期刊名：Machine Learning and Knowledge Extraction (MAKE)

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

人工智能技术正快速推动科学研究和工程实践的范式变革。从大语言模型驱动的科学问题求解，到融合知识与推理机制的可信人工智能，再到增强模型透明度与可解释性的关键技术，这些研究方向正成为当前人工智能领域的重要前沿议题。

为了促进相关领域的学术交流与研究进展，Machine Learning and Knowledge Extraction (MAKE) 期刊特别精选了3个聚焦人工智能前沿技术的特刊，期望从大语言模型、可信AI以及可解释AI等不同研究视角，探讨人工智能系统在复杂问题求解中的能力、可靠性与透明度，为相关领域的研究者与工程实践者提供有价值的学术交流平台。

特刊一

Explainable Artificial Intelligence: Theoretical Foundations and Methodological Advances

可解释人工智能：理论基础与方法进展

随着人工智能模型结构日益复杂，尤其是深度学习模型在高风险决策场景中的广泛应用，如何理解和解释模型的决策过程已成为人工智能研究的重要议题。可解释人工智能（Explainable Artificial Intelligence, XAI） 旨在提升模型透明度，使研究者和用户能够理解模型的决策逻辑，从而增强人工智能系统的可信度与可应用性。

Machine Learning and Knowledge Extraction (MAKE) 期刊特邀中国地质大学的杜胜教授与MAKE期刊编委Javier Del Ser Lorente博士合作组织特刊 Explainable Artificial Intelligence: Theoretical Foundations and Methodological Advances (可解释人工智能：理论基础与方法进展)。本特刊旨在推动XAI理论与方法的深入研究，促进可解释技术在实际场景中的应用。研究主题包括但不限于：

1.可解释人工智能的理论模型与方法框架；

2.深度学习模型的可解释性分析；

3.可解释算法与可视化技术；

4.面向高风险领域的可解释AI应用；

投稿截止日期：2026年8月31日

特刊链接：https://www.mdpi.com/journal/make/special_issues/2YX947GI76

特刊二

Trustworthy AI: Integrating Knowledge, Retrieval, and Reasoning

可信人工智能：知识、检索与推理的融合

随着人工智能系统在医疗、金融、工业等关键领域中的广泛应用，可信人工智能（Trustworthy AI） 已成为全球学术界和产业界高度关注的研究方向。为了确保AI系统在真实场景中的可靠性与安全性，研究者正在探索将知识提取、信息检索与逻辑推理等多种技术进行深度融合，从而提升人工智能系统的可解释性、鲁棒性与可信度。

Machine Learning and Knowledge Extraction (MAKE) 期刊特邀希腊国际大学的Konstantinos Diamantaras教授组织特刊 Trustworthy AI: Integrating Knowledge, Retrieval, and Reasoning (可信人工智能：知识、检索与推理的融合)。本特刊旨在推动可信人工智能方法的发展，并探索如何通过多种技术协同提升AI系统的可信性。相关研究主题包括但不限于：

1.知识增强的人工智能模型；

2.基于检索增强生成（RAG）的智能系统；

3.提升AI系统可靠性与安全性的算法；

4.面向实际应用场景的可信人工智能框架。

投稿截止日期：2026年8月31日

特刊链接：https://www.mdpi.com/journal/make/special_issues/4UK08IG62O

特刊三

Using Large Language Models for Scientific Problem Solving and Engineering Design

利用大语言模型进行科学问题求解与工程设计

近年来，大语言模型（Large Language Models, LLMs）的快速发展极大推动了人工智能在科研与工程领域中的应用潜力。借助其强大的知识表达与推理能力，大语言模型正逐渐被用于复杂科学问题求解、自动化知识发现以及工程设计流程优化等任务。然而，在将LLMs应用于科学研究和工程实践时，仍然面临诸多挑战，例如科学推理能力的可靠性、模型生成内容的准确性以及跨学科知识整合能力等问题。

Machine Learning and Knowledge Extraction (MAKE) 期刊特邀来自纽约州立大学石溪分校的Alex Doboli教授，K. Wendy Tang教授和霍夫斯特拉大学的Simona Doboli教授共同组织特刊 Using Large Language Models for Scientific Problem Solving and Engineering Design (利用大语言模型进行科学问题求解与工程设计)。本特刊旨在探讨大语言模型在科学研究与工程设计中的创新应用与方法学发展，包括但不限于以下研究方向：

1.基于大语言模型的科学推理与复杂问题求解方法；

2.LLMs在工程设计自动化与辅助决策中的应用；

3.提升大语言模型在科学任务中的可靠性与可扩展性。

投稿截止日期：2026年4月30日

特刊链接：https://www.mdpi.com/journal/make/special_issues/85IU4P4AX9

MAKE 期刊介绍

期刊创刊于2019年，涵盖机器学习方法及其应用，从数据预处理到结果可视化的整个机器学习和知识获取与发现的流程，重点关注隐私、数据保护、安全性、数据挖掘、自然语言、神经网络和熵等。

主编：Andreas Holzinger, Graz University of Technology, Graz, Austria

2024 Impact Factor 6.0

2024 CiteScore 9.9

Journal Rank: JCR - Q1/ CiteScore - Q1

Indexed within Scopus, ESCI (Web of Science)

Time to First Decision：27 Days

Acceptance to Publication：4.4 Days