2025年大学认知科学与技术专业题库- 认知科学与技术的信息检索

2025年大学认知科学与技术专业题库——认知科学与技术的信息检索考试时间：______分钟总分：______分姓名：______一、选择题（每小题2分，共20分。请将正确选项的首字母填涂在答题卡相应位置）1.在信息检索系统中，衡量检索结果与用户信息需求满足程度的关键指标是？A.索引大小B.查询响应时间C.相关性D.数据库容量2.布尔检索模型主要基于什么逻辑运算来组合关键词，以表达用户的精确信息需求？A.向量空间B.概率统计C.逻辑与（AND）、或（OR）、非（NOT）D.机器学习3.在向量空间模型中，文档D和查询Q的相关性通常通过计算它们的向量夹角或余弦相似度来衡量，这个相似度主要反映了？A.词语出现频率B.词语在文档和查询中的重要性C.词语的语义相关性D.词语的词性4.TF-IDF模型中，IDF（逆文档频率）值的增大意味着？A.词语在当前文档中出现的次数增多B.含有该词语的文档数量增多C.含有该词语的文档数量减少D.词语在所有文档中的平均出现频率增加5.下列哪项技术不属于信息检索系统的核心组成部分？A.文档索引构建B.查询处理与理解C.用户行为分析D.硬件存储系统6.用户在输入查询时，常常使用多个同义词或近义词，这种现象在信息检索中被称为？A.查询扩展B.查询歧义C.相关性抑制D.检索效率低下7.根据认知心理学理论，用户在检索信息时，其信息需求往往经历一个从模糊到清晰的过程，这主要受到什么因素的影响？A.系统界面设计B.用户已有知识水平和动机C.检索结果呈现方式D.网络带宽速度8.“认知负荷理论”可以用来解释用户在浏览大量检索结果时，为何难以有效处理和吸收信息？A.因为用户注意力有限，过多的信息超出了工作记忆的容量B.因为搜索引擎排序算法不够智能C.因为用户输入的查询不够精确D.因为显示结果的页面设计不够美观9.用户对检索结果的评估是一个复杂的认知过程，可能涉及对结果来源的信任度判断、内容的相关性判断以及信息获取成本的权衡，这体现了信息检索中的？A.社会认知因素B.认知偏见效应C.认知评价过程D.情感计算技术10.个性化信息推荐系统在提升用户体验的同时，也可能导致用户陷入“信息茧房”效应，从认知角度看，这主要是因为？A.系统过于依赖用户的初始偏好B.算法缺乏透明度C.用户缺乏主动探索的意愿D.网络环境存在信息污染二、简答题（每小题5分，共20分。请将答案写在答题纸相应位置）1.简述信息检索系统中，查准率（Precision）和查全率（Recall）的含义及其之间的关系。2.用户在执行信息检索任务时，通常需要经历哪些主要的认知阶段？请简要说明。3.什么是查询扩展？它通常采用哪些主要的策略？并简述其背后的认知动机。4.简述用户界面设计在信息检索系统中应如何考虑用户认知特点，以提高检索效率和用户满意度。三、论述题（每小题10分，共30分。请将答案写在答题纸相应位置）1.结合认知心理学中的心智模型理论，论述用户是如何理解和使用信息检索系统的？系统设计应如何利用心智模型来降低用户的学习成本，提高交互的流畅性？2.用户在信息检索过程中表现出的认知偏差（如确认偏差、锚定效应等）可能如何影响其查询行为和最终获得的信息结果？信息检索系统应如何设计才能在一定程度上缓解这些偏差带来的负面影响？3.探讨深度学习技术在信息检索领域的应用前景，例如在查询理解、结果排序、用户行为预测等方面。并分析这些技术发展可能对人类信息获取能力和认知模式带来的潜在影响。试卷答案一、选择题1.C2.C3.B4.C5.D6.B7.B8.A9.C10.A二、简答题1.查准率（Precision）指在检索到的文档中，与用户信息需求相关的文档所占的比例。计算公式为：Precision=相关文档数/检索到的总文档数。查全率（Recall）指在所有与用户信息需求相关的文档中，被检索系统成功检索到的文档所占的比例。计算公式为：Recall=相关文档数/相关总文档数。关系：查准率和查全率通常存在权衡关系（Trade-off），提高查准率可能导致查全率下降，反之亦然。理想情况是两者同时达到较高水平。2.用户信息检索过程通常包括：1.意图形成/需求定义：用户意识到信息缺乏，并开始形成初步的信息需求。2.查询形成/表达：用户尝试将抽象的信息需求转化为具体的查询语句（关键词、短语等）。这一步涉及对语言、检索系统能力的认知。3.查询执行/检索：用户将查询提交给检索系统，系统执行检索操作。4.结果评估/理解：用户接收检索结果，评估其相关性，理解文档内容。5.结果选择/获取：用户根据评估选择相关文档，并获取所需信息。6.反馈与迭代（如果需要）：如果结果不满足需求，用户可能调整查询或采用其他策略重复上述过程。3.查询扩展是指在初始查询的基础上，系统自动或根据用户行为添加更多相关词语，以形成更丰富、更全面的查询，目的是提高检索的查全率，减少用户信息遗漏。主要策略：1.词典/同义词扩展：利用词典或语义网络，将查询中的关键词扩展为其同义词、近义词或下位词。2.基于统计的扩展：利用词语在文档集合或用户查询中的统计信息（如逆文档频率IDF、词语共现等），选择与初始查询相关且权重较高的词语进行扩展。3.基于用户行为的扩展：分析用户在检索过程中的行为（如点击、停留时间、查询修正等），将用户行为中体现的相关词语加入查询。认知动机：用户的初始查询往往不够全面，可能遗漏相关概念或使用不同术语表达同一概念。查询扩展利用了词语间的语义关联和用户的隐含知识，旨在帮助用户跨越认知障碍，更接近其真实的、完整的信息需求，从而更有效地找到所需信息。4.用户界面设计应考虑认知特点：1.简化认知负荷：界面布局清晰、操作直观简单，减少用户的记忆负担和操作复杂度。2.符合心智模型：设计应基于用户对信息检索系统“应该如何工作”的预期（心智模型），提供一致、可预测的交互方式，避免使用户感到困惑。3.提供有效的反馈：检索过程和结果应提供清晰、及时的反馈，帮助用户理解系统状态和结果的相关性。4.支持查询构建与修正：提供方便的查询输入、自动完成、查询建议、查询历史回顾和修正功能，辅助用户表达和调整信息需求。5.结果呈现清晰化：采用合适的格式（如摘要、高亮、聚类）展示结果，帮助用户快速评估相关性，降低信息过载。6.个性化与自适应：根据用户偏好和历史行为调整界面和结果呈现，提升用户体验。通过这些设计，可以降低用户的学习成本，减少认知错误，提高检索效率和满意度。三、论述题1.心智模型理论认为，用户在使用一个系统之前，会基于过去的经验、知识以及对同类系统的了解，在头脑中形成一个关于系统如何运作的内部模型。在信息检索中，用户会形成一个关于搜索引擎如何工作、如何提出有效查询、结果如何排序等的心智模型。用户理解和使用系统：用户依据其心智模型来预测系统的行为，尝试不同的查询方式，并根据预期的结果来评估系统的表现。例如，用户可能认为包含更多关键词的查询会得到更全面的结果，或者认为某些结果排名靠前是因为它们更权威。系统设计利用心智模型：设计者可以利用用户已有的、正确的或常见的心智模型，使系统行为符合用户预期，降低学习曲线。例如，提供直观的界面和操作逻辑。设计者也可以引导用户形成正确的、更有效的检索心智模型，例如通过帮助文档、查询指导、相关性反馈等方式，帮助用户理解哪些查询方式更可能获得满意结果。降低学习成本：当系统行为与用户心智模型一致时，用户无需花费过多认知资源去理解系统，可以更快上手。提高交互流畅性：用户能够基于心智模型进行预测和调整，使得查询-反馈循环更加顺畅，遇到问题时也能更快地诊断原因并找到解决方案。例如，如果用户知道系统支持查询扩展，他们就更可能尝试输入核心概念，而不是大量同义词。2.认知偏差对检索行为和结果的影响：确认偏差导致用户倾向于搜索和关注支持自己已有观点的信息，忽略或低估相反的证据，导致检索结果偏向性明显，难以形成全面、客观的认识。锚定效应则使用户过早受到某个信息（如第一个搜索结果、他人推荐）的影响，后续检索和判断容易围绕这个“锚点”展开，限制了探索的广度。可用性启发式可能让用户过度依赖简单的规则（如“带数字的标题一定更权威”）来评估相关性，导致判断失误。这些偏差会扭曲用户的检索策略，使其查询不够全面，最终获得的信息结果也无法真实反映客观的相关性，甚至可能加剧认知偏见。系统设计缓解负面影响：1.提供多样化结果视图：不仅按传统排序，也提供基于不同维度（如时间、来源多样性、观点平衡）的结果视图，帮助用户看到更全面的图景，对抗确认偏差。2.透明化排序机制：解释部分排序因素（如相关性、权威性、时效性），减少用户对算法的不了解和潜在操纵。3.鼓励探索性检索：提供随机推荐、探索性搜索工具（如概念图、关联网络），鼓励用户跳出固有认知框架。4.提示潜在偏差：在适当时候（如用户长时间只关注某一类观点时），可subtly提示用户“您可能想看看不同观点的信息”，进行温和提醒。5.强调结果评估维度：引导用户从多个角度评估结果，而不仅仅是主观感觉。6.个人化与多样化的平衡：在提供个性化推荐的同时，确保推荐结果具有一定程度的多样性和对少数群体的覆盖，避免信息茧房。通过这些设计，可以在一定程度上帮助用户意识到自身认知偏差的存在，并提供辅助手段，使其检索过程更接近客观探索，结果更趋全面。3.深度学习在信息检索的应用前景：查询理解：深度学习模型（如BERT）能更好地理解查询中的词语语义、上下文含义乃至隐含意图，有效处理查询歧义和同义词问题，提升查准率。结果排序：复杂的深度学习排序模型（如DSSM,LambdaMART结合深度特征）能够融合多种特征（包括文本特征、用户特征、上下文特征），学习更精细的排序函数，预测用户点击率等目标，显著提升搜索结果的相关性和用户体验。用户行为预测：利用深度学习分析用户点击流、浏览时长、查询修正等序列行为数据，可以更准确地预测用户长期兴趣和潜在需求，用于个性化推荐和动态查询扩展。应用前景广阔，有望解决传统方法难以处理的语义理解、跨语言检索、个性化精度等难题。对人类信息获取和认知模式的潜在影响：积极方面：可能使信息获取更高效、更精准，帮助用户在海量信息中快速找到所需；个性化的深度推荐可能满足用户特定需求。消极方面/挑战：1.加剧信息茧房和过滤气泡：深度学习可能基于用户历史行为进行极度的个性化推荐，导致用户视野变窄，接触不到不同观点和信息。2.降低信息发现性：过度优化点击率可能导致结果过于“符