科技期刊選題策劃中的人機協同效應研究

摘 要：研究探討科技期刊選題策劃中人機協同的應用及效果，以期通過融合人工智能技術與編輯的專業判斷，從而優化選題策劃流程，提升期刊出版質量與效率。文章聚焦期刊選題策劃環節，通過案例實踐測試，探討人工智能數據處理與內容生成如何在其中發揮作用，并分析計算機生成選題、人工判斷選題和人機協同判斷三者特性，基于實踐結果與經驗結論提出人工智能選題策劃中的人機協同構想。

關鍵詞：科技期刊 選題策劃 人機協同 大語言模型

隨著大語言模型（LLMs）與自然語言處理（NLP）等人工智能技術的迭代升級，人機協同在任務響應速度、信息處理維度及決策支持精度等方面均呈現顯著增強趨勢。[1]關于生成式人工智能（GenAI）及其生成內容（AIGC）的技術演進討論跨越了眾多專業學科與行業，其深度應用吸引了各行業技術研發與管理人員廣泛參與。目前GenAI已深入到學術期刊出版的各個環節，包括人工智能寫作、選題策劃和編輯出版等。然而，業界對于GenAI在輔助選題策劃方面的研究仍相對薄弱。研究以《工程造價管理》期刊為例，進行計算機生成選題模擬測試，結合編輯人工判斷，測試驗證選題策劃中人機協同機制開展工作的可行性。[2]探討其實施效果、潛在局限性及實施路徑，以期增強科技期刊選題策劃中的人機協同效應。[3]

一、人工智能應用的方案設計

《工程造價管理》不僅關注工程管理與技術經濟領域的前沿問題，也長期關注信息技術在建設工程領域的改造升級，如BIM數字技術應用、數據庫建設、綠色建筑等熱點，近年來，期刊嘗試利用人工智能技術輔助編輯進行選題策劃。為此，文章以BIM數字技術、綠色低碳化等建筑行業熱點作為測試案例。

首先是提問策略設計。鑒于人工智能對話技術日趨成熟，對話或提問已初具系統化、格式化等特點[4]，包括：簡潔性要求，提問要簡單明了，有助于GenAI快速捕捉問題的核心；邏輯性要求，提問要有條理順序，有助于GenAI針對性回答；個性化要求，人工智能對話要盡量體現個性定制、深層細化和人機互動。[5]據此設計了三種GenAI提問方式。

其次，評估標準構建。AIGC生成選題結果后，參考同行評議的論文審稿機制，案例設置了4項評估標準，包括：內容邏輯性、學科準確性、選題時效性和原創性。同時，在評估標準下又分別細化了若干選項，以便評審專家精準打分。[6][7]選題具體評估標準示例見表1-1和表1-2。

表1-1 選題結果評估樣表

表1-2 選題結果評估樣表

再次，專業審查流程。GenAI生成后，以盲審形式將AIGC結果發送給2名工程管理專業正高級工程師進行專家同行評議。同時，由1名資深編輯利用知網數據庫對AIGC結果進行評估，并結合評審專家意見，形成AIGC選題結果方案。

最后，結果評估與鑒定。在此環節，編輯采用多組獨立樣本非參數秩和檢驗及Fisher確切概率法對AIGC選題結果進行檢測，比較同一GenAI在不同提問方式下生成的AIGC選題質量以及不同GenAI在挖掘優質選題方面的價值。

二、人工智能應用的結果分析

案例實踐中分別采用三種提問方式向ChatGPT和訊飛星火提出問題，均在15秒內成功獲取了相應的AIGC選題結果。

（一）ChatGPT的人工評估結果

ChatGPT生成的AIGC共產生了44項選題結果，AIGC選題總體統計結果見表2。具體而言，回答一（對提問一的回答）的秩和分別為內容邏輯性211、學科準確性255.5、選題時效性207、選題原創性189；回答二（對提問二的回答）的秩和分別為內容邏輯性249、學科準確性254.5、選題時效性252.5、選題原創性230.5；回答三（對提問三的回答）的秩和分別為內容邏輯性530、學科準確性480、選題時效性990、選題原創性570。對三次回答的效果進行比較，結果顯示，在內容真實性、學科準確性、選題時效性及選題原創性方面，三次回答的總體比較均無統計學差異（P＞0.05）。綜合三次回答，篩選出13項優質選題，占總選題的29.5%。

對三次回答分別在內容真實性、學科準確性、選題時效性及選題原創性方面具體得分情況進行分析，結果顯示，在選題時效性方面，三組提問方式所得回答總體比較結果有統計學差異（P＜0.05），結果見表3。進一步兩兩比較得出時效性為1～2年，問題二和問題三的提問方式在結果上有統計學差異（P＜0.05），結果見表4。

（二）訊飛星火的人工評估結果

通過訊飛星火的AIGC共獲得了45項選題結果，AIGC選題總體統計結果見表2。其中，回答一的秩和分別為內容邏輯性233、學科準確性208.5、選題時效性226.5、選題原創性為238；回答二的秩和分別為內容邏輯性186、學科準確性205、選題時效性223、選題原創性183.5；回答三的秩和分別為內容邏輯性616、學科準確性621.5、選題時效性585.5、選題原創性611.5。對三次回答的效果進行比較，結果顯示，在內容邏輯性、學科準確性、選題時效性及原創性方面，三次回答總體比較均無統計學差異（P＞0.05）。綜合三次回答，共計篩選出12項優質選題，結果占比27%，與ChatGPT29.5%的占比結果相比，兩者之間無統計學差異（P＞0.05）。

三、人工智能應用的實證效應

（一）ChatGPT實證效應

分析ChatGPT生成的44項選題結果，案例中的實踐價值影響分析主要包括：內容邏輯性，有39項選題內容經核實為真實可信，少量選題的專業價值有待商榷；學科準確性，有40項選題符合條件，少部分選題存疑，如“BIM技術在異地工程項目造價管理中的應用研究”，評審專家一致認為該選題缺乏專業屬性，其學科準確性存疑；選題時效性，有18項在時效性上表現欠佳，未能緊密貼合當前行業熱點，結果顯示，當提問要求明確清晰，且限定選題時效的不同區間，所得結果相較模糊提問有所不同，可在后續研究中以此為目標，進一步探索不同提問方式在各時效區間所得結果的差異；選題原創性，對比3種提問方式，結果顯示提問一與提問二的質量未見顯著差距，提問三的質量明顯高于提問一、提問二，說明分級提問能產生有效的AIGC結果。

（二）訊飛星火實證效應

分析訊飛星火生成的45項選題結果，有17項在時效性方面表現不足，與ChatGPT的結果質量相當。在內容邏輯性上，有41項選題內容真實可靠，但“數字孿生技術在工程造價風險管理中的應用”因缺乏工程造價領域純數字技術開發實例的支撐，其專業挖掘價值有限。在學科準確性方面，“綠色建筑政策對工程造價的影響研究”與“BIM數字技術對工程造價咨詢行業影響的理論分析”等選題，因概念過于寬泛，難以提煉出精確的專業選題方向。結果還顯示，提問三較提問一、提問二在GenAI生成選題的時效性與原創性上呈現出明顯差異，可見細化提問有助于產生高質量回答。

（三）人工智能的實證效應影響

實證測試表明，人工智能在科技期刊選題策劃應用中展現出了顯著優勢：首先，依托海量數據庫資源，GenAI能夠快速捕捉多維度理論視角，為選題策劃提供豐富的知識儲備與創新切入點；其次，通過開源架構的持續學習優化，系統展現出強大的數據處理能力和高度可擴展性，可高效完成選題輔助工作；再次，其便捷的交互特性大幅節省人力、時間成本，有效提升選題效率。由于ChatGPT與訊飛星火生成優質選題比例相近（29.5%和27%），證實不同GenAI工具在提質增效方面具有普適價值。

當然，目前人工智能仍面臨技術瓶頸：內容生成存在邏輯自洽缺陷與低概率虛構風險；受制于數據更新滯后性，選題時效性達標率不足40%；數據庫混雜性導致學科準確性偏差，約10%的選題偏離專業范疇；原創性受限于算法機制，AIGC難以突破既定范式創新。這些問題揭示了人工智能需在模型優化、時效追蹤和專業訓練等方面持續改進，才能實現高質量人機協同。

四、人機協同機制的路徑構建

研究對比計算機生成選題、人工判斷選題，以及人機協同的可行性，提出構建人機協同機制的實施路徑，以分層推進技術應用與人工決策的深度融合。

（一）構建動態知識圖譜與智能預篩系統

在數據驅動層，針對科技期刊專業性強、時效性要求高的特點，需建立智能化數據支撐體系。主要包括，其一，動態知識庫建設：通過大語言模型不斷抓取和積累海量學術數據庫、行業報告及政策文件，自動識別學科熱點與趨勢演變。[8]例如，在工程造價領域整合BIM技術最新案例、綠色建筑標準更新數據，生成可視化選題熱力地圖，輔助編輯快速定位前沿方向。其二，智能預篩機制：設置雙通道過濾規則——基于期刊歷史選題數據匹配相似主題，結合時效性閾值（如近3年文獻引用量變化）自動過濾過時或重復選題。實際測試顯示，該機制可減少無效選題，提升編輯決策效率。

（二）創建漸進式人機對話模型

在交互優化層，基于前期數據分析，編輯需去偽存真，找出提問點，拓展選題深度，構建人機雙向交互體系。主要包括，其一，樹狀提問系統：采用分級對話架構，首輪輸入關鍵詞（如“BIM技術”）獲取領域全景分析，次輪基于知識圖譜延伸分支方向（如成本控制、風險預警等8個二級節點），每個方向提供3～5個具體選題建議。其二，可視化協作平臺：左側展示人工智能生成的選題矩陣（含熱度指數、創新評分），右側設置人工標注區。編輯通過拖拽重組選題組合，系統自動學習操作偏好并優化推薦策略，以此提高選題創新方案的產出量。

（三）建立雙閉環優化機制

提升選題質量需構建人機雙重優化質量體系。因此，在質量保障層主要包括：其一，專家協同優化，搭建專家標注平臺，對人工智能選題進行邏輯修正、專業深度評級，標注數據實時反饋至系統，通過持續的平臺優化可使選題準確率有效提高。其二，動態評估矩陣，設置標準化和可量化指標（如熱點關聯度、方法創新指數等），系統根據學科動態自動調整權重。例如檢測到某領域文獻量激增時，自動強化選題時效性要求。

（四）建立學術誠信保障體系

在倫理規范層，GenAI選題應用需從倫理與法律角度審查AIGC版權問題，構建可信的人機協作環境。主要包括：其一，全流程溯源機制，記錄選題生成的數據來源、修改痕跡及審核記錄，確保內容可追溯，以此查重效率，減少學術爭議；其二，人機權責規范，制定操作指南，明確人工智能負責數據整合與趨勢預測，編輯把控學術價值判斷與倫理審查，可大幅減少版權糾紛，維護期刊學術誠信。[9]

五、結論

研究通過對比分析計算機生成選題、人工判斷選題及人機協同模式的特征，結合實證測試揭示了人工智能在科技期刊選題策劃中的協同效應與實現路徑，形成以下結論：效能互補機制的科學性，人工智能通過高效數據處理與多維度信息整合能力，實現選題方案的快速生成，編輯基于專業判斷完成深度篩選與優化，二者互補協同，顯著提升選題策劃的效率與創新性；流程重構的系統性突破，提出基于動態知識圖譜構建、漸進式人機交互、雙閉環質量優化的協同框架，推動選題策劃從經驗驅動向數據智能驅動轉型；實施路徑的可操作性，設計分層遞進策略，通過構建數據驅動、交互升級、質量保障、倫理規范的四維協同機制，為期刊智能化轉型提供技術解決方案。

隨著技術迭代與行業標準完善，未來研究可聚焦基于智能感知、人工決策、倫理約束等新型選題策劃方向，助力學術研究的創新發展。

參考文獻：

[1]秦艷華，李一凡.出版業應用人工智能大語言模型：現狀、挑戰與未來趨勢[J].中國出版，2024（5）：11-18.

[2]焦爽.融媒體時代學術期刊編輯選題策劃的全流程思考[J].傳播與版權，2024（9）：33-35.

[3]任安麒.數字出版領域智能語言模型的應用、風險與治理：基于ChatGPT技術特征的分析[J].出版科學，2023，31（3）：94-102.

[4]王婷瑜，張新俏，杜智濤.權力的解構與強化：ChatGPT重建知識生產秩序[J].數字出版研究，2024，3（1）：43-50.

[5]尤麗娜，周詩涵，周榮庭.“AIGC+”：虛擬現實媒介內容生產機制研究[J].出版科學，2024，32（3）：32-41.

[6]蔣建斌.大數據背景下同行評議的改進策略[J].中國傳媒科技，2021（8）：111-115.

[7]翁之顥.ChatGPT重塑職業編輯的三維路徑：業務邊界、認知邏輯與核心能力[J].中國編輯，2023（11）：71-76.

[8]蔣建斌.科技期刊同行評議中非共識問題的分析與對策[J].科技傳播，2024，16（24）：69-72.

[9]楊昆.人機關系之辯：基于人工智能生成內容著作權司法保護實踐的思考[J].中國編輯，2024（9）：44-51.

（作者單位：蔣建斌，中國建設工程造價管理協會；蔣昕，北京市經濟技術開發區疾病預防控制中心；張紅標，中國社會科學院研究生院）