2026年10月25日
| 主题 | 检索期刊 | 收录论文数 |
|---|---|---|
| AI大模型 | Fuzzy Sets and Systems、Machine Learning: Science and Technology、Evolutionary Computation | 3 |
| 供应链金融 | The Financial Review、Journal of Macroeconomics、Journal of Operational Risk | 3 |
| 品牌 | MIT Sloan Management Review、Technovation、R&D Management | 3 |
| 合计 | 9本 | 9篇 |
注:本轮 9 本期刊均为白名单内且此前未检索过的期刊;各主题 3 本期刊均检索到直接相关文献。期刊级别:AI大模型主题为 SCI 1-2 区;供应链金融主题为 SSCI 2 区及 ABS 3;品牌主题含 FT50、SSCI 1 区及 ABS 3 期刊。
本文提出用遗传算法对大型语言模型输出的模糊指纹进行特征选择与压缩,在保持判别能力的前提下显著降低模糊规则集复杂度,为LLM输出的可解释表示提供了高效优化路径。
大型语言模型(LLM)生成的文本可通过模糊指纹转化为可解释的模糊规则表示,但随着规则数量增长,其复杂度急剧上升、实用性下降。本文将遗传算法引入模糊指纹优化流程,以最小化规则数量并最大化判别能力为目标,通过进化搜索自动筛选关键特征与精简规则集。实验结果表明,所提方法在多个文本分类与作者归属任务上,以显著更小的规则规模取得了与完整模糊指纹相当甚至更优的性能,为基于LLM的模糊建模与可解释人工智能提供了有效的复杂度控制手段。
本文以跨学科视角探讨将大型语言模型智能体引入化学研究时的哲学推理问题,梳理LLM智能体在科学发现中的认知边界、自主性与可解释性挑战,并提出面向化学任务的人机协同推理框架。
大型语言模型智能体正在从通用对话助手走向科学实验室,化学领域成为其前沿试验场。本文从哲学与认识论视角出发,系统审视LLM智能体在化学任务中的推理机制:它们如何将化学知识、实验约束与目标导向决策相结合,又如何面对不确定性、幻觉与价值对齐等根本性问题。文章结合案例分析了智能体在反应设计、文献挖掘与实验规划中的表现,提出将人类化学家的领域直觉与LLM的规模化推理优势互补的协同框架,并讨论了可解释性与安全边界对科学智能体长期可靠应用的关键作用。
本文提出EvolCAF方法,利用大型语言模型驱动进化搜索自动设计贝叶斯优化的成本感知采集函数,兼顾目标函数评估成本与优化性能,显著提升昂贵优化场景下的效率。
在贝叶斯优化中,采集函数的设计直接决定搜索效率,传统上依赖人工经验且往往忽略评估成本差异。本文提出EvolCAF(Evolutionary Cost-Aware Acquisition Function),以大型语言模型为变异与重组算子,在采集函数程序空间中进行进化搜索,自动生成同时权衡评估成本与期望提升的采集策略。在多类昂贵基准问题与真实超参数调优任务上的实验表明,EvolCAF发现的采集函数在有限预算下显著优于人工设计的经典策略,为成本异质环境中的自动化优化设计提供了新范式。
本文研究发现组织资本更充裕的企业在面临现金流冲击时表现出更强韧性,能够更好地维持投资、商业信用与供应链关系,揭示了组织资本在供应链金融生态中的缓冲作用。
本文考察组织资本——企业沉淀在组织流程、人力资本与管理系统中的无形资源——如何影响企业对现金流冲击的韧性。基于美国上市公司数据,研究发现组织资本越高的企业,在遭遇负向现金流冲击时投资下滑越小、商业信用获取能力越强,且更能维持与供应商和客户的稳定交易关系。机制分析表明,组织资本通过提升内部资源配置效率与外部融资可信度发挥缓冲作用;在信贷紧缩时期这一效应更为显著。研究为理解企业供应链金融能力与财务柔性的组织基础提供了新证据。
本文构建多部门新凯恩斯模型研究部门级供应链供给冲击的传导机制,发现工资粘性决定冲击沿产业链的放大路径,并据此提出货币政策的部门异质性应对原则。
供应链冲击如何传导至整体经济并影响最优货币政策,是宏观金融研究的前沿问题。本文构建包含多部门投入产出关联与名义工资粘性的新凯恩斯模型,考察部门级供给冲击(如原材料短缺、物流中断)对产出、通胀与就业的影响。研究发现:工资粘性程度决定了冲击在产业链上下游之间的放大与扩散方式;各部门在冲击中的价格刚性差异会改变货币政策权衡。基于美国投入产出数据的校准与估计表明,针对冲击来源部门的定向政策响应优于统一政策规则,为供应链冲击背景下的货币政策设计提供了理论依据。
本文提出基于NIST AI RMF与COSO框架的六支柱治理框架,规范生成式AI在金融风险管理中的应用,实证表明结构化治理可将幻觉率从14.2%降至3.1%,为金融机构AI风控提供治理指引。
生成式人工智能(GenAI)融入金融风险职能带来显著效率提升,但其非确定性特征挑战了传统监管监督范式——SR 11-7等确定性框架所依赖的“静态验证”与“周期性审查”假设被系统性地打破。本文基于组织控制理论,以全球系统重要性银行案例评估GenAI在市场、信用与操作风险条线的应用,提出以NIST AI风险管理框架与COSO内控框架为理论锚点的六支柱治理框架,主张从输出回测转向持续监管叠加与彻底的提示可审计性。基于100份公开金融风险文档的受控试验(GPT-4-0613快照)显示,结构化治理使幻觉率由14.2%降至3.1%(p<0.001),为GenAI在金融风险管理中的审慎应用提供了经验证据。
本文指出生成式AI搜索正在重塑品牌发现路径,传统SEO投入难以直接转化为AI平台的品牌可见性,为品牌管理者提供了面向ChatGPT、Perplexity等AI搜索渠道的营销策略框架。
生成式AI工具正在彻底改变消费者的信息搜索方式——越来越多用户从传统搜索引擎转向ChatGPT、Perplexity与Gemini等AI平台。本文通过多个行业案例(大型健身品牌与金融服务的AI搜索测试)揭示:企业过去在SEO、传统媒体与数字营销上的巨额投入,并不能自动转化为AI平台中的品牌可见性,市场领导者甚至可能被小型竞争者超越。文章提出品牌在AI驱动搜索时代应重新审视可见性策略:理解AI推荐机制的信号结构、针对AI问答场景优化品牌信息供给、并建立AI平台品牌表现的监测体系。零点击搜索行为的普及进一步要求品牌将可发现性置于营销议程的核心位置。
本文整合任务技术适配与社会技术适配理论,考察生成式AI购物平台消费者持续使用意愿的形成机制,发现功能适配与社交适配共同驱动用户忠诚,为AI原生电商平台的品牌体验设计提供实证依据。
生成式AI购物平台正在重塑在线消费体验,但消费者在初次体验后的持续使用意愿尚缺乏系统研究。本文以任务技术适配(TTF)与社会技术适配(STF)为理论框架,基于对生成式AI购物平台用户的调查数据,考察两类适配对消费者持续使用意愿的影响机制。研究发现:任务技术适配通过提升购物任务完成效率正向影响持续使用意愿,而社会技术适配则通过增强社交临场感与互动体验发挥作用;感知价值与信任在两条路径中起中介作用。研究为平台企业理解AI购物场景下的用户体验与品牌忠诚构建提供了理论框架与实践启示。
本文基于企业层面数据考察生成式AI对需求侧与供给侧创新的差异化影响,发现生成式AI应用能同时解锁市场需求洞察与供给能力约束,并通过品牌沟通与产品创新的协同放大企业竞争优势。
生成式人工智能能否同时解锁企业创新的需求侧与供给侧潜力,是创新管理研究的重要问题。本文利用企业层面数据,考察生成式AI应用对企业需求相关创新(市场洞察、品牌沟通、客户体验)与供给相关创新(研发效率、产品迭代、流程优化)的影响。研究发现:生成式AI能够实现“双重解锁”——既提升企业对市场需求的感知与响应能力,又缓解供给侧创新资源约束;两类创新之间存在互补效应,共同增强企业的品牌差异化与竞争绩效。异质性分析显示,数字化基础较好与知识密集型企业受益更大。研究为理解AI时代企业创新战略与品牌能力构建提供了新证据。