人工智能對(duì)跨學(xué)科活動(dòng)的多樣化支持方式

本文圍繞“DNA的探索”的跨學(xué)科教學(xué)活動(dòng)項(xiàng)目，從科學(xué)研究的范式的角度，探討人工智能模型在科學(xué)教育中支持跨學(xué)科融合教學(xué)活動(dòng)的路徑。

在概述了人工智能在科學(xué)探究中的多種賦能方式后，作者重點(diǎn)分析了不同的科學(xué)研究范式特別是數(shù)據(jù)密集驅(qū)動(dòng)的第四范式和智能驅(qū)動(dòng)的第五范式對(duì)設(shè)計(jì)人工智能模型參與的跨學(xué)科科學(xué)探究活動(dòng)的影響，接著通過(guò)“DNA啟動(dòng)子預(yù)測(cè)”這一具體案例，比較了基于人為設(shè)定的字符串規(guī)則分析、傳統(tǒng)機(jī)器學(xué)習(xí)與人工神經(jīng)網(wǎng)絡(luò)這三種方法在預(yù)測(cè)效果和可解釋性上的區(qū)別，揭示了不同范式在教學(xué)設(shè)計(jì)中的實(shí)施方式，并進(jìn)一步提出兩種跨學(xué)科活動(dòng)設(shè)計(jì)路徑：一是從“數(shù)據(jù)密集驅(qū)動(dòng)”向“智能驅(qū)動(dòng)”演進(jìn)，強(qiáng)調(diào)技術(shù)對(duì)學(xué)科研究的賦能；二是從“智能驅(qū)動(dòng)”向“數(shù)據(jù)密集驅(qū)動(dòng)”回溯，注重通過(guò)智能發(fā)現(xiàn)反向推動(dòng)學(xué)科理解。

具有學(xué)科融合特色的教學(xué)活動(dòng)對(duì)于科學(xué)教育而言，有著重要的意義，它打破了單一學(xué)科的“圍墻”，將零散知識(shí)點(diǎn)和技能構(gòu)建成認(rèn)知網(wǎng)絡(luò)，培養(yǎng)學(xué)生綜合多學(xué)科的知識(shí)和技能解決復(fù)雜問(wèn)題的能力。人工智能支持下的跨學(xué)科融合活動(dòng)為科學(xué)教育提供了更豐富的素材和更多維的視角，本文將圍繞“DNA的探索”這一主題，先概要性地列舉一下人工智能在科學(xué)探究過(guò)程中可能起到的作用，然后，需要重點(diǎn)討論的是，科學(xué)研究的新的范式，也就數(shù)據(jù)密集驅(qū)動(dòng)的科學(xué)研究范式，以及自主智能猜想與發(fā)現(xiàn)的驅(qū)動(dòng)，也可以簡(jiǎn)稱(chēng)為智能驅(qū)動(dòng)的科學(xué)研究范式，對(duì)建設(shè)人工智能支持下的具有學(xué)科融合特色的實(shí)驗(yàn)教學(xué)環(huán)境和內(nèi)容的啟發(fā)。

人工智能賦能跨學(xué)科活動(dòng)方式的簡(jiǎn)單列舉

人工智能能夠從不同角度賦能科學(xué)探究活動(dòng)，如一種大家已經(jīng)很熟悉的方式，即借助生成式人工智能，通過(guò)提示詞，或預(yù)先創(chuàng)設(shè)的智能體，由樸素的“對(duì)話”過(guò)程，幫助學(xué)生開(kāi)展科學(xué)探究活動(dòng)，或者借助生成式人工智能，實(shí)現(xiàn)教學(xué)資源的搜集、整理和建設(shè)工作，或者利用生成式人工智能，幫助學(xué)生在學(xué)習(xí)過(guò)程中，對(duì)所學(xué)知識(shí)和技能實(shí)施驗(yàn)證，實(shí)現(xiàn)“嘗試—反饋—迭代”的閉環(huán)過(guò)程，或者直接利用生成式人工智能對(duì)規(guī)模較小的數(shù)據(jù)進(jìn)行較為簡(jiǎn)單的數(shù)據(jù)分析等等。

有許多科學(xué)探究活動(dòng)本身具有跨學(xué)科的特性，如“DNA的結(jié)構(gòu)”是高中生物學(xué)中涉及的內(nèi)容：從生物學(xué)角度，它涉及堿基配對(duì)與遺傳信息傳遞；從化學(xué)角度，DNA結(jié)構(gòu)以脫氧核苷酸為基本單位，通過(guò)磷酸二酯鍵形成線性單鏈，再經(jīng)堿基互補(bǔ)配對(duì)等作用構(gòu)建雙螺旋，化學(xué)作用貫穿DNA結(jié)構(gòu)、功能及動(dòng)態(tài)變化過(guò)程；從物理學(xué)角度，DNA結(jié)構(gòu)穩(wěn)定性和力學(xué)相關(guān)，且物理學(xué)手段為理解DNA結(jié)構(gòu)提供了重要支持。

另外，在數(shù)學(xué)中，堿基排列組合蘊(yùn)含特定數(shù)學(xué)規(guī)律，為研究DNA序列提供了數(shù)學(xué)的分析方法，DNA序列比對(duì)、功能預(yù)測(cè)等算法的設(shè)計(jì)涉及計(jì)算機(jī)科學(xué)的內(nèi)容，倫理學(xué)與社會(huì)科學(xué)也常圍繞基因技術(shù)展開(kāi)討論，如基因編輯等倫理問(wèn)題、DNA數(shù)據(jù)的隱私與數(shù)據(jù)安全等。以上這些都凸顯其具有學(xué)科融合特性的知識(shí)關(guān)聯(lián)性。生成式人工智能在跨學(xué)科知識(shí)整合與呈現(xiàn)、復(fù)雜概念可視化模擬、個(gè)性化學(xué)習(xí)路徑規(guī)劃、數(shù)據(jù)分析與解讀等方面，都能給予學(xué)生非常強(qiáng)大的支持。

除去生成式人工智能，各類(lèi)人工智能模型可能以多種形式賦能跨學(xué)科活動(dòng)。例如，可以上傳不同物種的DNA序列片段，人工智能模型通過(guò)比對(duì)算法快速找出堿基排列的差異，其中的一個(gè)例子是，學(xué)生輸入氨基酸序列，由人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推理，用AlphaFold生成3D模型，并預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)；又如，對(duì)于某些研究對(duì)象，可能需要自行搭建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，使之可以進(jìn)行特定功能的預(yù)測(cè)或分類(lèi)，而對(duì)于信息科技教師，可能除了希望學(xué)生們親自體驗(yàn)搭建基于人工智能的數(shù)據(jù)分析工具的過(guò)程，還希望其能了解模型運(yùn)作底層的算法原理。

傳統(tǒng)的基于規(guī)則的專(zhuān)家系統(tǒng)也仍然可能在支持跨學(xué)科活動(dòng)中發(fā)揮作用。一方面，結(jié)構(gòu)化、邏輯化的專(zhuān)家系統(tǒng)在跨學(xué)科活動(dòng)中，能夠彌補(bǔ)學(xué)生在專(zhuān)業(yè)知識(shí)方面的缺陷；另一方面，某個(gè)領(lǐng)域的可簡(jiǎn)單實(shí)現(xiàn)的專(zhuān)家系統(tǒng)（尤其在生成式人工智能的支持下），也可以是學(xué)生跨學(xué)科活動(dòng)中的較后階段的任務(wù)目標(biāo)，或可作為學(xué)習(xí)評(píng)價(jià)的對(duì)象。

人工智能支持下的虛擬仿真與交互式環(huán)境為跨學(xué)科活動(dòng)構(gòu)建了一個(gè)動(dòng)態(tài)的實(shí)踐體驗(yàn)環(huán)境。它們通過(guò)創(chuàng)建可計(jì)算的模擬世界，將不同學(xué)科的知識(shí)與規(guī)則融入其中，迫使參與者打破領(lǐng)域壁壘進(jìn)行協(xié)同思考。例如，在某個(gè)探索DNA計(jì)算的虛擬實(shí)驗(yàn)中，可以模擬核酸酶對(duì)DNA鏈的切割以及堿基的替換與連接過(guò)程，從生物學(xué)視角，參與者能直觀看到DNA鏈在變化前和變化后的狀態(tài)，而從信息科技的角度，參與者能?chē)L試用某種特定的變化來(lái)實(shí)現(xiàn)某個(gè)特定的邏輯運(yùn)算的功能。通過(guò)即時(shí)、可視化的多變量交互反饋，將抽象的理論關(guān)聯(lián)轉(zhuǎn)化為具象的系統(tǒng)行為，使參與者能直觀理解復(fù)雜系統(tǒng)中“牽一發(fā)而動(dòng)全身”的跨學(xué)科耦合機(jī)制，從而催生出更具系統(tǒng)性和創(chuàng)新性的綜合解決方案。

以上只是對(duì)人工智能參與跨學(xué)科教學(xué)活動(dòng)的方式進(jìn)行簡(jiǎn)單的列舉，而非系統(tǒng)性梳理（這部分研究工作還有待開(kāi)展），有一些通用性的人工智能支持方式也不再列舉（如自適應(yīng)學(xué)習(xí)輔助系統(tǒng)），否則難免掛一漏萬(wàn)。在這里是想說(shuō)明，人工智能可能以各種各樣的形式，參與到具有跨學(xué)科特征的學(xué)習(xí)活動(dòng)中，而本文重點(diǎn)則是要討論科學(xué)研究的新的范式對(duì)教師設(shè)計(jì)跨學(xué)科學(xué)習(xí)活動(dòng)的啟發(fā)。

從科研新范式看DNA啟動(dòng)子預(yù)測(cè)

科學(xué)研究范式（托馬斯·庫(kù)恩在《科學(xué)革命的結(jié)構(gòu)》中提出此名詞），簡(jiǎn)單來(lái)說(shuō)，就是科學(xué)家們?cè)谶M(jìn)行研究時(shí)所遵循的一套模式和方法，它對(duì)科學(xué)的發(fā)展起著至關(guān)重要的引導(dǎo)作用。隨著時(shí)代的發(fā)展，科研范式也在不斷演變，從最早的第一范式，逐步發(fā)展到如今備受矚目的第五范式。

第一范式是實(shí)驗(yàn)科學(xué)范式，它基于實(shí)驗(yàn)或經(jīng)驗(yàn)的歸納總結(jié)來(lái)發(fā)現(xiàn)規(guī)律。第二范式是理論科學(xué)范式，它以理論為基礎(chǔ)開(kāi)展研究，科學(xué)家們通過(guò)建立數(shù)學(xué)模型和理論框架進(jìn)行演算、歸納、總結(jié)，以此來(lái)解釋自然現(xiàn)象。第三范式是計(jì)算機(jī)科學(xué)范式，科學(xué)家們利用計(jì)算機(jī)仿真模擬復(fù)雜自然現(xiàn)象。

與人工智能密切相關(guān)的科研范式是第四范式和第五范式，即數(shù)據(jù)密集驅(qū)動(dòng)的范式和智能驅(qū)動(dòng)的科研范式。第四范式指的是人類(lèi)主導(dǎo)數(shù)據(jù)分析過(guò)程。科學(xué)家通過(guò)實(shí)驗(yàn)、觀測(cè)或模擬產(chǎn)生海量數(shù)據(jù)，在構(gòu)建結(jié)構(gòu)化數(shù)據(jù)集后，運(yùn)用數(shù)據(jù)挖掘技術(shù)進(jìn)行分析得到規(guī)律。例如，陣列射電望遠(yuǎn)鏡、大型粒子對(duì)撞機(jī)每天產(chǎn)生幾個(gè)千萬(wàn)億字節(jié)的數(shù)據(jù)，需要利用統(tǒng)計(jì)分析算法從海量數(shù)據(jù)中發(fā)現(xiàn)用過(guò)去的科學(xué)方法發(fā)現(xiàn)不了的新模式、新知識(shí)以及新規(guī)律。

第五范式指的是人工智能深度參與并部分主導(dǎo)科研流程的智能化模式。它不再局限于被動(dòng)分析數(shù)據(jù)，而是主動(dòng)參與科學(xué)發(fā)現(xiàn)：人工智能能自主設(shè)計(jì)實(shí)驗(yàn)方案、優(yōu)化數(shù)據(jù)采集策略，甚至提出創(chuàng)新性假設(shè)。與第四范式相比，第五范式中的人工智能具備一定的“科研自主性”，能突破人類(lèi)思維局限發(fā)現(xiàn)跨領(lǐng)域規(guī)律，實(shí)現(xiàn)從“數(shù)據(jù)總結(jié)”到“智能創(chuàng)造”的跨越。這種范式的核心是構(gòu)建“人類(lèi)—人工智能協(xié)同科研生態(tài)”，通過(guò)“機(jī)器猜想”的方式應(yīng)用于科學(xué)智能，或許能將未知的結(jié)論推導(dǎo)出來(lái)，從而反向推動(dòng)該領(lǐng)域的發(fā)展，得到在經(jīng)驗(yàn)領(lǐng)域具有的前瞻性的結(jié)果。人工智能成為科研伙伴而非單純工具，推動(dòng)科研效率和創(chuàng)新維度的質(zhì)變。

現(xiàn)在，圍繞“預(yù)測(cè)DNA啟動(dòng)子”的問(wèn)題，來(lái)看新的科研范式如何支持跨學(xué)科的探究活動(dòng)。DNA啟動(dòng)子是基因的一段特殊“指揮區(qū)”，它能夠被RNA聚合酶特異性地識(shí)別和結(jié)合，起到啟動(dòng)轉(zhuǎn)錄過(guò)程的開(kāi)關(guān)作用，判斷基因序列中的啟動(dòng)子在醫(yī)學(xué)研究和生物技術(shù)中有很重要的作用。但是，我們面臨一個(gè)判斷基因序列是不是啟動(dòng)子的問(wèn)題。假設(shè)現(xiàn)在已經(jīng)有一個(gè)數(shù)據(jù)文件，其中有若干條基因序列，并標(biāo)明是不是啟動(dòng)子。另外，還有若干條基因序列，并不知道是不是啟動(dòng)子，我們能用怎樣的方法，基于已有是不是啟動(dòng)子標(biāo)簽的數(shù)據(jù)，判別其他基因序列中，哪些更可能是啟動(dòng)子，哪些不是呢？

如果試著給生成式人工智能工具以下提示詞：請(qǐng)根據(jù)以下大類(lèi)，列舉出常用的預(yù)測(cè)方法。第一大類(lèi)是，已知啟動(dòng)子常見(jiàn)特征，人工設(shè)定特征字符串，然后按這些特征對(duì)不同序列打分，進(jìn)行評(píng)估和預(yù)測(cè)；第二大類(lèi)是，查詢(xún)已知的啟動(dòng)子常見(jiàn)特征，利用訓(xùn)練數(shù)據(jù)，根據(jù)常見(jiàn)特征，用機(jī)器學(xué)習(xí)算法訓(xùn)練出模型，然后利用訓(xùn)練好的模型，評(píng)估和預(yù)測(cè)測(cè)試數(shù)據(jù)；第三大類(lèi)是，完全不知道任何已知啟動(dòng)子特征，利用訓(xùn)練數(shù)據(jù)，希望訓(xùn)練模型，自行發(fā)現(xiàn)特征或規(guī)則，用得到的模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)。

生成式人工智能針對(duì)三類(lèi)不同情況給出了很詳細(xì)的方案，來(lái)看一下給出的方案。

第一大類(lèi)：可以根據(jù)關(guān)鍵基因序列、GC含量、堿基分布偏好等特征編寫(xiě)評(píng)分程序，或綜合多個(gè)特征編寫(xiě)評(píng)分程序；

第二大類(lèi)：可以采用邏輯回歸、決策樹(shù)、隨機(jī)森林、支持向量機(jī)等訓(xùn)練模型和預(yù)測(cè)；

第三大類(lèi)：可以訓(xùn)練和建立人工神經(jīng)網(wǎng)絡(luò)模型，或結(jié)合了深度學(xué)習(xí)的隱馬爾可夫模型等進(jìn)行預(yù)測(cè)。

第一大類(lèi)的方法，是用常規(guī)的方法分析數(shù)據(jù)，完全由人主導(dǎo)數(shù)據(jù)分析過(guò)程，并沒(méi)有體現(xiàn)出數(shù)據(jù)密集驅(qū)動(dòng)和智能模型驅(qū)動(dòng)的特點(diǎn)，這種方式在許多時(shí)候仍然是有效的，但無(wú)疑需要專(zhuān)業(yè)人士經(jīng)驗(yàn)的支撐。

第二大類(lèi)的方法，提供給計(jì)算機(jī)關(guān)鍵基因序列、GC含量等已知的規(guī)則框架，然后利用大量已標(biāo)注好標(biāo)簽的數(shù)據(jù)，讓計(jì)算機(jī)去發(fā)現(xiàn)某種規(guī)律。需要指出的是，雖然規(guī)律是計(jì)算機(jī)自行發(fā)現(xiàn)的，但規(guī)則的輸入和輸出關(guān)系是由人定義的，并且，一般來(lái)說(shuō)，這些規(guī)律是人可以理解的，對(duì)應(yīng)著科學(xué)研究第四范式的特征，即“數(shù)據(jù)密集驅(qū)動(dòng)”的特征。

第三大類(lèi)的方法，人事先并不知道規(guī)律本身是什么，計(jì)算機(jī)體現(xiàn)出規(guī)律發(fā)現(xiàn)的自主性，并且，就算是規(guī)律的模型被人工智能建立起來(lái)，人在短時(shí)間內(nèi)也無(wú)法直接理解規(guī)律，這就體現(xiàn)了科學(xué)研究第五范式，即“智能驅(qū)動(dòng)”的特征。

我們可以試著讓生成式人工智能，生成屬于以上三大類(lèi)方式中不同的程序代碼，對(duì)DNA序列是不是啟動(dòng)子進(jìn)行預(yù)測(cè)，并觀察其運(yùn)行效果。例如，分別按字符串特征直接評(píng)估打分、采用生成決策樹(shù)的機(jī)器學(xué)習(xí)訓(xùn)練模型、采用人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型這三種方式來(lái)生成代碼，然后采用這些代碼分析如下圖所示格式的已有的DNA啟動(dòng)子數(shù)據(jù)集，并觀察預(yù)測(cè)效果。

DNA啟動(dòng)子數(shù)據(jù)集局部

用三種不同的代碼（均由生成式人工智能生成）對(duì)已有的DNA啟動(dòng)子數(shù)據(jù)集中的DNA序列進(jìn)行預(yù)測(cè)，其準(zhǔn)確率情況如下表所示（存在一定隨機(jī)性，僅供參考）。

決策樹(shù)的結(jié)構(gòu)是可以理解的，所以可以采用訓(xùn)練生成的決策樹(shù)的成果，對(duì)上述表格中的“字符串特征分析”方法進(jìn)行改進(jìn)，提升其準(zhǔn)確率。人工神經(jīng)網(wǎng)絡(luò)的測(cè)試準(zhǔn)確率雖然相當(dāng)高，但由于其模型具有不可解釋性，其訓(xùn)練得到的成果很難運(yùn)用在“字符串特征分析”的方法上。

人工智能模型參與過(guò)程中的兩種不同的跨學(xué)科活動(dòng)設(shè)計(jì)路徑

在人工智能模型參與過(guò)程中，存在兩種不同的跨學(xué)科活動(dòng)設(shè)計(jì)路徑，分別是：“數(shù)據(jù)密集驅(qū)動(dòng)→智能驅(qū)動(dòng)”演進(jìn)的路徑、“智能驅(qū)動(dòng)→數(shù)據(jù)密集驅(qū)動(dòng)”演進(jìn)的路徑。

在“數(shù)據(jù)密集驅(qū)動(dòng)→智能驅(qū)動(dòng)”演進(jìn)的路徑中，以學(xué)科領(lǐng)域知識(shí)為基石，通過(guò)傳統(tǒng)方法（如實(shí)驗(yàn)、理論推導(dǎo)）建立對(duì)規(guī)律的初步認(rèn)知，再引入人工智能技術(shù)優(yōu)化或拓展規(guī)律發(fā)現(xiàn)能力。例如，在DNA啟動(dòng)子預(yù)測(cè)中，先通過(guò)生物學(xué)實(shí)驗(yàn)驗(yàn)證啟動(dòng)子功能，再利用機(jī)器學(xué)習(xí)模型（如支持向量機(jī)、隨機(jī)森林）分析序列特征、對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練并給出預(yù)測(cè)模型，然后，嘗試用神經(jīng)網(wǎng)絡(luò)自主挖掘更復(fù)雜的模式。其技術(shù)演進(jìn)思路是：從“人工設(shè)計(jì)特征+傳統(tǒng)模型”到“深度學(xué)習(xí)”，體現(xiàn)技術(shù)迭代對(duì)學(xué)科研究的賦能。

在“智能驅(qū)動(dòng)→數(shù)據(jù)密集驅(qū)動(dòng)”演進(jìn)的路徑中，邏輯起點(diǎn)是以人工智能的自主發(fā)現(xiàn)能力為突破口，通過(guò)智能模型揭示潛在規(guī)律，再反向追溯學(xué)科領(lǐng)域知識(shí)進(jìn)行驗(yàn)證與解釋?zhuān)罨瘜?duì)學(xué)科本質(zhì)的理解。例如，在DNA啟動(dòng)子預(yù)測(cè)中，先用神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)啟動(dòng)子，我們首先會(huì)發(fā)現(xiàn)，的確可以借助模型來(lái)實(shí)現(xiàn)預(yù)測(cè)，然后嘗試發(fā)現(xiàn)模型對(duì)某些序列區(qū)域（如GC富集區(qū)）的敏感性，再通過(guò)生物學(xué)實(shí)驗(yàn)驗(yàn)證這些區(qū)域是否為轉(zhuǎn)錄因子結(jié)合位點(diǎn)，最終歸納出啟動(dòng)子的關(guān)鍵特征（如核心啟動(dòng)子元件、增強(qiáng)子模塊）。認(rèn)知深化：從“黑箱預(yù)測(cè)”到“可解釋性分析”，強(qiáng)調(diào)智能模型作為科學(xué)探究工具的價(jià)值。

“數(shù)據(jù)密集驅(qū)動(dòng)→智能驅(qū)動(dòng)”路徑指向“技術(shù)支持科學(xué)”的現(xiàn)代研究范式，“智能驅(qū)動(dòng)→數(shù)據(jù)密集驅(qū)動(dòng)”路徑指向體現(xiàn)“科學(xué)指導(dǎo)技術(shù)”的學(xué)科本質(zhì)。教學(xué)中可根據(jù)學(xué)生認(rèn)知水平、課程目標(biāo)及資源條件靈活選擇，或通過(guò)混合設(shè)計(jì)實(shí)現(xiàn)“技術(shù)體驗(yàn)”與“學(xué)科深化”的雙重目標(biāo)。

在人工智能在科學(xué)教育中的滲透中，第四范式“密集數(shù)據(jù)驅(qū)動(dòng)”與第五范式“自主智能假設(shè)”可以是同一場(chǎng)景下并行的線程：學(xué)生既用已知規(guī)律訓(xùn)練模型以及跨學(xué)科的探究活動(dòng)，嘗試對(duì)問(wèn)題進(jìn)行解釋?zhuān)部梢越枞斯ぶ悄芙o出的“黑箱”式判定進(jìn)行反向追問(wèn)，從機(jī)器輸出的不可解釋特征出發(fā)，深入探索學(xué)科專(zhuān)業(yè)知識(shí)。在此過(guò)程中，探究選題如何兼顧“可解釋”與“可生成”、活動(dòng)組織怎樣平衡人類(lèi)預(yù)設(shè)與人工智能自主、在人工智能充分參與的情況下學(xué)生的探究活動(dòng)和實(shí)驗(yàn)質(zhì)量應(yīng)當(dāng)如何評(píng)價(jià)，這些都成為需要進(jìn)一步認(rèn)真研究的問(wèn)題。

本文作者：

陳凱

上海市位育中學(xué)

文章刊登于《中國(guó)信息技術(shù)教育》

2025年第23期

原文標(biāo)題：從科學(xué)研究的新范式看人工智能對(duì)跨學(xué)科活動(dòng)的多樣化支持方式——以DNA啟動(dòng)子的預(yù)測(cè)為例

引用請(qǐng)注明參考文獻(xiàn)：

陳凱.從科學(xué)研究的新范式看人工智能對(duì)跨學(xué)科活動(dòng)的多樣化支持方式——以DNA啟動(dòng)子的預(yù)測(cè)為例[J].中國(guó)信息技術(shù)教育，2025（23）：23-26.

歡迎訂閱

識(shí)別上方二維碼即可訂閱