人工智能伦理研究的知识图谱分析

发布时间：2021-07-01 08:12

　　[目的/意义]随着人工智能技术的发展与应用,其衍生的伦理问题日益受到关注,但是国内从理论或技术层面防范人工智能伦理冲突的情报评述非常有限,收集人工智能伦理知识情报是当下人工智能健康发展的迫切需求。[方法/过程]借助CitespaceIII对选自Web of Science的人工智能伦理领域文献进行知识图谱分析,分别利用检索式#1"人工智能伦理"主题文献与检索式#2"机器人伦理"主题文献进行全面且科学的知识聚类议题探析。[结果/结论]在聚类分析的基础上从人工智能载体的道德主体性研究、机器人的伦理价值敏感设计、人工道德智慧研究与人工智能技术的伦理控制四个方面对人工智能伦理研究领域进行了总结与展望。 

【文章来源】：情报杂志. 2019,38(07)北大核心CSSCI

【文章页数】：9 页

【部分图文】：

人工智能伦理主题文献时间分布

自动聚类标签是通过排序算法从施引文献的“标题词条”、“索引词条”或“摘要词条”中提取的诠释和界定聚类的标签词［4］。在CitespaceIII中有三种提取标签词聚类算法，分别为加权算法(TF*IDF)、对数似然率算法(LLＲ)以及互信息算法(MI)，TF*IDF提取出的标签强调聚类议题的研究方向，LLＲ和MI提取的标签强调聚类议题的研究特征［4］。3人工智能伦理研究知识图谱分析3．1人工智能伦理主题文献图谱分析3．1．1人工智能伦理主题文献的聚类视图图3是以人工智能伦理主题检索文献的聚类视图，视图直观地呈现了五个聚类(#0—#4)及通过“关键词”功能操作得到的聚类标签。文献跨度为1999－2018年，分割值设定为1年，采用插值法进行文献筛选的阈值(c、cc、ccv)设置为2|2|20(初始值)、3|3|20(中间值)、3|3|20(末端值)。图3中的每个节点代表一篇文献，不同颜色的节点所组成的多边形区域代表不同的聚类，其中节点越大表示其该文献被引的次数越多，也意味着该文献占据着该聚类知识起源越重要的位置。节点之间的连线表示文献之间的共被引关系，其粗细表明了共被引关系的强弱［4］。图3中的Q值为0．64，Q值是表示聚类社团结构显著性的指标，当Q＞0．3意味着划分出来的社团结构是显著的［4］。另外，图3中的各样本点的平均轮廓值S为0．85，当轮廓值在0．5以上，聚类一般认为是合理的，当轮廓值高于0．7时可认为聚类是显著且令人信服的［4］。综合图3中的Q值与S值可见人工智能伦理主题文献的聚类划分是显著且合理的。图3

【参考文献】：
期刊论文
[1]CiteSpace知识图谱的方法论功能[J]. 陈悦,陈超美,刘则渊,胡志刚,王贤文.  科学学研究. 2015(02)



本文编号：3258777