运城市2025-2026学年第一学期期中调研测试高三语文试卷含答案.pdfVIP

运城市２０２５－２０２６学年第一学期期中调研测试

高三语文试题

２０２５１１

本试题满分１５０分，考试时间１５０分钟。答案一律写在答题卡上。

注意事项：

１答题前，考生务必先将自己的姓名、准考证号填写在答题卡上，认真核对条形码上的姓

名、准考证号，并将条形码粘贴在答题卡的指定位置上。

２答题时使用０５毫米的黑色中性（签字）笔或碳素笔书写，字体工整、笔迹清楚。

３请按照题号在各题的答题区域（黑色线框）内作答，超出答题区域书写的答案无效。

４保持卡面清洁，不折叠，不破损。

一、阅读（７２分）

（一）阅读（本题共５小题，１９分）

Ⅰ

阅读下面的文字，完成１～５题

材料一：

人工智能（ＡＩ）与历史研究、文化遗产保护的跨界融合，正从技术辅助工具升级为重构认

知路径的核心力量，其应用形态随技术迭代呈现出清晰的演进脉络。这一进程大致可分为三

个阶段，每个阶段的技术特征与历史研究价值形成鲜明呼应。

早期应用聚焦“数据处理效率提升”，以基础算法解决历史研究中的“海量信息困境”。

２０世纪末至２１世纪初，计算机技术初步介入历史领域，主要承担数据分类、索引建立等辅助

性工作。例如，针对朝鲜王国１４世纪至２０世纪初的数十万篇宫廷档案，人工整理与翻译需

耗时数十年，而基于早期机器学习的文本识别系统虽准确率有限，却将初步分拣与关键词提

取效率提升近百倍。这一阶段的ＡＩ本质是“数字化助手”，仅替代人力完成重复性劳动，并未

触及历史解读的核心环节，研究范式仍以学者主观分析为主。

中期发展进入“残缺信息补全”阶段，深度学习技术成为破解历史残片的关键工具。随着

卷积神经网络（ＣＮＮ）、循环神经网络（ＲＮＮ）的成熟，ＡＩ开始具备从残缺载体中提取有效信息

的能力。在古文字研究领域，中国团队利用ＣＮＮ模型复原侵蚀严重的甲骨文图案，精准捕捉

字符演变轨迹；牛津大学研发的Ｐｙｔｈｉａ模型通过学习数万份希腊铭文，成功预测西西里希腊

铭文的缺失字符，解决了学者“知识盲区”导致的解读难题。这一阶段的突破在于，ＡＩ能基于

历史数据的内在逻辑进行推演，其成果可直接作为研究佐证，但仍需依赖人类专家判断其合理性。

当前，ＡＩ应用已迈入“深度认知重构”阶段，多模态大模型推动历史研究从“文本解读”走

向“场景还原”。Ｔｒａｎｓｆｏｒｍｅｒ模型的突破使ＡＩ能整合文本、图像、空间等多维度数据，实现从

“识别信息”到“构建认知”的跨越。“维苏威挑战”项目中，ＡＩ结合Ｘ射线断层扫描与深度学

习，在不拆解碳化卷轴的前提下完成虚拟展开与文字识别，修正了学者对斐洛德谟《论恶习》

一书结构的传统认知；浙江大学团队则通过大模型分析古画颜料成分、作者风格，结合材料实

验室的实物验证，让唐代《挥扇仕女图》等褪色画作重现原貌，并构建起关联历代绘画数据的

高三语文试题第１页（共８页）

知识图谱。更具突破性的是生成式ＡＩ的应用，通过分析文献中的语言特征与思想脉络，ＡＩ可

构建孔子、王安石等历史人物的虚拟形象，使学习者能在ＶＲ场景中“对话先贤”，实现历史知

识的沉浸式传递。

（摘自佛罗里达大学团队撰写的《ＡＩ世代：从ＡＩ１．０到ＡＩ４．０》）

材料二：

ＡＩ在历史领域的应用虽成果显著，但技术特性与历史研究的本质要求之间仍存在深层张

力，引发学界对“技术边界”的持续讨论。

首要挑战在于ＡＩ解读的“可靠性验证”。历史研究强调“有一分材料说一分话”，但神经

网络的“黑箱运算”与“幻觉现象”可能生成看似合理却无依据的内容。例如，某ＡＩ模型在补

全古巴比伦行政文本时，曾根据常见句式生成不存在的税赋条目，若未经专家核验便会造成

史实误读。为破解这一难题，“数字来源链”理念应运而生———要求将原始扫描文件、训练数

据、算法参数等全部开源，构建从数据输入到结论输出的可回溯链条，确保ＡＩ成果可验证、可

修正。跨学科协作更成为关键：计算机科学家需优化模型的“可解释性”，历史学者则要为模

型训练提供精准的标注数据与逻辑约束，二者形成的“双轨审核”能有效降低误判风险。

其次，技术应用可能带来“历史语境消解”的隐忧。ＡＩ擅长提炼数据中的共性规律，但历

史研究的精髓恰恰在于捕捉特