批判性问题生成

讨论问题：

1. 列出书中三次重大社会变动，并对应福贵一家发生的关键事件。
2. 用自己的话说明书名“活着”在小说中不只是“生存”，还包含哪些情感或价值。
3. 选取一幕情节，把“命运—选择—社会变迁”的关系画成一个三角关系（可口述描述），并解释你为何这样对应。
4. 比较福贵与家珍在苦难来临时的应对选择，有何相同与不同？这些差异如何影响结局？
5. 说出两个配角（如有庆、凤霞、春生、龙二、二喜、苦根）的命运转折点及其直接原因。
6. 你认为福贵对家族悲剧负有多大责任？用书中三处证据支持你的判断。
7. 假如你是记录者“我”，提出三个你会追问福贵的深挖问题，并说明你期待得到什么信息。
8. 解释牛“福贵”这一意象在后半部中的象征意义，它如何延伸“活着”的主题。
9. 将书中的一个人物置于当代社会，他/她最可能做出哪些不同选择？依据是什么？
10. 找出两到三个情节，展示“个人努力”与“时代洪流”的张力，梳理清楚因果链条。
11. 用你熟悉的家庭故事或新闻案例，类比书中“选择受限”的处境，指出相似点与不同点。
12. 叙述采用“口述回忆”。这种视角如何影响我们对真相、记忆与因果的理解？
13. 用简短几句话，概括“活着”对福贵、家珍、凤霞、有庆分别意味着什么。
14. 如果把《活着》解读为一部关于“韧性”的作品，这一解读有什么优点与盲点？
15. 对比小说与张艺谋电影改编在“命运与时代”上的呈现差异，差异来自哪些叙事选择？
16. 在极端社会变迁中，个体是否还应为自己的选择负主要责任？提出你的立场并回应一个反对意见。
17. 选择一个关键转折点，写一个“如果当时另选”的短场景，并推演可能的连锁后果。
18. 说明作者如何用平实语言与重复的日常细节，累积出“活着”的力量感。
19. 按时间线梳理福贵一生的五个节点，并标注对应的历史背景。
20. 以“活着的代价/礼物”为题，写出一句话论点，并给出一篇短评的三段式提纲。

布鲁姆分类法归类： | 认知层次 | 问题编号 | |----------|----------| | 记忆 | Q1, Q5, Q19 | | 理解 | Q2, Q8, Q13, Q18 | | 应用 | Q3, Q9, Q11 | | 分析 | Q4, Q10, Q12, Q15 | | 评估 | Q6, Q14, Q16 | | 创造 | Q7, Q17, Q20 |

来源：

1. 余华：《活着》，作家出版社，1993/2012修订本。
2. Yu Hua. To Live: A Novel. Translated by Michael Berry, Anchor Books, 2003.
3. Michael Berry. A History of Pain: Trauma in Modern Chinese Literature and Film. University of Hawai‘i Press, 2008.
4. Kirk A. Denton (ed.). The Columbia Companion to Modern Chinese Literature. Columbia University Press, 2016.（含余华与当代文学背景条目）
5. 张艺谋导演：《活着》，电影，1994。

讨论问题：

1. 根据OECD AI原则与ISO/IEC 23894，给出“算法透明度”“可解释性”“可审计性”“问责”的标准化定义边界，并指出其差异的要点。
2. 概述NIST AI RMF的四大功能（Govern、Map、Measure、Manage）中与透明度直接相关的关键实践清单项目。
3. 列出EU AI Act对高风险系统的核心透明度义务（如技术文档、日志记录、数据治理、用户信息与标识等），并指出GDPR第22条的自动化决策相关告知与救济要求。
4. 解释透明度义务与安全风险之间的内在张力，阐明公开模型文档如何可能导致模型提取/反演、数据泄露或攻击面扩大，并说明常见缓解策略。
5. 区分程序性问责（流程/治理）与结果性问责（成效/影响），并说明在公共政策审计中它们如何协同以保障公共利益。
6. 说明“有意义的人类监督”在不同风险等级中的作用机理，以及它如何与组织问责链（开发者—部署者—审计方）对齐。
7. 针对一家大型平台的个性化推荐系统，设计一份符合Model Cards与英国算法透明度记录标准的披露模板，明确应披露的用途、受众、局限与已知风险。
8. 为信用评分模型制定透明度度量体系，使用NIST AI RMF中的测度建议与ISO/IEC 23894的风险准则，产出可量化指标（如解释覆盖率、解释一致性）与阈值，并说明验证方法。
9. 在医疗影像诊断AI的场景下，构建一套风险分层的披露策略，平衡知识产权保护与患者权利（含个体反事实解释供给、数据源说明、分布外风险）。
10. 依据EU AI Act与纽约AEDT审计法，起草一份部署后事件报告与沟通流程，涵盖触发条件、升级路径、对外通告、纠偏方案与修复时间线。
11. 比较GDPR第22条与美国部分州/城市框架（如纽约AEDT、科罗拉多/加州隐私法在自动化决策与画像方面的规定）在透明度、申诉与复审机制上的差异，并评估跨境合规的空白与冲突。
12. 分析三类解释方法（SHAP值、反事实解释、因果图）在公平性、稳健性与可审计性上的优劣与适用边界，给出在信贷、医疗、招聘三类场景的选型依据。
13. 将开发者、部署者、数据提供方、第三方审计方的责任链分解，映射至EU AI Act角色（提供者/部署者）与产品责任框架，识别潜在责任断点与可操作的缓解措施（合同、控制、日志）。
14. 针对公开模型文档与权威基准的做法，开展威胁建模（如STRIDE或AI特有的提取/反演/对抗样本），评估透明度收益与对抗性滥用风险的权衡，并提出差异化披露策略。
15. 评价“开源或开放权重有助于提升信任”的命题，在生物、金融、医疗等高风险领域分别给出支持与反例，并提出采纳条件（风控能力、使用限制、审计强度）。
16. 判断一次性第三方合规审计是否足以替代连续监控与事中反馈回路；提出你认可的最低充分条件（数据漂移监控、事件SLA、独立复审）与适用边界。
17. 在自动化招聘中，评判“解释权”应采用“厚解释”（个体化反事实）还是“薄解释”（一般逻辑说明），并以比例原则、行政可行性与真实可用性为准则给出裁决。
18. 设计一个企业级AI治理体系结构，包括透明度门户、审计流水线（数据/模型/过程）、事件登记与共享、红队测试与责任分配，确保与ISO/IEC 42001、NIST RMF及OECD原则对齐。
19. 构建覆盖透明度—问责—安全的KPI仪表盘，包含前瞻性与滞后性指标（如解释满意度、申诉响应SLA、模型漂移阈值、审计缺陷闭环率），并给出数据采集与验证方案。
20. 提出一个跨行业的“风险加权透明度披露”标准框架，类比金融压力测试，定义披露层级、监管沙箱流程与执法工具包（罚则、纠偏令、补救计划），并说明对创新与竞争的影响。

布鲁姆分类法归类： | 认知层次 | 问题编号 | |----------|----------| | 记忆 | [Q1, Q2, Q3] | | 理解 | [Q4, Q5, Q6] | | 应用 | [Q7, Q8, Q9, Q10] | | 分析 | [Q11, Q12, Q13, Q14] | | 评估 | [Q15, Q16, Q17] | | 创造 | [Q18, Q19, Q20] |

来源：

1. National Institute of Standards and Technology (NIST). Artificial Intelligence Risk Management Framework (AI RMF 1.0). 2023. https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.1270.pdf
2. ISO/IEC 23894:2023. Information technology — Artificial intelligence — Risk management. https://www.iso.org/standard/77825.html
3. ISO/IEC 42001:2023. Artificial intelligence — Management system. https://www.iso.org/standard/82210.html
4. OECD. Recommendation of the Council on Artificial Intelligence (OECD AI Principles). 2019. https://oecd.ai/en/ai-principles
5. OECD. A Framework for the Classification of AI Systems. 2022. https://www.oecd.ai/en/classification
6. Council of the European Union. Artificial Intelligence Act — Final compromise text (ST 5662/24). 2024. https://data.consilium.europa.eu/doc/document/ST-5662-2024-INIT/en/pdf
7. Regulation (EU) 2016/679 (GDPR), Art. 22 and Recital 71. https://eur-lex.europa.eu/eli/reg/2016/679/oj
8. NYC Local Law 144 of 2021 (Automated Employment Decision Tools) and rules by DCWP (effective 2023). https://rules.cityofnewyork.us/rule/automated-employment-decision-tools-aedt/
9. UK Cabinet Office. Algorithmic Transparency Recording Standard. 2021. https://www.gov.uk/government/publications/algorithmic-transparency-recording-standard
10. IEEE Std 7001-2021. Standard for Transparency of Autonomous Systems. https://standards.ieee.org/standard/7001-2021.html
11. Mitchell, M. et al. Model Cards for Model Reporting. FAT* 2019. arXiv:1810.03993 https://arxiv.org/abs/1810.03993
12. Gebru, T. et al. Datasheets for Datasets. CACM, 2021 (preprint 2018/2020). arXiv:1803.09010 https://arxiv.org/abs/1803.09010
13. Lundberg, S., Lee, S.-I. A Unified Approach to Interpreting Model Predictions (SHAP). NeurIPS 2017. https://arxiv.org/abs/1705.07874
14. Wachter, S., Mittelstadt, B., Russell, C. Counterfactual Explanations without Opening the Black Box. 2017. https://arxiv.org/abs/1711.00399
15. Fredrikson, M. et al. Model Inversion Attacks that Exploit Confidence Information. CCS 2015. https://dl.acm.org/doi/10.1145/2810103.2813677
16. Tramèr, F. et al. Stealing Machine Learning Models via Prediction APIs. USENIX Security 2016. https://www.usenix.org/conference/usenixsecurity16/technical-sessions/presentation/tramer
17. Goodfellow, I. et al. Explaining and Harnessing Adversarial Examples. 2015. https://arxiv.org/abs/1412.6572
18. UK ICO. Guidance on AI and Data Protection (updated). https://ico.org.uk/for-organisations/guide-to-data-protection/key-dp-themes/ai/
19. White House OMB. Memorandum M-24-10: Advancing Governance, Innovation, and Risk Management for Agency Use of AI. 2024. https://www.whitehouse.gov/omb/information-for-management/omb-memoranda/
20. ISO/IEC TR 24028:2020. Artificial Intelligence — Overview of trustworthiness in AI. https://www.iso.org/standard/77608.html
21. AI Incident Database (Responsible AI Collaborative). https://incidentdatabase.ai/