一篇：语义数学帮助传统出版发行业应对AI发展挑战的转型策略
下一篇：迎接后论文发表时代的到来
