prai-topic-selection
GitHub评估选题是否契合《模式识别与人工智能》期刊，判断学科边界、原创增量及稿件类型，避免投错刊或初审退稿。
Trigger Scenarios
Install
npx skills add brycewang-stanford/Awesome-Journal-Skills --skill prai-topic-selection -g -y
SKILL.md
Frontmatter
{
"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：
- 核心贡献落在模式识别/AI/机器学习/视觉/NLP 之一。
- 相对最接近工作有可陈述的原创增量(delta)。
- 有可支撑主张的实证或理论证据规划。
- 篇幅能撑起 18000~44000 字长文而不注水。
- 不属控制/软件/硬件为主（否则改投兄弟刊）。
- 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
[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] ___
Version History
- 9f86f09 Current 2026-07-19 17:18
