期刊名： Big Data and Cognitive Computing

期刊主页：https://www.mdpi.com/journal/BDCC

以下研究覆盖了自然语言处理、多模态检索增强生成、情感分析、潜在剖面分析、数据库性能评测与提示工程等多个前沿方向，集中展示了大数据与认知计算技术在气候辟谣、金融市场预测、数据产品自动发现、电商数据库选型及大语言模型情感框架调节等具体场景中的创新应用，为相关领域的跨学科研究提供了方法借鉴与灵感启发。

论文一：

基于大语言模型的气候变化虚假信息检测与辟谣

https://doi.org/10.3390/bdcc10010034

这篇由Zeinab Shahbazi (Kristianstad University）与Sara Behnamian (University of Copenhagen)合作完成的研究，针对社交媒体气候变化虚假信息泛滥、传统人工核查难以规模化应对的行业痛点，提出了一套融合Transformer检测模块与RAG增强生成框架的端到端自动化系统；该系统以微调的RoBERTa-MNLI模型为核心，搭配语义相似度匹配、立场检测、主题聚类等技术实现虚假信息精准识别，再通过BM25+FAISS混合检索锚定IPCC报告等权威信源生成科学辟谣内容，最终实现了93.1%的虚假信息检测准确率，生成的辟谣内容经专家评审在准确性、科学性等方面已接近人工事实核查员水平，为气候虚假信息的规模化实时治理提供了可落地的AI解决方案。

·选题方向参考

从社会影响与未来发展来看，该系统填补了气候辟谣领域自动化工具的空白，可嵌入社交媒体平台、环保组织及政府机构，实现百万级言论的实时筛查与权威反驳，有效遏制虚假信息的“病毒式”传播。当前系统在跨语言适配与新兴辟谣样式的泛化上仍存在瓶颈，后续将通过开放检测模块、引入多模态线索（如伪造图表识别）等方式，构建更健壮、更通用的反虚假信息生态。

论文二

数据驱动洞见——融合情感分析与潜在剖面分析的金融市场预测

https://doi.org/10.3390/bdcc10010024

针对金融市场预测中传统情感分析将复杂情绪信号过度简化为单一指标、难以捕捉影响股价的多维度心理因素这一关键瓶颈，这篇研究提出融合情感分析与潜在剖面分析（LPA）的联合建模框架。通过从Bloomberg和Reuters收集的3843篇金融新闻中提取情感得分，经LPA将市场情绪划分为8个潜在情感剖面，并用于分段回归与结构方程模型，结果显示其中6个剖面对股价波动的预测效果显著优于传统情感模型，联合模型可解释47%的股价方差（传统模型仅解释10%），为基于大数据的金融预测提供了全新范式。

·选题方向参考

该框架为机构投资者、量化交易团队及金融监管机构提供了可实时嵌入决策流程的智能分析工具，能够更灵敏地捕捉市场情绪分化与潜在风险信号。未来研究可进一步融合财报图表、管理层讨论等多模态数据，并针对新兴市场数据稀缺问题，借助迁移学习与数据增强技术拓展跨品种、跨地域的预测能力，推动金融情感智能分析向更精准、更普适的方向发展。

论文三

大语言模型+元数据推理，让数据产品发现实现全自动化

https://doi.org/10.3390/bdcc10030072

这篇研究针对数据湖因缺乏有效组织而沦为难以利用的原始数据集合、传统依赖领域专家手动标注的元数据管理方式耗时且难以扩展的挑战，提出了一套利用大型语言模型支撑数据产品自动发现的框架。该框架通过语义元数据推理与可执行查询原型生成技术，在两个领域和三个概念复杂度层级上评估了LLM识别相关数据集并生成可执行查询的能力。结果发现，LLM在简单场景下表现优异，但随着概念复杂度和数据量级的增加，其性能会显著下降。这表明，当前LLM在自动化数据产品发现方面具有潜力但存在明显局限，未来需结合混合检索与持续学习机制加以改进。

·选题方向参考

从应用价值来看，该框架为数据湖治理、企业数据目录构建以及数据网格架构提供了智能化的自动化方案，能够有效减少人工负担、提升数据资产的复用效率。当前系统在跨领域迁移、动态语义演化和对海量异构数据源的适配能力方面仍有不足。未来研究可融合知识图谱、引入用户反馈循环，以及构建针对复杂查询的检索增强生成机制，推动数据发现系统向更稳健、更通用的方向发展。

论文四

电商场景下PostgreSQL与MongoDB的读性能对比分析：基于过滤与分析型查询的实证研究

https://doi.org/10.3390/bdcc10020066

这篇研究针对电商场景下中小型企业在数据库选型时面临的理论分析与实际需求脱节、缺乏真实业务环境下实证数据的挑战，以PostgreSQL和MongoDB为对比对象，在资源有限的单机环境中进行了严格的对比实验；实验通过Faker库生成最多30万件商品的模拟数据，设计了6种覆盖筛选与分析型的查询类型，在最新版本下测试了非索引数据下的读取表现，结果发现PostgreSQL在执行复杂分析型查询时显著快于MongoDB（多条件查询下执行时间大幅缩短），而MongoDB则比PostgreSQL节省约33%的磁盘空间，为电商平台在预算受限单机环境下的数据库选型提供了可量化的实证依据。

·选题方向参考

该研究为中小型电商开发者、SaaS平台架构师及系统运维团队提供了基于真实场景的数据决策参考，能够助力其在资源有限的情况下优化数据库架构设计。未来工作将进一步考察索引策略、写入密集型负载及分布式部署场景下的性能表现，推动电商数据库性能研究向更全面、更贴近业务实际的方向发展。

论文五

提示词中的情绪框架对大语言模型性能的调节作用

https://doi.org/10.3390/bdcc10040102

这篇研究针对大型语言模型部署中对用户提示中的情感语调高度敏感、而传统提示工程主要关注认知与结构线索、忽略了情感倾向可能影响模型推理路径的关键盲区，提出了一套系统性评估情感框架影响的方法；该方法以SuperGLUE基准的8项任务为测试平台，选取5种主流开源指令微调模型，系统性地向输入提示中嵌入喜悦、冷漠、愤怒、恐惧四种情感基调（保持语义内容不变），最终发现喜悦与冷漠框架可使模型准确率持续提升（最高提升4.5个百分点），而恐惧语调导致性能最差，首次量化证明了用户提示中的情感基调不是无关的风格选择，而是功能上影响模型推理的重要因素。

·选题方向参考

该框架为AI客服、教育辅导、心理健康支持等情感敏感场景提供了情感化提示调优的量化依据，合理使用正向情感框架可提升输出质量并优化用户体验。当前研究主要基于英语提示与开源模型，未来可进一步探索情感框架与模型内部表征的映射关系、跨语言跨文化的情感迁移适应性，以及在医疗问诊等高价值场景中开展针对性的安全评估与提示策略优化，推动人机交互向更自然、更可靠的方向发展。

期刊介绍

主编：Min Chen, South China University of Technology, China

期刊Big Data and Cognitive Computing (ISSN: 2504-2289)创刊于2017年，是面向计算机科学大数据与认知计算的国际性、跨学科、开放获取的学术期刊，主要发表与大数据、云计算、认知计算、人工智能通信、数据分析、移动大数据、认知学习、机器学习等相关主题的原创研究论文。期刊旨在将大数据理论与智能云新兴技术结合起来，并探索超级计算机的新应用。目前已被 Scopus, ESCI (Web of Science), dblp, Inspec, Ei Compendex等多个数据库收录。