这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

作者及机构
该研究由山东科技大学计算机科学与工程学院的李冠、孙灵芝、何明祥合作完成，发表于《数字图书馆论坛》2024年第20卷第10期。

学术背景
研究聚焦生成式人工智能（Generative Artificial Intelligence, GAI）的公众认知，属于人工智能与社会计算交叉领域。随着ChatGPT等工具的普及，GAI对社会各领域的影响日益显著，但公众对其的认知特征尚缺乏系统性量化分析。现有研究存在样本量小、主题聚类模型局限性（如LDA模型忽视词汇位置信息）、情感分析方法对长文本处理不足等问题。因此，本研究旨在通过大规模微博数据，构建“关注度—满意度”量化框架，为政策制定、企业技术优化和公众信息素养提升提供依据。

研究流程与方法
1. 数据采集与预处理
- 数据来源：以ChatGPT、文心一言等GAI工具名称为关键词，爬取2022年12月至2024年2月的微博数据120,569条，清洗后保留95,669条有效数据。
- 预处理：包括去重、分词、去停用词等，并提取发布时间、转发量、评论量等字段。

1. 主题聚类与关注度量化

   • 模型开发：提出创新性模型Zero-Shot_M3E_BERTopic，结合零样本提示（Zero-Shot）技术和BERTopic模型，解决传统主题模型语义模糊性问题。具体步骤包括：
     
     • 输入层：通过LDA初步聚类生成先验知识集，筛选14个主题并构建提示词集。
       
     • 文档嵌入：采用M3E模型（基于RoBERTa架构）将文本转换为768维向量，保留中英文混合文本的语义特征。
       
     • 文档聚类：计算文档与提示词的余弦相似度（阈值0.7），未匹配文档通过UMAP降维和HDBSCAN聚类。
       
     • 主题表征：整合聚类结果，通过C-TF-IDF算法提取前20个关键词描述主题。
       
   • 对比实验：与LDA、Top2Vec等模型对比，Zero-Shot_M3E_BERTopic的主题连贯性（-2.711 vs. LDA的-15.955）和一致性（0.835 vs. LDA的0.607）显著更优。
     
   • 关注度计算：基于微博数量、评论量、转发量、点赞量，通过Min-Max归一化和加权（权重α=0.5, β=0.2, γ=0.2, δ=0.1）量化主题关注度。
     

2. 情感分析与满意度量化

   • 模型选择：采用ERNIE 3.0模型（知识增强预训练，Transfomer-XL架构）进行情感分类，输出积极/消极概率值（阈值0.5）。
     
   • 满意度计算：以主题内微博情感值均值作为满意度指标。
     

3. “关注度—满意度”框架构建

   • IPA模型应用：以关注度为纵轴、满意度为横轴，划分四个象限：高关注—高满意（优势区）、高关注—低满意（劣势区）、低关注—低满意（改进区）、低关注—高满意（保持区）。
     
   • 关键词共现网络：提取高/低满意度区域的高频词，分析公众认知细粒度特征。
     

主要结果
1. 主题聚类结果
- 识别出17个主题，归纳为4个维度：用户反馈（如问答质量、情感洞察）、未来趋势（如技术展望、金融行情）、应用场景（如教学辅助、科研支持）、风险感知（如知识产权、就业市场）。
- 关注度演化：用户反馈维度初期聚焦问答质量（T0），后期转向情感洞察（T3）；风险感知维度关注度整体偏低但呈上升趋势（如网络安全T12从0.1升至0.4）。

1. 满意度分析

   • 劣势区主题：问答质量（T0满意度0.469）、情感洞察（T3满意度0.512）和教学辅助（T4满意度0.581）表现最差，反映GAI在逻辑性、情感理解和教育滥用问题上的不足。
     
   • 优势区主题：使用体验（T5满意度0.802）、创作启迪（T6满意度0.784）等技术应用类主题满意度最高。
     

2. IPA框架结论

   • 需优先改进领域：问答质量、情感洞察等劣势区主题；知识产权、就业市场等改进区主题需长期关注。
     
   • 保持领域：智能驾驶（T16满意度0.901）等专业场景表现良好但关注度低。
     

研究价值与亮点
1. 学术价值
- 提出融合Zero-Shot与BERTopic的混合模型，解决传统主题模型在语义模糊性和可解释性上的缺陷。
- 构建首个GAI公众认知的“关注度—满意度”量化框架，为技术接受度研究提供新范式。

1. 应用价值
   
   • 政策建议：政府需加强GAI伦理监管（如网络安全风险治理）和公众教育（如提问技巧培训）。
     
   • 企业优化：提升中文语境下的情感理解能力，开发垂直领域专业工具（如医疗诊断GAI）。
     

创新点
- 方法创新：Zero-Shot_M3E_BERTopic模型实现高精度主题聚类；ERNIE 3.0情感分析适配社交媒体语言风格。
- 视角创新：首次从动态演化角度揭示公众认知的阶段性特征（如风险感知滞后性）。

其他发现
- 公众对GAI的期望存在两极分化：技术展望（T1）关注度达0.836，但满意度波动剧烈（0.6~0.9），反映对技术前景的乐观与对现实落地的质疑并存。