各省人工智能创新(BERT模型测度)

字段字典

• Province [省份名称] — 现行省级行政区名称；现行框架回溯不等于原申请时点住所。
• ProvinceCode [省份代码] — 六位字符串省级行政区划代码。
• Year [申请年份] — 发明专利申请年份，采用当前快照已观察到的授权发明状态，非当年实时授权流量。
• AIPatentCount [人工智能创新发明专利数] — 参考陈奕嘉等（2026）摘要语义分类框架，本地大模型辅助标注一万条、自建微调BERT识别明确涉及学习、推断、认知等人工智能技术的已授权发明。块级概率最大值不低于0.5为阳性，全部申请地区去重计件，单位为件；无有效分类时缺失，有效分类而无阳性为观察零。未获得作者标签和权重，非作者同值复现。
• AIPatentShare [人工智能创新发明专利占比] — 参考陈奕嘉等（2026）的人工智能发明占比思路，以自建BERT识别的人工智能发明申请件数除以摘要有效分类的授权发明数，取值0至1。摘要缺失时与论文全部发明分母存在偏离，分母为零或缺失时缺失；早年定位与近期授权滞后影响研究可比性。

常见问题

「各省人工智能创新(BERT模型测度)」是什么数据集？

各省人工智能创新(BERT模型测度)，隶属科技创新。参考陈奕嘉、谭俊涛、杨瑞霖（2026）的研究，衡量省份人工智能技术创新活动。

该数据集的时间范围是？

覆盖 1985-2025 年。

包含哪些变量/指标？

共 5 个变量。核心指标包括：人工智能创新发明专利数、人工智能创新发明专利占比。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，省级层级。

样本量有多大？

约 1,271 条观测。

数据是如何测算/获取的？

测算方法 人工智能创新的含义 参考陈奕嘉、谭俊涛和杨瑞霖（2026）的研究，本指标通过专利摘要识别人工智能技术创新。人工智能是能够模拟感知、理解、学习、推断、预测或决策等认知能力的机器系统，识别范围包括机器学习、深度学习、神经网络、模糊逻辑和遗传算法等具体技术。一般性“智能”命名、普通计算机处理和未涉及人工智能技术的自动控制不直接构成阳性。 专利样本与地区归属 以数据中已观察到授权状态的发明专利为候选，依据有效授权日期和发明授权文献类型识别，同一申请号只保留最早有效授权文献，固定其摘要和申请人地区。指标按申请年份统计，反映这些申请最终已观察到的授权产出，不等于该年新获授权的流量。 一件专利可归属多个申请人地区，但在同一地区至多计一件。省级和市级分别去重计算，同一省内跨市合作不导致该省重复计件。地区采用现行空间框架回溯，未定位申请不分配给其他地区。 摘要标注与分类模型 先清理摘要中的网址、邮件、电话号码、控制字符、下划线和多余空白，保留技术表达。按固定随机规则从全国候选中抽取一万条有效中文摘要，使用本地Qwen3.5辅助标注，并对独立样本开展语义复核。该标注属于自建弱监督语料，不能视为作者标签或人工金标准。无法生成有效标签或无法核验正例证据的记录不用于训练，仍保留未知状态，可能带来弱标签选择偏差。 采用中文BERT基座进行监督微调。同族专利和完全相同的摘要归入同组，按约八比二划分训练与验证，避免这些重复内容跨集合。学习率为0.00002，有效批量为32，训练三轮，保留验证F1最高一轮，分类阈值固定为0.5。验证结果反映与自建标签的一致程度，不直接等于人工标注准确率。 长摘要按每块510个内容词元、相邻重叠64个词元分块，完整保留尾部。令第p件专利第k块的人工智能分类概率为qpk，申请层概率为： $$ qp = \maxk q{pk}. $$ 训练和预测均使用上述申请层最大值聚合。全部候选，包括用于训练的申请，最终均由BERT实际预测，不直接用辅助标签替换分类结果。 地区年度指标 令Prt表示地区r、申请年t可定位的授权发明集合，Vp为摘要有效且成功分类的指示变量。授权发明数和有效分类数分别为： $$ N{rt}=|P{rt}|,\qquad M{rt}=\sum{p\in P{rt}}Vp. $$ 人工智能创新发明专利数为： $$ A{rt}=\sum{p\in P{rt}}Vp\,\mathbf{1}(qp\geq0.5). $$ 人工智能创新发明专利占比为： $$ S{rt}=\frac{A{rt}}{M{rt}}. $$ N和M仅用于内部计算与核验，不作为正式交付字段。正式研究指标为A和S：A衡量创新规模，S衡量可判发明中的人工智能技术比重，取值为零至一。没有可定位授权源时保留缺失；有源但没有有效分类时，核心数量和占比仍缺失；存在有效分类而没有阳性时，核心数量和占比为观察零。 补充说明 论文正文、官网及作者页面未提供可得的标注语料、训练权重及完整实现细节。本指标沿用其摘要语义分类框架，自建弱监督标签和BERT权重，长文、超参数与多地区计件规则为明确操作化，不能声称恢复作者逐件结果。原研究以广东为例，本数据将同一测量对象扩展到全国省市。 缺摘要和分类失败不作负类。占比以有效分类数为分母；摘要不齐时与采用全部发明分母的论文口径存在差异。观察零不证明总体没有人工智能创新。早期及部分地区的定位缺失可能具有系统性，现行地址回溯不等于历史申请地址。 采用快照已观察到的授权状态，包含事后信息；近期申请可能尚未授权或尚未进入数据，末期结果不宜直接解释为创新下降。模型概率未经独立概率校准，弱监督噪声及普通“智能”表述的语义边界可能影响分类。 语义抽核已发现贝叶斯学习、支持向量机和模糊推理等明确技术的漏判，也存在这些技术被正确识别的记录，不能认为某类技术被完全排除。自建标签、模型和来源选择均可能影响统计水平；早期训练正例稀少，跨年代识别稳定性未获独立验证，不宜据此直接解释早期真实人工智能创新趋势。没有代表性人工金标准，目前不能量化各年总体分类误差，也不能拆分它们对本指标与原研究数量差异的贡献。研究中应将本指标作为自建模型识别结果，不作为原文逐件数量的恢复。 原始版保留上述公式结果。缩尾版对人工智能创新数量和占比按年度在百分之一与百分之九十九分位截尾；正式成品仅保留数量、占比及地区年份标识，研究时应结合原始版核对。 参考文献 [1] 陈奕嘉, 谭俊涛, 杨瑞霖. 基于BERT大语言模型的广东省人工智能发明专利测度与时空演化特征[J]. 热带地理, 2026, 46(1): 154-166. DOI:10.13284/j.cnki.rddl.20250373.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。