摘要：本试验研究以NiSO_(4)溶液、MnSO_(4)溶液、CoCl_(2)溶液、NaOH溶液及络合剂为原料制备前驱体镍钴锰复合氢氧化物Ni_(0.5)Co_(0.2)Mn_(0.3)(OH)_(2),采用球磨法将前驱体与碳酸锂均匀混合后再高温煅烧合成了形貌不规则的LiNi_(0.5)Co_(0.2)Mn_(0.3)O_(2)。经测定,该锂离子电池正极材料为-NaFeO_(2)结构,PH值为11.18,首次循环放电的比容量为167.5mAh/g(电流密度30mA/g,2.5-4.3V),库伦效率为88.9%,表明利用球磨法合成的LiNi_(0.5)Co_(0.2)Mn_(0.3)O_(2)具有较低的PH值和较高的放电比容量。

摘要：数字人文研究需要大规模语料库和高性能古文自然语言处理工具的支持。面向英语和现代汉语的预训练语言模型已在相关领域提升了文本挖掘精度,数字人文研究的兴起亟须面向古文自动处理领域的预训练模型。文章以校验后的高质量《四库全书》全文语料作为无监督训练集,基于BERT模型框架,构建面向古文智能处理任务的SikuBERT和SikuRoBERTa预训练语言模型。实验进一步设计面向《左传》语料的古文自动分词、断句标点、词性标注和命名实体识别等验证任务,分别对SikuBERT、SikuRoBERTa预训练模型和其他3种基线模型(BERT-base、RoBERTa、GuwenBERT)进行对比试验。结果显示:SikuBERT和SikuRoBERTa模型在全部4个下游验证任务中的表现均超越其他基线预训练模型,表明文章提出的预训练模型具有较强的古文词法、句法、语境学习能力和泛化能力。基于验证任务效果最优的SikuRoBERTa预训练模型,进一步构建“SIKUBERT典籍智能处理平台”。该平台提供典籍自动处理、检索和自动翻译等在线服务,可以辅助哲学、文学、历史学等领域学者在不具备数据挖掘与深度学习的专业背景下,以直观可视化方式对典籍文本进行高效率、多维度、深层次、细粒化的知识挖掘与分析。

摘要：[目的/意义]考察情报学学生对大数据和人工智能的认识,能够为情报学教育体系调整与改革提供不一样的视角,也可为相关研究补充有价值的建议和意见。[方法/过程]文章以江苏省各高校所培养情报学学生为对象,面向学生自身的特点和需求,设计了包含50个问题的调查问卷,考察了情报学学生对情报学教育体系现状和未来发展趋势的认知。对发回的问卷结果围绕问卷填写者的基本情况、情报学教育课程设置、情报学人才培养目标以及专业技能培养四个方面进行分析。[结果/结论]情报学学生以学习知识和技能为第一要务,并以就业或升学为重要目标。情报学学生对于情报学的认知和理解将很大程度上影响学科未来的发展,其对于新兴技术及这些技术在情报学教育中地位的看法,更值得认真思考和对待。