一种多学科教育科研的人机分层协同决策与贡献确权方法

本发明涉及信息处理，具体涉及一种多学科教育科研的人机分层协同决策与贡献确权方法。

背景技术：

1、随着生成式ai、大模型广泛落地高校教研场景，人机协同完成课题研究、课程开发、教改方案、产教融合项目已经成为常态。不管是工科实训体系搭建、商科教学案例打磨，还是文科课程图谱设计、酒业特色专业教研攻关，老师和科研人员都会借助ai完成文献筛选、数据测算、方案初稿生成等工作，最终产出的教研成果，融合了研究者的专业判断、学科创新思路，以及人工智能的数据处理、内容生成能力。

2、从高校实际管理需求来看，当前科研绩效核算、职称评审、项目评优，都需要客观区分人与ai各自的创新价值；教改论文、教研专利、课程资源等成果的著作权、知识产权确权，也必须明确人机贡献占比；同时教育部对学术诚信、科研伦理审查提出明确要求，完整、可追溯的人机协作记录已是硬性合规条件。在此背景下，一套适配多学科教研场景、可标准化落地的人机协同决策与贡献确权流程，是院校科研规范化管理的现实刚需。

3、但目前市面上各类科研辅助工具、通用人机协作方案，在实际使用中存在诸多难以规避的短板，无法匹配教育科研的细分场景需求：

4、第一，人机分工模式固化，适配性差。现有工具大多在项目一开始就固定好人机权责，全程不做调整，属于粗粒度的任务级分配。而教育科研本身是分步骤、强时序依赖的工作，从需求调研、框架搭建、指标赋值到方案优化，不同环节对人工专业研判、机器算力辅助的需求完全不同；再加上工科、商科、文科、特色专业的评价逻辑、数据形式差异明显，固定分工要么让简单重复步骤浪费人力，要么高专业门槛环节过度依赖ai产出低质量内容，整体科研效率大打折扣，缺少能跟着单步任务状态动态调整人机决策权重的分层协同思路。

5、第二，人机贡献评估方式片面，结果容易失真。当下两类主流测算方式都不适用于教研确权：一类只统计算力消耗、文本篇幅这类浅层数据，完全忽略研究者修正ai错误、重构研究框架时投入的专业认知劳动；另一类仅靠文本字符差异判定贡献，是典型的“只看最终结果”，没有考虑现实里常见的场景：如果ai初稿逻辑、专业常识漏洞较多，研究者需要花费大量时间全盘调整，但单纯文字差异无法体现这份额外的创新成本。同时现有方案不会考量前期步骤缺陷对当前研究的约束，很难公正评判“在前序劣质成果基础上修复创新”的人工价值，最终绩效分配、成果署名只能依靠管理人员主观判断，极易引发科研人员之间的矛盾。

6、第三，协作过程缺少可信存证链路，合规举证存在短板。现有平台大多只留存最终成品，每一步的人机分工依据、ai原始输出、人工修改轨迹、贡献计算中间数据均无完整归档，且数据集中存储，存在篡改、删除风险。一旦出现知识产权归属、学术诚信、绩效分配纠纷，没有完整可信的原始记录作为凭证，既达不到科研伦理溯源监管要求，也会给成果转化、知识产权维权带来法律隐患。

7、第四，通用方案未贴合教育科研专属特征，落地效果不佳。现有的人机确权算法多面向工业仿真、通用文案生成设计，没有针对教研场景独有的课程排序序列、课时权重指标、课程先修图谱三类数据设计专属计算规则，也没有为不同学科配套可自定义的参数体系，直接套用后贡献测算偏差较大，很难适配高职院校多学科、产教融合特色教研工作。

8、长期沿用现有技术方案，会持续带来多重管理风险：一是人机贡献缺少客观量化标尺，绩效、成果分配争议增多，加重院校科研管理工作负担；二是教研专利、课程资源等成果确权缺少标准化依据，后续成果转化易产生民事权属纠纷；三是人机交互全流程无法溯源，难以核查过度依赖ai、弱化人工创新等伦理问题，不符合学术监管要求；四是静态分工模式造成人力、算力双重浪费，不利于人工智能驱动教育科研新范式落地推行。

9、因此，行业急需一套面向多学科教育科研的处理方法，以独立子步骤为单元实现动态分层人机协同决策，结合修改幅度、认知负荷、时序依赖多重维度分层核算人机创新贡献，同时配套全流程加密存证与智能合约自动确权机制，补齐现有技术分工僵化、评估失真、溯源困难、学科适配弱的各类短板，降低高校科研管理与知识产权法律风险，支撑ai环境下教育科研工作标准化、智能化治理。

技术实现思路

1、本发明的目的在于针对现有技术权限分配僵化、贡献量化主观片面、决策过程不可追溯、评估维度单一的缺陷，本发明提供一种多学科教育科研的人机分层协同决策与贡献确权方法。

2、为实现上述发明目的，本发明所采用的技术方案是：一种多学科教育科研的人机分层协同决策与贡献确权方法，整体包含四大递进核心阶段：

3、阶段1：多学科教研任务标准化拆解阶段。识别输入教研任务所属学科类型与任务类别，依托预设学科任务本体库，将完整教研任务拆解为有序独立决策步骤序列，标定各步骤基础属性参数，包括步骤固有难度、前置依赖关系、学科专属权重配置；

4、阶段2：状态感知人机分层协同决策执行阶段。针对每一个独立决策步骤，结合步骤固有难度、上下文执行状态、历史交互数据实时计算步骤综合复杂度，同步迭代更新人机协作信任度；基于分层阈值判定逻辑动态分配人机决策权重，区分机器独立执行、人类独立执行、人机混合协同执行三种模式；步骤执行完毕后基于输出效果计算步骤质量评分，并将质量评分反向反馈更新人机信任度，用于后续步骤权限分配；

5、阶段3：多维度人机创新贡献分层量化阶段。对人机混合执行的决策步骤，采集机器初始输出内容、人类最终修订输出内容、人机交互过程原始数据；基于教研数据结构类型差异化计算人类修改调整量；引入人类交互耗时构建认知摩擦系数完成第一层贡献修正；结合前置步骤依赖关系构建决策路径依赖度完成第二层时序约束修正，得到单一步骤人机最终贡献占比；将全部步骤贡献结合步骤重要性、步骤执行质量加权聚合，得到整个教研任务的人机总贡献比例；

6、阶段4：全流程数据加密存证与自动确权分配阶段。采集所有决策步骤完整交互元数据形成标准化决策状态记录，通过链式哈希加密完成不可篡改存证；任务全部流程结束后，将聚合得到的人机总贡献比例输入智能合约，自动完成教研成果知识产权、科研绩效权益的比例分配。

7、各阶段详细实现逻辑：

8、1.多学科教研任务标准化拆解阶段详细实现

9、构建覆盖工科、商科、文科的多学科教育科研任务本体库，本体库内存储各学科下专业建设、课程开发、教学研究、科研项目四类任务对应的标准化步骤模板；

10、输入任意教研任务t，系统匹配本体库完成学科分类、任务类型识别，输出有序决策步骤序列；对每一步骤标定初始难度系数，标定规则：统计同类型步骤历史平均执行时长、人工干预频次，归一化映射至0-1区间；

11、同步记录步骤元数据：步骤唯一标识、输入输出规范、直接依赖前置步骤集合、并行执行标识、学科专属权重参数（指标重要性权重、步骤类型权重）。

12、2.状态感知人机分层协同决策执行阶段详细算法

13、（1）步骤实时综合复杂度计算

14、

15、为步骤固有难度；

16、为上下文复杂度，由前置步骤平均质量推导，等于1减去前置步骤平均质量评分，无前序步骤时取值0；

17、为步骤执行不确定性，等于历史同类步骤质量标准差；

18、、、为分学科回归标定权重，和为1，默认配置为，支持分学科最小二乘回归个性化标定。

19、（2）人机信任度迭代更新模型

20、

21、初始信任度=0.5，输出区间约束[0.1,0.9]；

22、为当前第k（即-）个步骤执行并完成质量评分更新后，迭代得到的全新人机协作信任度；计算完成后强制截断至固定区间[0.1,0.9]，防止信任度极端化导致人机分配完全固化。

23、为紧邻当前k步骤的上一决策步骤迭代完成的历史信任度；当k=1（任务第一个步骤，无前置执行步骤），统一代入初始基准信任值=0.5。

24、为第k步骤的机器输出质量偏差量，，其中为当前步骤执行质量评分，为同类型历史步骤平均质量评分；

25、为带指数遗忘衰减的长期交互经验总和：

26、，遗忘系数=0.1；

27、、、分别为历史信任保留权重系数、步骤质量偏差修正权重系数、长期交互经验衰减权重系数；均可基于对应学科历史教研样本通过最小二乘回归重新标定，无自定义配置时采用默认值，默认为：0.5/0.3/0.2。

28、注：若当前步骤质量评分暂未完成迭代求解、处于待定状态，则暂停本轮信任度更新，待收敛后再执行迭代计算。

29、（3）分层阈值动态权限分配逻辑

30、

31、为机器决策权重，强制截断至区间[0,1]，数值越接近0则机器主导，越接近1则人类主导，若计算值小于0则取0（机器完全独立执行），若计算值大于1则取1（人类完全独立执行）；、为复杂度分层阈值，默认配置为=0.3，=0.7；、为信任度分层阈值，默认配置为=0.7，=0.3，全部阈值支持分学科自定义配置。

32、（4）步骤质量评分计算规则

33、根据人机决策权重划分三类执行场景，分别采集对应交互原始数据，用于后续人机信任度迭代、人机贡献量化计算：

34、当=0（机器独立执行）：由ai完整生成步骤方案，同步记录ai输出内容、模型推理置信度、数据支撑特征依据；

35、当=1（人类独立执行）：由科研人员独立完成决策研判，采集人工研判逻辑、最终定稿方案；

36、当0<<1（人机混合执行）：ai先输出初始内容，科研人员基于初稿迭代调整，生成人类修订终稿。

37、对任意步骤，步骤执行质量记为，数值约束区间∈[0,1]，分两种方式求解：

38、①步骤具备客观校验指标：采用归一化误差反向换算得到；

39、②步骤无客观量化校验指标：依托全部后置依赖步骤的质量结果反向推演计算。

40、若步骤与后置评估步骤形成循环依赖关系，采用迭代算法求解；算法设置收敛阈值ε=0.001、最大迭代次数20次。迭代过程中每一轮计算结果均限制在[0,1]区间；迭代次数达上限仍未满足收敛条件时，标记该步骤质量待人工复核校准。

41、3.多维度人机创新贡献分层量化详细算法

42、当=0（机器独立执行）：单步人类最终贡献=0，机器最终贡献=1；

43、当=1（人类独立执行）：单步人类最终贡献=1，机器最终贡献=0；

44、仅0＜＜1时，人机混合执行步骤，执行两层修正量化流程。

45、具体为

46、构建标准化决策状态向量存储全流程交互数据，量化人类修改量、认知劳动成本、时序约束影响，两次修正得到人机最终贡献占比。

47、（1）决策状态向量标准化定义：

48、

49、

50、

51、完整存储步骤全维度元数据，作为确权审计原始凭证。

52、（2）多层结构人类调整量计算

53、针对教研业务三类标准化数据结构，分别匹配专属差异度量算法，对各类结构的差异值加权融合，得到单一步骤统一人类调整量：

54、

55、①序列型数据（如：课程排序、评审清单）：采用 kendall tau 逆序距离与lcs最长公共子序列组合距离计算结构差异值；

56、②键值型数据（如：课时权重、指标评分）：采用学科加权欧氏距离计算差异值，不同学科配置指标重要性权重；

57、③有向无环图数据（如：课程先修图谱、项目依赖关系）：采用归一化图编辑距离计算差异值，通过节点、新增/缺失边的对称差值占比表征结构改动幅度；

58、始终、、为步骤内置数据结构权重，和为1，该组权重在s1任务标准化拆解阶段自动匹配赋值；人机输出结构完全异构时，=1，判定人类完全重构输出。若仅局部数据结构不匹配，仅对异构部分单独赋值，其余结构正常计算调整幅度。

59、（3）认知摩擦系数，用于量化人工修改认知负荷

60、

61、为人工修改ai初稿实际交互时长；

62、为同类步骤历史修改时长下四分位数基准值；

63、＞1代表认知负荷高，人工修正成本大；＜1代表ai输出质量高，人工仅微调；

64、（4）决策路径依赖度，用于表征前置步骤缺陷约束

65、

66、：当前步骤全部前置依赖步骤集合；为前置步骤总数量；

67、：前置步骤对当前步骤的约束权重，在任务模板中预先配置；

68、：前置步骤的执行质量评分，表征该前置步骤的质量缺陷幅度；

69、综合所有前置步骤约束权重与缺陷幅度得到路径依赖度数值，数值越大说明需要弥补的前置缺陷影响越强，人类创新贡献需对应放大。

70、（5）贡献度双层修正算法

71、第一层：基于认知摩擦修正基础贡献

72、基础贡献：

73、设置容忍阈值0=0.15，高摩擦放大系数0=0.3，低摩擦衰减系数0=0.2；

74、

75、，数值区间截断[0,1]，防止贡献占比超出合理范围。

76、第二层：基于路径依赖时序二次修正

77、前置累积误差，用于统一量化全部前置步骤的整体质量缺陷幅度，公式为：

78、

79、式中为当前步骤所有前置依赖步骤集合，代表前置步骤总数量；为前置步骤执行质量评分，该前置步骤的质量缺陷幅度。

80、人类最终单步贡献：

81、

82、计算中乘积项上限截断至0.3，避免人类贡献修正后数值超过1；

83、机器最终单步贡献：

84、。

85、计算完成后，最终再次将、截断至[0,1]区间。

86、（6）全任务总贡献聚合

87、

88、

89、为步骤重要性权重，总和为1；由于聚合得到、为加权原始贡献值，二者求和不一定等于1，输出确权分配比例前，需进行归一化换算；最终确权比例为：

90、÷（+）

91、÷（+）；

92、4.加密存证与智能合约确权详细实现

93、（1）步骤哈希链式存证：

94、对每个步骤构建标准化决策状态向量dsv，存储步骤标识、执行主体、人机输出、全部中间计算参数、质量评分、贡献值；生成唯一摘要；

95、采用串行sha-256哈希链式存证：（式中代表字符串串联拼接操作），创世哈希作为链起点，所有步骤哈希串联上链，数据不可篡改；

96、任务完成后，将总贡献比例写入预设智能合约，自动映射科研积分、知识产权权属分配比例，对接院校科研管理系统输出分配结果。

97、本发明的有益效果集中体现在：

98、1、步骤级动态分层权限分配，适配高职多学科差异化教研需求；打破传统任务级静态人机权责划分模式，以独立决策步骤为最小单元，融合实时任务复杂度、人机历史交互信任度双维度动态调整ai决策权重；针对不同学科配置专属计算参数，解决多类型教研任务人机适配失衡问题，显著提升协同决策效率。

99、2、多结构分层编辑距离精准量化人工修改贡献，评估标准客观可复现；针对高职教研场景序列、键值、知识图谱三类主流数据设计差异化距离度量算法，替代传统模糊主观估算；全部计算逻辑具备标准化数学公式，贡献量化全过程可复现，为人机协同教研成果知识产权确权提供客观、可核验的数值依据。

100、3、双重创新量化指标，兼顾修改幅度与人类认知劳动价值，规避唯结果论偏差；本发明首次引入认知摩擦系数量化人类修正劣质 ai 输出付出的认知成本，同时采用决策路径依赖度表征前置步骤缺陷带来的决策约束；双层修正机制能够合理放大 “基于低质量ai 初稿深度重构方案” 的人工贡献，客观区分简单微调与深度创新劳动，评估结果更加公平贴合教研实际。

101、4、全流程哈希链区块链存证，完整审计链路化解权属纠纷；系统留存每一步人机交互全部原始数据、贡献计算中间参数、权限切换记录，通过串联 sha-256 哈希链实现数据不可篡改；当出现教改论文、教研专利、课程资源知识产权归属争议时，可完整溯源决策全过程，提供具备公信力的审计证据。