張芃捷 袁皓偉 唐 璞 馮 甜 石 蕓

（重慶市衛(wèi)生健康統(tǒng)計(jì)信息中心期刊部，重慶 401120）

目前，科技期刊發(fā)展正迎來難得的機(jī)遇與巨大的挑戰(zhàn)。2019 年，中國科協(xié)、中宣部、教育部、科技部聯(lián)合發(fā)布《關(guān)于深化改革培育世界一流科技期刊的意見》[1]，文件提出要“全力推進(jìn)數(shù)字化、專業(yè)化、集團(tuán)化、國際化進(jìn)程。實(shí)現(xiàn)科技期刊管理、運(yùn)營與評(píng)價(jià)等機(jī)制的深刻調(diào)整，構(gòu)建開放創(chuàng)新、協(xié)同融合、世界一流的中國科技期刊體系?！边@為期刊積極探索未來辦刊模式，開啟融合轉(zhuǎn)型發(fā)展提供了參考綱領(lǐng)。2021 年，中共中央宣傳部、教育部、科技部印發(fā)《關(guān)于推動(dòng)學(xué)術(shù)期刊繁榮發(fā)展的意見》的通知，提出科技期刊要順應(yīng)媒體融合發(fā)展趨勢(shì)，通過流程優(yōu)化、平臺(tái)再造，實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型升級(jí)，這為期刊的移動(dòng)化、智能化發(fā)展指明了探索方向。根據(jù)2022 年12 月中國科學(xué)技術(shù)信息研究所發(fā)布的《2022 年中國科技論文統(tǒng)計(jì)報(bào)告》，2010 年至2020 年（截至2022 年9 月）中國高被引論文數(shù)為4.99萬篇，數(shù)量比2021年統(tǒng)計(jì)時(shí)增加了16.2%；2021年，中國卓越科技論文共計(jì)48.05 萬篇，比2020 年增加了1.67 萬篇，中國科技論文產(chǎn)出不斷增加。在此關(guān)鍵時(shí)刻，引入人工智能相關(guān)技術(shù)，幫助期刊進(jìn)行系統(tǒng)升級(jí)，應(yīng)對(duì)未來的各項(xiàng)挑戰(zhàn)具有極其重要的意義。

1.相關(guān)研究

2017 年，國務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》指出，要以技術(shù)突破推動(dòng)科技期刊領(lǐng)域的應(yīng)用和產(chǎn)業(yè)升級(jí)，以應(yīng)用示范推動(dòng)技術(shù)和系統(tǒng)優(yōu)化，從而使科技期刊發(fā)展由數(shù)字化、網(wǎng)絡(luò)化向智能化加速躍升。在這6 年間，已有眾多學(xué)者為人工智能與期刊融合發(fā)展提供了思路。有學(xué)者提出，人工智能對(duì)期刊發(fā)展可能起到政治支持、技術(shù)支持、觀念支持和行為支持的作用。[2]在頂層設(shè)計(jì)層面，科技期刊出版綜合運(yùn)用人工智能技術(shù)，將數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、語音和圖像識(shí)別及智能算法等技術(shù)應(yīng)用到出版過程中，實(shí)現(xiàn)從經(jīng)驗(yàn)到計(jì)算的選題策劃、從輔助到自主的內(nèi)容生產(chǎn)、從繁雜到效率的編輯加工、從粗略到精準(zhǔn)的傳播推送、從平面到場(chǎng)景的閱讀體驗(yàn)、從大眾到定制的內(nèi)容服務(wù)，使科技期刊出版流程得以優(yōu)化和升級(jí)。[3-4]在具體操作層面，學(xué)者提出，科技期刊可以考慮引入人工智能技術(shù)縮短稿件處理時(shí)間，提高期刊影響力[5]，或是利用人工智能的協(xié)同系統(tǒng)進(jìn)行科技論文內(nèi)容生產(chǎn)，協(xié)助作者進(jìn)行文獻(xiàn)資料的整理、分析及寫作[6]，亦可通過“人物畫像”實(shí)現(xiàn)內(nèi)容的精準(zhǔn)推薦等。

已有的研究成果為本研究提供了寶貴的研究思路和方向參考。然而，根據(jù)現(xiàn)有收集的相關(guān)資料進(jìn)行分析，發(fā)現(xiàn)國內(nèi)眾多研究更多提供的是研究思路和發(fā)展方向，很少從具體操作層面，特別是落地應(yīng)用效果的視角來研究和分析人工智能如何與科技期刊的發(fā)展相融合?；诖?，本研究在已有研究進(jìn)行討論，以降低編輯處理投審稿的門檻要求、提高投審稿處理的速度和精度、優(yōu)化稿件處理流程、節(jié)約出版時(shí)間為研發(fā)目標(biāo)[7]，采用人工智能分支技術(shù)之一——自然語言處理的相關(guān)技術(shù)，對(duì)搭建的實(shí)驗(yàn)用投審稿系統(tǒng)進(jìn)行普適化通用智能升級(jí)探索和應(yīng)用，歸納與總結(jié)經(jīng)驗(yàn)，為我國科技期刊與人工智能的融合發(fā)展提供參考和借鑒。

2.投審稿系統(tǒng)升級(jí)需求分析

2.1 當(dāng)前投審稿系統(tǒng)難點(diǎn)

“十二五”時(shí)期，眾多科技期刊從傳統(tǒng)的郵箱投稿逐步開發(fā)和升級(jí)使用投審稿系統(tǒng)。時(shí)至今日，傳統(tǒng)的投審稿系統(tǒng)（或稱為采編系統(tǒng)）運(yùn)行效率已顯得力不從心，逐漸成為限制期刊進(jìn)一步發(fā)展的短板。一方面，投審稿系統(tǒng)在當(dāng)初開發(fā)時(shí)，更加注重對(duì)投審稿流程的完整實(shí)現(xiàn)，流程復(fù)雜，操作多，與過去郵箱投稿相比進(jìn)步巨大，但隨著投稿量的不斷上升，編輯和審稿專家更容易出現(xiàn)操作失誤，需要更多的時(shí)間從多維度進(jìn)行查詢、參考，以此來判斷稿件質(zhì)量和創(chuàng)新性，影響審稿進(jìn)度和審稿質(zhì)量，造成巨大的人力資源浪費(fèi)，也不利于青年編輯的平滑發(fā)展；而作者與編輯交流通過投審稿系統(tǒng)發(fā)送站內(nèi)信息，存在信息滯后性，編輯很難在第一時(shí)間解決作者的燃眉之急，對(duì)編輯和作者的關(guān)系，及期刊發(fā)展產(chǎn)生負(fù)面影響。另一方面，當(dāng)初的投審稿系統(tǒng)大多采用線性開發(fā)，每一條工作流程封閉且并未預(yù)留功能拓展空間，很難按需直接在系統(tǒng)環(huán)節(jié)定制開發(fā)新功能。例如，如果要將手動(dòng)分配學(xué)科和專家，升級(jí)為智能分配學(xué)科和專家，不僅需要對(duì)整個(gè)送審環(huán)節(jié)進(jìn)行重新開發(fā)，甚至可能導(dǎo)致系統(tǒng)不穩(wěn)定，未知故障頻出。但若要重新開發(fā)新系統(tǒng)，不僅需要巨大的財(cái)力和人力資源，還需要超前評(píng)估和預(yù)判期刊發(fā)展需求。如何在不影響科技期刊運(yùn)行現(xiàn)狀的基礎(chǔ)上，在投審稿系統(tǒng)方面進(jìn)行升級(jí)發(fā)展，這是眾多科技期刊所面臨的一大挑戰(zhàn)。

2.2 編輯與專家審稿需求

在傳統(tǒng)投審稿環(huán)節(jié)，編輯人員會(huì)根據(jù)自己的學(xué)科知識(shí)對(duì)稿件進(jìn)行初步鑒定，評(píng)價(jià)其是否具有發(fā)表價(jià)值，而綜合性醫(yī)學(xué)期刊覆蓋較多學(xué)科，受限于編輯專精方向，對(duì)稿件把握不夠準(zhǔn)確。[8-9]而在如今學(xué)科快速發(fā)展的背景下，根據(jù)關(guān)鍵詞選擇審稿專家，往往審稿專家并不是該方向的研究者，這樣就會(huì)出現(xiàn)稿件送審被拒的問題，或者對(duì)審稿專家進(jìn)行更換，延長稿件處理時(shí)間。[10-11]有文獻(xiàn)報(bào)道，醫(yī)學(xué)論文被拒審的原因中，69.8%（268/384）是因?yàn)閷＜覍?duì)送審論文研究方向不熟悉，無法對(duì)來稿進(jìn)行科學(xué)評(píng)價(jià)。[12]因此，新老編輯除了要持續(xù)學(xué)習(xí)提升所屬領(lǐng)域的專業(yè)知識(shí)外，也需要能提升審稿速度和精度的輔助工具。而人工智能作為一項(xiàng)知識(shí)工具，能跨平臺(tái)地進(jìn)行信息補(bǔ)充和分類。審稿環(huán)節(jié)由傳統(tǒng)的人審稿，轉(zhuǎn)變?yōu)椤皺C(jī)器+人”，首先讓機(jī)器“閱讀”大量科技期刊論文，然后將篩選后的相關(guān)論文讓編輯閱讀[13]，以此提升編輯的知識(shí)服務(wù)能力，加速學(xué)術(shù)傳播。

3.自然語言處理模塊的實(shí)際應(yīng)用

本研究的自然語言處理模塊采用“外部掛載”的方式獨(dú)立運(yùn)行，以保障投審稿系統(tǒng)的穩(wěn)定運(yùn)行。

投審稿系統(tǒng)中，通常將瀏覽器作為前端，服務(wù)器系統(tǒng)、數(shù)據(jù)庫作為后端。瀏覽器通過渲染代碼，提取數(shù)據(jù)庫中的數(shù)據(jù)內(nèi)容，顯示在頁面上；同時(shí)，瀏覽器接受用戶的指令和輸入的內(nèi)容，傳入服務(wù)器系統(tǒng)，推動(dòng)服務(wù)器系統(tǒng)進(jìn)行下一步工作，最終將需要的數(shù)據(jù)內(nèi)容存入數(shù)據(jù)庫。由此，形成數(shù)據(jù)交互運(yùn)行的基本循環(huán)。自然語言處理模塊與投審稿系統(tǒng)相互獨(dú)立，前者從投審稿系統(tǒng)數(shù)據(jù)庫（后簡稱原數(shù)據(jù)庫）提取所需信息進(jìn)行處理，將預(yù)處理結(jié)果存入新的數(shù)據(jù)庫“TabNLP”——“TabNLP”也與原數(shù)據(jù)庫彼此獨(dú)立。最終，通過對(duì)瀏覽器渲染內(nèi)容進(jìn)行略微修改，從數(shù)據(jù)庫中提取預(yù)處理結(jié)果并顯示在瀏覽器上，實(shí)現(xiàn)更多輔助信息的展示，推動(dòng)審稿流程和編輯部管理工作的更高效運(yùn)行。見圖1。

圖1 投審稿系統(tǒng)自然語言處理模塊運(yùn)行流程

3.1 自然語言處理模塊構(gòu)造

投審稿系統(tǒng)自然語言處理模塊主要包括4個(gè)部分，即核心模型、數(shù)據(jù)庫“TabNLP”、訓(xùn)練部分、運(yùn)行部分（見圖2）。

圖2 自然語言處理模塊構(gòu)造

3.1.1 核心模型

核心模型包括詞嵌入層、均值化層、處理層。

設(shè)輸入的論文標(biāo)題為S，經(jīng)過文本預(yù)處理，刪除標(biāo)點(diǎn)等特殊字符和并無實(shí)際語義的助詞（如“的”“了”“于”等），得到輸出S’。

（1）詞嵌入層（embedding layer）。[14]使用分詞模塊將S’的每個(gè)字轉(zhuǎn)為輸入序列。假設(shè)該序列有N個(gè)字，則將S’的數(shù)據(jù)輸入表示為{w1，w2，w3，…，wN}，然后通過神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練的詞嵌入模型，對(duì)輸入序列進(jìn)行向量映射，轉(zhuǎn)化為詞向量序列{v1，v2，v3，…，vN}，vi ∈Rd，R 表示所有實(shí)體向量合集，d表示每個(gè)詞的維度（本研究中d=128）。

（2）均值化層（Fasttext layer）。將詞向量序列進(jìn)行合并和均值化處理，得到S’的特征向量。計(jì)算過程如式（1）。

（3）處理層（process layer）。根據(jù)相應(yīng)的功能需求，將算式（1）獲得的結(jié)果wS’輸入以下式子，分別獲取不同結(jié)果，供最終調(diào)用。

一是用于中圖法分類號(hào)和學(xué)科領(lǐng)域推薦功能，通過Softmax 函數(shù)處理。計(jì)算過程如式（2），其中，wi 表示wS’中第i 個(gè)向量值，d 表示向量維度（本研究中d=128），e 表示自然常量。具體模型采用Tensorflow 的Keras 進(jìn)行構(gòu)建。

二是用于發(fā)表相似文章提醒和智能問答功能，計(jì)算wS’與其他文本向量（wT）的余弦相似性。計(jì)算過程如式（3），其中wi 表示wS’中第i 個(gè)向量值，w’i表示wT 中第i 個(gè)向量值，d 表示向量維度（本研究中d=128）。具體模型采用sklearn的cosine_similarity進(jìn)行構(gòu)建。

三是計(jì)算文章創(chuàng)新性系數(shù)，計(jì)算過程如式（4），其中na 表示相似度超過預(yù)設(shè)閾值的文獻(xiàn)條數(shù)，r 表示文章的文字復(fù)制比，nb 表示最大超閾值容忍文獻(xiàn)數(shù)，e 表示自然常量。具體模型根據(jù)下列公式另行構(gòu)建。

3.1.2 數(shù)據(jù)庫“TabNLP”

“TabNLP”是自然語言處理模塊新生成的數(shù)據(jù)庫，存儲(chǔ)核心模型計(jì)算出的所有數(shù)值和分析結(jié)果。由于其與原數(shù)據(jù)庫相互獨(dú)立，即使自然語言處理模塊出現(xiàn)問題，也不會(huì)影響投審稿系統(tǒng)的運(yùn)行，僅在網(wǎng)頁顯示時(shí)，缺少由自然語言處理模塊輸出的數(shù)值和分析結(jié)果。

3.1.3 訓(xùn)練部分

本研究以重慶市衛(wèi)生健康統(tǒng)計(jì)信息中心下屬期刊2020 年及以前的50000 余條投審稿數(shù)據(jù)（包括稿件信息、作者信息、審稿專家信息、已投稿稿件等）作為數(shù)據(jù)集，以8∶2的比例劃分訓(xùn)練集和測(cè)試集進(jìn)行訓(xùn)練，完成訓(xùn)練后獨(dú)立保存模型，供運(yùn)行部分調(diào)用。投審稿系統(tǒng)每天產(chǎn)生的新投審稿數(shù)據(jù)，都將按上述方式納入訓(xùn)練和測(cè)試，對(duì)核心模型進(jìn)行迭代。

3.1.4 運(yùn)行部分

運(yùn)行部分以“while True”作為永續(xù)運(yùn)行條件，每隔2 秒從原數(shù)據(jù)庫提取一次信息，發(fā)現(xiàn)有新投稿信息后即進(jìn)行數(shù)據(jù)處理。設(shè)置定時(shí)啟動(dòng)的程序命令os.system，以命令提示符運(yùn)行程序文件，可定時(shí)進(jìn)行數(shù)據(jù)處理。如果由于新內(nèi)容和新數(shù)據(jù)導(dǎo)致訓(xùn)練無法進(jìn)行，運(yùn)行部分可以采用保存好的模型繼續(xù)進(jìn)行計(jì)算和預(yù)測(cè)。

3.2 其他軟件基礎(chǔ)與資料

本研究以重慶市衛(wèi)生健康統(tǒng)計(jì)信息中心下屬期刊的投審稿系統(tǒng)為基礎(chǔ)進(jìn)行系統(tǒng)和數(shù)據(jù)庫的安裝和配置，系統(tǒng)為Windows Server 2012 R2，數(shù)據(jù)庫為Microsoft SQL Server。采用Python 語言編寫自然語言處理模塊。為保證審稿系統(tǒng)與編程平臺(tái)的相互獨(dú)立運(yùn)行，構(gòu)建了Jupyter Notebook（支持實(shí)時(shí)代碼、數(shù)學(xué)方程、可視化的Web 應(yīng)用程序）進(jìn)行編程與調(diào)試。

3.3 數(shù)據(jù)庫

與數(shù)據(jù)庫的通信包含2 個(gè)部分：從原數(shù)據(jù)庫提取數(shù)據(jù)，向“TabNLP”數(shù)據(jù)庫寫入數(shù)據(jù)。

利用Python 的pymssql 工具庫，于Python 程序端執(zhí)行sql 語句提取數(shù)據(jù)庫內(nèi)容，再結(jié)合pandas 工具庫將內(nèi)容以數(shù)據(jù)矩陣模式存儲(chǔ)。根據(jù)需求選取字段進(jìn)行數(shù)據(jù)清洗，去除空值內(nèi)容和不符合訓(xùn)練內(nèi)容需求的數(shù)據(jù)。

TabNLP 數(shù)據(jù)庫包含稿件ID（數(shù)據(jù)庫內(nèi)部ID）、稿件編號(hào)、用戶ID、用戶名、稿件名稱、相似文章名稱和相似度（1 ～3）、領(lǐng)域與專家推薦（1 ～3）、創(chuàng)新性系數(shù)、中圖法分類號(hào)推薦（1 ～3）等27 個(gè)字段。

3.4 運(yùn)行結(jié)果

自然語言處理模塊可相關(guān)可能性最高的3 個(gè)學(xué)科領(lǐng)域及其中圖法分類號(hào)、3 個(gè)已發(fā)表文章標(biāo)題、3 位推薦審稿專家（見圖3、圖4）；在接受作者問題后，自動(dòng)將答案回復(fù)給作者，同時(shí)向負(fù)責(zé)該稿件的編輯發(fā)送郵件，提示編輯查漏補(bǔ)缺（見圖5）。

圖3 初審、專審時(shí)提供的中圖法分類號(hào)推薦、相似文章檢測(cè)、創(chuàng)新性系數(shù)

圖4 專審時(shí)的送審專家推薦

圖5 系統(tǒng)向編輯發(fā)送提示郵件

單項(xiàng)學(xué)科領(lǐng)域測(cè)試中，準(zhǔn)確率為60.19%；中圖法分類號(hào)二級(jí)分類（如R56 呼吸系統(tǒng)）準(zhǔn)確率為60.93%；中圖法分類號(hào)一級(jí)分類（如R5 內(nèi)科學(xué)）準(zhǔn)確率為77.19%。

3.5 有待解決的問題

（1）單項(xiàng)學(xué)科領(lǐng)域測(cè)試整體準(zhǔn)確率并不高，究其原因，在于醫(yī)學(xué)類稿件存在學(xué)科交叉情況，例如稿件“老年肺炎的護(hù)理與康復(fù)研究”中，可涉及的學(xué)科領(lǐng)域包括老年科、護(hù)理科、呼吸內(nèi)科、康復(fù)科等多個(gè)學(xué)科，在測(cè)試中以單一分類結(jié)果作為標(biāo)準(zhǔn)評(píng)判則必然會(huì)產(chǎn)生系統(tǒng)誤差。（2）參與本課題計(jì)算的數(shù)據(jù)僅為期刊過去的投審稿數(shù)據(jù)，時(shí)效性、數(shù)量不足，未來可以考慮和國內(nèi)知名數(shù)據(jù)庫對(duì)接聯(lián)系，導(dǎo)入更大規(guī)模的數(shù)據(jù)集進(jìn)行訓(xùn)練。（3）本研究采用的服務(wù)器硬件性能不高，故課題組采用了折中的模型和算法，精度和準(zhǔn)度均有待進(jìn)一步提升，可嘗試引入其他優(yōu)化算法甚至預(yù)訓(xùn)練模型，提高擬合效果。

結(jié)語

隨著軟硬件的成熟，人工智能的意義逐漸凸顯，尤其是科技部等六部門印發(fā)《關(guān)于加快場(chǎng)景創(chuàng)新以人工智能高水平應(yīng)用促進(jìn)經(jīng)濟(jì)高質(zhì)量發(fā)展的指導(dǎo)意見》[15]，強(qiáng)調(diào)提升場(chǎng)景創(chuàng)新能力，加大應(yīng)用示范，加速人工智能技術(shù)攻關(guān)，探索人工智能發(fā)展新模式新路徑。本研究作為實(shí)際應(yīng)用探索，為未來重新設(shè)計(jì)和開發(fā)符合智能化、融合發(fā)展趨勢(shì)的新投審稿系統(tǒng)（編校平臺(tái)）積累了技術(shù)和經(jīng)驗(yàn)。通過研究，發(fā)現(xiàn)自然語言處理可以實(shí)現(xiàn)學(xué)科領(lǐng)域及專家推薦、中圖法分類號(hào)推薦、已發(fā)表相似文章提示、智能問答和創(chuàng)新性系數(shù)計(jì)算等輔助功能，也可以采用“外部掛載”的方式對(duì)現(xiàn)有投審稿系統(tǒng)進(jìn)行升級(jí)和過渡。

對(duì)編輯而言，人工智能帶來了智能的一個(gè)關(guān)鍵組成部分：預(yù)測(cè)。[16]預(yù)測(cè)是利用手中已有的信息（亦被稱為“數(shù)據(jù)”），填補(bǔ)缺失信息，生成編輯尚未掌握的信息；而在摸清文字和文章脈絡(luò)規(guī)律后，可以根據(jù)具體使用場(chǎng)景和需求，進(jìn)一步利用人工智能對(duì)文章進(jìn)行體例、格式、內(nèi)容方向的預(yù)測(cè)和判斷。人工智能在給編輯審稿帶來輔助信息提示的同時(shí)，也會(huì)逐步影響編輯思維，從主觀感受往更為理性、數(shù)據(jù)化方向轉(zhuǎn)變。對(duì)期刊行業(yè)而言，人工智能的引入也會(huì)對(duì)傳統(tǒng)業(yè)務(wù)考核機(jī)制產(chǎn)生影響。以往對(duì)編輯在審稿方面的考核，除了審稿時(shí)間能直觀掌握外，內(nèi)容、主題方面因其更加主觀，導(dǎo)致考核存在滯后性，即稿件在終審，乃至刊登后才可能因?yàn)閮?nèi)容方面存在的問題，倒查發(fā)現(xiàn)投審稿流程中存在的失誤。但引入人工智能以后，人工智能可以基于稿件每個(gè)流程的數(shù)據(jù)，對(duì)下一個(gè)流程的操作給出判斷和建議。一旦提前將與人工智能判斷和實(shí)際操作相差甚遠(yuǎn)的稿件做進(jìn)一步檢查，可能提前及時(shí)清理錯(cuò)誤處理的稿件，并可基于此進(jìn)行規(guī)范和考核。

人工智能與科技期刊的融合之路并非坦途。早在人工智能技術(shù)剛興起時(shí)，業(yè)界就提出了兩者融合發(fā)展的眾多構(gòu)想，但在實(shí)際應(yīng)用的過程中，這些構(gòu)想要么脫離了科技期刊的行業(yè)背景，要么在軟硬件實(shí)現(xiàn)方面存在困難：（1）眾多編輯和期刊管理人員不具備人工智能相關(guān)的專業(yè)背景，難以理解算法的基本原理，不理解計(jì)算結(jié)果，遇到問題也較難清晰地表示和復(fù)現(xiàn)錯(cuò)誤情況；（2）目前自然語言處理主要以預(yù)訓(xùn)練模型為主，而在涉及較為復(fù)雜的價(jià)值判斷選題或敏感選題中，模型可能因數(shù)據(jù)存在的偏倚導(dǎo)致判斷有誤，難以穩(wěn)定地代替編輯進(jìn)行決策；（3）不同出版集團(tuán)，乃至同一個(gè)出版集團(tuán)的不同期刊間的數(shù)據(jù)通道尚未完全打通，導(dǎo)致人工智能模型訓(xùn)練的數(shù)據(jù)不足。此外，人工智能在對(duì)歷史數(shù)據(jù)進(jìn)行訓(xùn)練和無差別預(yù)測(cè)中，存在“過度擬合”現(xiàn)象。如果跳過編輯，直接采納人工智能意見進(jìn)行稿件處理，則有誤判的可能，甚至導(dǎo)致閃光的潛力稿件被埋沒。因此，越智能、越具有創(chuàng)新的內(nèi)容編輯環(huán)節(jié)應(yīng)當(dāng)是人工編輯的產(chǎn)物，人機(jī)合理分工是自動(dòng)編輯的關(guān)鍵。[17]