人工智能通识教程 课件 第5讲 AI赋能学术研究

人工智能通识教程《人工智能》第5讲AI赋能学术研究人工智能通识教程章节目标LEARNINGOBJECTIVES‰掌握AI生成知识图谱的过程和方法；‰学会使用AI辅助阅读，提高阅读效率；‰掌握数据可视化的方法，能够借助数据可视化进行科学分析；‰了解AI产生的典型学术规范问题及应对措施；‰学会使用AI工具辅助学术研究，提高研究效率和质量。宋廷强等，《人工智能通识教程》，清华大学出版社，20265.1AI文献分析与知识图谱构建人工智能通识教程第5讲AI赋能学术研究宋廷强等，《人工智能通识教程》，清华大学出版社，2026挑战学术文献呈指数级增长，传统人工阅读与知识提取方式效率低下，研究者普遍面临“文献读不完、关键信息记不住、知识脉络理不清”的现实困境。机遇AI技术通过NLP与知识图谱等手段，可自动从海量文献中提取关键信息，构建结构化知识网络，助力研究者快速捕捉核心观点，高效把握领域研究全貌。语义理解与抽取→实体识别与建模→知识网络可视化→前沿趋势自动追踪学术文献的指数级增长正在重塑知识生产的格局，海量文本中蕴藏的学术脉络需要更智慧的发掘方式。这不仅是对效率的挑战，更是认知方式的革新。AI技术正为这一困境提供突破性的解决方案，其通过深度语义理解与结构化分析，将非线性的知识网络转换为可交互、可演化的智能图谱。5.1AI文献分析与知识图谱构建宋廷强等，《人工智能通识教程》，清华大学出版社，2026知识图谱知识图谱的基本概念知识图谱是一种以图结构表示知识的技术体系，核心在于通过“实体-关系-实体”的三元组形式，将分散的信息关联成网状结构。它突破了传统线性文本的局限，让知识的关联可视化、结构化，成为人工智能理解语义的关键基础。基本构成：实体与关系实体是文献与数据中的核心概念，如“图卷积神经网络”；关系则是实体间的语义纽带，如“属于”“提出”“应用于”，构建起知识的语义骨架。核心单元：知识三元组以“(实体1,关系,实体2)”为基本表达单元，将碎片化信息组织成结构化的知识网络，是机器理解和推理知识的最小语义载体，实现了知识的规范化存储。模式革新：对比传统综述摒弃传统线性文本的主观归纳与高更新成本，通过可视化交互展示概念关联；结合AI自动抽取实体关系，大幅提升效率，减少人为偏差与信息滞后。宋廷强等，《人工智能通识教程》，清华大学出版社，2026知识图谱构建的基石：NER实体识别与RE关系抽取01命名实体识别(NER)识别对象：聚焦方法名、数据集、评价指标等关键概念实体。技术演进：从基于规则匹配演进至BERT、GPT等深度学习模型，精准定位文本中实体位置并分类。02关系抽取(RE)核心目标：挖掘实体间语义关系（如“属于”“提出”“应用于”），输出结构化三元组(头实体,关系,尾实体)。技术挑战：需攻克关系重叠、长距离依赖及复杂语境下的语义歧义问题。非结构化文本输入→NER识别关键实体→RE抽取实体关系→生成结构化三元组AI工具赋能知识构建：将碎片化文本转化为机器可理解的结构化知识网络。AI工具赋能知识构建宋廷强等，《人工智能通识教程》，清华大学出版社，2026主流AI工具的文献分析能力解析不同AI工具在文献分析领域各有技术侧重，适配长文本、代码生成、外文理解及逻辑推理等差异化科研需求。1Kimi支持超长文本处理，NER与关系抽取(RE)能力突出，对中文语境理解深刻，是中文文献挖掘与分析的优选工具。2DeepSeek代码生成能力强大，原生支持Mermaid语法生成图表，适配需要将文献数据转化为代码分析或可视化的科研场景。3ChatGPT英文文献理解与处理能力卓越，插件生态丰富可拓展功能，适合以英文文献检索、综述为主的国际科研场景。4Claude拥有超长上下文窗口，逻辑推理与多文献对比分析能力突出，数据安全机制完善，适合敏感文献的深度研判。常用知识图谱AI工具宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：借助Kimi提取文献关键词并生成知识图谱假设我们已经在软件学报官方网站下载一篇学术论文《半监督场景下多视角信息交互的图卷积神经网络》，使用Kimi对这篇文献进行分析，并生成这篇文献的知识图谱。然后，单击上传按钮将刚才下载的文献上传，并在Kimi中输入如下关键词：“对文本内容进行命名实体识别（NamedEntityRecognition,NER）和关系抽取（RelationExtraction,RE），将识别到的实体【图卷积神经网络】和其他实体之间的关系按照严谨的实体关系三元组的方式进行返回，规则是：实体1，关系名，实体2，输出格式为Markdown表格。”。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：借助Kimi提取文献关键词并生成知识图谱这些数据清晰地展示了图卷积神经网络的技术属性（如“是一种卷积图神经网络”）、应用场景（如“用于节点分类”）、方法创新（如“与自注意力机制结合”）以及与其他模型的对比关系（如“与Co-GCN对比”）。通过可视化呈现，研究者能够快速把握该文献的核心贡献与技术脉络，形成对研究领域的系统性认知。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：借助Kimi提取文献关键词并生成知识图谱注：Mermaid通过简单的文本语法即可定义层级关系，工具会自动生成结构化的树状/图谱状视觉图形，极大降低了知识可视化的技术门槛。此时Kimi会对上传的文献进行深度语义解析，依次执行命名实体识别和关系抽取两项核心任务，并反馈如图5-3所示的执行结果。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：借助Kimi提取文献关键词并生成知识图谱在Kimi对话框中输入包含以下核心内容的提示词，要求其基于已有的实体关系三元组，使用Mermaid语法中的mindmap模块生成层次化知识图谱。上面生成的Mermaid代码通过标准渲染工具即可转化为直观的知识图谱，其可视化效果如图5-6所示。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：借助Kimi提取文献关键词并生成知识图谱宋廷强等，《人工智能通识教程》，清华大学出版社，2026Mermaid语法详解Mindmap核心语法以双括号((内容))定义根节点主题，通过2个空格的缩进表示一级分支，逐级缩进可构建多层级的概念网络，语法简洁且层级逻辑清晰。层级表达逻辑缩进是核心的层级表达符号，无需复杂标签即可实现概念的父子关联，同时支持通过不同符号扩展节点属性，适配各类知识梳理场景。定义根主题→梳理分支层级→校验实体关系→生成可视图谱知识图谱质量评估四维标准需兼顾完整性（覆盖核心概念）、准确性（实体关系无误）、层次性（层级划分合理）与可读性（可视化直观清晰），确保图谱的实用价值。宋廷强等，《人工智能通识教程》，清华大学出版社，20265.1小结：AI文献分析与知识图谱构建核心回顾：AI驱动的文献知识图谱构建全流程与关键能力1知识图谱认知理解知识图谱的基本概念与价值，掌握其核心要素。2技术方法理解NER和RE的基本原理，掌握AI提取实体关系的方法。3工具应用学会使用Kimi等工具自动提取文献实体关系，生成三元组表格。4可视化技能掌握Mermaid语法，能将三元组数据渲染为可视化知识图谱。5工具选型了解不同AI工具的特点，能根据需求合理选择。5.2AI论文阅读与摘要提炼人工智能通识教程5AI赋能学术研究宋廷强等，《人工智能通识教程》，清华大学出版社，2026传统模式采用线性浏览方式，从第一页逐页读到最后一页，信息获取路径冗长，缺乏针对性，整体阅读与信息筛选效率较低。AI新模式以自然语言提问为核心，让系统直接定位最相关的信息段落，跳过无关内容，实现知识的精准检索与快速获取。语义理解与问答→段落翻译与解析→公式图表自动识别→多文对比与摘要能力总结与价值AI辅助阅读重构了知识获取逻辑，将被动的信息接收转变为主动的精准检索，大幅降低阅读门槛并提升科研效率。5.2AI论文阅读与摘要提炼宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：借助ChatDOC对英文文献进行智能阅读与知识提炼ChatDOC

作为一种基于GPT架构的AI阅读辅助工具，能够深度理解用户上传的文档内容，并通过自然对话的方式帮助用户快速获取关键信息、提炼核心观点、解答专业问题。ChatDOC的官方网站为https://chatdoc.site/。进入页面后，单击醒目的“Tryforfree”按钮即可进入免费试用流程，无需复杂注册即可体验核心功能宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：借助ChatDOC对英文文献进行智能阅读与知识提炼单击上图“Clickordraganddroptoupload.”按钮，上传一篇名为“YOLO-faceareal-timefacedetector.pdf”的文献宋廷强等，《人工智能通识教程》，清华大学出版社，20261 全文内容提问上传文献后，ChatDOC能够自动分析文献内容，并在页面右下角智能生成与论文主题紧密相关的推荐问题。例如，针对人脸检测文献，系统会提供问题：“WhatarethemainimprovementsintroducedintheYOLO-facemodelcomparedtoYOLOv3forfacedetection?”用户单击“发送该问题”钮后，ChatDOC将基于对整篇文献的深度理解，精准定位文中关于模型改进的核心论述，系统性地总结出YOLO-face相较于YOLOv3在架构设计、性能优化等方面的关键创新点。宋廷强等，《人工智能通识教程》，清华大学出版社，20262 特定内容的交互式精读ChatDOC支持用户通过直接选中文本、公式或表格等特定内容进行针对性提问，实现精准、高效的精读。1）段落翻译与理解选中英文段落后，在交互窗口输入“翻译”并发送指令，ChatDOC可即时输出准确的中文译文，如图5-11所示。该功能不仅消除了语言障碍，还能结合上下文保持术语一致性，帮助用户快速理解技术细节。宋廷强等，《人工智能通识教程》，清华大学出版社，20262 特定内容的交互式精读2）公式解析与说明对于文献中的数学公式，用户可选中公式并提问“解释该公式”。ChatDOC将识别公式中各符号的数学与物理意义，说明其在模型中的作用，并解释公式与上下文的逻辑关联，帮助用户理解模型设计的理论基础。宋廷强等，《人工智能通识教程》，清华大学出版社，20262 特定内容的交互式精读3）表格数据分析当用户选中实验数据表格，并提问“解释表格”时，ChatDOC能够提取表格中的关键指标，对比不同模型或设置下的性能差异，总结实验发现的规律与结论，辅助用户快速把握实验研究的核心发现。宋廷强等，《人工智能通识教程》，清华大学出版社，20262 特定内容的交互式精读4）全文摘要生成用户还可通过提问“生成文章摘要”，要求ChatDOC自动提炼全文的核心内容。系统将综合论文的研究背景、方法、结果与结论，生成结构完整、重点突出的中文摘要，如图5-17所示，为用户提供快速概览全文的参考资料。5.2小结：AI论文阅读与摘要提炼AI正在深刻改变我们阅读论文的方式。传统的线性阅读模式效率低下，而AI辅助阅读允许我们像使用搜索引擎一样，通过提问来精准获取信息。ChatDOC能够以高度交互、精准适配的方式，辅助用户完成从全文概览到细节精读的多层次文献处理任务。无论是跨越语言障碍、解析专业公式，还是总结数据表格、生成内容摘要，该工具均展现出高效、智能的文献辅助能力，显著提升了学术文献阅读与知识提炼的效率与深度。5.3数据可视化与分析人工智能通识教程第5讲AI赋能学术研究宋廷强等，《人工智能通识教程》，清华大学出版社，20265.3数据可视化与分析从自然语言到可视化分析流程01数据准备与上传整理CSV/Excel原始数据，一键接入AI分析平台，完成基础数据治理→02指令输入与编码自然语言描述分析需求，AI自动生成Python代码，本地Jupyter/VSCode快速执行→03可视化与分析多维度生成图表可视化结果，快速探索数据内在关联，精准解读业务规律01降低技术门槛无需熟练掌握Python编程语法，普通业务人员通过自然语言即可发起复杂数据分析请求，打破技术壁垒，让数据分析触手可及。02极速生成可视化从需求描述到生成多类型图表仅需数秒，替代传统手工编写代码、调试参数的繁琐过程，大幅压缩从数据到结果的产出周期。03支持探索性分析可低成本快速尝试折线图、柱状图、散点图等多种可视化方式，灵活切换分析维度，帮助用户在探索中发现未知的数据价值与业务机会。宋廷强等，《人工智能通识教程》，清华大学出版社，2026AI辅助数据分析的技术原理核心引擎基于NL2Code技术将自然语言分析需求转化为Python代码，依托隔离沙箱环境执行代码，确保运行安全与结果准确性，实现需求到执行的无缝衔接。智能适配自动匹配Pandas、NumPy等Python数据科学库完成计算，依据数据类型与分析目标智能推荐Matplotlib、Seaborn等最优可视化图表样式。需求输入→NL2Code转换→沙箱代码执行→智能图表输出生态支撑与价值无需人工编写代码，AI依托成熟的Python数据科学生态自动完成数据处理、计算与可视化，让数据分析从“编程门槛”走向“自然语言交互”。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：对意大利北部城市的气象数据分析1.数据准备与工具选择选取意大利北部重要城市Torino（都灵）的气象观测数据作为研究对象。原始数据以表格形式呈现其包含温度、湿度、气压、风速及天气状况等多个气象要素的时序观测记录。选择DeepSeek作为主要辅助工具。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：对意大利北部城市的气象数据分析2.代码生成与执行1）数据上传与指令输入打开DeepSeek平台（）后，首先上传Torino气象数据文件。在对话界面中输入具体分析指令：“使用Python对表中数据进行可视化分析”如图5-19所示，系统将自动识别文件格式并理解分析需求。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：对意大利北部城市的气象数据分析2.代码生成与执行2）代码生成与返回DeepSeek接收到指令后，会生成完整的Python数据分析代码；同时，系统会提供对数据特征的初步分析结果，帮助用户快速把握数据概况。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：对意大利北部城市的气象数据分析2.代码生成与执行3）本地环境配置有执行为确保代码顺利运行，需要在本地搭建Python运行环境。推荐使用Anaconda3集成环境，其中的JupyterNotebook工具非常适合交互式数据分析。在Jupyter界面中创建新的Python环境后，打开JupyterNotebook，选择New→Python[condaenv:base]，将DeepSeek生成的代码完整复制到代码编辑器中，逐段或整体执行代码即可获得分析结果。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：对意大利北部城市的气象数据分析3.可视化结果解读运行生成的代码后，系统自动输出多维度可视化图表，全面展现气象数据的时间变化特征。宋廷强等，《人工智能通识教程》，清华大学出版社，2026设计示例：对意大利北部城市的气象数据分析3.可视化结果解读综合分析结论基于以上可视化分析，可以得出以下结论：2015年6月27—28日都灵地区呈现出典型的夏季大陆性天气特征—昼夜温差显著（约11℃），白天晴朗干燥，夜间湿度增加，气压呈现缓慢下降趋势，整体风速较小，天气状况以晴天为主。该分析可作为了解当日天气变化的参考，并为后续长期气象分析提供基础。宋廷强等，《人工智能通识教程》，清华大学出版社，20265.3小结：AI驱动的数据可视化分析宋廷强等，《人工智能通识教程》，清华大学出版社，2026经过本节的学习，我们掌握了利用AI生成分析代码的完整流程。借助于AI工具，可以提升我们的可视化素养，熟悉Python数据科学生态。这些知识将帮助我们更高效地进行数据驱动的研究。5.4科研协作与学术规范人工智能通识教程第5讲AI赋能学术研究宋廷强等，《人工智能通识教程》，清华大学出版社，2026技术基石：检测体系构建依托AI技术建立双重检测防线：一是识别文本原创性的AI查重机制，二是甄别内容真实性的虚假信息检测系统，筑牢学术内容的质量门槛。伦理核心：边界与责任界定明确合理AI辅助的学术诚信边界，制定负责任的AI使用规范，要求使用者公开AI使用细节，确保学术创作过程的透明性与合规性。AI查重判定+虚假信息甄别+诚信边界厘清+责任规范落地核心辨析：查重与虚假信息检测的本质差异AI查重聚焦“文本来源”，判断是否存在抄袭或过度引用；虚假信息检测聚焦“内容事实”，验证信息是否失真，二者协同维护学术的真实性与原创性。5.4科研协作与学术规范宋廷强等，《人工智能通识教程》，清华大学出版社，2026AI查重AI查重主要利用自然语