张力元的博士学位论文题目为《基于机器学习的古典目录学互著与别裁方法研究》。张力元指出，互著与别裁是古典目录学中两种辅助著录方法，但具有时代局限性，完全基于人工实现会存在效率、成本、客观性、可靠性等方面的问题。对此，她提出可以将互著与别裁映射为文本挖掘中的文本分类任务，并借助机器学习方法加以实现。

（张力元答辩展示内容）

张力元分别使用TextCNN模型和BERT模型，利用先秦诸子六家十部典籍文本进行典籍与学派的分类训练，发现BERT模型在先秦小规模古汉语语料上也可以取得90%以上的分类准确率，分类效果比TextCNN模型理想。她进一步利用在先秦文本上微调后的BERT模型对《荀子》与《管子》两部典籍分别进行全书、篇、章为粒度的分类实验。模型可以生成各粒度文本属于各学派的概率，可以判别《荀子》与《管子》思想倾向性，并得到互著与别裁结论。将模型得到的结论与传统人文研究结论相比较，共同之处可构成三角论证增强相关结论可信性，不同之处可以启发进一步的问题探讨。该研究可以在目录学领域内加强对古籍资源的组织与利用，也可以在学术史领域内拓宽对典籍及思想的分类辨别维度。

（答辩现场）

严承希的博士学位论文题目为《基于主动学习的古籍命名实体识别研究》。基于深度学习方法，严承希提出了一个面向汉语古籍的命名实体识别任务的三层框架。该框架不仅有效弥补了汉语古籍领域命名实体识别研究的不足，还可以推广至其他“少样本”领域命名实体识别模型的自动训练和构建方案中。

（严承希答辩展示内容）

在数据层中，通过结合规则匹配和专家校对等方法对原始古籍文本进行快速实体识别，并将其转化为标准数据集。在模型层中，相关数据会被引入到深度神经网络模型中进行解码预测，然后基于增强式主动学习技术来自动选择出“关键性”的样本集，并通过人工交互式标注和众包标注决策模型输出可靠的新训练样本。在应用层中，开发了一个古籍命名实体识别系统，该系统已经集成到“吾与点”古籍智能整理平台（https://wyd.kvlab.org），向用户提供公开服务。该研究提供了一个完整面向海量古籍资源的命名实体识别方案，在大大降低人工成本的同时确保了少资源条件下机器模型预测的准确性，并实现了实验室成果向工程产品化转化。

 研究成果展示后，各位评审老师高度肯定了两位同学在数字人文领域进行跨学科探索的价值与创新性，高度认可了利用信息技术处理古籍资源的学术价值与应用前景，并给出了宝贵的意见。老师们对机器学习模型设计、模型结果、研究可扩展性等方面提出了相应问题与建议，如徐永明教授提问模型自动分类与人工分类结果存在差异的原因，童云海教授指出古籍命名实体识别模型的泛化性还有待进一步提升等。经答辩委员会无记名投票表决后，由答辩委员会主席童云海教授宣读了张力元与严承希全票通过博士学位论文答辩的决议。

（两位同学与答辩委员会专家合影）