大模型視域下大數據政策生態鏈研究

關鍵詞： 大數據政策； 政策生態鏈； 科學數據； 大模型； 政策再生； 政策計量

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．１０．００４

〔中圖分類號〕Ｇ２０３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） １０－００４１－１１

大模型即規模化、智能化、自動化的深度學習模型， 是“大數據＋大算力＋強算法” 相結合的產物， 已經成為一種新的時代趨勢并引起多國關注。大模型技術加速了大數據生產， 在數據量呈幾何式增長的背景下， 大數據成為重要的戰略要素， 得到多國重視并頒發多項政策， 《國家大數據戰略綱要》《科學數據管理辦法》等在大數據作為新型生產要素輔助科技戰略布局的時代背景下， 用于規范大數據開放、共享、治理等的大數據相關政策如雨后春筍般涌出［１］ 。從大數據政策生態角度看， 數據是基礎、政策是保障， 而技術則為動力， 諸如ＣｈａｔＧＰＴ、ＬＬａＭＡ 等大模型技術［２］ 不僅催生了大數據的生成新方式， 其更高效、更強大、更準確的性能可應對更復雜、更龐大的應用場景， 為政策生態提供了“工具紅利”， 注入了新鮮血液， 使在大數據政策生態內部形成人智融合的大數據政策生態鏈成為可能。

無論大數據發展戰略亦或是人工智能發展規劃，都對大數據政策生態提出了前所未有的要求。然而鮮有學者將大模型技術應用于大數據政策場景， 以解決數智化時代的新問題。即便是有一些研究也多集中在智能化推動政府治理變革［３］ 、建設類案檢索智慧平臺［４］ 、公共政策知識圖譜［５］ 、人工智能參與公共政策執行［６］ 等方面。大模型技術如何賦能大數據政策生態鏈、改善大數據政策生態鏈動力模式，分析人智融合在大數據政策生態鏈演化中如何發揮作用， 成為當今亟須解決的問題。面對上述形勢，本文基于大模型時代大數據政策新特點， 結合生態學理論、大數據生命周期理論與政策生命周期理論，闡述了大數據政策生態鏈內涵， 以科學數據政策為例， 在節點層、鏈條層、網絡層總結出大數據政策生態鏈面臨的新挑戰， 針對新時代、新特點和新挑戰， 在政策體系、人才培養、技術融合、平臺建造４ 個層面推理出大數據政策生態鏈的優化策略， 旨在提升大數據政策效能， 繼而促進大數據共享。

1大數據政策生態鏈

生態（Ｅｃｏｌｏｇｙ）是研究生物與環境之間相互關系和生物群落動態變化的科學［７］ 。它不僅研究生態鏈、生態群落、生態圈和生態系統的結構、功能和演化， 還關注生物與環境之間的相互作用影響， 旨在理解多主體、多客體與環境之間的復雜關系， 以便幫助人類理解、管理環境， 為制定更加合理的生態政策提供科學依據［８－９］ 。如圖１ 所示， 生態演化并不囿于生物學亦或是自然學科領域， 其技術逐漸現代化、應用逐漸廣泛化， “生態” 在社會學、政治學、經濟學、情報學等領域的新理解， 促使其成為一門跨學科、跨領域的研究［１０］ 。社會生態涉及政治、經濟、文化、社會公平、社會行為、資源利用等多個方面， 著眼于人與環境之間的關聯、影響與依存， 強調社會和環境的整體性與不可分離性，倡導建設的和諧性、共生性、綠色性與可持續發展性［１１－１２］ 。政治生態指政治主體在政治環境下的生存方式、政治習性和生存與發展的狀態， 是一個涉及制度、經濟、文化等多個領域， 包括政治關系、政治行為、政治監督等多個維度， 涵蓋政治主體、權力運行和政治環境等多個層面交織互動的復雜系統［１３－１４］ 。政治生態內涵的外延催生了政策生態。政策生態是政策、人員、環境三大生態因子良性互動的新機制［１５－１６］ ， 著眼于政策過程中各主體間關系［１７］ ， 聚焦于動態平衡、多元共治與自我創新［１８］ ，強調的是多主體和諧共生的交互式發展［１９］ ， 是一項政策的規劃、決策、執行、評估與終結［２０］ ， 是政策自發調整、修正完善、循環更新的類生態模式［２１］ 。大數據政策生態作為政策生態的子系統， 是以大數據政策為核心， 結合政策環境、主體人員構成的多元協同的復雜動態系統。大數據政策生態鏈是大數據政策生態的下級單元， 是以政策為媒介連接政策場進而形成的政策流的鏈條。大數據政策生態鏈作為大數據生態鏈的映射鏈［２２－２３］ ， 貫穿大數據全生命周期， 串聯政策頒發、傳遞、接受、反饋、改革眾多政策節點。

綜合以上分析， 本文認為大數據政策生態鏈（Ｂｉｇ Ｄａｔａ Ｐｏｌｉｃｙ Ｅｃｏｌｏｇｉｃａｌ Ｃｈａｉｎ， ＢＤＰＥＣ）是生態學、社會生態、政治生態交叉子生態的下級單元，是大數據背景下衍生貫穿于大數據生產、傳播、消費、分解、再生全數據生命周期， 串聯政策頒發、傳遞、接受、反饋、改革眾多政策節點， 以配置大數據資源、監管大數據生態活動為工作內容， 以控制數據質量、保障數據安全、促進數據共享為目標的， 具有互動性、循環性、價值性、權威性、合法性、專有性、科學性的雙螺旋鏈式生態結構。

２ＢＤＰＥＣ 雙螺旋結構分析

２.１節點的構成

對于ＢＤＰＥＣ 節點的劃分， 如圖２ 所示， 從政策生命周期視角［２４］ 可以將其劃分為大數據政策生產者、運營者、接受者、分解者， 從大數據生命周期的視角［２５］ 可以將其劃分為大數據生產政策、傳播政策、消費政策、分解政策、再生政策， 且兩種鏈條之間相互交織、映射。具體分析如下： ①政策生命周期視角。生產者由政府、專家、大數據機構多方協同， 政府部門保障了政策的權威性與合法性，專家的參與保障了政策的科學性， 大數據機構的參與保障了政策制定的民主性。運營者主要由政府部門構成， 負責具體政策的執行， 確保政策價值的實現。大數據人員、平臺、中介等主體在數據流轉過程中依據相關政策與準則的具體規范進行數據交易與共享等活動， 組成接受者。大數據政策下發后，分解者對政策內容進行解讀， 并反饋大數據政策文本與現實問題的不對稱［２６］ ， 為政策改革提供建議。②數據生命周期視角。大數據生產階段的大數據確權政策保障生產者主權， 傳播階段的數據共享政策促進數據流轉， 消費階段的數據交易政策促進數據使用， 分解階段的數據分解政策保障數據回籠， 再生階段的數據再生政策煥發數據新生。研究認為，以學界關于數據生命周期和政策生命周期等研究為基礎， 針對大數據政策內涵， 將“大數據政策生態鏈節點” 作為上述兩種鏈條的交融概念。

２.２節點間的關聯關系

各節點鏈式相聯。大數據政策生產者提供政策規范相關人員行為， 運營者將生產者產出的政策按類發布， 接受者在應用大數據過程中遵守政策， 分解者對政策進行細致解讀并為接受者提供政策咨詢服務。在數據生命周期角度看大數據生產政策、傳播政策、消費政策、分解政策、再生政策以數據生命周期為紐帶相關聯。

各節點流轉互動。生產者是大數據政策的源出方， 運營者起到橋梁紐帶作用， 從生產者手中獲取政策進行傳遞。接受者遵循生產者所發布的政策，并向其提出反饋參與政策的制定， 分解者對生產者產出的政策進行解讀， 向接受者提供政策咨詢服務，并將政策落實情況反饋給運營者， 此外還會向生產者提供政策改革建議。

各節點相互轉化。政府部門參與政策的制定與運營實現大數據政策生產者向大數據政策運營者的轉化， 大數據機構、科研人員、企業參與政策民主制定實現大數據政策接受者向大數據政策生產者轉化， 政策咨詢機構對政策解讀為其他機構提供咨詢服務的同時為相關部門提供改革建議， 實現大數據政策分解者向大數據政策生產者轉化。

３“大模型”環境對ＢＤＰＥＣ發展的要求

大模型環境與大數據政策生態鏈相輔相成， 大模型技術優化大數據政策生態鏈的同時， 也對其發展提出了新要求。大模型環境存在技術風險、資源風險、倫理風險等多種風險。大模型技術風險是指大模型所使用的算法模型可能存在不穩定的情況影響項目運行。大模型資源風險是指模型的運行依賴大量的數據資源， 但若存在數據缺失、數據劣質等情況， 會影響模型訓練結果。此外， 大模型還受儲存資源、計算設備等硬件的影響。大模型倫理風險指政策主體的倫理人格、倫理責任意識、人文素養、科技素養等可能存在與技術發展不匹配的情況。大模型環境風險對ＢＤＥＰＣ 的節點、鏈條與網絡提出了“強節點、長鏈條、密網絡” 的要求。具體分析如下： ①自然生態的平衡得益于物種多樣性， 生態節點能力弱會導致生態斷層， 進而造成生態體系崩潰， 因此大數據政策生態強有力的節點對于系統的穩定具有促進作用， 可以應對大模型環境潛在風險。從數據生命周期視角看， 政策的完善可為大數據生產、傳播、消費、分解、再生保駕護航； 從政策生命周期視角看， 高素養人員具有更高的能力應對頒發、執行、接收、改革等階段風險。②生態鏈越長，主體之間、政策之間、主體與政策之間交互越多，關系越復雜， 各政策的維度與層次也隨之增加。維度與層次的增加使政策體系更加完善。政策生態鏈短易造成鏈條斷裂， 不能形成完整閉環回路， 且政策的缺失本身便是一種潛在風險。③大數據政策多重網由發文合作網與發文引用網組成。發文合作網指的是多部門共同合作頒發同一項政策， 發文引用網指文中出現貫徹落實等明確引用某項政策。高密度網絡主體間合作更多、協同性更強， 在應對風險時， 可以資源共享得到資源補給， 多樣化主體更容易適應環境變化， 同時多鏈條可分擔風險從而降低整體風險的影響。

４大模型環境下ＢＤＰＥＣ發展問題域——以科學數據政策為例

科學數據隸屬于大數據， 是技術進步與經濟發展的先導［２７］ 。科學數據政策是大數據背景下衍生的以促進科學數據治理為目標的， 以科學數據管控規制為呈現方式的科技政策［２８－２９］ 。科學數據政策生態鏈可以看作是ＢＤＥＰＣ 子系統， ＢＤＥＰＣ 是其上位集。借鑒已有政策計量數據樣本收集方法［３０－３１］ ，通過國務院及我國３１個省級行政區劃單位政府門戶網站， 以“科學數據” 為檢索詞進行政策主題檢索并篩選， 收集自大數據元年（２０１３ 年）至２０２３年與科學數據緊密相關的政策３９ 項， 部分政策如表１所示。本研究以科學數據政策為例， 對ＢＤＥＰＣ 的節點、鏈條、網絡進行分析， 探究得出科學數據政策生態鏈發展存在節點弱、鏈條短、網絡疏等問題，與大模型環境要求的“強節點、長鏈條、密網絡”的新要求相悖。

４.１節點弱

從數據生命周期視角對ＢＤＥＰＣ節點進行劃分，并利用ＮＶｉｖｏ軟件對政策條款進行編碼標注， 統計各政策節點占比情況。３９項政策中， 與科學數據治理不同階段密切相關的政策編碼８２７條， 由圖３可知， 科學數據生產政策１６１條， 占比１９.４７％； 傳播政策４４４ 條， 占比５３.６９％； 消費政策１４０條，占比１６.９３％； 分解政策４４條，占比５.３２％；再生政策３８條，占比４.５９％。統計得出政策生態鏈各節點占比不均衡，現有政策多聚焦于科學數據的傳播共享， 對科學數據的分解再利用的關注較少， 即數據分解政策、數據再生政策等節點能力較弱。

從政策生命周期視角看。①由圖３ 可知， 目前科學數據政策共３９ 項， 近年來新發政策數量下降，科學數據政策生產動力漸弱。地方層級政策１７ 項，雖政策發文主體眾多， 但各地參差且有多地未制定科學數據專項政策。已發文地區僅云南、四川、甘肅等地政策數目大于等于兩項。國家層級科學數據政策２２ 項， 中國科協參與程度較高， 共參與４ 項政策制定。綜合以上分析可以看出， 科學數據政策生產者節點活躍性有待提高。②科學數據政策具有強專業性， 但科學數據政策由生產者印發給相關部門， 即政府是科學數據政策運營的主體， 科學數據維度復雜， 政策與數據的相關性難以判斷， 科學數據政策運營者在各領域的專業性亟需提升。③科學數據政策接受者以科學技術人員、科研院所、高校院所、科學技術協會和科學技術社會團體為主。大模型環境下面臨著新技術、新倫理的挑戰， 且對大模型驅動科學數據政策檢索的運用能力有待進一步提高， 易忽略跨地區、跨學科、跨領域的政策關聯分析。④大數據驅動有效擴展了科學數據的維度。然而， 科學數據政策分解者往往聚焦于單學科的政策挖掘分析， 阻斷了科學數據政策跨場景流通， 導致對數據政策的理解不全面。無論是政策的缺失還是相關人員素養有待提高， 節點能力弱將會降低ＢＤＥＰＣ的抗風險能力， 無法滿足大模型環境對ＢＤＥＰＣ 提出的“強節點” 的要求。

４.２鏈條短

從數據生命周期視角出發， 面向科學數據要素流通應構建與之匹配的政策生態鏈， 但對現有３９項科學數據政策的統計分析可知， 目前我國科學數據政策主要集中在數據共享、數據安全等方面， 且部分政策缺乏具體細則。科學數據權屬政策、科學數據交易政策、科學數據分解政策、科學數據再生政策鮮有提及。明確界定數據權屬、保護數據產權可規范數據市場， 如２０１８年歐盟出臺的《通用數據保護條例》就數據產權問題進行了詳細討論。數據交易處于政策灰色領域， 致使科學數據集進行黑市交易， 給數據治理造成困難。科學數據分解再生政策的缺失， 大量數據堆積可造成數據冗余， 增加數據治理成本。

從政策生命周期視角看科學數據政策生態鏈，政策生產、運行、監管、再生都是必不可少的一環，且科研環境日益復雜， 傳統的頒發執行模式難以應對日益變化的科學環境，也難以適應截然不同的地域文化。“科學數據政策再生產” 即“科學數據政策再生” 是“再生政策” 匹配地域、領域特征對“元政策” 清晰且明確的細化。以國務院２０１８年頒發的《科學數據管理辦法》為例，陜西省、黑龍江省、甘肅省、云南省、湖北省、安徽省、內蒙古自治區、廣西壯族自治區、重慶市、江蘇省、山東省、四川省、寧夏回族自治區等省級行政單位先后頒發相關實施細則， 具體政策名稱如表２ 所示。其中， 僅四川省巴中市印發《巴中市科學數據管理實施方案》、廣安市印發《廣安市科學數據管理實施細則》， 云南省昆明市印發《昆明市科學數據管理實施辦法》實現了科學數據政策市級再生產，有效延長了科學數據政策生態鏈。省級科學數據政策的頒發延長了科學數據政策生態鏈， 但仍有多地區無政策再生環節， 再生政策的缺失致使科學數據政策生態鏈出現短鏈或斷鏈。

各地區科技基礎條件存在差異、科技資源配置情況不同，省級科學數據政策需要考慮區域具體科技資源稟賦， 重視地方科技發展特性、利益差異，均勻配置科技資源， 因此， 更有具體性、針對性。文本相似度計算可用于政策相似度比較， 分析各項政策共性和差異［３２］， 將１３項省級科學數據政策與《科學數據管理辦法》導入自建語料庫， 利用Ｐｙ?ｔｈｏｎ語言Ｇｅｎｓｉｍ 工具中的ＢＯＷ模型、ＴＦ－ＩＤＦ模型和余弦相似度對各政策進行橫向相似度（省與省之間）、縱向相似度（省級政策與《科學數據管理辦法》之間）計算［３３］ ，構建相似度矩陣并進行可視化， 從而分析再生鏈發展狀況。研究發現， 各省政策與《科學數據管理辦法》之間相似度較高， 最高相似度為９７.４１％， 最低值為８１.７８％。相似度過高的地方科學數據政策未做到對國家級政策有針對地、具體地細化， 并不能起到有效延長數據政策生態鏈的作用。圖４ 相似度熱力圖中橫縱相交節點越大， 表明政策內容越相似， 由此可以看出， 多地區間再生政策相似度過高， 政策相似度超過９０％。政策再生力弱會使得整個國家或地區的科技缺乏多樣性， 成為科學數據政策生態鏈形成閉環回路的阻力。ＢＤＥＰＣ短鏈與斷鏈的情況將會導致政策資源供應不足， 使生態鏈崩潰， 加大大數據政策生態風險，進而使大數據生產進入停滯， 無法滿足大模型環境提出的“長鏈條” 要求。

４.３網絡疏

利用多重網絡分析方法將各部門與各項政策分別作為節點， 對收集到的３９項科學數據政策根據政策間部門合作、相互引用等關系進行預處理構建關系矩陣， 并讀入Ｕｃｉｎｅｔ測度國家層、地方層及全局科學數據政策發文主體網與政策引用網的網絡密度并進行可視化， 對科學數據政策合作網絡與引用網絡進一步分析， 得到科學數據政策生態網特征。

如圖５所示， 科學數據政策多重網由發文合作網與發文引用網組成。發文合作網指的是多部門共同合作頒發同一項政策， 發文引用網指文中出現貫徹落實等明確引用某項政策。將發文合作網劃分為國家層面合作網與地方層面合作網進行分別分析后再對整體網絡進行研究。計算得知， 全局科學數據政策合作發文網的網絡密度為０.０９５， 網絡密度值低表明全國范圍內相關部門并未形成緊密聯系。地方層網絡密度為０.２２１５， 地方層面跨部門合作較少，還未實現跨區域合作。國家層科學數據部門合作網絡密度為０.１４２９，國家層面跨部門合作較多，主要參與部門有國務院、工信部、國家發展改革委、教育部、科技部、中國科協、中國科學院等。科學數據政策引文網絡密度為０.０４４７，其中國務院辦公廳出臺的《科學數據管理辦法》被多項政策引用，其他政策聯系最為緊密、出現頻次最高。綜合以上分析，科研大數據政策國家層合作發文網絡密度、地方層合作發文網絡、整體合作網絡密度、引文網絡密度低， 表明部門之間、地區之間缺乏有效溝通與合作， 降低了整體生態網中各主體間關聯性， 易出現信息孤島。低密度網絡不利于資金、技術、人才等資源共享， 在應對挑戰時缺乏靈活性與多變性， 不利于風險分散， 整體抗風險能力受到影響，與大模型環境對ＢＤＥＰＣ 提出的高密度政策生態網絡要求不符。

５ＢＤＰＥＣ優化策略

綜合前文分析，針對節點弱、鏈條短、網絡疏等問題， 提出共建頂層設計， 完善政策體系； 轉變人才培養， 深化人機協同； 創新數智賦能， 加強技術融合； 推動多方聯動， 筑牢政策平臺等優化策略，具體分析如下。

５.１共建頂層設計，完善政策體系

數據資產要素化使數據成為科技競爭焦點， 當前數據治理面臨著數據主權不明、黑市交易泛濫等眾多倫理問題， 政策體系不完善， 多地未形成縱向中央省市三級、橫向全數據生命周期的數據政策體系， 從而導致節點能力弱是數據政策生態鏈易斷的弱點， 為此優化ＢＤＥＰＣ 首要解決的是應建立數據政策規范體系。

以科學數據為例， 科學數據治理要涵蓋數據的生產、傳播、消費、分解、再生等各環節， 科學數據政策要融入科學數據的全生命周期串聯中央省市三級。從突破經驗空間， 擴展政策維度； 泛化新型倫理， 應對政策滯后； 匯聚地方特色， 政策因地制宜３個方面推進大模型賦能科學數據政策體系完善。將大模型技術應用至政策的全生命周期， 著重加強政策協同生產、加密政策網絡， 強調政策適應性再生， 合理延長政策生態鏈條， 避免政策生態鏈短鏈、斷鏈， 實現科學數據治理的全局性與安全性。第一，突破經驗空間， 擴展政策維度： 借助大模型突破經驗限制， 基于大規模數據治理相關數據， 學習科學數據治理規律， 進行科學數據政策的自主創新， 擴展科學數據政策生產者思考， 拓寬科學數據政策維度， 使科學數據政策涵蓋更多維度更為趨優， 以政策維度的增加來強化政策節點的效能。第二， 泛化新型倫理， 應對政策滯后： 科學數據政策服務于科技創新活動， 科研環境日新月異， 政策在所難免滯后于科技的發展， 給數據定價、數據交易等活動帶來一定負面影響。大模型的強泛化性對于新數據具有較強的適應能力， 對未知數據進行預測， 并根據預測結果對大數據政策進行擴充與細化。同時大模型泛化能力可預見未來技術可能導致的科學數據治理新問題， 提前做好充足準備， 提高大數據政策生態鏈抵抗未知風險的能力。第三， 匯聚地方特色，政策因地制宜： 區域科技創新活動倒逼科學數據政策體系完善， 但不同省市的科技稟賦、態勢不同，地方政府制定科學數據政策匯聚地方特色提高政策針對性。因地制宜除了考慮不同地域， 還要充分考慮數據生產、傳播、消費、分解的政策差異性， 爭取各階段政策均衡完善， 適應科學數據發展規律和數據分級特征（如數據保密分級）。大模型技術可跨域、跨場景總結科學數據治理要素， 根據科學數據治理目標， 提出多種科學數據政策方案， 并復雜關聯政策效果提供各種政策的適應性分析。

５.２轉變人才培養，深化人機協同

數智化時代傳統的人才培養體系無法滿足復雜多變的科研環境， 轉變人才培養模式，進行人才體系的大模型賦能， 即培養“復合型ＡＩ 人才”，可提升政策生態鏈節點性能，有效解決ＢＤＥＰＣ節點弱的問題。

以科學數據政策領域為例， “復合型ＡＩ 人才”不僅應了解數據科學領域的進展， 并遵守相應的法律規范與科學數據倫理， 提供符合新時代、新倫理、新要求的政策建議， 除此之外， 因大模型技術為科學數據政策生態鏈運行提供了新路徑， 人類的情感價值搭配大模型計算推理能力， 促進從原來的生態鏈“機器輔助” 模式向“人機協同” 模式轉變， 在人機協同模式下， 相關人員可借助高效智能的大模型技術進行科學數據政策的全生命周期活動。

“人機協同” 模式下培養“復合型ＡＩ 人才”，首先應建立完善的科學數據政策人才庫并進行精細化管理， 為生態鏈進化提供人才基礎， 面對智慧涌現，高質量人才可鑒別決策的客觀性、合理性、準確性與完備性； 其次應優化人才庫結構適應大模型環境，加大模型訓練人員、模型維護人員、模型反饋人員比重， 提升大模型運用實力； 最后應培養科學數據政策“復合型ＡＩ 人才” 多模態對齊訓練能力（訓練模型科學數據政策知識， 進行有監督微調， 將“通用智慧” 轉化為“科學數據政策智慧”）、反饋優化能力（利用大模型反饋技術高精度模擬政策生態動態進化過程收集反饋數據， 并將反饋數據再次輸入模型學習進一步優化政策結構）、場景轉化能力（通過大模型提供的推演數據及反饋數據， 優化決策精度后轉換到真實場景中進行試點， 減少試錯成本）、多元協同能力（能夠跨域、跨場景、跨部門學習案例知識， 形成目標場景的最優科學數據政策設計， 避免單一知識依賴， 減少決策偏差）。“復合型ＡＩ人才” 能提供關于科學數據交易市場需求與技術發展相關的信息， 為科學數據政策制定帶來新思路、引入新理念。同時，“復合型ＡＩ 人才” 還可以參與科學數據政策的實施和監督， 確保政策有效執行， 從而起到優化大數據政策生態鏈的目的。

５.３創新數智賦能，加強技術融合

技術是驅動ＢＤＥＰＣ進化的燃料， 在政策畫像構建、政策個性化推薦、政策適應性診斷、政策倉儲等方面加強與多模態大模型技術深度融合，可有效提升節點性能， 延長政策鏈條。

以科學數據政策為例， ①在賦能科學數據政策畫像構建方面， 針對科學數據場景收集相關信息，將多個模態的政策信息映射到同一表示空間中進行融合， 獲取全域知識，比如融合ＡＩＧＣ技術與自動化識別技術能夠實現政策全要素測度， ＭｉｎｅＣＬＩＰ模型中對比損失函數計算政策間相似性和差異進行文本分類。此外， 大模型還可對政策摘要， 即讓計算機能夠自動地對長篇政策文本進行摘要， 以快速地了解政策的主要內容、理解政策信息， 進而設置政策標簽描述政策畫像。②在賦能科學數據政策個性化推薦方面， 大模型時代的政策檢索與咨詢系統更加注重用戶行為的分析。政策檢索與咨詢系統不再是簡單地基于算法的政策文本推薦， 而是通過深度學習等人工智能技術對用戶行為進行分析。大模型將大量用戶知識與科學數據政策知識存儲在參數化模型中， 精準鏈接用戶畫像與政策畫像， 自動地回答用戶的問題， 使得大數據政策人員節點可以更加方便地獲取政策， 從而為其提供更加精準、個性化的推薦。比如利用ＣＬＩＰ對用戶的政策問題進行分析回答并根據用戶反饋優化政策檢索結果。此外，多模態大模型可預測用戶下步需求方向， 如ＢＥＩＴ－３模型使用多任務學習方法， 將多個科學數據政策檢索歷史一起學習， 產生滿足用戶偏好的智能化推薦， 解決信息過載問題。③在賦能科學數據政策適應性診斷方面， 多模態大模型具有強大的表征能力、情景理解能力與邏輯推理能力， 其儲存的大量知識可多維度、全方面、長鏈條地對科學數據政策應用場景進行動態化建模， 并刻畫政策節點與政策生態環境間的交互關系， 利用“思維鏈” 方法逐步推理科學數據政策與科研大環境間的因果關系，從而準確、客觀、科學地進行政策改革優化以延長政策再生鏈。此外， 大模型具有高度可解釋性， 可改進現有評估方法， 例如通過基于大數據共享、交易行為模擬的政策評估模型、基于行為分析的政策跟蹤模型， 提高政策評估結果的可靠性、穩定性，以及評估方法的可擴展性、可移植性。④在賦能科學數據政策智能化倉儲方面， 多模態大模型從系統視角出發， 通過自動化數據管理技術與知識鏈接能力跨域調整科學數據政策庫系統參數、內存參數、網絡參數， 增加并發連接數， 提升科學數據政策庫工作效率的同時減少錯誤。例如， 采用模型并行手段， 將大數據政策主體網絡分割并分配到多單元計算， 提升大數據政策主體分類速度； 采用知識蒸餾技術提升大數據政策主體識別精度的同時降低時延， 壓縮大數據政策主體網絡參數； 采用自動化監控技術， 定期進行科學數據政策庫備份和測試， 確保政策庫數據完整性； 同時， 智能防火墻技術可自適應網絡流量變化， 科學控制訪問權限， 精準識別并自動屏蔽病毒。

５.４推動多方聯動，牢筑政策平臺

彌合“節點鴻溝”、加大網絡協同度、提高網絡凝聚力最關鍵的是固化平臺支撐， 主要包括提供門戶服務、產品服務、模型服務、工具服務等多樣化的服務形式與敏捷的服務能力。大模型賦能科學數據政策平臺服務主要有以下３個方面：

一是跨模態信息關聯構建多模態數據基座， 實現跨模態關聯。首先， 采集政策文本、圖像等多模態數據， 并利用自然語言處理等技術構建多模態模型， 將不同模態的科學數據政策文本信息進行融合處理； 其次， 將不同模態的科學數據政策文本信息轉換為統一文本格式； 最后， 根據具體的科研場景選擇基座模型， 滿足特定需求。二是對接科學數據中心， 嵌入專業知識。數據驅動可解決政策文本收集倉儲的基本問題， 但是面對不同領域科學數據的生產、確權、交易等具體需求， 需考慮科學數據的分級、結構、屬性等， 單純的數據驅動無法解決，需要融合專業知識， 即在數據大模型架構上， 嵌入科學數據領域知識的ＡＩ 模型。例如， 大模型通過建模識別文本中的關鍵詞和短語， 對科學數據政策文本的語義結構進行深度理解， 進而推斷政策思想，捕捉政策邏輯信息， 以專業知識強化大數據政策平臺建設， 進而優化大數據政策生態鏈。三是多模塊互聯， 快捷式服務。服務平臺多模塊互聯指通過匹配科研場景、建立用戶連接、融入智能技術以及提供情境性、個性化的便捷式服務， 以達到保安全、穩質量、降成本的目的。大規模模型模擬人類的認知， 處理復雜互動性問題， 能夠更好地適應大數據政策主體交流、互動、整合、轉化的應用場景。大模型技術可根據不同情境提供政策組合， 在面對小樣本、低情景時， 以用戶為中心依賴大模型計算框架， 對當前的模塊跨域、跨場景挖掘處理向外拓展和泛化， 提高價值信息并形成有效策略。通過提高大數據政策平臺的服務性來優化大數據政策生態鏈。

６研究小結

本文以“促進數據共享” 為導向， 以“科學數據政策” 為依托， 以“大模型環境” 為支撐， 剖析了ＢＤＥＰＣ內涵， 識別出雙螺旋大數據政策生態鏈節點構成，分析了大模型環境對ＢＤＥＰＣ的新要求與對ＢＤＥＰＣ的可優化性，探析了科學數據政策生態鏈內節點弱、鏈條短、網絡疏等問題，并依此給出共建頂層設計， 完善政策體系； 轉變人才培養，深化人機協同； 創新數智賦能，加強技術融合；推動多方聯動，筑牢政策平臺等優化策略。與已有研究相比， 本文價值貢獻主要體現在以下兩個方面。

１）理論價值。從雙螺旋視角出發， 研究得出ＢＤＥＰＣ是生態學、社會生態、政治生態交叉子生態的下級單元， 是大數據背景下衍生貫穿于數據生產、傳播、消費、分解、再生全生命周期， 串聯政策頒發、傳遞、接受、反饋、改革眾多政策過程，以配置大數據資源、監管大數據生態活動為工作內容， 以控制數據質量、保障數據安全、促進數據共享為目標， 具有互動性、循環性、價值性、權威性、合法性、專有性、科學性的雙螺旋鏈式生態結構，豐富了大數據治理與政策生態的理論體系。

２）實踐價值。①在國家戰略層面， 科學數據作為新型科技生產要素是國家基礎性戰略資源， 完善其政策體系對于國家數據資產管理具有重要意義；②在數據治理層面，本文可為解決科學數據政策生態鏈節點弱、鏈條短、網絡疏等問題提供參考， 為科學數據治理提供制度保障， 降低數據風險， 提升創新效率；③在技術賦能層面， 將大模型技術與政策生態深度融合， 不僅為ＢＤＥＰＣ進化提供了技術支撐， 還拓寬了大模型技術應用領域。