生成式人工智能的中文自動編校效果評估與優(yōu)化研究

【摘 要】在出版領(lǐng)域，提升編校質(zhì)量至關(guān)重要。當(dāng)前自動編校工具存在不足，導(dǎo)致生成式人工智能在編校領(lǐng)域極具潛力但應(yīng)用受限。立足編輯實(shí)務(wù)構(gòu)建錯誤文本語料庫，測評國內(nèi)外8個主流大模型，綜合各模型的優(yōu)勢任務(wù)，采用提示詞工程和工作流協(xié)同優(yōu)化策略構(gòu)建編校工作流。研究顯示，該工作流在標(biāo)準(zhǔn)模型與嚴(yán)格模式下的檢錯率均顯著高于傳統(tǒng)自動編校工具黑馬校對及大多數(shù)單一大模型，驗(yàn)證了特定模型架構(gòu)、訓(xùn)練數(shù)據(jù)與編校任務(wù)具有較好的適配性，且優(yōu)化策略能夠提升模型的編校效果?；跍y試結(jié)果，提出編校工作者選擇性調(diào)用工具、優(yōu)化提示詞設(shè)計、構(gòu)建動態(tài)工作流等實(shí)用建議，以助力出版行業(yè)編校質(zhì)量的提升。

【關(guān)" 鍵" 詞】生成式人工智能；中文自動編校；大模型；工作流

【作者單位】徐奇智，中國科學(xué)技術(shù)大學(xué)科技傳播系，科學(xué)教育與傳播安徽省哲學(xué)社會科學(xué)重點(diǎn)實(shí)驗(yàn)室；羅楚杰，中國科學(xué)技術(shù)大學(xué)科技傳播系；周新喻，中國科學(xué)技術(shù)大學(xué)科技傳播系。

【中圖分類號】G230.7 【文獻(xiàn)標(biāo)識碼】A 【DOI】10.16491/j.cnki.cn45-1216/g2.2025.07.010

在出版領(lǐng)域，提升編校質(zhì)量是重要目標(biāo)，編校工作者需嚴(yán)格執(zhí)行審稿、編輯加工以及校對流程，但出版環(huán)節(jié)繁多、工作量大，需耗費(fèi)大量的精力與時間。近年來，生成式人工智能（Generative Artificial Intelligence，GenAI）廣泛應(yīng)用于各行業(yè)，其在編校領(lǐng)域的潛力備受關(guān)注。盡管GenAI具備較強(qiáng)的語言理解和邏輯分析能力，但目前GenAI技術(shù)尚不能完全滿足編校工作的需求。有學(xué)者評估發(fā)現(xiàn)，多數(shù)大模型的編校準(zhǔn)確率集中在30%—40% 區(qū)間［1］。因此，提升人工智能的編校效能是推動其在編校領(lǐng)域深入應(yīng)用的關(guān)鍵。本研究立足于編輯實(shí)務(wù)，對國內(nèi)外主流大模型進(jìn)行實(shí)測評估，探索適用于編校工作者的GenAI自動編校優(yōu)化策略。研究有助于探明GenAI的編校能力現(xiàn)狀與潛能，提出現(xiàn)實(shí)可行的優(yōu)化策略，幫助編輯更好地使用 GenAI，并為AI工程師研發(fā)專業(yè)編校工具指明方向。

一、研究現(xiàn)狀

在GenAI技術(shù)出現(xiàn)之前，中文文本自動編校研究主要基于傳統(tǒng)自然語言處理方法，從規(guī)則與統(tǒng)計模型逐步發(fā)展為深度學(xué)習(xí)方法?，F(xiàn)有研究語料多局限于SIGHAN等特定語料庫，主要針對非母語者或中學(xué)生的拼寫、語法等基礎(chǔ)錯誤［2］，所得結(jié)論難以滿足編輯實(shí)務(wù)要求。近期研究關(guān)注到GenAI在學(xué)術(shù)期刊編校場景中的應(yīng)用潛力［3］，有學(xué)者構(gòu)建了包含論文摘要不規(guī)范、專業(yè)術(shù)語誤用等錯誤的語料庫［4］，但未覆蓋圖書、報紙等多元出版場景?；诖?，本研究立足出版實(shí)務(wù)，構(gòu)建更具廣泛適用性的編校錯誤語料庫，為評估自動編校技術(shù)在出版領(lǐng)域的應(yīng)用效果奠定基礎(chǔ)。

現(xiàn)有研究揭示了GenAI在自動編校中面臨的關(guān)鍵挑戰(zhàn)。一方面，提示詞交互存在顯著的不穩(wěn)定性，不同提示策略可能導(dǎo)致編校效果波動，甚至產(chǎn)生術(shù)語處理失準(zhǔn)、虛假信息等問題［5］；另一方面，不同模型對邏輯、語言、專業(yè)術(shù)語等各類錯誤的處理能力差異明顯，表現(xiàn)參差不齊［1］。據(jù)此，本研究將提示詞交互優(yōu)化與模型類型適配作為主要待優(yōu)化項目，探索自動編校效能的提升路徑。

針對自動編校的優(yōu)化需求，當(dāng)前研究提出了提示工程［6］、檢索增強(qiáng)生成［7］、工作流構(gòu)建［8］和模型微調(diào)［9］等技術(shù)路徑。結(jié)合出版機(jī)構(gòu)的技術(shù)能力現(xiàn)狀，本研究選擇更具可行性的提示工程與工作流方法作為主要優(yōu)化策略，前者通過精心設(shè)計提示詞引導(dǎo)模型輸出，后者整合不同模型的優(yōu)勢處理各類錯誤。該組合策略可避免復(fù)雜的技術(shù)調(diào)試，在實(shí)際出版場景中更具可行性，有望在保持編校效率的同時提升編校質(zhì)量。基于上述分析，本研究提出以下問題：使用更貼合出版實(shí)務(wù)的語料庫后，不同主流大模型的編校表現(xiàn)有何差異？提示詞與工作流優(yōu)化策略能否顯著提升GenAI在出版編校中的效果？

二、研究設(shè)計與方法

1．錯誤文本語料庫構(gòu)建

為測試GenAI在實(shí)際編校情境中的性能，本研究依據(jù)《圖書編輯校對實(shí)用手冊》中的錯誤分類框架構(gòu)建錯誤文本語料庫。該手冊收錄的錯誤實(shí)例類型全面，高度貼近編輯實(shí)務(wù)。通過研究手冊中“編校基本規(guī)范”的分類規(guī)則，本研究篩選出6個錯誤類型：文字錯誤、詞語錯誤、語法錯誤、標(biāo)點(diǎn)符號錯誤、數(shù)字用法錯誤、常見知識性錯誤。由于當(dāng)前GenAI模型暫時無法有效識別“量和單位的用法規(guī)范”及“版面格式規(guī)范”中的字體與格式問題，故未將其納入評估范圍。

文字錯誤主要指不規(guī)范異體字、二簡字、繁體字、錯別字等；詞語錯誤包括一般詞語誤用、成語誤用、諺語誤用、歇后語誤用、縮略語誤用等；語法錯誤主要包括詞性誤用、成分殘缺、搭配不當(dāng)、成分冗余、歧義、雜糅、不合事理等；標(biāo)點(diǎn)符號錯誤包括逗號、句號、問號、嘆號、引號等多種標(biāo)點(diǎn)使用問題；數(shù)字用法錯誤包括未正確使用阿拉伯?dāng)?shù)字、未正確使用漢字?jǐn)?shù)字、數(shù)字在行文中局部體例不統(tǒng)一、概數(shù)或約數(shù)表意重復(fù)、數(shù)字范圍使用不規(guī)范等；常見知識性錯誤包括歷史、天文、地理等多學(xué)科知識錯誤，以及人名、稱謂錯誤等社會常識錯誤。

為確保錯誤文本語料庫充分涵蓋各錯誤類型的典型語句，本研究共收集并編寫了600條錯誤語句，每種錯誤類型100條。部分例句取自《圖書編輯校對實(shí)用手冊》原文，其余則從《人民日報》新聞報道、科學(xué)出版社圖書等規(guī)范性文本中提取正確語句，再依據(jù)手冊中的錯誤規(guī)則人工改造為每句僅含一處錯誤的句子。

2．編校效果評估方法

（1）大模型的選擇

為全面深入地探究GenAI在中文自動編校領(lǐng)域的發(fā)展現(xiàn)狀與應(yīng)用潛力，本研究選取國內(nèi)外具有代表性的模型進(jìn)行測評。國內(nèi)方面，選取 DeepSeek、文心一言、豆包、Kimi、智譜、通義千問、日日新7款大模型。這些模型或技術(shù)領(lǐng)先，或已廣泛應(yīng)用，憑借在自然語言處理領(lǐng)域的出色表現(xiàn)積累了較高的知名度與較大的用戶規(guī)模，可充分代表國內(nèi)生成式人工智能的主流水平。國外方面，選取ChatGPT作為測評對象，該模型全球用戶龐大、多領(lǐng)域案例豐富，是國外大模型的典型代表。所選模型涵蓋多種技術(shù)架構(gòu)，能夠較全面地反映當(dāng)前生成式人工智能的整體水準(zhǔn)。各模型具體使用情況詳見表 1。

（2）編校能力測試方法

考慮到本研究所構(gòu)建的錯誤文本語料庫規(guī)模較大，為精準(zhǔn)測評人工智能的單句編校能力，本研究在各模型官網(wǎng)調(diào)用接口，依托官方穩(wěn)定服務(wù)確保性能充分發(fā)揮，同時在Python環(huán)境中編寫程序，將600條錯誤語句逐句輸入模型，自動獲取輸出結(jié)果并統(tǒng)一存儲，實(shí)現(xiàn)文本數(shù)據(jù)的自動化處理與高效分析。

為全面比較各模型在不同錯誤類型上的能力差異，本研究針對6種錯誤類型分別設(shè)計指令提示。每個模型獨(dú)立完成6輪測試，每輪使用對應(yīng)提示詞對600條錯誤語句進(jìn)行編校，最終形成該模型在單一錯誤類型下的完整編校結(jié)果集。

（3）編校提示詞設(shè)計

研究遵循四大核心原則設(shè)計提示詞體系：一是角色扮演原則［10］，通過賦予模型特定身份，引導(dǎo)其基于角色定位調(diào)整語言處理策略，輸出符合專業(yè)標(biāo)準(zhǔn)的內(nèi)容；二是任務(wù)拆解原則［11］，將復(fù)雜編校任務(wù)拆解為單類型錯誤檢測，降低模型處理難度，使其更精準(zhǔn)地聚焦于特定類型的錯誤檢測；三是負(fù)面性的約束設(shè)計［12］，在提示詞中明確排除無關(guān)因素，防止模型因發(fā)散性輸出而偏離檢測目標(biāo)；四是結(jié)構(gòu)化輸出原則［13］，通過預(yù)設(shè)XML格式標(biāo)簽，確保結(jié)果可被程序快速解析與分析。

以文字錯誤類型的提示詞為例，研究最終采用的提示詞如下。

你是一位精通中文的專業(yè)文字校對專家，擅長發(fā)現(xiàn)各類錯別字。任務(wù)：請檢查以下句子中是否存在任何文字錯誤，包括但不限于：錯別字（如“的”寫成“地”），形近字混用（如“已”與“己”）、異體字（二簡字等非規(guī)范漢字），繁體字混用（在簡體中文環(huán)境中），拼寫錯誤、多字、少字、誤字等其他字形錯誤。評判標(biāo)準(zhǔn)：僅判斷字形層面的錯誤，不考慮語法、表達(dá)或標(biāo)點(diǎn)符號問題；不考慮專有名詞或特殊術(shù)語的使用是否恰當(dāng)；僅關(guān)注漢字本身是否有誤，不評價句子通順度。輸出要求：如發(fā)現(xiàn)錯別字，僅輸出：lt;errorgt;1lt;/errorgt;lt;correctiongt;正確的完整句子lt;/correctiongt;；如無錯別字，僅輸出：lt;errorgt;0lt;/errorgt;；不要提供任何解釋、分析或額外內(nèi)容。確保輸出格式嚴(yán)格符合上述要求，便于程序解析。檢測句子為：［此處替換為待編校句子］

（4）編校結(jié)果評估方法

錯誤文本校對通常包括“檢錯”和“糾錯”兩個環(huán)節(jié)。其中，檢錯要求模型有效識別并標(biāo)記錯誤，糾錯則需給出正確結(jié)果。在出版編輯實(shí)務(wù)中，當(dāng)文本出現(xiàn)錯誤時，通常需要與原作者討論后確定最終糾正方案，這意味著人工智能的糾錯結(jié)果無法直接作為最終結(jié)論。因此，相較于糾錯功能，人工智能更適宜作為檢錯工具，故本研究以模型的檢錯水平來代表其在編校任務(wù)中的實(shí)際效能。

獲取各模型各類型編校結(jié)果后，研究構(gòu)建了單類型編校評估混淆矩陣（見表2）。其中：TP（True Positive）表示被正確識別為該類型錯誤的語句數(shù)；FP（False Positive）表示被錯誤識別為該類型錯誤的語句數(shù)；TN（True Negative）表示被正確識別為無該類型錯誤的語句數(shù)；FN（False Negative）表示未識別到的該類型錯誤的語句數(shù)。為衡量模型整體性能及其檢錯能力，在得到混淆矩陣后，計算召回率（Recall）和F1值兩個編校評估指標(biāo)，具體計算方法見式（1）與式（2）。其中，召回率反映實(shí)際錯誤語句中被正確識別的比例，體現(xiàn)模型對錯誤語句的識別能力。由于編輯校對實(shí)務(wù)中漏校影響重大，高召回率意味著模型能夠盡可能多地找出文本中的錯誤，減少漏檢，契合校對需求，故本研究以召回率作為工作流模型的選擇標(biāo)準(zhǔn)。F1值為精確率和召回率的調(diào)和平均數(shù)，綜合反映模型性能，當(dāng)精確率和召回率均較高時，F(xiàn)1值也較高，體現(xiàn)模型在漏檢與誤檢方面的綜合水平，故本研究以F1值作為評估模型整體性能的指標(biāo)。

表2 評估指標(biāo)混淆矩陣

混淆矩陣 系統(tǒng)預(yù)測

Positive Negative

標(biāo)準(zhǔn)答案 Positive TP FN

Negative FP TN

（1）

（2）

為降低模型輸出不穩(wěn)定對編校結(jié)果的影響，每個模型進(jìn)行3次測試，評估時取3次測試結(jié)果各指標(biāo)的平均值作為最終結(jié)果。

3．編校效果優(yōu)化方法

（1）工作流架構(gòu)

基于單類型測試評估結(jié)果，本研究篩選出在各種錯誤類型中表現(xiàn)最優(yōu)的大模型，構(gòu)建人工智能編校工作流（見圖1），并在Python環(huán)境中實(shí)現(xiàn)自動化運(yùn)行。具體操作流程為：將600條錯誤語句按預(yù)設(shè)工作流順序輸入系統(tǒng)，語句依次經(jīng)過6個專業(yè)化處理模塊，每個模塊均搭載針對特定錯誤類型的提示詞及相應(yīng)的大模型接口。處理后，每條語句將在6個錯誤類型維度上獲得“0”（無錯誤）或“1”（存在錯誤）的二進(jìn)制標(biāo)注結(jié)果。

（2）編校效果判定標(biāo)準(zhǔn)

為適應(yīng)不同出版場景的質(zhì)量要求，本研究設(shè)計了兩級編校判定標(biāo)準(zhǔn)：標(biāo)準(zhǔn)模式下，僅當(dāng)某一維度的識別結(jié)果與實(shí)際錯誤類型完全匹配時，判定該語句存在錯誤；嚴(yán)格模式下，只要任一維度識別出錯誤，無論是否匹配實(shí)際錯誤類型，均判定為錯誤語句。為確保編校結(jié)果穩(wěn)定，研究采用三重復(fù)測機(jī)制，最終以三次測試檢錯率的平均值作為工作流性能的評價依據(jù)。

（3）編校效果基線設(shè)置

為科學(xué)評估工作流優(yōu)化策略的效果，研究選取“黑馬校對”及8個模型的全類型校對結(jié)果作為基線參照。黑馬校對是傳統(tǒng)編校領(lǐng)域的代表性工具，在行業(yè)內(nèi)應(yīng)用廣泛。構(gòu)建基線時，研究使用黑馬校對WPS插件進(jìn)行測試：將語料庫中的600條錯誤語句整體輸入文檔，選擇標(biāo)準(zhǔn)校對（僅標(biāo)記錯誤）和嚴(yán)格校對（標(biāo)記錯誤與疑錯）兩種等級模式進(jìn)行校對。為確保結(jié)果穩(wěn)定，研究同樣進(jìn)行3次測試，取檢錯率的平均值。同時，研究獲取8個模型的全類型校對結(jié)果作為對比基線，采用與單一維度測評相同的方法，通過各模型的官方接口，在Python環(huán)境中逐句輸入600條語句，獲取模型判斷語句正確與否的結(jié)果。為構(gòu)建模型全類型編?；€，研究僅采用簡單任務(wù)描述，不再設(shè)計其他提示詞。每個模型均進(jìn)行3次測試，取檢錯率的平均值。具體提示詞如下。

任務(wù)：請檢查以下句子中是否存在任何文本錯誤。輸出要求：如發(fā)現(xiàn)文本錯誤，僅輸出：lt;errorgt;1lt;/errorgt;lt;correctiongt;正確的完整句子

lt;/correctiongt;；如無文本錯誤，僅輸出：lt;errorgt;0

lt;/errorgt;；不要提供任何解釋、分析或額外內(nèi)容。確保輸出格式嚴(yán)格符合上述要求，便于程序解析。檢測句子為：［此處替換為待編校句子］

三、研究結(jié)果分析

1．模型綜合性能對比

8個主流生成式人工智能模型在6個中文自動編校維度上的整體性能如圖2所示，以各模型在6類錯誤上的F1值為評價指標(biāo)。總體來看，模型在各維度的表現(xiàn)呈現(xiàn)差異化：文字錯誤和數(shù)字用法錯誤維度表現(xiàn)較好，標(biāo)點(diǎn)符號錯誤和常識知識性錯誤維度表現(xiàn)中等，詞語錯誤和語法錯誤維度檢錯效果相對較弱。其中：豆包模型表現(xiàn)突出，在文字錯誤、語法錯誤、標(biāo)點(diǎn)符號錯誤、數(shù)字用法錯誤等維度取得較高的F1值，說明其在各類錯誤識別上的綜合能力較強(qiáng)，兼具準(zhǔn)確性與全面性；DeepSeek在文字錯誤、數(shù)字用法錯誤和常識知識性錯誤維度表現(xiàn)較好，但在其他維度處于中等水平；通義千問在語法錯誤、數(shù)字用法錯誤等方面尚可；智譜在數(shù)字用法錯誤維度優(yōu)勢明顯；其余模型雖在部分維度有一定表現(xiàn)，但整體遜于豆包等模型?？梢?，不同模型在中文自動編校各維度的能力參差不齊，均存在優(yōu)化空間。

2．錯誤識別能力對比

8個模型在6種錯誤類型上的識別能力如圖3所示，以各模型在6類錯誤上的召回率為評價指標(biāo)。整體來看，各模型在不同維度差異顯著：在文字錯誤和數(shù)字用法錯誤維度表現(xiàn)較好，語法錯誤、標(biāo)點(diǎn)符號錯誤和常識知識性錯誤維度表現(xiàn)中等，詞語規(guī)范維度整體表現(xiàn)欠佳。其中：豆包模型在文字錯誤、詞語錯誤、語法錯誤、常識知識性錯誤維度召回率較高，表明其能最大限度地識別這些類型的錯誤，綜合能力突出；智譜在標(biāo)點(diǎn)符號錯誤和數(shù)字用法錯誤維度表現(xiàn)最優(yōu)，具備特定類型的強(qiáng)識別能力；DeepSeek在文字錯誤、標(biāo)點(diǎn)符號錯誤維度有一定優(yōu)勢，但在其他維度表現(xiàn)一般；通義千問等模型雖在個別維度有亮點(diǎn)，但整體識別能力與豆包等模型存在差距。

基于上述分析，本研究選擇在各維度召回率具有獨(dú)特優(yōu)勢的模型構(gòu)建工作流：豆包用于文字錯誤、詞語錯誤、語法錯誤、常識知識性知識錯誤檢測模塊，智譜用于標(biāo)點(diǎn)符號錯誤和數(shù)字用法錯誤檢測模塊。

3．工作流優(yōu)化測試結(jié)果

對8個模型在中文自動編校不同維度的表現(xiàn)進(jìn)行評估后，本研究基于各模型在不同錯誤類型上的優(yōu)勢，構(gòu)建整合優(yōu)勢模型的工作流，并進(jìn)行3輪測試，以平均檢錯率作為性能評價指標(biāo)。同時，為衡量工作流優(yōu)化效果，研究以黑馬校對結(jié)果及8個模型的全維度編校結(jié)果為基線，對600條錯誤語句進(jìn)行3次測試，取平均檢錯率作為對比依據(jù)。

圖4為黑馬校對與工作流在標(biāo)準(zhǔn)模式和嚴(yán)格模式下的對比。結(jié)果顯示，工作流在兩種模式下均具有顯著優(yōu)勢：嚴(yán)格模式下，黑馬校對檢錯率為60.5%，工作流達(dá)76.5%；標(biāo)準(zhǔn)模式下，黑馬校對檢錯率為32.3%，工作流為67.5%，提升明顯。

圖5為8個模型全維度編校與工作流在兩種模式下的對比。嚴(yán)格模式下的工作流編校檢錯率最高（76.5%）；其次為豆包全維度編校（72.9%）；標(biāo)準(zhǔn)模式下的工作流編校檢錯率為67.5%；文心一言、智譜和通義千問的檢錯率均高于50%；而日日新、DeepSeek、ChatGPT和Kimi的檢錯率均低于50%，檢錯能力較弱。其中，國外主流大模型ChatGPT對中文文本的編校能力顯著弱于國內(nèi)主流大模型。

四、研究建議

為探索生成式人工智能在智能編校中的應(yīng)用路徑與潛力，針對以往研究中語料庫偏離編輯實(shí)務(wù)、模型能力差異缺乏整合等問題，本研究通過語料庫擴(kuò)展、獨(dú)立任務(wù)類型測試和工作流整合等措施，驗(yàn)證了生成式人工智能在實(shí)際出版場景中的應(yīng)用潛力。與既往語料庫相比，本研究基于編輯實(shí)務(wù)構(gòu)建涵蓋文字、數(shù)字用法等6類常見的出版通用錯誤語料庫，有利于探明生成式人工智能的能力邊界。經(jīng)測試評估發(fā)現(xiàn)，豆包綜合性能突出，尤其在文字錯誤、語法錯誤識別方面優(yōu)勢顯著，智譜則在標(biāo)點(diǎn)符號錯誤與數(shù)字用法錯誤方面表現(xiàn)更佳。這表明單一模型難以覆蓋全部錯誤類型，需根據(jù)任務(wù)拆解策略，進(jìn)一步探索基于現(xiàn)有模型的優(yōu)化路徑。

1．提升編輯的人工智能探索與測評意識

對比本研究與既往人工智能編校測評結(jié)果可以發(fā)現(xiàn)，受研究范圍差異及人工智能快速迭代的影響，模型的編校能力呈動態(tài)變化。在既往研究中表現(xiàn)突出的日日新、通義千問、文心一言，在本研究中被豆包、智譜超越，表明人工智能編校評估受多種復(fù)雜因素影響，具有時效性。編校工作者不僅要關(guān)注領(lǐng)域評估結(jié)果，還要主動提升對人工智能編校能力的評測與探索意識，比較不同模型在多種錯誤類型上的表現(xiàn)差異，自主篩選契合工作需求的工具，確保編輯工作在復(fù)雜的編校環(huán)境中保持高效與準(zhǔn)確。此外，本研究表明生成式人工智能在單一錯誤類型測試中性能各異，但整體上具備基礎(chǔ)編校能力，編輯應(yīng)嘗試選擇性地使用人工智能工具提升編校效率。

2．探索并優(yōu)化提示詞策略

本研究表明，基于三種原則的提示詞優(yōu)化僅做簡單的任務(wù)描述能夠顯著提升編校效果。編輯可采用角色扮演、任務(wù)拆解、負(fù)面約束等方法構(gòu)建提示詞，并根據(jù)編校需求和錯誤類型進(jìn)行有針對性的設(shè)計。例如，檢測文字錯誤時強(qiáng)調(diào)字形、字義識別，檢測語法錯誤時側(cè)重句子結(jié)構(gòu)、詞性搭配與邏輯關(guān)系分析。此外，編輯可通過簡單的實(shí)驗(yàn)和迭代，不斷優(yōu)化提示詞的表述與結(jié)構(gòu)，從而提高大模型的響應(yīng)速度和準(zhǔn)確性。通過精細(xì)化提示詞設(shè)計，編輯可充分發(fā)揮大模型潛力，實(shí)現(xiàn)更精準(zhǔn)的編校。

3．構(gòu)建并優(yōu)化編校工作流

本研究構(gòu)建的工作流整合了各模型在不同錯誤類型上的優(yōu)勢，其嚴(yán)格模式和標(biāo)準(zhǔn)模式下的檢錯率均高于傳統(tǒng)校對軟件“黑馬校對”，體現(xiàn)了合理構(gòu)建人工智能工作流的重要性。具體而言，編輯可從三個方面優(yōu)化工作流：一是依據(jù)出版場景與任務(wù)需求，篩選擅長特定領(lǐng)域的模型組合，充分發(fā)揮其優(yōu)勢；二是設(shè)定合理的判定標(biāo)準(zhǔn)和審核環(huán)節(jié)，按質(zhì)量要求選取結(jié)果，平衡編校效率與準(zhǔn)確性；三是持續(xù)關(guān)注新模型，評估其在編校工作流中的適用性，及時優(yōu)化調(diào)整，以構(gòu)建高效、精準(zhǔn)且靈活的編校體系。

五、研究展望

本研究針對出版編校質(zhì)量提升需求，構(gòu)建實(shí)務(wù)導(dǎo)向的錯誤語料庫，測評8個主流大模型，并結(jié)合提示詞與工作流策略構(gòu)建編校工作流。結(jié)果顯示，各模型在不同任務(wù)上表現(xiàn)各異，整合各模型的優(yōu)勢后構(gòu)建的工作流在提示詞的協(xié)同優(yōu)化下，檢錯效果顯著優(yōu)于單一模型和傳統(tǒng)工具，表明GenAI較傳統(tǒng)智能編校工具已實(shí)現(xiàn)飛躍式進(jìn)步，潛力巨大。編輯可通過多種優(yōu)化策略，以較低成本利用GenAI有效提升編校質(zhì)量。

需要注意的是，本研究存在三個方面的局限：一是未單獨(dú)量化提示工程與工作流優(yōu)化的各自貢獻(xiàn)，難以明確二者在提升效果中的具體占比，可能影響策略的針對性調(diào)整；二是測試文本以單句為主，未涉及長文本編校，對復(fù)雜語境下模型的穩(wěn)定性及錯誤識別能力考察不足，而在實(shí)際出版場景中長文本處理更為常見；三是因成本限制，未探索模型調(diào)優(yōu)、基于編校知識庫的檢索增強(qiáng)模式、針對編校工作的全新模型訓(xùn)練等其他提升策略，這些手段可能更具潛力。

基于上述局限，未來研究可從三個方面推進(jìn)：一是量化單一策略的提升幅度，通過對照實(shí)驗(yàn)分離提示工程與工作流的獨(dú)立效應(yīng)，優(yōu)化協(xié)同方案；二是將測試文本擴(kuò)展至長文本及多模態(tài)內(nèi)容，檢驗(yàn)?zāi)Ｐ驮趶?fù)雜場景中的適應(yīng)性；三是構(gòu)建領(lǐng)域知識庫和語料庫，通過檢索增強(qiáng)、新模型開發(fā)、現(xiàn)有模型調(diào)優(yōu)，進(jìn)一步縮小人工智能與出版質(zhì)檢標(biāo)準(zhǔn)的差距，推動其在出版編校中的深度應(yīng)用。

｜參考文獻(xiàn)｜

［1］夏麗云，岳于佳，徐敏赟，等. 生成式人工智能應(yīng)用于編校工作的探索與分析：基于ChatGPT和150余款國產(chǎn)大模型的實(shí)測［J］. 中國科技期刊研究，2024（7）：948-956.

［2］李云漢，施運(yùn)梅，李寧，等. 中文文本自動校對綜述［J］. 中文信息學(xué)報，2022（9）：1-18.

［3］李莎，鄭偉. 生成式人工智能在學(xué)術(shù)期刊出版中的應(yīng)用研究［J］. 出版廣角，2025（2）：123-128.

［4］李侗桐，高瑞婧，田佳. ChatGPT在中文科技期刊摘要文字編輯中的實(shí)用性測試與分析［J］. 中國科技期刊研究，2023（8）：1014-1019.

［5］李啟正，胡崴琳. ChatGPT用于學(xué)術(shù)論文編校的能力分析、交互方式和應(yīng)用場景［J］. 編輯學(xué)報，2024（S2）：111-116.

［6］巴澤智，張輝，謝錚涵，等. 大語言模型自動化提示工程技術(shù)研究綜述［J/OL］. 計算機(jī)科

學(xué)與探索，1-28［2025-06-22］. http：//kns.cnki.net/

kcms/detail/11.5602.TP.20250701.1702.004.html.

［7］田永林，王雨桐，王興霞，等. 從RAG到SAGE：現(xiàn)狀與展望［J］. 自動化學(xué)報，2025（6）：1145-1169.

［8］王樹義，張慶薇，張晉. AIGC時代的科研工作流：協(xié)同與AI賦能視角下的數(shù)字學(xué)術(shù)工具應(yīng)用及其未來［J］. 圖書情報知識，2023（5）：28-38.

［9］吳春志，趙玉龍，劉鑫，等. 大語言模型微調(diào)方法研究綜述［J］. 中文信息學(xué)報，2025（2）：1-26.

［10］Rolellm：Benchmarking，eliciting，and enhancing role-playing abilities of large language models［EB/OL］.［2025-06-22］.https：//openreview.net/pdf/b4b99311af110ded344085d983e5ed97af976285.pdf.

［11］Decomposed Prompting： A Modular Approach for Solving Complex Tasks［EB/OL］.［2025-06-22］.https：//arxiv.org/abs/2210.02406.

［12］How You Prompt Matters！ Even Task-Oriented Constraints in Instructions Affect LLM-Generated Text Detection［EB/OL］.［2025-06-22］.https：//xueshu.baidu.com/usercenter/paper/show？paperid=18250jp0vv7q0660b0170ax0m9540982amp;site=xueshu_seamp;hitarticle=1.