语文试卷山西省运城市2025-2026学年第一学期高三年级期中调研测试（.0-.）.docxVIP

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Ⅰ（本题共5小题，19分）阅读下面的文字，完成1~5题

材料一：

人工智能()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，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，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，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，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

知识图谱。更具突破性的是生成式的应用，通过分析文献中的语言特征与思想脉络，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《世代：从1.0到4.0》）

材料二：

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。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定时空下的独特性。生成式“复活”历史人物时，虽能模拟语言风格，却难以复刻其思想形成的时代背景与个人境遇；古画色彩复原中，可匹配颜料成分，却可能忽略画家创作时的情感投射与审美倾向。有学者指出，过度依赖技术推演可能导致历史认知的“扁平化”—将复杂的历史进程简化为数据模型可解释的逻辑，消解了历史的丰富性与偶然性。

更深层的争议聚焦于“研究主体性”的坚守。历史研究不仅是知识的发现过程，更是研究者基于史料进行价值判断与意义阐释的过程。能高效整合数据、提出假设，但无法替代人类对历史意义的追问。例如，可精准统计赤壁之战的兵力数据与地理信息，