ChatGPT类大模型融入高校思想政治教育的模型建构探赜

摘 要：鉴于ChatGPT等大语言模型的发展，大模型已经在教育与培训、制造业、金融业、医疗健康、科研与创新等多个行业和领域展现出巨大的应用潜力。运用人工智能和自然语言处理技术，基于Transformer架构，以资源构建、模型设计算法和安全保障为核心路径，构建了数据、模型、应用、服务、运维和反馈六层架构，并系统分析了思政大模型搭建过程中可能遇到的数据收集、模型训练优化、系统集成与部署、学生体验反馈，以及伦理责任和保密性等问题，提出了基于数据共享、模型偏见消除、系统性能优化、用户界面设计与伦理审查机制等维度的解决方案。

关键词：高校思政工作;生成式人工智能;大语言模型

中图分类号：G641 文献标识码：Ａ 文章编号：１００９ — ２２３４（２０24）07 — ００23 — ０7

一、问题的提出

党的十八大以来，习近平总书记极具前瞻地将人工智能发展提升至国家战略层面，多次发表重要讲话，为我国人工智能领域的发展指明了方向，确立了基本原则［1］。近年来，随着Transformer架构的兴起，尤其是BERT、GPT等预训练模型的突破性成功，自然语言处理领域迈入了深度学习的新阶段，生成式人工智能作为这一领域的关键分支实现了历史性飞跃，能够基于海量数据学习来生成文本、图像乃至音频等多种形式的内容，教育也在这种背景下不断塑造新的形态［2］。我国在生成式人工智能领域亦取得了显著进展。这对高校的思想政治工作提出了挑战，也开辟了新的发展机遇。新时代高校思政工作面临新形势新任务，必须有新气象新作为［3］，人工智能更需要在人们日常工作、学习、生活中的深度运用，创造更加智能的学习方式、工作方式和生活方式［4］。因此，构建一个针对高等教育专业化的思政大语言模型，不仅是对国家加强和改进思想政治工作、加快推进教育现代化的积极响应，也为思政教育工作的创新与发展注入了强劲动力。

在技术层面上，人工智能（AI）与自然语言处理（NLP）技术的飞速发展为特定领域语言模型的应用提供了坚实的技术支撑。这些模型通过大规模无监督学习，已经在问答系统、文本生成、情感分析等多个领域展现了卓越的性能，特别是针对特定领域的微调技术，能够使模型在保留广泛知识的同时，掌握特定领域的专业语言风格和知识体系。未来的通用模型将迎来一种新的范式转变［5］，即向着面向特定专业领域的大模型发展［6］。这一趋势在国外医疗领域已经显现，例如康复领域［7］和肿瘤学［8］，同时引发了对企业环境中大模型安全性的探讨［9］。中文的专业大语言预训练模型也随之兴起［10］，在医学［11］、金融［12］及文化［13］等领域已建立起专业模型。鉴于此，从政策导向、技术成熟度、数据基础，以及现实的迫切需求来看，构建思政大语言模型不仅是可行的，而且是推动高校思政教育高质量发展的必然选择。

二、思政大语言模型构建的路径、功能与架构体系

思政大语言模型是指一种基于大语言模型（如GPT、BERT等）的智能化教育工具，专门用于高校思想政治教育。通过整合和分析大量的思政教育资源，利用人工智能和自然语言处理技术，实现智能问答、个性化学习资源推荐、学习进度跟踪、舆情分析等功能。以下从思政大语言模型的构建路径、功能建构和架构体系分别阐释。

（一）思政大语言模型的构建路径

思政大语言模型从本质上看是一个人工智能的大语言模型，其核心在于数据资源的深度整合与管理、模型设计的创新与适用性、算法技术的定向研发与伦理嵌入，以及安全保障机制的周密部署与持续监督。

1.资源层构建。构建思政大语言模型的首要步骤是建立一个丰富、规范且持续更新的资源库。这一过程需整合广泛的思政资源，主要包括国家政策法规、经典理论教材、权威案例分析、时事评论文章、多媒体教学视频及音频资料等。为确保资源的规范性，需设立一套标准化的文本处理流程，对收集的资料去噪、归类与标注，形成高质量的训练语料。对保密性问题，可采取分级管理制度，对敏感信息加密处理，并限定特定权限的访问；同时，通过建立反馈激励机制，鼓励各级教育机构与学者贡献最新研究成果，确保资源库的时效性和全面性，解决资源更新动力不足的难题。

2.模型设计。模型设计需充分考虑高校思政工作的特殊性和现实需求，设计一个既能处理文本又能融合图像、音频等多模态信息的复合型架构。采用Transformer等先进模型作为基础，结合注意力机制和跨模态融合技术，确保模型能够理解并生成蕴含深刻思想内涵的多形式内容。此外，模型设计还需预留接口，以便未来接入更多类型的数据源，如虚拟现实（VR）、增强现实（AR）等新兴教育工具，以适应未来思政教育的多元化需求。

3.算法与技术。针对思政教育的价值导向性，选择或开发专有的训练算法至关重要，可以探索结合强化学习与监督学习的方法，让模型在模拟真实世界的价值判断和道德决策的过程中学习，确保输出内容的正确价值取向。此外，引入知识图谱技术，将抽象的思政理念与具体实例相结合，增强模型的知识理解和推理能力。算法设计时，还应考虑持续学习机制，使模型能在新数据输入时自我优化，保持对最新政策和理论动态的敏感性。

4.安全保障。安全问题是构建思政大语言模型不可忽视的环节。在数据收集与处理阶段，应严格遵守《网络安全法》等相关法律法规，确保个人隐私和数据安全。建立多层次的数据安全防护体系，包括数据加密传输、访问控制、异常监测等技术手段。在内容审查上，采用自动化与人工相结合的方式，对模型生成内容进行严格的伦理与合规性筛查，防止不当言论或不良信息的输出；同时，构建伦理审查委员会，对模型的设计、训练及应用进行定期评估，确保其符合社会主义核心价值观和教育伦理标准。

（二）思政大语言模型的功能建构

思政大语言模型由一个可视化综合展示模块和六个业务子系统组成，功能结构如图1所示。核心功能是实现思政类问题的智能问答，能够与使用者进行互动讨论，并进行学习跟踪，即记忆功能，以及反馈功能和资源推荐功能，还包括数据管理、模型训练、系统集成与运维监控等多功能模块。

1.核心功能。一是智能问答。利用自然语言处理（NLP）和深度学习技术，智能问答系统能够理解并精准回应学生的思政问题，提供即时、权威的解答，促进思政相关知识的深度学习和快速传播。通过构建庞大的问题——答案数据库，系统得以持续学习，不断提升回答的准确性和丰富度。智能问答功能是思政大语言模型的核心，通过自然语言处理技术，模型能够理解用户的提问，并提供准确、详尽的回答。涵盖了马克思主义理论、中国特色社会主义理论体系、习近平新时代中国特色社会主义思想、党的政策方针等内容。智能问答功能依赖于数据管理功能提供的数据和模型训练功能提供的训练结果。二是互动讨论。通过模拟与用户的对话，引导用户思考和理解思政理论和实际问题。互动讨论功能不仅能回答问题，还能进行深入的讨论，帮助用户更好地理解和掌握思政知识。该功能在智能问答功能的基础上，能够实现更高层次的互动。构建基于AI辅助的在线互动论坛，利用语义分析技术对讨论内容进行分类、排序，促进有价值的思政议题深入探讨。平台鼓励学生间的观点碰撞与知识共享，提升学生的思辨能力和团队协作精神，营造活跃的学术氛围。

2.辅助功能。学习资源推荐功能能够推荐相关的学习资源，如文章、视频、书籍等；该功能依赖于智能问答功能来获取学生的需求，并依靠数据管理功能存储和检索学习资源，为学生提供个性化的学习材料。学习进度跟踪功能记录学生的学习过程，并提供个性化的学习建议和目标设定。通过分析学生的学习轨迹，模型可以提供系统化的学习计划，帮助学生逐步掌握思政知识。该功能依赖于学生的互动记录和数据管理功能存储用户数据。反馈收集功能通过学生反馈机制，收集学生对系统的评价和建议，以便于系统优化。学生可以评价回答的质量，并提供改进建议，帮助模型不断提升。这一功能依赖于核心功能和辅助功能的学生使用数据。

3.数据管理功能。数据即语料基础，需要不断更新，数据管理主要包括数据采集和数据清洗以及预处理。数据采集功能通过自动化工具，从教材、学术论文、政策文件、教学视频等多渠道收集思政相关数据，确保模型具备丰富的知识库。数据采集作为数据清洗与预处理的输入。数据清洗与预处理功能对采集的数据进行清洗和预处理，包括去重、格式标准化、去除敏感信息和分词与标注。经过处理的数据为模型训练功能提供高质量的输入数据，确保模型训练效果。

4.模型训练功能。模型选择与初始化阶段，可依托于深度学习框架，选择适合思政教育场景的预训练模型，如基于Transformer架构之上的BERT、GPT-4，以及Qwen2-72B等模型均通过对模型参数进行恰当的初始化配置。

模型训练功能使用预处理后的数据，对预训练模型进行多轮次训练，调整超参数，优化模型性能。训练后的模型结果为智能问答和其他应用功能提供支持。模型微调功能根据具体的应用需求，对已经训练好的模型进行微调和优化。通过微调，模型在特定任务上的表现得到进一步提升，确保其在实际应用中的准确性和有效性。利用大规模无监督学习对模型进行初步训练，随后，结合有监督学习进行微调，使模型精准理解思政领域特有的语言模式和知识体系。微调过程包括参数调整、超参数优化等，确保模型的泛化能力和领域适应性。

5.系统集成与部署。前端界面设计功能为学生提供友好的交互界面，支持多设备访问，确保学生能够方便地使用系统功能。前端界面设计依赖于后端服务管理实现学生与模型的交互。后端服务管理功能支持前端服务的逻辑处理和数据管理，确保系统的稳定运行。该功能还包括数据加密、访问控制和日志管理，确保数据和系统安全。云端与本地部署功能根据实际需求，提供灵活的部署方案，满足不同高校的需求。通过合理的部署，确保系统的高效运行和学生的无缝体验。

6.运维与监控功能。系统监控功能实时监控系统运行状态，发现并解决异常情况。通过监控工具，确保系统的稳定运行，及时发现并排除故障。性能优化功能定期分析系统性能，优化系统架构和运行效率。通过性能优化，提高系统的响应速度和运行效率，确保学生体验。支持功能提供技术支持和专业培训，确保学生能够顺利使用系统功能。通过技术支持和培训，以利于充分发挥系统的功能优势。

（三）思政大语言模型的架构体系

架构体系是确保思政大语言模型从底层数据到顶层服务都能高效运作的关键。综合了国外专业大模型设计思路［14］，参考了国内情报学大模型构建的思路［15］，借鉴了社会治理云平台的实际思路［16］，将思政大语言模型的架构分为数据层、模型层、应用层、服务层、运维层和反馈层，图2所示。

1.数据层。数据层是思政大语言模型的基础，其设计与实施凸显了对多元化数据源的精细管理与深度整合。此层要有多种来源的数据，包括教材、学术论文、政策文件、教学视频等。确保数据来源的权威性和全面性。从政策文件、学术论文、经典案例等丰富来源中精心筛选并采集信息，数据清洗：去重、格式标准化、去除敏感信息。通过数据处理，确保数据的高质量和高一致性。还可以通过高级数据清洗技术剔除冗余与噪声，确保数据的纯净性。数据预处理：分词、标注、构建专用词库与术语库。提升数据的可用性和模型对数据的理解能力。在整合过程中，运用数据融合策略，将异构数据源无缝连接，构建一个高度关联且结构化的数据仓库。采用分布式存储技术，如Hadoop或Spark等大数据处理框架，不仅提升了数据存储的弹性与扩展性，还通过复制与分散存储策略，增强了数据安全性和访问效率，为模型训练提供了一个坚实且高效的资源库。

2.模型层。模型层的核心在于构建能够深刻理解思政内涵并生成精准内容的智能化模型。此过程目前的主流是采用预训练模型，如BERT、GPT等架构，依托大规模无监督学习，在海量文本语料中捕捉语言规律与上下文关系。随后，通过细致的有监督微调，模型被进一步调校以适应思政教育领域特有语言模式与知识体系，包括但不限于政策解读、价值观引导、案例分析等。模型选择、训练与优化策略均需经过严格评估与测试，确保模型在专业性、准确性和泛化能力上的卓越表现，从而实现对思政教育内容的深度理解和有效生成。

3.应用层。应用层直接对接终端使用者学生，将模型的智能潜力转化为直观、实用的教育服务。智能问答系统，依托自然语言处理（NLP）技术，实现对复杂问题的即时理解与精准反馈，提升学生的互动体验与学习效率。支持用户通过自然语言交互获取思政知识和解答问题。提供高质量的问答服务，满足学生的学习需求。根据学生的提问和兴趣，推荐相关的学习资源。通过推荐系统，帮助学生拓展学习资源。记录学生的提问历史和学习进度，提供个性化的学习建议和目标设定，进而帮助学生系统化地学习和掌握思政知识。基于学习行为分析模型与机器学习算法，深度挖掘个体学习偏好与知识缺口，制订个性化学习路径。通过实时监测与分析学习活动数据，为教师与管理者提供全面的学习状态视图，为教学策略调整与效果评估提供科学依据。

4.服务层。服务层保障系统的稳定运行与学生体验。构建从前端到后端的全方位服务生态，确保平台的易用性、稳定性和安全性。前端设计遵循以学生为中心的原则，采用人性化的界面与交互逻辑，提升学生满意度与参与度。服务端逻辑处理高效可靠，通过微服务架构实现模块化与松耦合，增强系统灵活性与可维护性。数据加密与访问控制机制遵循国际标准，确保用户数据与隐私安全无虞。数据加密、访问控制、日志管理，确保数据和系统安全。通过多重安全措施，保护用户隐私和系统数据安全。此外，云部署与自动化更新机制降低了运维成本，提升了系统的响应速度与稳定性。支持云端与本地混合部署，满足不同高校的需求。根据具体应用场景，选择最适合的部署方式。

5.运维层。运维层关注系统的持续优化与维护，是平台稳定运行与持续演进的关键。通过实施实时系统监控与预警机制，能够迅速识别并响应系统异常，保障服务的连续性。性能调优策略基于数据分析，不断优化资源分配与负载均衡，提升整体性能。技术支持与学生反馈系统建立了高效的响应机制，确保学生问题能够得到及时解决。此外，通过持续收集系统日志与用户反馈，进行深入分析与模式识别，运维层驱动了平台的迭代升级与功能优化，形成了自我完善的闭环系统。

6.反馈层。反馈层构建了一个闭环反馈系统，是平台持续进化的核心机制。该机制不仅收集学生直接反馈，还可以通过深度学习算法分析学生行为模式，自动识别服务效果与学生体验的潜在改进空间。这种机制确保了模型与服务能够根据实际应用中的表现和需求变化进行动态调整与优化，促进了模型的自我学习与服务能力的持续提升，实现了平台的智能化与个性化服务水平的不断飞跃。

三、思政大语言模型构建可能存在的问题分析与对策

（一）思政大语言模型建设可能存在的问题分析

1.数据相关问题。数据是大模型的基础。思政大语言模型因为其特殊性，数据问题是思政大语言模型构建的首要难点。主要是数据收集困难、时间与资源消耗：数据质量问题、数据隐私与安全、难以量化和地区差异等问题。

思政教育领域涉及大量的政策文件、学术论文和教材等资料，这些资料的获取和整理需要投入大量的时间和资源，极大地增加了数据收集的难度。部分数据受版权保护，获取和使用受到严格限制，这在一定程度上影响了数据的全面性和合法性。数据来源广泛，质量参差不齐，存在重复、冗余、错误和不完整的数据，需要进行复杂的清洗和预处理工作，以确保数据的准确性和一致性。虽然数据来源广泛，但高质量、结构化的数据集较为稀缺，如何整合和处理这些数据是一大挑战。涉及学生和教师的敏感信息，必须确保数据的隐私和安全，防止数据泄露和滥用，保障个人信息的安全性和合法性。许多非正式、口头传承的思政教育内容难以量化和数字化，如何将这些内容有效地融入大模型中是一大难题。不同地区、不同学校在资金、技术和人才等资源上存在较大差异，可能导致思政大语言模型的建设与发展不平衡，影响整体推进效果。

2.模型训练与优化问题。基于Transformer的自然语言处理模型已经取得了质的突破，但仍然存在一定的局限性，尤其是面对思政领域大模型的构建，主要体现在理解与生成能力不足、模型训练数据不足、模型存在偏见和计算资源消耗等问题。

当前的人工智能技术虽然在理解和生成具有深刻思想性和人文关怀的思政内容方面仍然存在局限性，难以全面把握思政教育的深度和广度。思政教育相关的高质量训练数据较为稀缺，可能导致模型训练效果不理想。如何有效利用有限的数据、提升模型的泛化能力和准确性是重要的挑战。模型可能存在偏见，特别是在处理涉及敏感话题的思政教育内容时，必须确保模型的公平性和客观性。需要设计合理的评估和调整机制，消除模型中的偏见。模型训练和优化需要大量的计算资源，特别是在处理大规模数据和进行复杂模型训练时，对硬件和基础设施要求较高，增加了建设成本。

3.系统集成与部署问题。系统的复杂性存在模块集成难度大，以及实时性与响应速度高的相应要求，还存在应对安全威胁的安全和稳定性的要求。

思政大语言模型涉及多个模块和功能的集成，包括数据管理、模型训练、应用服务和运维监控等，系统设计和实现较为复杂，需要确保各模块之间的无缝集成和协同工作。系统需要在用户提问时提供实时的回答，对响应速度有较高的要求。如何优化系统架构和模型推理效率，确保用户体验，是一个重要的问题。系统需要应对各种安全威胁，确保数据和服务的安全。需要构建稳定可靠的系统架构，防止服务中断和故障发生，保障系统的连续性和可靠性。

4.学生体验与反馈问题。如何设计友好直观的用户界面，确保学生能够方便地使用系统功能是体验设计的关键。需要不断收集学生的反馈，优化交互设计，提升学生满意度。系统需要根据学生反馈和使用情况，进行持续的改进和升级，确保其始终符合学生需求和技术发展趋势。如何高效地进行系统迭代和功能升级是一个需要关注的问题。思政教育内容的敏感性和重要性要求系统提供的信息必须准确可信。如何建立学生对系统的信任，确保系统输出的内容符合教育要求和政策导向是一个重要的挑战。教师和学生对于新技术的接受程度不一，可能存在抵触情绪。如何引导和培养学生的使用习惯，增加其参与度，是推广和应用的关键。

5.伦理责任与保密问题。人工智能模型可能受训练数据影响，存在价值观偏差或不当言论的风险。如何确保模型输出符合社会主义核心价值观，避免偏见和误导是一个严峻考验。在智能化决策过程中，若出现错误或不良后果，如何界定责任归属，平衡技术自主性与人的责任，也是亟待解决的伦理问题。现行教育管理制度可能无法适应智能教育的快速发展，制度创新的速度和深度可能不足以支撑大模型的全面推广。涉及到国家机密、个人隐私的思政内容在上传至云平台时，如何确保不违反相关法律法规是必须解决的问题。

（二）思政大语言模型建构对策

1.数据问题对策。数据是大模型的基础。思政大语言模型因为其特殊性，数据问题是思政大语言模型构建的首要难点。主要存在的问题包括数据收集困难、数据质量有待提高、数据隐私与安全、难以量化和地区差异等问题。一是建立数据共享机制。通过推动建立跨机构、跨地区的数据共享平台，统一标准，促进优质数据资源的流通和利用，与高校、科研机构和相关政府部门建立合作机制，共享数据资源，减轻单一机构的数据收集压力，确保数据来源合法，积极与出版社和知识产权机构沟通，获取数据使用许可，解决版权问题。二是实现数据质量控制，开发专门的数据清洗和质量控制工具，引入人工智能辅助识别重复、错误数据，确保数据的准确性和一致性。制订详细的数据清洗与预处理流程，确保数据的准确性和一致性。利用多源数据融合技术，提高数据的覆盖面和多样性，减少单一数据源的局限性。三是引入专家团队，对关键数据进行验证和标注，提高数据的可靠性。充分运用隐私保护技术，采用加密技术和匿名处理方法保护个人隐私，建立严格的数据访问权限控制体系，并遵守相关数据保护法规。对数据进行脱敏与加密，对涉及学生和教师敏感信息的数据进行脱敏处理，并在数据传输和存储过程中使用加密技术。采用分布式存储和数据备份策略，确保数据的安全性和可靠性。

2.模型训练与优化对策。采用数据增强与合成技术，增加训练数据的多样性，减少模型训练中的偏见。设计偏见检测和修正机制，定期评估模型输出结果的公平性。建立模型伦理审查委员会，监督模型训练和应用过程中的伦理问题。利用迁移学习技术，借助其他领域的预训练模型，提高模型的泛化能力。鼓励跨学科研究，融合教育学、心理学和社会科学等领域的知识，提升模型的理解深度和人文关怀能力。在模型训练中加入偏见检测模块，定期进行公平性审计，确保模型输出的中立性和公正性。采用高效的算法和模型架构，减少计算资源的消耗。采用分布式计算、云计算等技术，合理规划资源使用，降低计算成本，提高训练效率。

3.系统集成与部署对策。建立思政大语言模型的高效、灵活且安全的应用体系是核心目标。要确保系统不仅能满足当前的需求，还能在未来持续演进，同时保障学生数据的安全与交互体验的流畅。首先，可以采用模块化设计与微服务架构以提升软件开发效率和系统可维护性，这种设计将大型复杂的系统拆解为多个小型、相互独立的服务或模块，每个模块专注于完成特定的功能。这样做的优势在于可以并行开发和部署各个模块，极大地提高迭代速度。在安全防护领域，构建多维度的安全体系，为系统穿上了一层坚固的“防护甲”。从网络层面的防火墙设置，到数据传输和存储过程中的加密处理，再到应用层面的入侵检测系统，形成了立体化的防御机制。尤为重要的是，实施定期的安全审查和漏洞扫描，能够及时发现并修复安全漏洞，有效抵御外部攻击；同时，制订并执行详细的灾备方案，确保在面临突发事件时，系统能够迅速恢复，最大限度减少服务中断的影响。

4.学生体验与反馈对策。通过对学生的调研和需求分析，了解学生的使用习惯和偏好，建立有效的反馈机制，及时了解学生的需求和问题，改进系统设计。建设学生交流社区，促进学生之间的交流和分享，提高学生的参与度和活跃度。设计友好的用户界面。根据学生反馈，持续优化交互设计，提升学生体验。采用用户体验（UX）设计原则，简化操作流程，提供个性化推荐，增强学生参与度和满意度。透明化算法逻辑，公开审核过程，设置反馈渠道，及时响应学生关切，增强学生对系统的信任。建立敏捷开发机制，快速回应学生反馈，定期邀请学生参与测试和评价，形成良性循环。定期进行可用性测试，发现并解决用户界面和交互流程中的问题。采用敏捷开发模式，根据学生反馈和技术发展趋势，进行持续的改进和升级。

5.伦理责任与保密问题对策。在构建人工智能伦理框架以指导思政大语言模型的开发与应用时，首要任务是确立一套AI伦理准则，该准则需深刻嵌入正确的价值观，并通过成立伦理审查委员会来监督模型输出，保证其伦理性。这包括建立从模型训练至应用全链条的伦理审查机制，确保每一个环节都与正确的价值观相符。为预防和纠正偏见，应引入偏见检测工具定期检查并调整模型偏差。在保障保密性与合规性方面，要求在数据处理各阶段实施严格的合规审查流程，遵守相关法律条款，特别是在数据保护与国家安全方面。应用先进安全技术保护敏感信息在云端的安全性，并实施定期的安全及合规审计，确保能够迅速识别并纠正任何潜在的违规或安全隐患。

〔参 考 文 献〕

［1］段雨晨.以人工智能赋能高质量发展［J］.红旗文稿，2024（07）：26-28.

［2］胡鑫月.人工智能教育应用的伦理审思——基于维贝克的技术哲学视角［J］.理论观察，2023，（07）：120-126.

［3］夏文斌.新时代学校思政课建设的根本遵循——学习贯彻习近平总书记关于学校思政课建设的重要指示［J］.红旗文稿，2024（10）：9-12.

［4］习近平在中共中央政治局第九次集体学习时强调加强领导做好规划明确任务夯实基础 推动我国新一代人工智能健康发展［J］.党建，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］李东闻，钟震宇，孙羽菲，等.玲珑：一个小规模的高质量中文预训练语言模型［J/OL］.计算机研究与发展：1-12［2024-07-02］.http：//kns.cnki.net/kcms/detail/11.1777.TP.20240529.1525.002.html.

［11］罗妍，刘宇炀，李晓瑛，等.面向医学大模型的体系化人工智能框架构建与应用［J/OL］.北京邮电大学学报：1-7［2024-07-02］.https：//doi.org/10.13190/j.jbupt.2023-287.

［12］罗世杰.金融大模型：应用、风险与制度应对［J/OL］.金融发展研究：1-9［2024-07-02］.https：//doi.org/10.19647/j.cnki.37-1462/f.2024.06.007.

［13］王霞霞.文化大模型建构的需求、模式与哲思［J］.科技与出版，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］张洪广，杨林，杨雄军，等.大模型驱动的智能辅助决策原理与典型应用［J/OL］.指挥与控制学报：1-8［2024-07-02］.http：//kns.cnki.net/kcms/detail/14.1379.TP.20240318.1241.002.html.

［16］刘灵辉，田茂林.市域社会治理现代化的制度困境突破：基于制度云平台的构想［J］.电子科技大学学报（社科版），2022，24（01）：65-73.

〔责任编辑：丁 冬〕