ChatGPT類大模型融入高校思想政治教育的模型建構探賾

摘 要：鑒于ChatGPT等大語言模型的發展，大模型已經在教育與培訓、制造業、金融業、醫療健康、科研與創新等多個行業和領域展現出巨大的應用潛力。運用人工智能和自然語言處理技術，基于Transformer架構，以資源構建、模型設計算法和安全保障為核心路徑，構建了數據、模型、應用、服務、運維和反饋六層架構，并系統分析了思政大模型搭建過程中可能遇到的數據收集、模型訓練優化、系統集成與部署、學生體驗反饋，以及倫理責任和保密性等問題，提出了基于數據共享、模型偏見消除、系統性能優化、用戶界面設計與倫理審查機制等維度的解決方案。

關鍵詞：高校思政工作;生成式人工智能;大語言模型

中圖分類號：G641 文獻標識碼：Ａ 文章編號：１００９ — ２２３４（２０24）07 — ００23 — ０7

一、問題的提出

黨的十八大以來，習近平總書記極具前瞻地將人工智能發展提升至國家戰略層面，多次發表重要講話，為我國人工智能領域的發展指明了方向，確立了基本原則［1］。近年來，隨著Transformer架構的興起，尤其是BERT、GPT等預訓練模型的突破性成功，自然語言處理領域邁入了深度學習的新階段，生成式人工智能作為這一領域的關鍵分支實現了歷史性飛躍，能夠基于海量數據學習來生成文本、圖像乃至音頻等多種形式的內容，教育也在這種背景下不斷塑造新的形態［2］。我國在生成式人工智能領域亦取得了顯著進展。這對高校的思想政治工作提出了挑戰，也開辟了新的發展機遇。新時代高校思政工作面臨新形勢新任務，必須有新氣象新作為［3］，人工智能更需要在人們日常工作、學習、生活中的深度運用，創造更加智能的學習方式、工作方式和生活方式［4］。因此，構建一個針對高等教育專業化的思政大語言模型，不僅是對國家加強和改進思想政治工作、加快推進教育現代化的積極響應，也為思政教育工作的創新與發展注入了強勁動力。

在技術層面上，人工智能（AI）與自然語言處理（NLP）技術的飛速發展為特定領域語言模型的應用提供了堅實的技術支撐。這些模型通過大規模無監督學習，已經在問答系統、文本生成、情感分析等多個領域展現了卓越的性能，特別是針對特定領域的微調技術，能夠使模型在保留廣泛知識的同時，掌握特定領域的專業語言風格和知識體系。未來的通用模型將迎來一種新的范式轉變［5］，即向著面向特定專業領域的大模型發展［6］。這一趨勢在國外醫療領域已經顯現，例如康復領域［7］和腫瘤學［8］，同時引發了對企業環境中大模型安全性的探討［9］。中文的專業大語言預訓練模型也隨之興起［10］，在醫學［11］、金融［12］及文化［13］等領域已建立起專業模型。鑒于此，從政策導向、技術成熟度、數據基礎，以及現實的迫切需求來看，構建思政大語言模型不僅是可行的，而且是推動高校思政教育高質量發展的必然選擇。

二、思政大語言模型構建的路徑、功能與架構體系

思政大語言模型是指一種基于大語言模型（如GPT、BERT等）的智能化教育工具，專門用于高校思想政治教育。通過整合和分析大量的思政教育資源，利用人工智能和自然語言處理技術，實現智能問答、個性化學習資源推薦、學習進度跟蹤、輿情分析等功能。以下從思政大語言模型的構建路徑、功能建構和架構體系分別闡釋。

（一）思政大語言模型的構建路徑

思政大語言模型從本質上看是一個人工智能的大語言模型，其核心在于數據資源的深度整合與管理、模型設計的創新與適用性、算法技術的定向研發與倫理嵌入，以及安全保障機制的周密部署與持續監督。

1.資源層構建。構建思政大語言模型的首要步驟是建立一個豐富、規范且持續更新的資源庫。這一過程需整合廣泛的思政資源，主要包括國家政策法規、經典理論教材、權威案例分析、時事評論文章、多媒體教學視頻及音頻資料等。為確保資源的規范性，需設立一套標準化的文本處理流程，對收集的資料去噪、歸類與標注，形成高質量的訓練語料。對保密性問題，可采取分級管理制度，對敏感信息加密處理，并限定特定權限的訪問；同時，通過建立反饋激勵機制，鼓勵各級教育機構與學者貢獻最新研究成果，確保資源庫的時效性和全面性，解決資源更新動力不足的難題。

2.模型設計。模型設計需充分考慮高校思政工作的特殊性和現實需求，設計一個既能處理文本又能融合圖像、音頻等多模態信息的復合型架構。采用Transformer等先進模型作為基礎，結合注意力機制和跨模態融合技術，確保模型能夠理解并生成蘊含深刻思想內涵的多形式內容。此外，模型設計還需預留接口，以便未來接入更多類型的數據源，如虛擬現實（VR）、增強現實（AR）等新興教育工具，以適應未來思政教育的多元化需求。

3.算法與技術。針對思政教育的價值導向性，選擇或開發專有的訓練算法至關重要，可以探索結合強化學習與監督學習的方法，讓模型在模擬真實世界的價值判斷和道德決策的過程中學習，確保輸出內容的正確價值取向。此外，引入知識圖譜技術，將抽象的思政理念與具體實例相結合，增強模型的知識理解和推理能力。算法設計時，還應考慮持續學習機制，使模型能在新數據輸入時自我優化，保持對最新政策和理論動態的敏感性。

4.安全保障。安全問題是構建思政大語言模型不可忽視的環節。在數據收集與處理階段，應嚴格遵守《網絡安全法》等相關法律法規，確保個人隱私和數據安全。建立多層次的數據安全防護體系，包括數據加密傳輸、訪問控制、異常監測等技術手段。在內容審查上，采用自動化與人工相結合的方式，對模型生成內容進行嚴格的倫理與合規性篩查，防止不當言論或不良信息的輸出；同時，構建倫理審查委員會，對模型的設計、訓練及應用進行定期評估，確保其符合社會主義核心價值觀和教育倫理標準。

（二）思政大語言模型的功能建構

思政大語言模型由一個可視化綜合展示模塊和六個業務子系統組成，功能結構如圖1所示。核心功能是實現思政類問題的智能問答，能夠與使用者進行互動討論，并進行學習跟蹤，即記憶功能，以及反饋功能和資源推薦功能，還包括數據管理、模型訓練、系統集成與運維監控等多功能模塊。

1.核心功能。一是智能問答。利用自然語言處理（NLP）和深度學習技術，智能問答系統能夠理解并精準回應學生的思政問題，提供即時、權威的解答，促進思政相關知識的深度學習和快速傳播。通過構建龐大的問題——答案數據庫，系統得以持續學習，不斷提升回答的準確性和豐富度。智能問答功能是思政大語言模型的核心，通過自然語言處理技術，模型能夠理解用戶的提問，并提供準確、詳盡的回答。涵蓋了馬克思主義理論、中國特色社會主義理論體系、習近平新時代中國特色社會主義思想、黨的政策方針等內容。智能問答功能依賴于數據管理功能提供的數據和模型訓練功能提供的訓練結果。二是互動討論。通過模擬與用戶的對話，引導用戶思考和理解思政理論和實際問題。互動討論功能不僅能回答問題，還能進行深入的討論，幫助用戶更好地理解和掌握思政知識。該功能在智能問答功能的基礎上，能夠實現更高層次的互動。構建基于AI輔助的在線互動論壇，利用語義分析技術對討論內容進行分類、排序，促進有價值的思政議題深入探討。平臺鼓勵學生間的觀點碰撞與知識共享，提升學生的思辨能力和團隊協作精神，營造活躍的學術氛圍。

2.輔助功能。學習資源推薦功能能夠推薦相關的學習資源，如文章、視頻、書籍等；該功能依賴于智能問答功能來獲取學生的需求，并依靠數據管理功能存儲和檢索學習資源，為學生提供個性化的學習材料。學習進度跟蹤功能記錄學生的學習過程，并提供個性化的學習建議和目標設定。通過分析學生的學習軌跡，模型可以提供系統化的學習計劃，幫助學生逐步掌握思政知識。該功能依賴于學生的互動記錄和數據管理功能存儲用戶數據。反饋收集功能通過學生反饋機制，收集學生對系統的評價和建議，以便于系統優化。學生可以評價回答的質量，并提供改進建議，幫助模型不斷提升。這一功能依賴于核心功能和輔助功能的學生使用數據。

3.數據管理功能。數據即語料基礎，需要不斷更新，數據管理主要包括數據采集和數據清洗以及預處理。數據采集功能通過自動化工具，從教材、學術論文、政策文件、教學視頻等多渠道收集思政相關數據，確保模型具備豐富的知識庫。數據采集作為數據清洗與預處理的輸入。數據清洗與預處理功能對采集的數據進行清洗和預處理，包括去重、格式標準化、去除敏感信息和分詞與標注。經過處理的數據為模型訓練功能提供高質量的輸入數據，確保模型訓練效果。

4.模型訓練功能。模型選擇與初始化階段，可依托于深度學習框架，選擇適合思政教育場景的預訓練模型，如基于Transformer架構之上的BERT、GPT-4，以及Qwen2-72B等模型均通過對模型參數進行恰當的初始化配置。

模型訓練功能使用預處理后的數據，對預訓練模型進行多輪次訓練，調整超參數，優化模型性能。訓練后的模型結果為智能問答和其他應用功能提供支持。模型微調功能根據具體的應用需求，對已經訓練好的模型進行微調和優化。通過微調，模型在特定任務上的表現得到進一步提升，確保其在實際應用中的準確性和有效性。利用大規模無監督學習對模型進行初步訓練，隨后，結合有監督學習進行微調，使模型精準理解思政領域特有的語言模式和知識體系。微調過程包括參數調整、超參數優化等，確保模型的泛化能力和領域適應性。

5.系統集成與部署。前端界面設計功能為學生提供友好的交互界面，支持多設備訪問，確保學生能夠方便地使用系統功能。前端界面設計依賴于后端服務管理實現學生與模型的交互。后端服務管理功能支持前端服務的邏輯處理和數據管理，確保系統的穩定運行。該功能還包括數據加密、訪問控制和日志管理，確保數據和系統安全。云端與本地部署功能根據實際需求，提供靈活的部署方案，滿足不同高校的需求。通過合理的部署，確保系統的高效運行和學生的無縫體驗。

6.運維與監控功能。系統監控功能實時監控系統運行狀態，發現并解決異常情況。通過監控工具，確保系統的穩定運行，及時發現并排除故障。性能優化功能定期分析系統性能，優化系統架構和運行效率。通過性能優化，提高系統的響應速度和運行效率，確保學生體驗。支持功能提供技術支持和專業培訓，確保學生能夠順利使用系統功能。通過技術支持和培訓，以利于充分發揮系統的功能優勢。

（三）思政大語言模型的架構體系

架構體系是確保思政大語言模型從底層數據到頂層服務都能高效運作的關鍵。綜合了國外專業大模型設計思路［14］，參考了國內情報學大模型構建的思路［15］，借鑒了社會治理云平臺的實際思路［16］，將思政大語言模型的架構分為數據層、模型層、應用層、服務層、運維層和反饋層，圖2所示。

1.數據層。數據層是思政大語言模型的基礎，其設計與實施凸顯了對多元化數據源的精細管理與深度整合。此層要有多種來源的數據，包括教材、學術論文、政策文件、教學視頻等。確保數據來源的權威性和全面性。從政策文件、學術論文、經典案例等豐富來源中精心篩選并采集信息，數據清洗：去重、格式標準化、去除敏感信息。通過數據處理，確保數據的高質量和高一致性。還可以通過高級數據清洗技術剔除冗余與噪聲，確保數據的純凈性。數據預處理：分詞、標注、構建專用詞庫與術語庫。提升數據的可用性和模型對數據的理解能力。在整合過程中，運用數據融合策略，將異構數據源無縫連接，構建一個高度關聯且結構化的數據倉庫。采用分布式存儲技術，如Hadoop或Spark等大數據處理框架，不僅提升了數據存儲的彈性與擴展性，還通過復制與分散存儲策略，增強了數據安全性和訪問效率，為模型訓練提供了一個堅實且高效的資源庫。

2.模型層。模型層的核心在于構建能夠深刻理解思政內涵并生成精準內容的智能化模型。此過程目前的主流是采用預訓練模型，如BERT、GPT等架構，依托大規模無監督學習，在海量文本語料中捕捉語言規律與上下文關系。隨后，通過細致的有監督微調，模型被進一步調校以適應思政教育領域特有語言模式與知識體系，包括但不限于政策解讀、價值觀引導、案例分析等。模型選擇、訓練與優化策略均需經過嚴格評估與測試，確保模型在專業性、準確性和泛化能力上的卓越表現，從而實現對思政教育內容的深度理解和有效生成。

3.應用層。應用層直接對接終端使用者學生，將模型的智能潛力轉化為直觀、實用的教育服務。智能問答系統，依托自然語言處理（NLP）技術，實現對復雜問題的即時理解與精準反饋，提升學生的互動體驗與學習效率。支持用戶通過自然語言交互獲取思政知識和解答問題。提供高質量的問答服務，滿足學生的學習需求。根據學生的提問和興趣，推薦相關的學習資源。通過推薦系統，幫助學生拓展學習資源。記錄學生的提問歷史和學習進度，提供個性化的學習建議和目標設定，進而幫助學生系統化地學習和掌握思政知識。基于學習行為分析模型與機器學習算法，深度挖掘個體學習偏好與知識缺口，制訂個性化學習路徑。通過實時監測與分析學習活動數據，為教師與管理者提供全面的學習狀態視圖，為教學策略調整與效果評估提供科學依據。

4.服務層。服務層保障系統的穩定運行與學生體驗。構建從前端到后端的全方位服務生態，確保平臺的易用性、穩定性和安全性。前端設計遵循以學生為中心的原則，采用人性化的界面與交互邏輯，提升學生滿意度與參與度。服務端邏輯處理高效可靠，通過微服務架構實現模塊化與松耦合，增強系統靈活性與可維護性。數據加密與訪問控制機制遵循國際標準，確保用戶數據與隱私安全無虞。數據加密、訪問控制、日志管理，確保數據和系統安全。通過多重安全措施，保護用戶隱私和系統數據安全。此外，云部署與自動化更新機制降低了運維成本，提升了系統的響應速度與穩定性。支持云端與本地混合部署，滿足不同高校的需求。根據具體應用場景，選擇最適合的部署方式。

5.運維層。運維層關注系統的持續優化與維護，是平臺穩定運行與持續演進的關鍵。通過實施實時系統監控與預警機制，能夠迅速識別并響應系統異常，保障服務的連續性。性能調優策略基于數據分析，不斷優化資源分配與負載均衡，提升整體性能。技術支持與學生反饋系統建立了高效的響應機制，確保學生問題能夠得到及時解決。此外，通過持續收集系統日志與用戶反饋，進行深入分析與模式識別，運維層驅動了平臺的迭代升級與功能優化，形成了自我完善的閉環系統。

6.反饋層。反饋層構建了一個閉環反饋系統，是平臺持續進化的核心機制。該機制不僅收集學生直接反饋，還可以通過深度學習算法分析學生行為模式，自動識別服務效果與學生體驗的潛在改進空間。這種機制確保了模型與服務能夠根據實際應用中的表現和需求變化進行動態調整與優化，促進了模型的自我學習與服務能力的持續提升，實現了平臺的智能化與個性化服務水平的不斷飛躍。

三、思政大語言模型構建可能存在的問題分析與對策

（一）思政大語言模型建設可能存在的問題分析

1.數據相關問題。數據是大模型的基礎。思政大語言模型因為其特殊性，數據問題是思政大語言模型構建的首要難點。主要是數據收集困難、時間與資源消耗：數據質量問題、數據隱私與安全、難以量化和地區差異等問題。

思政教育領域涉及大量的政策文件、學術論文和教材等資料，這些資料的獲取和整理需要投入大量的時間和資源，極大地增加了數據收集的難度。部分數據受版權保護，獲取和使用受到嚴格限制，這在一定程度上影響了數據的全面性和合法性。數據來源廣泛，質量參差不齊，存在重復、冗余、錯誤和不完整的數據，需要進行復雜的清洗和預處理工作，以確保數據的準確性和一致性。雖然數據來源廣泛，但高質量、結構化的數據集較為稀缺，如何整合和處理這些數據是一大挑戰。涉及學生和教師的敏感信息，必須確保數據的隱私和安全，防止數據泄露和濫用，保障個人信息的安全性和合法性。許多非正式、口頭傳承的思政教育內容難以量化和數字化，如何將這些內容有效地融入大模型中是一大難題。不同地區、不同學校在資金、技術和人才等資源上存在較大差異，可能導致思政大語言模型的建設與發展不平衡，影響整體推進效果。

2.模型訓練與優化問題。基于Transformer的自然語言處理模型已經取得了質的突破，但仍然存在一定的局限性，尤其是面對思政領域大模型的構建，主要體現在理解與生成能力不足、模型訓練數據不足、模型存在偏見和計算資源消耗等問題。

當前的人工智能技術雖然在理解和生成具有深刻思想性和人文關懷的思政內容方面仍然存在局限性，難以全面把握思政教育的深度和廣度。思政教育相關的高質量訓練數據較為稀缺，可能導致模型訓練效果不理想。如何有效利用有限的數據、提升模型的泛化能力和準確性是重要的挑戰。模型可能存在偏見，特別是在處理涉及敏感話題的思政教育內容時，必須確保模型的公平性和客觀性。需要設計合理的評估和調整機制，消除模型中的偏見。模型訓練和優化需要大量的計算資源，特別是在處理大規模數據和進行復雜模型訓練時，對硬件和基礎設施要求較高，增加了建設成本。

3.系統集成與部署問題。系統的復雜性存在模塊集成難度大，以及實時性與響應速度高的相應要求，還存在應對安全威脅的安全和穩定性的要求。

思政大語言模型涉及多個模塊和功能的集成，包括數據管理、模型訓練、應用服務和運維監控等，系統設計和實現較為復雜，需要確保各模塊之間的無縫集成和協同工作。系統需要在用戶提問時提供實時的回答，對響應速度有較高的要求。如何優化系統架構和模型推理效率，確保用戶體驗，是一個重要的問題。系統需要應對各種安全威脅，確保數據和服務的安全。需要構建穩定可靠的系統架構，防止服務中斷和故障發生，保障系統的連續性和可靠性。

4.學生體驗與反饋問題。如何設計友好直觀的用戶界面，確保學生能夠方便地使用系統功能是體驗設計的關鍵。需要不斷收集學生的反饋，優化交互設計，提升學生滿意度。系統需要根據學生反饋和使用情況，進行持續的改進和升級，確保其始終符合學生需求和技術發展趨勢。如何高效地進行系統迭代和功能升級是一個需要關注的問題。思政教育內容的敏感性和重要性要求系統提供的信息必須準確可信。如何建立學生對系統的信任，確保系統輸出的內容符合教育要求和政策導向是一個重要的挑戰。教師和學生對于新技術的接受程度不一，可能存在抵觸情緒。如何引導和培養學生的使用習慣，增加其參與度，是推廣和應用的關鍵。

5.倫理責任與保密問題。人工智能模型可能受訓練數據影響，存在價值觀偏差或不當言論的風險。如何確保模型輸出符合社會主義核心價值觀，避免偏見和誤導是一個嚴峻考驗。在智能化決策過程中，若出現錯誤或不良后果，如何界定責任歸屬，平衡技術自主性與人的責任，也是亟待解決的倫理問題。現行教育管理制度可能無法適應智能教育的快速發展，制度創新的速度和深度可能不足以支撐大模型的全面推廣。涉及到國家機密、個人隱私的思政內容在上傳至云平臺時，如何確保不違反相關法律法規是必須解決的問題。

（二）思政大語言模型建構對策

1.數據問題對策。數據是大模型的基礎。思政大語言模型因為其特殊性，數據問題是思政大語言模型構建的首要難點。主要存在的問題包括數據收集困難、數據質量有待提高、數據隱私與安全、難以量化和地區差異等問題。一是建立數據共享機制。通過推動建立跨機構、跨地區的數據共享平臺，統一標準，促進優質數據資源的流通和利用，與高校、科研機構和相關政府部門建立合作機制，共享數據資源，減輕單一機構的數據收集壓力，確保數據來源合法，積極與出版社和知識產權機構溝通，獲取數據使用許可，解決版權問題。二是實現數據質量控制，開發專門的數據清洗和質量控制工具，引入人工智能輔助識別重復、錯誤數據，確保數據的準確性和一致性。制訂詳細的數據清洗與預處理流程，確保數據的準確性和一致性。利用多源數據融合技術，提高數據的覆蓋面和多樣性，減少單一數據源的局限性。三是引入專家團隊，對關鍵數據進行驗證和標注，提高數據的可靠性。充分運用隱私保護技術，采用加密技術和匿名處理方法保護個人隱私，建立嚴格的數據訪問權限控制體系，并遵守相關數據保護法規。對數據進行脫敏與加密，對涉及學生和教師敏感信息的數據進行脫敏處理，并在數據傳輸和存儲過程中使用加密技術。采用分布式存儲和數據備份策略，確保數據的安全性和可靠性。

2.模型訓練與優化對策。采用數據增強與合成技術，增加訓練數據的多樣性，減少模型訓練中的偏見。設計偏見檢測和修正機制，定期評估模型輸出結果的公平性。建立模型倫理審查委員會，監督模型訓練和應用過程中的倫理問題。利用遷移學習技術，借助其他領域的預訓練模型，提高模型的泛化能力。鼓勵跨學科研究，融合教育學、心理學和社會科學等領域的知識，提升模型的理解深度和人文關懷能力。在模型訓練中加入偏見檢測模塊，定期進行公平性審計，確保模型輸出的中立性和公正性。采用高效的算法和模型架構，減少計算資源的消耗。采用分布式計算、云計算等技術，合理規劃資源使用，降低計算成本，提高訓練效率。

3.系統集成與部署對策。建立思政大語言模型的高效、靈活且安全的應用體系是核心目標。要確保系統不僅能滿足當前的需求，還能在未來持續演進，同時保障學生數據的安全與交互體驗的流暢。首先，可以采用模塊化設計與微服務架構以提升軟件開發效率和系統可維護性，這種設計將大型復雜的系統拆解為多個小型、相互獨立的服務或模塊，每個模塊專注于完成特定的功能。這樣做的優勢在于可以并行開發和部署各個模塊，極大地提高迭代速度。在安全防護領域，構建多維度的安全體系，為系統穿上了一層堅固的“防護甲”。從網絡層面的防火墻設置，到數據傳輸和存儲過程中的加密處理，再到應用層面的入侵檢測系統，形成了立體化的防御機制。尤為重要的是，實施定期的安全審查和漏洞掃描，能夠及時發現并修復安全漏洞，有效抵御外部攻擊；同時，制訂并執行詳細的災備方案，確保在面臨突發事件時，系統能夠迅速恢復，最大限度減少服務中斷的影響。

4.學生體驗與反饋對策。通過對學生的調研和需求分析，了解學生的使用習慣和偏好，建立有效的反饋機制，及時了解學生的需求和問題，改進系統設計。建設學生交流社區，促進學生之間的交流和分享，提高學生的參與度和活躍度。設計友好的用戶界面。根據學生反饋，持續優化交互設計，提升學生體驗。采用用戶體驗（UX）設計原則，簡化操作流程，提供個性化推薦，增強學生參與度和滿意度。透明化算法邏輯，公開審核過程，設置反饋渠道，及時響應學生關切，增強學生對系統的信任。建立敏捷開發機制，快速回應學生反饋，定期邀請學生參與測試和評價，形成良性循環。定期進行可用性測試，發現并解決用戶界面和交互流程中的問題。采用敏捷開發模式，根據學生反饋和技術發展趨勢，進行持續的改進和升級。

5.倫理責任與保密問題對策。在構建人工智能倫理框架以指導思政大語言模型的開發與應用時，首要任務是確立一套AI倫理準則，該準則需深刻嵌入正確的價值觀，并通過成立倫理審查委員會來監督模型輸出，保證其倫理性。這包括建立從模型訓練至應用全鏈條的倫理審查機制，確保每一個環節都與正確的價值觀相符。為預防和糾正偏見，應引入偏見檢測工具定期檢查并調整模型偏差。在保障保密性與合規性方面，要求在數據處理各階段實施嚴格的合規審查流程，遵守相關法律條款，特別是在數據保護與國家安全方面。應用先進安全技術保護敏感信息在云端的安全性，并實施定期的安全及合規審計，確保能夠迅速識別并糾正任何潛在的違規或安全隱患。

〔參 考 文 獻〕

［1］段雨晨.以人工智能賦能高質量發展［J］.紅旗文稿，2024（07）：26-28.

［2］胡鑫月.人工智能教育應用的倫理審思——基于維貝克的技術哲學視角［J］.理論觀察，2023，（07）：120-126.

［3］夏文斌.新時代學校思政課建設的根本遵循——學習貫徹習近平總書記關于學校思政課建設的重要指示［J］.紅旗文稿，2024（10）：9-12.

［4］習近平在中共中央政治局第九次集體學習時強調加強領導做好規劃明確任務夯實基礎 推動我國新一代人工智能健康發展［J］.黨建，2018（11）：1+19.

［5］Grote T ， Berens P .A paradigm shift—On the ethics of medical large language models［J］.Bioethics， 38：383［2024-07-02］.

［6］Ozmen B B ， Schwarz G S .Future of artificial intelligence in plastic surgery： Toward the development of specialty-specific large language models［J］.Journal of Plastic， Reconstructive & Aesthetic Surgery， 2024， 93：70-71.

［7］Bruno Bonnechère.Unlocking the Black Box？ A Comprehensive Exploration of Large Language Models in Rehabilitation［J］.American Journal of Physical Medicine & Rehabilitation， 2024， 103（6）：532-537.

［8］Vera S， Yiftach B， Eli K，etal.Large language models for oncological applications［J］.Journal of Cancer Research and Clinical Oncology， 2023（11）：149.

［9］Gupta， Brij B.， Akshat Gaurav， Varsha Arya. Navigating the security landscape of large language models in enterprise information systems［J］.Enterprise Information Systems， 2024， 18（04）：427-441.

［10］李東聞，鐘震宇，孫羽菲，等.玲瓏：一個小規模的高質量中文預訓練語言模型［J/OL］.計算機研究與發展：1-12［2024-07-02］.http：//kns.cnki.net/kcms/detail/11.1777.TP.20240529.1525.002.html.

［11］羅妍，劉宇煬，李曉瑛，等.面向醫學大模型的體系化人工智能框架構建與應用［J/OL］.北京郵電大學學報：1-7［2024-07-02］.https：//doi.org/10.13190/j.jbupt.2023-287.

［12］羅世杰.金融大模型：應用、風險與制度應對［J/OL］.金融發展研究：1-9［2024-07-02］.https：//doi.org/10.19647/j.cnki.37-1462/f.2024.06.007.

［13］王霞霞.文化大模型建構的需求、模式與哲思［J］.科技與出版，2024（06）：60-67.

［14］Min B ， Ross H ， Sulem E ，et al.Recent Advances in Natural Language Processing via Large Pre-Trained Language Models： A Survey［J］. 2021.

［15］張洪廣，楊林，楊雄軍，等.大模型驅動的智能輔助決策原理與典型應用［J/OL］.指揮與控制學報：1-8［2024-07-02］.http：//kns.cnki.net/kcms/detail/14.1379.TP.20240318.1241.002.html.

［16］劉靈輝，田茂林.市域社會治理現代化的制度困境突破：基于制度云平臺的構想［J］.電子科技大學學報（社科版），2022，24（01）：65-73.

〔責任編輯：丁 冬〕