科技事业的发展决定着一个国家与民族在世界上的地位,决定着一个国家对于人类社会的贡献能力。在我国政府确定“建设创新国家”的战略目标指导下,各级政府的科技经费投入大幅度提高,社会的创新热情被充分调动。在这样的背景下,本文针对我国目前实行的科技项目评价机制,探讨了利用知识工程技术实现科技项目评价中各要素信息增益的计算机辅助评价的相关理论与实现方法。对于科技项目评价的研究起源于上个世纪60年代初。国内外对于科技项目评价理论、体系与方法的研究一直随着人类知识的丰富而不断丰富。研究中,在科技项目的投入产出(R&D)评价理论、风险评价理论、科技政策研究与科技项目评价方法研究等领域形成了比较集中的研究成果集。这些理论与方法对于科技事业发展从不同的角度做出了贡献。但是,由于以上研究的成果中普遍存在针对性研究的缺陷以及实现复杂性等问题的困扰,我国的科技管理工作者们依然选择了相对简单易行的,以同行专家评价为核心的评价方式。这种选择也在相当程度上受到现有财政管理制度、科技管理制度的约束。因此,本文的研究充分考虑了效率因素的需求以及针对性的需求,尽量追求立题的目标以及研究的成果与实际应用相结合。有人将科技项目的评价问题看作是一个多目标、多属性的决策问题,实际上这种决策的不确定性依然很大。很多的研究都在探讨将专家对于科技项目认知的主观意志与经验知识转变为相应的数量化指标来形成一个比较完整的解,但由于专家对于度量标准把握的不一致性却常常使这种方法从一开始就偏离了实际的价值。本文的指导思想是在尽可能进行信息增益的条件下进行科技项目的专家评价。而科技项目的信息增益来自于项目自身所携带的知识的显性化。信息增益的效果是促进专家评价的一致性与公正性,而实现信息增益的有效方法来自于知识工程学(knowledge engineering)的理论与方法。有关知识工程学在科技项目评价中的应用研究已经有所进展。但大多数研究侧重于机器学习的方法、评价指标体系的修正等,缺乏针对我国现有科技管理体制的针对性研究成果。我们将科技项目看作是知识创新、知识集成、知识变化的过程,其立项评价的关键可以确定为知识构成的科学性评价、知识变化的可能性评价以及环境、条件、结果等相关要素的综合评价。在以知识工程为主线的研究思想指导下,我们探讨了从申报书中利用中文分词(Chinese word segmentation)技术抽取知识的概念,构造项目知识本体(Ontology)以及科技项目增量聚类(Incremental clustering Algorithm)的基本方法,转化申报书中的隐性知识,实现信息增益(information gain)。另一方面,我们讨论了利用知识工程学的有关模型(model)技术和知识库(knowledge base)方法实现团队符合度评价与财务条件评价的技术方法,为克服项目申报者自身各类属性的差异所造成的对于评价结果的影响,我们还讨论了分类评价的基本规则。整个研究的目标取向不是立足于用系统化、数量化的指标体系与数值产生计算结果,而是实现在科技项目立项评价各个环节上的有效信息增益。我们利用计算机实现这个增益的过程依然离不开机器与专家的互动,我们期望这种互动所产生的积累效应将不断形成各类项目评价基础知识的丰富与精确化效果,促进机器系统将知识显性化水平不断提高。这种立意的来由归结为以下几个方面:一是我国各地的科技项目本身的水平参差不齐,政府以激励导向为原则的态势必然会保持相当时间,相对复杂的评价理论与技术实用性受到限制。二是要满足科技管理的体制与制度需要以及其变革需要,支持开放的评价形式与过程。三是科技项目评价本身具有的各类不确定因素很难用量化的结果全部准确表达,专家的主观性评价因素无法避免。信息增益是消除不确定因素的有效手段,必然促进评价的科学与公正性提高。本文共分六个章节叙述了课题研究的目的与意义,分析了相关研究的历史成果,比较完整地介绍了本文研究所依据的基础理论,重点探讨了知识工程学的理论与方法在科技项目技术构成与创新评价、科技项目团队评价、科技项目财务条件评价中的应用,形成了研究方法与实现技术相结合的成果并展示了运用样本进行验证性实验的结果。本文的创新性首先是在以知识工程为主线的科技项目立项评价的针对性研究中确定了追求以知识转化带来的信息增益为目标,促进评价水平提高的基本思想。再者是提出了项目知识本体的聚类方法与比较技术,支持实现相似项目的机器自动查询与项目创新判定的机器协助,支持项目自动分类评价,有效提高了评价的科学性。本文的创新点还体现在利用显性知识与隐性知识结合的方法实现科技项目条件财务评价的理论与过程,这个研究在历史研究中未见到类似的成果。本文研究的成果仅限于在我国政府科技计划项目中的应用基础研究类、技术创新类项目中应用。对于基础研究计划类项目不适用。