科研成果

达利特文学是由出身原“贱民”种姓的印度作家书写的、富有抗争精神的文学，是少数具有广泛跨语种影响力并受到学术界关注的印度本土文学现象。20世纪末，以根植于安倍德卡尔思想的“达利特意识”为核心概念的达利特文学批评与新一轮达利特自传文学创作浪潮相伴而生。翁普拉卡什·瓦尔密齐的自传《剩饭》便是一部践行达利特意识的经典作品。它以具有丰富政治、文化内涵的达利特意识为理论工具，深刻揭露了达利特所遭受的经济文化双重压迫，呈现了达利特的抗争史，进而全面、深刻地批判了印度主流文化叙事。这反过来也充实了达利特意识的内涵，赋予了达利特文学更大的抱负和力量。

基于某顶尖大学2008-2017年十届博士毕业生的行政管理与科研发表追踪数据，通过定量为主、质性访谈为辅的分析发现：贯通式培养博士的科研创新能力呈现动态增长趋势，且直博与硕博连读两类贯通式培养在不同阶段与不同学科呈现差异化特征。在理工科领域，两类贯通式培养博士的科研创新能力均显著高于本硕博分段式培养博士；而在人文社科领域，直博生的科研创新能力在博士教育期间与进入学术职业后均显著更低。因此，博士生培养模式的创新发展需考虑学科差异，并遵循学生成长规律。

［目的/意义］跨学科研究能从知识和组织上摆脱单一学科桎梏，创造性地解决自然环境和人类社会复杂问题。然而，目前情报学中对于跨学科性的研究大多局限在度量指标方面，鲜有研究从概念和理论层面进行归纳、梳理和阐释。文章从范式的角度理解跨学科性的内涵，以期在理论上弥补现有跨学科性研究的不足。［方法/过程］先对范式的概念进行梳理，从分化、同化和消融三个角度理解范式转变的过程，并归纳梳理范式的特性。随后，定义跨学科性的概念与内涵，并从知识重组与创新、学科建构与解构的视角理解跨学科性与范式之间的联系。［结果/结论］从知识重组与创新的视角看，跨学科研究是范式同化、范式分化和元范式等概念的重要体现；从学科建构与解构的视角看，支撑跨学科研究的机制即是对原有学科范式进行“破旧立新”。情报“道”未变，“术”“典”有专攻，范式宜入境，事业常为新。

20世纪90年代以来，知识界围绕如何界定印度教徒身份，印度教徒身份是古已有之还是殖民知识体系的现代建构等问题的争论不断。本文在长时段历史视野下，探讨对Hindu身份的不同理解与不同历史时期的历史书写之间的关系，这包括殖民前的印度波斯语史书、梵语和地方语言的历史书写以及殖民史学、民族主义史学，以及印度独立后兴起的马克思主义史学和达利特史学。印度在殖民前已经形成了将族群身份与历史挂钩的书写模式以及一种由上层知识精英界定的“印度教徒”身份。殖民史学和民族主义史学进一步确立了“印度教徒民族”身份和以印度教徒共同体为重要主体的民族史书写模式，但也因为推崇种姓制度而引发低种姓思想家的批判，形成了与印度教徒民族身份和民族史对立的达利特大众身份和达利特史学。

 [目的/意义]为获得对抗优势，以把握美对华科技竞争战略走向为依据，深入探寻优化我国科技情报事业发展的路径，对实现情报支撑决策最优化和科技竞争效果最大化具有现实意义。[研究设计/方法]通过网络调研和内容分析法，梳理了美国拜登政府以及相关智库涉华科技竞争战略的实施与研究动向，总结美国对华科技竞争战略的主要特点；构建应对美国涉华科技竞争战略的情报赋能模型，提出我国面向大国科技竞争的情报赋能路径建设。[结论/发现]面向大国科技竞争的科技情报教育需要坚持创新与发展并行的理念，丰富情报人才培养模式；科技情报理论研究需要实现多学科融合的理论创新；科技情报工作则需提高战略定位，加强情报服务平台建设，形成共生、共存和共进的生态情报体系能力系统。[创新/价值] 以美国涉华科技竞争的最新战略动向为现实依据，以解析情报赋能国家科技安全与创新发展为理论基础，提出面向大国科技竞争的情报赋能建设路径，为未来我国国家科技战略的创新与发展提供了相应的建设依据。

复杂社会系统建模是社会计算面临的首要问题。面向社会计算领域的建模流程与需求，提出了一种模型深度集成架构，称为POV框架。该框架由物理层、覆盖层和虚拟层3部分组成，提供了模型的组织、表达和集成方法。基于该方法搭建了面向社会计算数据模型交互共享集成平台，为研究者们提供包括数据资源、分析工具和建模仿真计算环境的社会计算实验平台。应用示例证明了该平台能够为研究者进行社会计算研究提供有效支撑。

This article presents a 148-nW always-on wake-up system that drastically reduces the system power consumption of Internet of Things (IoT) sensor nodes while oftentimes operating in random-sparse-event (RSE) scenarios. To significantly reduce the long-term average (LTA) power consumption and realize multiapplication and intelligent event detection, three techniques are proposed: 1) In a three-stage pipelined event-driven architecture, a frame generator and a convolutional neural network intelligent inference engine (CNN IIE) in stage III are event-driven by the preliminary detectors in stage II, and the detectors are triggered by a level-crossing (LC) analog-to-digital converter (ADC), i.e., stage I, dramatically reducing the overall power consumption. 2) The clock-free pulse-based instant rate of change (IROC) feature extractor directly processes the asynchronous pulses of the LC-ADC outputs in the temporal domain instead of utilizing a conventional power-hungry frequency-domain method. 3) A reconfigurable IROC, the frame generator, and the CNN IIE provide adaptive intelligence for various IoT events, enhancing the accuracy of multipurpose detection with ultralow power. We demonstrate two artificial intelligence IoT (AIoT) applications at 0.6-V VDD. For electrocardiogram (ECG) recognition, one example works at a typical event rate (ER) of  4800/h, with an active power of 1.68 $μ \textW$ and a precision of up to 99%; the other is used for keyword spotting (KWS), where the chip achieves 378 nW at  720/h ER and 94% accuracy. The LTA power is bounded to 148 nW, while the event-driven chip is on call and waiting for events; this chip dominates the AIoT device battery life in RSE scenarios.