近日，国产偷拍 的公共管理与人工智能交叉研究领域取得了阶段性进展。依托学院公共管理AI平台和AI专项形成的论文成果，即将在城市规划类顶级期刊之一 Journal of Planning Education and Research（JPER）见刊。该研究以2009—2024年中国新能源汽车政策为研究对象，运用大语言模型精调和主动学习方法，对大规模政策文本中的央地互动关系进行识别与分析，提出了“驱动—适应”的新型央地互动模式。

学院负责国产偷拍 工作的党委副书记刘鹏教授表示，此次研究成果的形成，是学院持续推进“公共管理+AI”交叉融合的阶段性体现，也展现了公共管理学科在人工智能时代拓展研究方法、回应治理实践的创新可能。依托公共管理AI平台和学院AI专项，学院将前沿问题、方法训练和团队协作融入具体国产偷拍 项目，推动形成从政策文本整理、人工标注、模型训练到理论解释的完整研究链条。面向未来，“公共管理+AI”还将在政策分析、城市治理、公共服务和社会治理等领域打开更多国产偷拍 创新空间。

为进一步展示学院在公共管理+AI领域有组织国产偷拍 的探索过程，呈现学生参与前沿交叉研究的成长经历，本期推送采用师生对话形式，由公共管理AI平台相关教师与两位学生作者围绕论文内容、研究过程、平台支撑和学习收获展开交流。

 

提问者：杨老师、张老师，国产偷拍 公共管理AI平台教师团队

受访者：吴凝，国产偷拍 硕士研究生（城市治理全英文项目）

受访者：杨滨玮，国产偷拍 硕士研究生（城乡发展与规划项目）

 

杨老师：首先祝贺你们的论文即将在JPER见刊。这也是学院在公共管理和人工智能方向上的一项阶段性成果。作为学生参与者，你们能不能先用比较通俗的话介绍一下，这篇论文主要研究了什么问题?

吴凝同学：这篇论文关注的是，在新能源汽车这样快速发展的新兴产业中，中央政府和地方政府之间到底是怎样协同治理的，以及我们能不能借助人工智能方法，从大量政策文本中更系统地识别这种关系。简单来说，这篇论文的核心是将AI应用到大规模政策文本的分析当中，来帮我们探索AI能不能帮助我们更大规模、更稳定地理解政策文本背后的治理逻辑。

 

杨老师：为什么会选择AI文本识别的这个研究方向？在你们看来，这个问题和公共管理研究有什么关系?

杨滨玮同学：这个方向最吸引我们的地方，是它把公共管理问题和AI方法结合在了一起。中央和地方关系本来就是公共管理研究中的重要议题，而新能源汽车这类新兴产业变化很快，政策数量多、地方差异也大，只靠人工阅读，很难系统把握其中的治理逻辑。所以我们想尝试用大语言模型来处理大规模政策文本。我们认为，AI可以帮助我们更有效地整理复杂材料、发现政策之间的关系，当然，最后还是要回到央地关系和公共管理理论中去解释。

 

杨老师：在这项研究中，你们具体参与了哪些工作？比如数据整理、训练模型或者结果分析？

吴凝同学：首先，我们参与了前期文献整理和理论学习。因为这篇论文涉及政策文本分析、央地关系、新能源汽车、政策设计理论等多个领域，所以前期需要阅读和梳理大量文献，理解现有研究的不足，也明确这篇论文试图推进的方向。

二是我们对政策文本数据进行了整理和标注，这一过程虽然看起来基础，但直接影响后续模型训练和政策分析的可靠性。

三是我们独立完成了模型的训练过程，最初精调结果并不稳定，有些文本连人工判断都需要反复讨论，我们也和老师进行了多次交流，最终在老师的建议下采用了主动学习的方法来提高模型输出的准确度。

此外，我们也参与了模型结果的分析。在模型训练完成后，我们比较不同模型、不同参数和不同样本选择策略的效果，观察哪些地方容易出错，为什么会出错。

因此，对我们来说，整个过程最大的收获是让我们系统地参与了一项研究从想法到落地的全部环节，对我们的国产偷拍 能力有极大的帮助。

 

杨老师：对你们来说，参与这项研究最有挑战的环节是什么？是理解政策文本，还是学习大语言模型精调，或者是把技术结果转化为公共管理的解释？

杨滨玮同学：对我们来说，最难的不是学会使用大模型，而是让模型结果真正可靠，并且能够回到公共管理问题中解释。刚开始做的时候我们发现，同一段政策文本，换一个模型、换一种提示方式，判断结果都可能不一样，所以不能简单把文本交给模型就结束。

后来在老师指导下，我们使用了QBC主动学习方法。简单说，就是让多个模型一起判断同一批文本，把它们意见分歧较大的文本挑出来，再进行人工标注和训练。这样可以把有限的人工精力用在最难、最关键的样本上。

另一个挑战是把技术结果和公共管理理论联系起来。比如政策目标、政策工具、政策强度这些分类，并不是随便设定的，而是来自政策研究中的概念。我们需要先理解这些概念，再把它们转化成模型能够识别的标准。这个过程中需要反复调整，也让我们真正体会到，AI的应用不能只停留在技术操作本身。

 

杨老师：这篇论文依托学院公共管理AI平台和AI专项推进。你们在参与过程中，具体感受到平台提供了哪些支持？

吴凝同学：我们最直接的感受是，学院给了学生真正参与研究的机会。以前可能只是听讲座、了解AI，但在这个项目里，我们实际参与了数据收集、政策文本标注和模型训练，能看到一个想法怎样一步步变成研究成果。

平台也帮我们补上了技术入门这一课。比如，高瓴人工智能学院的同学曾来给我们讲解大语言模型精调和调用方法，学院对进行模型调用和实验尝试提供了经费和技术的支持。后续几场AI相关讲座，也让我们更清楚地看到，AI不是离公共管理很远的东西，而是可以真正进入政策分析和治理研究的工具。

 

张老师：很多人觉得AI研究离公共管理学生比较远。你们参与这个研究后，对“公共管理+AI”有什么新的理解？

杨滨玮同学：做完这篇论文后，我们最大的感受是，AI和公共管理并不远。很多公共管理问题背后都有大量文本材料，比如政策文件、规划文本、治理案例等，如果只靠人工阅读，确实很难处理得很系统。

但我们也感觉到，AI只是工具。模型可以帮我们整理材料、发现线索，但这些结果是什么意思，还是要放回公共管理的理论和现实问题中理解。所以对公共管理学生来说，未来不仅要懂政策和治理，也要有一些数据意识和技术理解能力。

 

张老师：这项研究中使用了大语言模型精调和主动学习等方法。作为学生，你们是如何从零开始理解、学习并逐步参与这些方法的？

吴凝同学：我们不是一开始就钻技术细节，而是先弄清楚研究到底需要什么。老师先带我们比较了几种做法，比如简单的关键词统计有什么不足，直接使用通用模型为什么有时不稳定。这样再去学习精调和主动学习，就不会觉得是在学一个孤立的技术。

很多概念都是在实际操作中慢慢理解的。比如不同模型、训练轮次、LoRA精调这些词，刚开始听起来很陌生，但真正看到它们会影响分类结果之后，就会更愿意去查、去问、去试。这个过程也让我们觉得，公共管理学生学习AI方法，不一定要先成为技术专家，更重要的是带着真实问题，在项目中边做边学。

 

张老师：这次论文能够在JPER这样的城市规划类权威刊物上见刊，对你们个人的国产偷拍 信心和未来研究方向有什么影响？

杨滨玮同学：这次论文能够在JPER见刊，对我们是很大的鼓励。它让我们意识到，在学院平台和老师指导下，学生也可以参与真正面向国际学术前沿的问题。只要问题意识清楚、方法使用得当，AI方法同样可以服务于公共管理和城市治理研究。后续我们也希望继续沿着这个方向深入学习，毕业论文也打算尝试从“AI+公共管理”的角度切入。

 

张老师：如果让你们给后来想参与“公共管理+AI”研究的同学一点建议，你们会说什么？

吴凝同学：我们觉得最重要的是先试起来。很多能力不是靠单独看书形成的，而是在项目中一点点练出来的。一开始不熟悉技术、看不懂结果，都很正常。可以先从自己感兴趣的问题出发，在具体项目中边做边学，慢慢就会找到感觉。

同时也要理性看待AI。它可以提高效率、帮助我们发现线索，但模型结果不能直接当成研究结论。文献阅读、政策文本整理、分类标准讨论、人工标注这些基础工作，看起来没有那么技术化，却决定了研究是否可靠。

所以，不要被AI这个词吓住。公共管理学生也可以做相关研究，关键是敢于尝试，并找到技术和公共管理问题之间的连接点。

 

 

 

This study integrates fine-tuned large language models (LLMs) with Query-by-Committee (QBC) active learning to analyze 1,863 Chinese policy documents on new energy vehicles (2009–2024). The approach demonstrates how fine-tuning and active learning enable accurate, scalable, and transparent policy-text analysis across five analytical dimensions. The results reveal a distinctive pattern of central–local coordination—the Drive–Adaptation model—where the central government provides strategic direction while local governments adapt implementation to regional conditions. The study contributes a replicable AI-based framework for planning research and clarifies a planning-relevant governance logic of adaptive coordination in emerging innovation-driven industries.