Prai Topic Selection

---
name: prai-topic-selection
description: 在为《模式识别与人工智能》(Pattern Recognition and Artificial Intelligence, PR&AI) 判断一个选题是否契合、以及该写成何种稿件类型时调用。本刊专注模式识别、人工智能、机器学习、计算机视觉、自然语言处理、智能系统等 AI 细分方向，比综合性计算机刊更聚焦 AI，与《自动化学报》(控制为主)、《计算机学报》(全学科)、《软件学报》(系统软件)分工不同。用于评估贡献是否有原创增量、是否落在本刊 AI 学科范围、该投研究论文还是综述、以及是否更适合改投兄弟刊，避免因不符宗旨在初审被退。
---

# 《模式识别与人工智能》选题与栏目定位

在动笔前，先用本技能判断选题是否契合《模式识别与人工智能》(Pattern Recognition and Artificial
Intelligence, PR&AI)。本刊是 CCF 推荐 B 类的模式识别/人工智能**专业**中文月刊，只发表具创新性
学术价值的成果。选错落点是初审退稿的高频原因之一——主题超出本刊 AI 细分范围、或增量不足、或与
兄弟刊更对口，都会在初审被退。事实核验日期 2026-07-09，见 `resources/official-source-map.md`。

## 一、本刊的学科边界

《模式识别与人工智能》聚焦以下 AI 细分方向（Pattern Recognition / Artificial Intelligence 及其
子领域）：

- **模式识别**：分类、聚类、特征提取与选择、统计与结构模式识别、生物特征识别。
- **机器学习**：监督/半监督/无监督/自监督、深度学习、强化学习、迁移与元学习、表示学习。
- **计算机视觉**：目标检测与识别、图像分割、跟踪、三维视觉、图像/视频理解。
- **自然语言处理**：文本表示、信息抽取、问答、机器翻译、大模型相关方法。
- **智能系统**：知识表示与推理、智能优化、多智能体、类脑与认知计算。

若你的核心贡献不在上述范围，本刊通常不是对口落点。

## 二、与兄弟中文刊的分工（避免投错刊）

| 期刊 | 侧重 | 何时更适合它而非本刊 |
|---|---|---|
| 《自动化学报》 | 控制、自动化、系统 | 贡献是**控制理论/系统辨识/自动化应用**为主 |
| 《计算机学报》 | 计算机全学科综合 | 贡献跨子领域、非 AI 专属（如体系结构、数据库） |
| 《软件学报》 | 系统与软件工程 | 贡献是**软件方法/程序分析/系统软件** |
| 《电子学报》 | 电子、通信、信号 | 贡献是**电路/通信/信号处理硬件** |
| 《模式识别与人工智能》PR&AI | 模式识别/AI/机器学习/视觉/NLP | 核心贡献是 **AI 算法与模型**（本刊对口） |

**决策要点**：问自己"去掉 AI/模式识别这一层，贡献还剩什么？"若所剩无几，说明核心确在 AI，本刊对口；
若核心是控制/软件/硬件，改投兄弟刊。

## 三、稿件类型与栏目选择

| 类型 | 适合的贡献 | 对应栏目(示例) |
|---|---|---|
| 研究论文 | 新方法/新模型 + 充分实证 | 研究与应用、论文与报告 |
| 综述 | 系统梳理某子领域，含分类框架与批判比较 | 综述与评论 |
| 专题稿 | 契合当期专题(如目标检测、强化学习) | 相应 special issue |
| 简讯/动态 | 领域进展报道 | 信息与动态 |

综述稿要有**自己的分类框架与批判性观点**，不是文献罗列；专门篇幅与体例以编辑部为准（**待核实**）。

## 四、创新增量自评（初审关口）

初审常以"无新意、重复前人、观点模糊"退稿。用下表自评：

| 维度 | 强 | 弱（退稿风险） |
|---|---|---|
| 问题 | 读者可识别的具体困难 | "研究热点""广泛关注"式空泛开场 |
| 方法新意 | 与最接近工作有清晰 delta | 已有方法的微调/换数据集 |
| 证据 | 公平基线+多次运行+统计+消融 | 单点数字、只在自造数据上好 |
| 意义 | 对本子领域有普遍启发 | 仅工程实现、缺乏可迁移洞见 |

## 五、选题契合度打分（自检）

给每项打 0/1，合计 ≥5 再动笔：

1. 核心贡献落在模式识别/AI/机器学习/视觉/NLP 之一。
2. 相对最接近工作有可陈述的原创增量(delta)。
3. 有可支撑主张的实证或理论证据规划。
4. 篇幅能撑起 18000~44000 字长文而不注水。
5. 不属控制/软件/硬件为主（否则改投兄弟刊）。
6. 选题有跨具体应用的普遍意义。

## 六、常见误区

- **把工程实现当研究贡献**：只做了一个系统、没有可迁移的方法洞见，易被判"无新意"。
- **蹭热点无增量**：把热门模型换个数据集跑一遍，delta 不清。
- **学科错位**：控制/软件/电子主题投到 AI 刊，或反之。
- **贪大求全**：一篇里塞多个不相关贡献，主线散乱。
- **综述当综述写成罗列**：无分类框架、无批判观点。

## 七、与其他技能的衔接

- 契合后 → `prai-writing-style` 搭长文骨架、`prai-related-work` 立 delta。
- 证据规划 → `prai-experiments`、`prai-reproducibility`。
- 全流程 → `prai-workflow`；投稿自审 → `prai-submission`。

## 八、给编辑的"一句话定位"

在投稿信里用一句话讲清落点，例如："本文提出一种面向 X 的 Y 方法，属模式识别/机器学习方向，核心
增量是 Z，适合《模式识别与人工智能》(Pattern Recognition and Artificial Intelligence, PR&AI) 的
研究与应用栏目。"这句话帮助编辑快速判断是否对口、分派哪类外审专家。

## 九、专题(special issue)与热点研判

《模式识别与人工智能》(Pattern Recognition and Artificial Intelligence, PR&AI) 会不定期组织专题，
历史上出现过目标检测与识别、强化学习研究、网络科学与信息推荐、多粒度属性表示等方向。研判是否投
专题时注意：

- **契合当期征稿**：专题有明确主题与截稿期，投稿前确认自己的工作正落在征稿范围内，而非勉强靠拢。
- **专题不降低标准**：专题稿同样要经外审，创新性与实证严谨性要求不因专题而放松。
- **常规栏目更稳妥**：若工作与当期专题只是"沾边"，投常规的研究与应用/论文与报告栏目往往更合适。
- **是否开放待核实**：某一专题是否正在征稿、截稿期为何，均以官网当期公告为准（**待核实**）。

追热点(如大模型、多模态、扩散模型)时，务必守住"delta 优先"：热点只提供关注度，真正决定录用的仍是
相对最接近工作的原创增量，而非蹭上一个时髦名词。把热点当"问题背景"而非"贡献本身"。

## 十、选题到写作的过渡

一旦选题契合度打分达标，把结论固化成三句话再进入写作：其一，本文解决的模式识别/人工智能具体问题
是什么；其二，相对最接近工作的 delta 属哪一类（问题/方法/设定/证据/效率）；其三，用什么证据支撑。
这三句话会直接成为 `prai-writing-style` 首页范式的骨架，也是投稿信里的"一句话定位"。选题阶段想清
这三点，能显著降低写作返工与初审退稿风险。

## 输出格式

```text
[PR&AI 选题契合] 契合 / 边缘 / 不契合
[学科落点] 模式识别 / 机器学习 / 视觉 / NLP / 智能系统 / 其他
[稿件类型] 研究论文 / 综述 / 专题稿
[目标栏目] ___
[创新增量] delta 相对 <最接近工作>：___
[是否更适合兄弟刊] 否 / 是（改投：自动化学报/计算机学报/软件学报/电子学报）
[契合度打分] __/6
[下一步] ___
```