国家预印本平台

随着数字化与智能化技术的迅速发展，人机协同构成的营销与体验生态发生了深刻变化。不同于以人为中心的传统客户体验，人机共生体验（HSX）作为新兴互动模式，强调人与机器的相互作用及其所涌现的能力，具有提升用户体验、优化企业决策与促进社会福利的潜力，在推动经济发展与改善民生中意义重大。因此，在万物互联、实时交互的数字生态中，如何创造更高的用户价值成为亟需解决的问题。围绕HSX的动态过程，本研究拟分三个层面展开探讨：研究1聚焦概念与测量，系统梳理HSX的内涵、维度与结构特征，开发相应测量工具；研究2关注形成机理，从智商与情商双维度协同的视角揭示HSX的涌现机制与演化规律，并提出阶段性演化模型；研究3着眼于作用机制与效果，实证检验HSX在积极与消极结果上的双螺旋效应，并探讨其边界条件。研究将不仅为企业开展基于HSX的营销战略和智能应用提供实践启示，也为政府推进“人工智能+”行动和数字生态治理提供重要的理论支撑。

路见不平，拔刀相助？公正世界信念能否促进第三方惩罚在理论假设和实证研究中仍存在分歧。为厘清这一争议，本研究采用三水平元分析方法系统探讨了公正世界信念与第三方惩罚的关系及其调节因素。通过文献检索与筛选，获得46篇文献和93个效应量，共包含15772名被试。结果发现，公正世界信念与第三方惩罚之间存在显著但微弱的正相关(r = 0.08, 95% CI = [0.03, 0.14])。二者关系受公正世界信念的自我−他人维度、第三方惩罚行为形式(社会惩罚 vs. 金钱惩罚)、文化背景、违规情境以及样本类型的调节，但不受性别、年龄群体、公正世界信念的外显−内隐维度、第三方惩罚类型(惩罚行为 vs. 惩罚意愿)以及研究方法类型的调节。本研究基于第三方惩罚视角系统检验了公正世界信念理论的竞争性假设及其适用条件，为后续理论发展与实证研究提供了启示。

多模态命名实体识别（MNER）通过融合文本与图像信息提升实体识别准确性，在社交媒体分析等场景中具有重要应用价值。然而，现有 MNER 方法面临跨模态信息融合不充分、无关视觉干扰以及静态训练策略忽视样本难度差异的问题，传统课程学习（CL）则存在难度评估主观化和调度策略固定化的局限。为此，提出一种基于自适应难度课程学习（ADCL）的 MNER 方法。该方法构建 "自动难度评估器 - 自适应课程调度器 - 数据采样器" 的闭环训练系统：通过损失值量化样本难度，动态跟踪模型学习状态调整训练课程，基于难度分数实现差异化采样。在 Twitter-2017 和 Twitter-2015 数据集上的实验表明，ADCL 方法的整体 F1 分数分别达到 93.58% 和 84.45%，相比基线模型提升 5.87~8.07 个百分点，在困难样本识别上性能优势显著。该方法为多模态命名实体识别提供了高效的训练策略解决方案。

仇恨言论的精准识别是网络内容安全治理的重要环节，对维护社会舆论环境与公共秩序具有现实意义。然而，现有中文细粒度仇恨识别方法在片段级要素抽取能力不足，难以准确定位文本中的攻击对象、论点与仇恨群体，对隐晦表达与复杂语义结构的处理亦存在明显局限。为解决上述问题，该文提出面向中文细粒度仇恨识别的两阶段多轮问答框架，构建多轮提示结构并引入自检索增强机制，通过多轮累积投票提升输出稳定性与一致性。实验在 STATE-ToxiCN 数据集上表明，该方法所有细粒度元素匹配得分超过当前CCL2025评测基线与领先方案，在四元组层面软硬匹配F1平均值达38.85。结果验证了多轮提示与检索增强在提高模型鲁棒性和复杂语义识别方面的有效性，为中文细粒度仇恨识别及多层次信息抽取提供可行方案。

针对细粒度图像类增量学习中冻结模型骨干导致的低性能上界和模型骨干-损失函数兼容性限制问题，本文提出了一种基于无监督预训练模型的细粒度图像类增量学习算法、该方法通过引入无监督预训练模型作为细粒度图像类增量学习的模型骨干，使特征提取能力大幅提高，在保证旧类分类能力优异的基础上提升新类的分类能力；同时，通过动态调整策略，有效整合了损失函数的结构，构建了更加稳定的特征空间，提升模型鲁棒性。实验表明，该方法在常用细粒度图像数据集上取得了显著的性能提升。