关键词：人工智能；文献计量；跨学科；认知科学

一、弁言

人工智能是一门正在发达发展的新学科，1956年的达特茅斯（Dartmouth）会议被公认为是人工智能正式起源的标志（尼克,2017）。
从定义上看,虽然详细的表述莫衷一是，但是基本上涵盖了“仿照人类”“系统设计”“任务应对”几个层面（McCarthy et al., 1955; Barr & Feigenbaum, 1981; McCarthy, 2007; Kok et al., 2002），针对人工智能技能的最新进展，有学者给出如下定义：基于大数据、算法和云打算三项技能根本，开拓用于仿照、延伸和扩展人的智能的理论和方法的新技能，是制造智能机器、可学习打算程序和须要人类聪慧办理问题的科学和工程（张洪忠等, 2018）。

虽然人工智能旨在利用日益丰富的数据资源，发挥打算机的运算能力，结合不断更新迭代的算法来实现剖析和决策，进而追求对人类思维乃至理性的无限趋近，但是从学术谱系来看，人工智能并非仅仅根植于打算机领域，而是来源于哲学、数学、神经科学、措辞学等多元学科地带（陆汝钤, 1989）。
其跨学科特色不仅表示于源起，还显露在后续研究取向中，以自然措辞处理下的二级观点机器翻译为例，机器翻译研究中素有两种思潮：更依赖措辞学专家编撰措辞转换规则的“理性主义”思潮和更依赖数学家与算法开拓者编写程序从大规模数据中学习自然措辞之间转换规律的“履历主义”思潮（AMiner, 2018）。
回顾逾60年的发展轨迹，伴随技能运用化步伐加速、近年来政策红利和大量经济成本的涌入，人工智能业已渗透至社会生活的各个环节并启迪各领域的学者对人工智能这一议题展开研究。
相较于形式科学、自然科学、运用科学——这些人工智能研究的“主沙场”而言，社会科学领域的干系研究虽然在数量上难以企及，但也保持着对人工智能技能发展和技能引发社会格局变迁的密切关注。
有鉴于此，本研究希望结合文献计量的干系方法，对社会科学领域的人工智能研究进行图绘，详细包括：社会科学中的人工智能研究涵盖哪些领域（RQ1）、紧张包含哪些研究主题（RQ2）、在知识发展过程中研究热点经历若何的变迁（RQ3）、这些研究遵照着哪些紧张的范式（RQ4）。

二、研究设计

▷ 数据来源

美国科学情报研究所（Institute for Scientific Information， ISI）体例的Web of Science（WoS）引文数据库是目前收录信息比较全面和认可度较高的数据库，且常用于科学文献剖析（Chen, 2017）。
本研究选择WoS核心合集中的社会科学引文索引（SSCI），以“artificial intelligence”作为主题①，限定文献类型为Article（文章）和Proceedings Paper（会议论文），措辞为英文，韶光跨度为所熟年份②，终极得到符合条件文献共计2481篇，数据末了更新韶光为2018年7月9日。

▷ 研究方法

本研究引入文献计量方法（bibliometrics）作为支持。
文献计量法是一种定量剖析方法，以科学文献的各种外部特色作为研究工具，采取数学与统计学方法来描述、评价和预测科学技能现状与发展趋势（朱亮、孟宪学, 2013），文献计量旨在剖析不同科学领域的学术生产态势（Martínez et al., 2015），既可用于关注研究者或研究机构的科研影响力，又可用于探究科学研究领域的构造和知识变迁（Noyons et al., 1999; Montero-Diáz et al., 2018）。
针对每一项研究问题的详细方法如下。

首先，对文献的时空分布进行描述剖析，分别利用文献记录中的“PY（出版年份）”字段和“C1（作者地址）”字段，③当一篇文献的作者地址包含多个国家或地区时，则分别在这些国家或地区对应的文献数量上加一；其次是研究领域剖析，“SC（研究方向）”字段可以视为研究领域分布的象征（丁汉青、刘念, 2017; 丁汉青、吴雨蔚, 2017），一篇文献每每关涉多个研究领域，因此在磋商各领域研究频数外，还需关注领域的共现，以便更深入地探寻人工智能研究的跨领域特色。

对付研究主题的探索，文献计量领域素有两种方法：以单个词语为根本的“自下而上”（bottom-up）方法，即对标题、择要进行分词，再以词语作为变量利用聚类算法开展聚类并归纳种别特色（Peng et al., 2013; Tse et al., 2015）；另一种方法紧张利用关键词之间的共现，再基于共现网络进行聚类（丁汉青、曹璞, 2015; Montero-Díaz et al., 2018）。
人工智能研究中大量研究语汇并非单字，而因此短语或词组的形式涌现，如人工智能领域的范例技能semantic search（语义搜索）、neural network（神经网络）等，这一特质解释若集中于单个词语则易忽略词之间的语义关联，使文本的主题表达面临信息缺失落风险（常鹏等, 2012）。
在WoS中，除却研究者给定的“DE（作者关键词）”外，还有系统根据研究内容所补充的“ID（关键词添补）”，关键词作为研究内容的高度凝练，既包含词语，亦包含词组，其既有的分隔形式战胜了人为分词带来的不准确。
本研究提取“DE”和“ID”字段，对每则文献记录中的关键词进行洗濯、合并，布局出关键词之间的共现矩阵，再将其纳入聚类剖析以推测主题;此外，将关键词视为研究热点的代表，通过剖析关键词的抑扬涨落来把握研究领域的热点变迁（Peng et al., 2013），由于剖析材料中1990年之前的文献未包含“DE”与“ID”字段，因此从1990年开始，以5年作为一个单位，构建关键词的共现矩阵和网络，并根据每个关键词的相对度数中央度来确定关键词在对合时光区间的主要性。

对付研究范式，Kuhn（1996）认为科学范式（scientific paradigm）是包括不雅观察工具、基本理论、问题建构办法、研究手段等环节在内的一套研究模式，范式之间存在着竞争、交替、转换，科学是在新范式取代旧范式的革命中向前发展的。
对付范式的归纳可以利用文献共被引剖析（document co-citation analysis），这一剖析方法能够反响科学范式的基本构造（Chen, 2018），若某文献被引用次数越多，解释这篇文献在相应研究领域中可能处于奠基性地位，其研究方法、技能手段、结论与创造可能推动了全体领域的发展（辛伟等, 2014）。
本研究选用具有跨领域适用性的CiteSpace知识图谱软件（Chen, 2006）对所有文献记录进行共被引剖析，从中提炼核心文献并总结研究范式。

三、研究结果

▷ 研究的时空分布

SSCI中人工智能文献数量在总体趋势上有所起伏，但在近5年间，干系文献数量呈现稳步上升态势（图1）。

文献量排名前20的国家或地区所产出的文献霸占总量的85.56%，虽然中国目前是环球人工智能论文产出最多的国家（清华大学中国科技政策研究中央, 2018），但是在SSCI的文献数目上仍与美国、英国存在一定差距（图2）。

▷ 人工智能的研究领域

从所有文献记录中共提取出106个研究领域，位居前10的领域依次是：打算机科学（n=847）、商业与经济（n=515）、生理学（n=358）、工程学（n=351）、运筹学与管理科学（n=322）、信息科学与图书馆学（n=220）、社会科学其他主题（n=165）④、教诲与教诲研究（n=135）、神经科学与精力病学（n=104）、数学（n=79）。

在研究领域共现上，106个研究领域之间共存在354条连边，构建的无向有权网络（图3）中节点标签的字体越大解释节点的度数中央度越高，连边越粗代表两个研究领域的共现次数越多。
如果某研究领域的度数中央度越高，那么证明在这一主题的研究中，该学科具有主要的地位。
度数中央度位于前10的节点如表1所示。

从绝对数量来看，社会科学中的人工智能研究集中在经济学、生理学、管理学、信息科学、教诲学领域。
从与其他研究领域的关联来看，生理学、经济学、社会学、教诲学领域常出身与人工智能干系的交叉研究。
以人工智能所归属的打算机学科为例，与其共现次数在50次以上的社会科学研究领域包括信息科学、管理学、生理学。
综上，人工智能研究作为一个范例的跨学科领域，与社会科学领域中的经济学、生理学、管理学、信息科学存在密切关联。

▷ 人工智能的研究主题

至少包含一项关键词字段的记录共有2073条（83.56%），从中共抽取出7873个关键词，考虑到矩阵大小和运算繁芜程度，本研究借鉴丁汉青、曹璞等（2015）的处理办法，将关键词按照词比年夜小进行排序，选择一定词频阈值之上的词作为高频关键词进行后续剖析。
本研究选择至少在1%记录中涌现过的关键词共计86个，并去除鉴别力过低的常见词汇（包括artificial intelligence， model， system），末了构建出83行83列的关键词共现矩阵。
周磊等（2014）通过实证研究创造社会网络剖析方法中的层次聚类对共现矩阵剖析的准确性最高，且运行结果较为直不雅观，本研究利用社会网络剖析软件UCINET对共现矩阵进行聚类剖析。

根据UCINET天生的系统树图（图4）构造，可辨别出的核心研究主题包括：

（1）算法及运用处景。
对应关键词包括：neural network（神经网络）、Genetic algorithm（遗传算法）、support vector machine（支持向量机）、particle swarm optimization（粒子群优化）、prediction（预测）、classification（分类）、optimization（优化）等。
以经济学领域为例，Cavalcante等（2016）回顾了用人工智能技能来应对金融市场问题的一系列文献，创造人工智能路径的效果优于传统统计路径，紧张用来办理金融市场中的预测问题（如股价预测、财务危急预测），常常被利用的技能包括多层感知器（Multilayer Perceptron, MLP）、支持向量回归（Support Vector Regression, SVR）等，近年来，文本挖掘干系算法的地位也日益主要。

（2）系统构建与决策支持。
对应关键词包括：expert system（专家系统）、decision-support system（决策支持系统）、decision-making（决策）、management（管理）、diagnosis（诊断）、knowledge management（知识管理）、performance（表现或性能）等。
专家系统属于人工智能的前序发展成果，黄金期间约在20世纪80年代至90年代初，其旨在把知识提炼为规则，进而仿照专家思维对新输入数据进行推理，专家系统曾被广泛运用于化学、生物、医学领域（尼克, 2017）。
在社会科学领域，许多管理学干系文献从属于该主题下，如Beriha等（2012）利用模糊逻辑（fuzzy logic）构建了着眼于安全推断的专家系统，可以凭借行业的安全干系用度支出比例来估测安全事件发生概率，从而提升行业的安全性能。
此外，还有运用于旅行市场业务的推举专家系统（Hsieh, 2011）、运用于住院时长预测的医疗管理支持系统（Yang et al., 2010）等。

（3）大数据及干系技能。
对应关键词包括：big data（大数据）、machine learning（机器学习）、natural language processing（自然措辞处理）、data mining（数据挖掘）。
人工智能无法分开数据和知识两种原材料，近年来许可数据直接输入的多层神经网络愈益受到欢迎，以数据驱动的模型和系统发展迅速（张钹, 2018）。
伴随社交网络、移动互联网、物联网的兴起，数据体量迅速增长，以数据挖掘为代表的大数据剖析技能应运而生，大数据落地在一定程度上是由数据挖掘、自然措辞处理、机器学习、商业智能等广义观点盛行所推动的，且更强调对社会科学领域的运用（沈浩、黄晓兰, 2013）。
结合大数据的人工智能技能正在改造社会科学领域的既有研究路径，如在信息科学领域，利用主题逻辑构造（theme logic structure）和人工神经网络来处理大规模非构造化数据，从而预测期刊的研究主题趋势（Zhu et al., 2018）。
与此同时，一部分法学和社会学研究也对大数据干系技能予以反思，比如Taylor（2017）认为互联网、大数据、人工智能、智能系统、云等要素之间相互交融，成为一个“嵌入式的信息域”（embedded infosphere），与之对应，干系信息传播政策需作出适当调度更迭，在系统论视角下建立一个综合式的政策架构以应对崭新的信息传播格局。

（4）知觉与影象。
对应关键词包括：memories（影象）、knowledge（知识）、perception（知觉）、recognition（识别）、brain（脑）、cognition（认识力）、language（措辞）等。
人工智能基本假设之一是能利用打算来为人类思维建模，而认知科学（cognitive science）也对思维议题情有独钟，因此人工智能自发展初期始便是与认知科学互动密切的领域（Forbus, 2010）。
相应地，该主题下的研究多集中在生理学领域，如Süß和Kretzschmar（2018）存心理实验方法来考验认知能力和先验知识对繁芜问题求解（complex problem solving）的影响，证明了生理学研究对付仿照现实天下的有效性和用于繁芜决策研究的潜力；Friedman等（2018）利用观点变迁打算模型对组合连贯理论（assembled coherence theory）进行验证，阐明了认知科学中的知识运用机制；Khatchatourov等（2016）以音乐风格辨识为出发点，磋商了儿童在辨识自我演奏音乐和人工智能天生音乐过程中的影象处理问题。

（5）机器代理与仿真。
对应关键词包括：robot（机器人）、behavior（行为）、simulation（模拟）、agent（代理）、dynamics（动力学）等。
这一主题的核心研究来自打算机科学、工程学、机器人学、神经科学领域。
社会科学的干系研究涵盖如下面向：对社会关系和人类行为进行仿照，比如采取多主体建模方法对市场主体行为进行模拟，从而对繁芜的市场动态进行更好的洞察（Baptista et al。
, 2014）；利用消费者的人口统计资料和交易数据建立网络消费者行为智能仿真模型（Çagil & Erdem, 2012）。
从哲学、宗教、伦理学的层面反思以机器代理为代表的人工智能与人类的关系，比如在宗教背景下思考机器文化和文化的遍及（Geraci, 2010），不同宗教对付人工智能的理解以及机器人技能对宗教核心教义带来的寻衅（Tamatea, 2010），建立具有人类道德意识的人工代理（artificial moral agents）之路径与必要性（Wallach, 2010）。
利用跨学科知识来优化仿真设计，比如利用基于意向的（intention-based）掌握系统来从游戏玩家的时空行为和互动关系中推测出目标和意向，进而优化游戏机器人的参与表现（Crick & Scassellati, 2010）。

（6）教诲改进。
对应的关键词包括：education（教诲）、children（儿童）、human-computerinteraction（人机交互）、future（未来）、computers（打算机）、communication（互换）等。
该主题强调人工智能对付教诲领域的赋能，并借助实验生理学、用户体验、交互设计等领域的智识资源。
例如，自适应在线学习系统（adaptive e-learning system）能够结合学生的访问偏好进一步改进学习过程中的互动体验（Ascaso et al., 2016）；智能信息访问系统（intelligent information access system）如何改进生物医学和康健科学传授教化活动（Aparicio et al., 2018）。
该主题下的研究清晰展现出以人工智能技能为中介的教诲和学习过程对付当代教诲的适切性以及对学生知识习得过程的促进效用。

此外尚有一些种别下的关键词数量较少，或者关键词过于侧重打算机技能，和社会科学研究领域关联度有限，这些种别暂不纳入本研究的考量范围。

▷ 人工智能的研究热点变迁

本研究将相对度数中央度这一指标运用于不同时段的关键词共现矩阵之上，相对度数中央度也即标准化后的绝对度数中央度，该指标担保了不同规模网络图中节点的可比较（刘军, 2014）。
某关键词的相对度数中央度越高，证明其地位越主要。

关键词在6个韶光段的变迁（表2）揭示出以下两点特色：

（1）社会科学领域的人工智能研究热点变迁基本跟随了人工智能技能的发展轨迹。
正如尼克（2017）的总结：专家系统自20世纪80年代初伊始经历十年黄金期，随着日本第五代打算机的幻灭，专家系统成了一个时时兴的词，但专家系统催生了知识表示，后者与生理学、措辞学关系密切，除却知识表示这类依赖逻辑和符号系统来实现人工智能的路径外，另一条路径是通过仿造大脑来实现人工智能，其代表技能是神经网络。
虽然神经网络的发展历经沉浮，但近年来互联网产生的海量数据给予神经网络更多的赋能空间，最范例的表现便是以多层神经元构成神经网络为基底的深度学习广受欢迎，与神经网络一样发轫于生物领域的另一条脉络是冯·诺伊曼（John von Neumann）的细胞自动机，历经遗传算法、遗传编程后蜕变为强化学习，这一派在2000年后受到日益密切的关注，并在2015年末因AlphaGo的涌现而更受追捧。
从关键词变迁中可以清晰看出，“专家系统”“决策支持系统”自2000年后地位逐渐低落，而“神经网络”“遗传算法”“心智”“智力”“机器学习”等关键词的地位开始上升，虽然社会科学领域研究热点未与技能发展步调保持及时联动，但基本呈现出技能蜕变路径对社会科学研究热点的牵引。

（2）从较为单一到多元汇聚的运用处景。
从早期的以知识为根本的专家系统霸占主导，到后来运用至“管理”“市场”领域，并看重“预测”“优化”、应对“风险”等任务面向，充分印证了人工智能在发展过程中的运用导向，也即技能的落地。
与此同时，人工智能与社会科学中各学科的交集也在扩大，最范例的是与认知科学领域的互动，人工智能“用打算机器仿照、延伸、扩展人类智能”之宗旨哀求对认知科学中诸如“影象”“措辞”“知识学习”“知觉”“行为”等经典观点予以密切关注，而认知科学中的行为实验、神经学研究亦给人工智能发展供应了声援。
其余，各种“视角”也为人工智能发展供应契机，比如从价格颠簸视角结合遗传算法来研究股票市场中限价的影响（Yeh & Yang, 2010）、从动态学和生态学的视角来理解演绎推理，进而打破传统打算主义范式辅导下对演绎推理的阐释（Faiciuc, 2008）。

▷ 人工智能的研究范式

从所有文献记录中共抽取94429条引文。
在CiteSpace中选取每一年中被引位于前100的引文，构建当年的被引网络，并用“最小天生树”（minimum spanning tree）算法对天生网络进行修剪，之后将各年网络进行合成。
借用Gephi软件的网络绘制功能对导出的网络数据进行处理后可得出文献共被引图谱（图5），图谱中的每一个节点代表一篇文献，节点尺寸越大代表对应文献被引次数越多，两个节点之间若存在连边则代表两篇文献存在共被引关系。
通过回溯图谱中关联度较强文献群集中的高被引文献，可归纳出以下三种紧张的研究范式。

（1）认知科学研究范式。
图谱中认知科学干系文献数量丰富，且被引次数较高，这与“知觉与影象”作为主要研究主题以及认知科学领域关键词的逐时段增多相呼应。
Holland等（1986）领悟生理学、打算机科学、哲学三重视角对归纳框架展开研究，认为知识归纳过程的实质是基于规则的心智模型，认识架构对环境中的要素关联做出阐明，进而产生适应规则和详细行动，这一套归纳框架可被运用至自然环境和机器中。
Boden（1991）利用打算范式对创造力予以全新解读，寻衅了创造力来源于“直觉”的传统认知，并进一步认为可以通过打算模型来实现机器的创造力。
Rumelhart等（1986）认为人类比机器更具上风之处在于人类生理的大规模并行打算架构，知识的产生来自各个神经元彼此的连接，从认知科学微不雅观架构中启示的连接主义寻衅了符号打算。
与此类似，Newell等（1990）也强调人类大脑的心智实现，并发展出具有广泛性和原谅性的统一认知理论（Unified Theory of Cognition）用以阐明智能机体如何从环境刺激当中诱发出目标导向行为，这一试图仿照人类认知机制的通用性理论对付人工智能算法开拓和系统设计具有主要的启迪意义。
类似的研究还包括对意识的解读（Chalmers, 1995），对人类决策、思考框架、认知偏误的探索（Kahneman, 2011）。
概言之，这一范式侧重发掘认知科学与打算机科学的共鸣点，旨在借用认知科学中对人类思维办法的解析来辅导人工智能发展，并用人工智能技能来回应认知科学中的命题。

（2）知识表示研究范式。
这一范式下的核心文献名称多包含“expert system”（专家系统），专家系统的最高期望即是探求并运用人类知识的普遍规则。
Lenat和Guha（1990）认为系统的智能理解和智能行为来源于对所在领域观点、方法、启迪的节制，因此智能可以等价为对规则的提炼，有鉴于此，研究者希望将人类知识进行编码，建立起浩瀚的知识库，这也是知识图谱的原型架构。
与之不同，Collins（1990）认为专家系统的有效性完备取决于利用者的知识水平，专家系统所节制的是人类所授予的“颗粒态”知识，而人类所拥有的知识源于社会，是相对连贯而稠密的，专家系统扮演的是人类专家知识过滤器的角色，在建构规则同时会无可避免地丢失一些背景信息。
只管对付专家系统的谈论存在不合，但是专家系统在人工智能领域的奠基性意义无可否认,不仅在于规则提炼模式的提出，更在于其核心构念对后续观点图、大知识系统、语义网、知识图谱的催生。
与此范式干系的文献还包括知识系统的搭建（Roth et al., 1983）、知识系统的实际运用（Chorafas, 1986）等。

（3）未来智能研究范式。
该范式包括了人工智能的技能前景展望以及如何应对人工智能带来的社会变迁。
在技能展望方面，神经网络的发展延展了人工智能的运用处景，基于对神经网络的深度学习正在成为一种领航技能路径，LeCun等（2015）提出以反向传播算法为根本的深度卷积神经网络（deep convolutional nets）和递归神经网络（recurrent neural nets）分别在图像、***处理和序列型数据处理上带来打破；Silver等（2016）对AlphaGo的解析以及Mnih等（2015）对强化学习的运用凸显了强化学习在人工智能领域的主要地位，这些研究昭示着未来人工智能的前景与发展方向。
在应对由人工智能驱动的社会变迁方面，干系文献紧张关注技能发展对人类社会的影响和角色替代问题，牛津大学哲学家Bostrom（2014）的著作《超级智能》揭示人类在迅速发展的机器时期中遭遇的现实困境与可能风险，由于机器的进化速率领先于人类的进化速率，那么机器的“大脑”有可能超越人类的智能，乃至构成对人类文明的威胁，因此在发展过程中须要谨慎设立技能发展终极目标，并鼓励差别化发展，遵照共同利益（common good）原则。
比较于Bostrom对“弗兰肯斯坦”的担忧，Brynjolfsson等（2014）则更为缓和，其将人工智能技能跃进的时期比作“第二机器时期”，并与“第一机器时期”（工业革命时期）作出比拟谈论，认为两个时期最大的不同在于：后者的特色是人力和机器力量互为补足，前者的特色是机器在目前和未来可以完成更多本认为只有人类才可应对的任务，机器对职业领域和更广阔劳动领域形成激烈冲刷，这一论断的成立依据来自机器打算能力的指数级别增长和信息技能与数字通信的迅速推进。
与此同时，机器会降落对自然劳动力的整体需求，在利益分配上，技能创造的“赏金”（bounty）也转移到以智能技能为代表的新兴技能行业上，全体社会的资源分配格局正在经历剧烈的变迁。
虽然Brynjolfsson的视角紧张基于宏微不雅观经济学，但是与Bostrom一样对人工智能进行了技能逻辑之外的关怀，侧重谈论技能的社会效应。
总体上看，未来智能研究范式的理论资源不仅涵盖打算机技能、工程知识，也横亘哲学、经济学、人类学等多个学术谱系。

四、结论谈论

本研究借用文献计量领域的干系方法，对1975年至今的SSCI人工智能干系文献进行剖析，梳理了文献的时空分布、研究领域、研究主题，剖析研究热点变迁并归纳了紧张的研究范式。

社会科学中的人工智能研究表示出多少清晰的特质：

首先，人工智能与认知科学保持着“相互嵌入”的关系，在历史渊源上，生理学家米勒（Miller）和措辞学家乔姆斯基（Chomsky）共同开拓了认知科学，这不仅从逻辑层面上丰富了知识表示，更为后期的连接主义（connectionism）运动供应了理论根本，这些历史过往使得人工智能在方法论上渗透着认知科学的痕迹，比如深度学习中的多层神经元架构模拟的是人类的心智处理模式；更让诸多领域的研究者以认知科学作为交叉点而汇聚在一起，比如掌握论创始人维纳（Norbert Wiener）对大脑建模的追求（尼克, 2017）。
历史上的学科交汇使得认知科学成为人工智能研究的主要范式之一，并成为主要的研究主题，目前认知科学中的生理学领域已成为社会科学与人工智能交叉的前沿阵地；

其次，社会科学的研究视野伴随技能更迭而不断变迁，与自然科学等领域的技能主导取向不同，社会科学研究更侧重于将技能纳入运用环节，比如对付智能预测、决策、管理的追求，新技能的纷至沓来无疑开辟了对付智能社会的想象，从而加速了技能在社会科学领域的采纳与验证步伐；与此同时,社会科学同样对人工智能建立了自反框架，比如从伦理、规约维度出发对大数据、生物仿真、社会变迁予以反思。

对付社会科学领域而言，人工智能的技能意涵不言自明，但于此以外仍有更广袤的待挖掘之地。
以***传播学科为例，一派不雅观点源于技能愉快，在人工智能干系技能、模式实行的情境下，***传播领域面临业态、机制、逻辑的重塑（喻国明、姚飞, 2017），不少学者从国内外人工智能助益***生产流利模式变革的成功案例出发，总结了人工智能对***内容生产、***信息通路、受众反馈产生的影响。
譬如，以人工智能为代表的技能进步成为驱动媒体智能化的直接动因，并使“智媒”成为未来媒体发展的一种紧张趋向（彭兰, 2016; 苏涛、彭兰, 2018）。
在“智媒”趋向的大背景下，人工智能重塑传媒家当业务链，信息采集、编辑制作、认知体验、内容推送环节皆在技能的渗入下“洗面革心”（喻国明等, 2017）。
另一派从文化、技能政治路线展开稽核，对人工智能的发展逻辑、干系技能的运用抱以反省，宏不雅观层面的稽核包括外部政治力量如何通过投资干预旁边研究取向，从而使政治权力凌驾于学科自身发展规律之上（Committee on Innovations in Computing and Communications, 1999）；有关技能的多元想象如何对技能进行社会建构以及主导想象之后的力量如何推匆匆技能发展并且形塑技能和相应政治文化制度之间的联系（Streeter, 2011）；技能发展过程中经历了若何的权力主体转让和技能大规模商业化之后合理性的存续（Wu & Yun, 2018）；人工智能的修辞效应是否遮蔽了技能发展的本色，各类“承诺性修辞”（promissory rhetoric）和“勾引性断言”（cringe-inducing assertions）营造了若何的认识论陷阱（Elish & Boyd, 2018）。
微不雅观层面的稽核包含在高度媒介化社会中权力以算法作为寄居体进而以更为隐秘的机制进行渗透（Lash, 2007），算法对把关权力进行程序化收编,乃至使"大众年夜众在由自己意志编织起来的“信息茧房”（information cocoon）中降落理性判断力，进而实现对社会合意的掌握（喻国明等, 2018）；算法对代价理性中关键信念的忽略（陈昌凤、石泽, 2017）和***生产流程的“黑箱化”与随之而来的技能和成本反收编（仇筠茜、陈昌凤, 2018）。
这些视角的搜集丰富了人工智能研究的学术版图，并彰显***传播学科不雅观点对付全体社会科学领域的裨益。

从本研究的结论出发，依然可以创造更多的研究打破点。
譬如，从研究主题和研究热点变迁中都可看出，以“仿照”为紧张特色并追求心智、意识、行为贴近人类的机器仿真和系统设计正成为新的技能愉快点，这与征象学、主体理论、后人类主义思潮有着极高干系性，相应地，传播研究中也有“赛博人”（cyborg）等观点与之相照料（刘海龙, 2018; 孙玮, 2018），人工智能技能匆匆使生物逻辑和技能逻辑的互嵌更加深入，赛博人便是技能与人领悟出的元媒介，最大限度地实现了技能具身（孙玮, 2018）。
只管间隔虚拟身体的实现尚有时日，但是技能作为身体的一部分要素并参与感知过程的状态是毋庸置疑的，人对天下的感知以技能为中介，技能与天下的交互则以人作为根本，人作为技能与天下的沟通界面更彰显出一种技能性的存在，那么在人从自然主体到技能领悟主体的重组过程中，人与人的传播关系势必不能仅从人际传播角度出发，还需涉及对技能的关怀，诸如人工智能时期人类社会系统之变迁、机器之后隐蔽的人类社会关系、当机器具有自主意识后给人类社会带来的寻衅。
其余，Smythe（1994）曾从技能生产、研发、遍及、创新等向度出发论述技能的非中立特色和政治性，并强调关注技能背后详细社会制度和意识形态的主要代价；Zhao（2007）同样呼吁关注技能发展优先秩序和技能创新的代价导向，顺延这一思考模式，值得探究的命题包括：人工智能在作为竞争实力筹码和经济效益累积工具的同时，在多大程度上供应了知足公共目的的产品与做事；人工智能在对既有家当格局起变革浸染的同时是否遮蔽了一些劳动关系问题，比如“数据标注”（data labeling）工种（Reese, 2016）是否演化为正在经历更加暗藏剥削的“数字劳工”（Fuchs, 2012），等等。

本研究尚存的不敷之处在于：首先，文献检索时仅利用“artificial intelligence”作为主题检索词，虽然担保了“查准率”，但一定程度上忽略了“查全率”，可行的改进方法包括从打算机领域的高被引论文中提取得当的关键词作为检索依据；其次，在研究主题发掘环节，利用关键词共现矩阵作为聚类依据虽然尽可能准确地把握了语义，但依然承担了一定的信息丢失代价。
未来研究可在对英文择要进行分词时辅以人工智能专属词典，利用诸如Birch聚类（Zhang et al., 1996）等方法将择要划分为不同种别，再基于各个种别中对应的关键词来确定主题以达更好效果。

注释：

①本研究未选择“AI”作为主题检索词的缘故原由在于“AI”具有多义指代，譬如：American Indian（美洲印第安人）、Alcohol-Interactive（酒精相互浸染）等，而且关于人工智能的研究，在给出简称（AI）的同时也会标注全称（artificial intelligence）。
为肃清指代歧义、提升研究信度，仅选择“artificial intelligence”作为主题检索词。

②WoS核心合集收录了1975年至今的文献数据，因此检索文献的韶光出发点为1975年。

③WoS核心合集的字段标识解释，获取自https://images.webofknowledge.com/WOK50B6/help/zh_CN/WOK/hs_wos_fieldtags.html

④根据WoS的界定,“社会科学其他主题”包括：跨学科研究（Interdisciplinary）、伦理学研究（Ethics）、社会科学史研究（History of Social Sciences）等。