论文范文网-权威专业免费论文范文资源下载门户!
当前位置:毕业论文格式范文>职称论文>范文阅读
快捷分类: 旅游情报杂志 国家科技图书文献中心 图书管理系统论文 图书管理系统毕业论文 图书参考文献格式 图书情报杂志 图书情报期刊信息大全 图书情报工作杂志社 图书情报类期刊投稿 图书情报投稿指南 现代图书情报技术杂志社 图书情报投稿

图书情报方面本科论文开题报告范文 和大数据驱动下的图书情报学科热点领域挖掘面向WOS题录数据的实证视角相关自考毕业论文范文

分类:职称论文 原创主题:图书情报论文 发表时间: 2024-03-01

大数据驱动下的图书情报学科热点领域挖掘面向WOS题录数据的实证视角,该文是关于图书情报论文范文文献跟题录和图书情报和实证视角方面论文范文文献.

李 信,李旭晖,陆 伟,黄 薇

摘 要 文章以Web of ScienceTM核心集中图书情报学科的“大 数据”“数据驱动”文献为数据源,分析大数据驱动下图书情报学科研究的现状和进展;借助SATI和SPSS软件对507篇文献的关键词进行共词分析和聚类分析.研究表明:大数据驱动下的图书情报学科研究热点主题主要集中在数字图书馆知识组织与语义互联、社会网络大数据、科研大数据管理与共享、云计算与信息安全、政府数据开放与共享、大数据驱动的知识发现、E-learning与高等教育、数据挖掘与数字人文等方面.

关键词 大数据 数据驱动 图书情报 共词分析 聚类分析

引用本文格式 李信,李旭晖,陆伟,等. 大数据驱动下的图书情报学科热点领域挖掘——面向WOS题录数据的实证视角[J]. 图书馆论坛,2017(4):49-57.

Analysis of Progresses and Frontiers of Big Data-driven Library and Information Science

LI Xin,LI Xu-hui,LU Wei,HUANG Wei

Abstract On the basis of literatures about the subjects of “big data” and “data-driven” from Web of ScienceTM,this article analyzes the present research and progress of big data-driven library and information science. The authors use the co-word analysis and clustering methods to process the all 507 papers with the help of SATI and SPSS software. The results show that knowledge organization for digital library and semantic interconnected,big data from social network,scientific data management and sharing,cloud computing and information security,government information open accessing and sharing,big data-driven knowledge discovery,e-learning and higher education,data mining and digital humanities are the eight frontiers in this field. Then every hot research topic is analyzed in details.

Keywords big data;data-driven;LIS;co-word analysis;clustering

0 引言

随着信息技术发展,数据密集型科研时代到来[1],Gray J将其称为科学研究的第四范式[2].在这种背景下,大数据成为各学科研究的知识基础[3-4],数据驱动的方法和理念成为大数据利用的引擎,推动着科研发展[5].作为新兴信息科学和计算技术应用的排头兵,图书情报领域的学者密切关注大数据技术和数据驱动理念在图书情报研究中的应用,研究成果相继涌现.王春华等[6]通过共词分析对国内图书情报领域的大数据研究现状进行梳理;刘成山等[7]对SCI和CSSCI中图书情报领域的大数据研究成果进行对比分析.这些研究具有较大的参考价值,但在研究数据的获取范围和高频词分析上存在局限性,也没有深入分析大数据驱动下的国际图书情报领域研究情况.因此,本文利用“big data”“data-driven”作为主题词进行检索,全面获取国际上大数据驱动下图书情报研究成果,并对大数据驱动下的图书情报领域进展进行分析;在此基础上,结合文献和词频对热点关键词进行筛选,通过共词分析和聚类分析,尝试揭示国际大数据驱动下图书情报学科的研究热点.

1 数据与方法

1.1 数据来源

本研究数据源为Web of ScienceTM核心集合.检索策略为:主题等于(“big data”)OR(“data-driven”),时间跨度等于“1900年-2016年”,语种限定为“English”,2016年6月10日共检索到44491篇文献;通过将“Web of Science类别”限定为“INFORMATION SCIENCE LIBRARY SCIENCE”,精炼得到图书情报研究领域以“大数据”“数据驱动”为主题的记录共507条.

1.2 研究方法

本研究主要采用共词分析和聚类分析的方法.共词分析是内容分析方法的一种,主要原理是在某一研究领域的文献库中出现频次较高的热点关键词可以表达该领域的研究热点主题和发展动向[8];关键词对共现于同一文献的次数越多,则代表其所表达的两个主题关系越密切[9].通过对热点关键词共现矩阵进行聚类分析,可以将关系密切的多个主题聚成概念相对独立的团簇,表示某一研究领域的热点分支,其中同一团簇内主题相似性最大,团簇与团簇之间的相似性最小[10].本文通过文献题录工具SATI 3.2[11]获得大数据驱动下图书情报领域研究的热点关键词,并生成热点关键词共现矩阵,进行共词分析;然后使用SPSS 20.0进行聚类分析,梳理大数据驱动下的图书情报领域研究热点主题,以期为大数据背景下的图书情报研究提供借鉴.

2 大数据驱动下的图书情报领域研究概况

2.1 年度发文量分布走势

年度发文量分布走势是文献量在时间节点上的映射,也是研究热度随着时间推移的具体表现.将采集到的有效题录中的年份数据录入Excel并按照升序排列,如图1所示.

从图1可以发现,图书情报领域“大数据”和“数据驱动”研究总体发展可以分为3个时期:1996年至2004年是前期萌芽期(a1),2005年至2011年是中期探索期(a2),2012年至今是高速发展期(a3).每个时期内的文献分布特征如下:在跨度为9年的a1时期,年度文献量均在10篇以下,最早的一篇论文是哥伦比亚大学的Shea等[12]在1996年发表在《美国医学信息协会杂志》上的A meta-analysis of 16 randomized controlled trials to evaluate computer-based clinical reminder systems for preventive care in the ambulatory setting一文.在跨度为7年的a2期,年度文献量基本保持在10篇至20篇,其中2008年出现一个波峰(29篇),这正好与“大数据”在学术界被正式提出的时间(2008年)相吻合,说明图书情报领域的学者敏锐地捕捉到“大数据”动态,并初步将其应用于图书情报相关研究,为后续研究的快速发展奠定了扎实的基础.a3时期(数据更新至2016年6月10日)是图书情报领域“大数据”和“数据驱动”研究的热点时区,年文献量增长迅速.

2.2 研究力量国家(地区)分布

研究力量国家(地区)的分布情况可反映一个研究领域的主要研究力量空间分布态势.通过对507篇文献进行统计分析可知,大数据驱动下的图书情报研究力量分布在58个国家(地区)所属的551个研究机构中.从统计结果中可以发现如下特征:(1)发文量大于2篇的国家(地区)有40个,占69%,约80.8%的研究机构仅贡献1篇文献,发文量大于2篇的机构仅有50个,约占9.1%.(2)从发文频次看,美国贡献最大,发文量是排名第二的中国大陆的4.42倍;发文量大于11篇的国家有11个,见表1.发文量大于5篇的研究机构有10个,排名第一的是发有9篇论文的英国伦敦大学学院(UCL),见表2.(3)从表2可知,发文量排名前十的研究机构中仅有4个不是iSchools成员,说明iSchools成员对大数据驱动下的图书情报研究具有领先优势;发文量前十的研究机构有8所属于美国.

2.3 核心作者分析和主要发文期刊

507篇文献来自1278位作者和169种学术期刊.发文量最多的作者是田纳西大学的Nicholas D教授,共发表10篇文献,均为第一作者.发文量大于1篇的作者65位,占0.16%.发文量大于4篇的作者6人,将题录数据导入HistCite软件后发现,6人发表文献的本地被引总次数(Total Local Citation Score,TLCS)均不超过5次.以TLCS降序对作者进行排列,得到TLCS最高的作者是来自亚利桑那大学的Hsinchun Chen,达13次,但他仅发表1篇文献.这说明大数据驱动下的图书情报研究尚未有核心作者产生.

此外,对169种期刊进行统计分析发现,载文量最多的期刊是《美国医学信息协会杂志》(JOURNAL OF THE AMERICAN MEDICAL INFORMATICS ASSOCIATION,JAMIA),共43篇文献;排名第二的是《科学计量学杂志》(SCIENTOMETRICS),27篇.载文量大于5篇的期刊仅有15种,占总数的11.6%(见表3).从TLCS来看,本地被引最多的期刊是《管理信息系统季刊》(MIS QUARTERLY),达14次;有10种期刊的TLCS大于1次,其中《美国医学信息协会杂志》的本地被引总次数仅为4次.

3 大数据驱动下图书情报领域研究热点关键词的聚类分析

3.1 热点关键词列表的生成

笔者将上述507篇文献题录导入刘启元等[13]开发的文献题录信息统计分析工具SATI3.2中,经过去重、转换、提取关键词,共获得关键词1448个,分别将意思相近或无实际意义的词合并、去除,并按频次降序排列,得到频次大于或等于4的42个关键词,生成如表4所示的热点关键词列表.从表4可知,围绕“big data”“data-driven”图书情报研究领域产生了一系列关键词,比如“cloud computing”“data mining”“text mining”“semantic web”.

3.2 热点关键词相异矩阵的生成

为进一步了解热点关键词之间的相互关系,把握大数据驱动下的图书情报领域研究现状,将上文得到的42个热点关键词进行两两配对,进行预处理,统计每两个关键词共同出现的频次,构建出42*42的热点关键词共现矩阵.由于词频无法反映各关键词真实的联系,因此需要构建相似矩阵,以消除频次悬殊对结果造成的影响[14].本文采用了Equivalence系数将多值共现矩阵转换为[0,1]区间取值的相似矩阵.计算方法是将共现矩阵中两个关键词共同出现的频次的平方除以两关键词各自出现频次的乘积.具体如公式(1)所示:

其中,E代表Equivalence系数的值,FAB表示关键词A和B在文献集同出现的频次,FA表示关键词A在文献集中出现的频次,FB表示关键词B在文献集中出现的频次;E的取值越大,代表两关键词的关联程度越强.

因为相似矩阵中的0值过多,统计时容易造成误差过大,因此用1减去相似矩阵中的每个值,得到热点关键词的相异矩阵,见表5(限于篇幅,仅列出矩阵的部分数值).与相似矩阵相反,相异矩阵中的数值越大,表明两个关键词间的距离越远,相关性联系越小;反之,数值越小,则表明关键词之间的距离越近,相关性联系越大[15].

3.3 热点关键词聚类

聚类分析可将关键词分到不同的类或簇,相关性较大的关键词将被聚集到同一个类或簇,不同的类或簇之间有较大的差异性.将相异矩阵导入SPSS统计分析软件,选择“系统聚类分析”“组之间的连接”,即可生成大数据驱动下的图书情报领域研究热点关键词聚类分析树状图(见图2).系统聚类分析树状图可直观显示聚类过程和每一次聚类过程中各关键词合并成类的具体情况.如图2 所示,除了文献计量学(bibliometircs)没有形成明显的聚类外,大数据驱动背景下的图书情报领域研究热点关键词集中于数字图书馆知识组织与语义互联、社会网络大数据、科研大数据管理与共享、云计算与信息安全、政府数据开放与共享、大数据驱动的知识发现、E-learning与高等教育、数据挖掘与数字人文等8个方面.

4 热点关键词聚类结果分析

通过对507篇文献的热点关键词进行聚类分析,结合相关文献,得到大数据驱动下的图书情报领域的8个热点研究主题.下面将结合来源文献和其他相关文献对这些热点主题进行进一步的分析和探讨.

4.1 数字图书馆知识组织与语义互联

大数据时代来临使Google学术、百度学术等网络学术资源库得到快速发展.Kogalovskii等[16]认为这些资源库通常利用文献间的引用关系、学者之间的合作关系等对文献进行组织,在一定程度上实现各种资源的语义互联互通,对传统的数字图书馆知识组织提出了挑战.因此,数字图书馆要适应大数据的发展态势,应从大数据视角看待数字图书馆的各类问题[17].Shiri等[18]指出,在数字图书馆的知识组织和资源存储上,一方面要加大数字图书馆资源整合的广度,从单一文献资源发展为囊括文献、网络及用户等具有多样化特点的“大数据”知识集合;另一方面,要细化数字图书馆知识组织和资源存储的粒度,借用本体、语义网等大数据技术,从以往的文献单元细化到作者、关键词或引文等更小的知识单元,构建细粒度层面的知识单元之间的语义联系[19],达到数字图书馆海量资源之间的语义互联互通,从而实现数字图书馆的全资源服务、精准服务及知识发现服务.此外,Jeng J[20]通过对多种数字图书馆实现方法的研究,构建了一个数字图书馆评估模型,可以对数字图书馆的效率、使用满意度及功能有效性等进行评估,为进一步研究提供了参考.

4.2 社会网络大数据

随着web2.0普及,在线社会网络应用如facebook、twitter、微博等涌现,产生海量的社会网络大数据.在社会网络中,用户既是数据接收者,也是数据生产者.截至2011年底,facebook有近10亿个活跃用户、700亿条朋友关系的网络链接.借助社会网络大数据,学者对社会网络传播模式[21]、用户信息行为[22-23]、社会网络营销[24]等进行了研究,产生了具有重要社会意义和商业价值的成果[25].比如,Bond等[26]在Natures的文章通过对2010年美国大选期间facebook超过6000万用户的海量社交数据分析,对选民的用户行为进行探讨,发现如果一个用户得知当前的选票数,并且获悉其facebook好友已经,那么该用户的可能性将会显著提高.

4.3 科研大数据管理与共享

随着科学技术的高速发展和全球化态势的形成,各学科领域之间的交叉融合已经成为一种需求趋势,学术交流与学术合作也越来越密切[27].同时,先进的科研设备和研究方法使得个体或是小的科研团队也能收集或产生前所未有的科研数据洪流[28],尤其在医学、物理等生命科学和自然科学领域,而要最大化地发挥这些数据的潜在价值,就必须对其进行科学的管理和规划,并实行一种可复用的大数据共享方式.然而,由于学者普遍缺乏数据共享意识,也缺少大数据操作的基本技能和完善的科研大数据共享平台等原因,目前的科研数据交流很少超出研究团队本身,对于科研数据共享的请求也很少[29].如何对科研大数据进行合理的管理和规划,实现最大化地利用?如何更好地实现科研大数据的共享?是科学学、情报学、数据科学等领域亟待解决的问题.美国是科研大数据管理和共享的先驱者,美国国立卫生院(NIH)[30]和美国国家科学基金委(N)[31-32]分别在2003年和2010年发布相关政策,要求受资助科研团队必须在申请书中说明其科研数据管理计划,并接受同行评审.尽管如此,科研大数据的管理与共享仍然是一个复杂且紧迫的问题,需要政策制定者、科研大数据生产者和数据科学专家学者的共同努力.

4.4 云计算与信息安全

在众多的新兴信息技术中,云计算和大数据是最为璀璨的两颗明珠,而两者的结合也成为必然趋势[33].海量的大数据需要云环境的存储,且大数据的潜在价值也需要云计算的分析和处理能力来体现.然而,由于云环境下存储的数据具有隐蔽的关联性、跨域的渗透性、集群的风险性、对外的不透明性及复杂的交叉性等特点,使得云计算的信息安全与隐私保护成为制约用户或企业、机构拥抱云计算和大数据的最大障碍之一.对于图书情报领域而言,云计算与信息安全问题主要集中在数字图书馆建设方面.作为基于分布式计算的新型服务计算模式,“云计算”为数字图书馆的发展提供了核心的技术支撑,较好地解决了数字图书馆的海量资源存储、信息资源共享及创新服务模式等问题.美国图书馆学家Michael Stephens[34]认为云计算是2009年图书馆领域的十大技术趋势之一,但是云计算的复杂性、读者的动态性及数据的变化性使得云数字图书馆的各种资源和数据的安全性与隐私性成为云计算在数字图书馆上进一步应用所急需解决的问题之一.

4.5 政府数据开放与共享

政务数据开放具有正向的社会效益和经济效益[35].如若拥有海量权威数据的政府机构没有很好的数据开放和共享机制,则大数据便是无源之水.因此,大数据时代背景下政府的行政思维该如何转变、如何对政府数据资源进行整合、如何在技术上实现政府大数据的开放与共享、如何保证政府数据在开放与共享过程中的信息安全与隐私安全等议题成为该领域研究难点与热点.英美等国在技术上已实现了面向全体公民的数据开放平台,并制定了相关的政策法规和组织管理机制[36].而我国由于地区经济发展水平的差异、行政分割的人为壁垒、相关法律法规的缺乏和政府数据本身的复杂性、多样化等原因,导致政府各部门、地方政府以及履行公共服务职能的机构与企业所占据的海量、高质量、权威数据不能被合理使用,可见抓住大数据机遇,积极探索政府数据开放与共享之路,迫在眉睫.

4.6 大数据驱动的知识发现

知识发现(Knowledge Discovery)指确定数据中潜在的、具有价值的、新颖的、基本可理解的模式或模型的特定过程,它与数据挖掘属于包含与被包含关系,即数据挖掘是知识发现的一部分,知识发现过程的核心基本任务主要有对数据进行分类、聚类、预测、关联性挖掘和顺序发现等[37].随着大数据技术的发展,轻松、快捷地处理数量巨大、格式多样、变化复杂的数据成为可能.大数据驱动下的知识发现促使数据密集型科学与网络化科学的形成与发展,其研究成果被应用到社会生产和生活的方方面面,尤其是面向生物医药、气象、交通运输大数据的知识发现研究,并催生出生物信息学、生态信息学等学科,形成了一种新的科学研究范式,Gray J称之为第四研究范式[2].

4.7 E-learning与高等教育

随着教育信息化的普及、数字化校园和网络高等教育的迅速发展,各级教育机构部署了众多的软件系统,尤其是在高等教育领域,这些软件系统中存储着海量的、高质量的教育相关数据.此外,在大数据和社会网络等新型技术的催化下,E-learning和高等教育进入了“个性化学习”和“大规模知识传播”的时期[38],标志性的事件是可汗学院的视频教学模式的成功[39],以及高等教育中的MOOCs的迅速崛起[40],从此,学员可以真正意义上以电子化的形式开展学习活动.由于MOOCs等平台的使用同样也依赖于Web应用及软件终端,这为获取相关平台海量数据奠定了基础,为大规模知识传播基础上的大数据分析提供了可能.因此,如何对海量的教育数据进行组织、存储,进而挖掘、分析和利用,为教育决策、教学优化与服务、教学评价与质量评估贡献力量,是大数据驱动下E-learning与高等教育研究的热点和难点问题.

4.8 数据挖掘与数字人文

数字人文(Digital Humanities)也叫人文计算(Humanities Computing),指将现代计算和网络技术深入应用于传统的人文研究与教学所产生的新型跨学科研究领域.数字人文虽不是一个新概念,但日新月异的计算机技术、大数据技术和数据驱动理念赋予了它崭新的生命力[41].数字人文可以帮助人们更加直观、形象地理解和展示历史、语言和文化的发展和演变过程,它以存储在Web上数字化格式的海量图像、音频、视频、文字等人文相关数据为研究对象,针对这些数据进行数据库设计、数据分析、数据挖掘、文本挖掘、数据可视化等计算活动.欧美等国在数字人文方面的研究起步较早,成立了伦敦国王学院人文计算研究中心、美国斯坦福大学计算机辅助人文研究中心等著名的数字人文研究中心,并取得了显著性的成果.例如,斯坦福人文实验室Franco M[42]利用计算机分析了1740—1850年间出版的英国小说,发现该时期拥有长标题的小说数量明显下降,作品中更多地使用形容词,反映了该时期英国小说文体风格的发展变化;内布拉斯加大学的Jockers M L[43]也利用文本挖掘技术对1780-1900年出版的3592部著作进行了词频和主题分析,以发掘、探究简·奥斯丁等著名作家的写作风格是受何人影响等.与这些国家相比,我国学者对于数字人文学科的关注还很不够[44].目前,我国已积极构建了包括敦煌遗珍数字化资源库、民国图书数字化资源库等多个数字人文大数据平台[45],为进一步的数字人文研究和教学奠定了坚实的基础.因此,如何借助大数据和数据驱动的东风,将现有数字人文的海量资料进行合理地组织、存储、分析、挖掘、研究和展示,形成相应的理论框架和技术体系,更好地服务于人文研究和教学,是未来应该把握的一个方向.

5 结语

本文通过对507篇文献进行深入分析,描绘了大数据驱动下的图书情报领域研究的现状;在此基础上利用共词分析和聚类分析,直观形象地揭示国际图书情报领域在大数据冲击下的研究热点,即数字图书馆知识组织与语义互联、社会网络大数据、科研大数据管理与共享、云计算与信息安全、政府数据开放与共享、大数据驱动的知识发现、E-learning与高等教育、数据挖掘与数字人文8个主题,具有一定的现实意义,对大数据驱动下的图书情报领域的研究和探索具有一定的参考价值.但是,本研究也还有一定的局限性,比如,热点关键词的选取没有较为充分的理论依据,带有一定的主观性;此外,由于图书情报领域对于大数据和数据驱动的方法和理念使用方兴未艾,因此客观上来讲研究样本偏少.

参考文献

[1] Chen C L P,Zhang C Y. Data-intensive applications,challenges,techniques and technologies:A survey on Big Data[J]. Information Sciences,2014,275(11):314-347.

[2] Tolle K M,Tansley D,Hey A J G. The Fourth Paradigm:Data-Intensive Scientific Discovery:Point of View[J]. Proceedings of the IEEE,2011,99(8):1334-1337.

[3] Swan M. Philosophy of Big Data:Expanding the Human-Data Relation with Big Data Science Services[C]// IEEE First International Conference on Big Data Computing Service and Applications. IEEE Computer Society,2015:468-477.

[4] Chen J,Chen Y,Du X,et al. Big data challenge:a data management perspective[J]. Frontiers of Computer Science,2013,7(2):157-164.

[5] Zhou K,Fu C,Yang S. Big data driven art energy management:From big data to big insights[J]. Renewable & Sustainable Energy Reviews,2016(56):215- 225.

[6] 王春华,李维,文庭孝. 我国图书情报领域大数据研究热点分析[J]. 图书情报知识,2015(4):82-89.

[7] 刘成山,李玉,王洁良. 大数据在图书情报领域的研究现状及趋势分析[J]. 情报理论与实践,2016,39(4):20-26.

[8] 马费成,张勤. 国内外知识管理研究热点——基于词频的统计分析[J]. 情报学报,2006,25(2):163-171.

[9] 冯璐,冷伏海. 共词分析方法理论进展[J]. 中国图书馆学报,2006,32(2):88-92.

[10] 李佳. 共词聚类分析法中的主要问题与对策[J]. 情报学报,2010,29(4):614-617.

[11][13]刘启元,叶鹰. 文献题录信息挖掘技术方法及其软件SATI的实现——以中外图书情报学为例[J]. 信息资源管理学报,2012(1):50-58.

[12] Shea S,Dumouchel W,Bahamonde L. A meta-analysis of 16 randomized controlled trials to evaluate computer- based clinical reminder systems for preventive care in the ambulatory setting[J]. Journal of the American Medical Informatics Association,1996,3(6):399-409.

[14] 姚强,张士靖. 国际健康素养研究热点与前沿文献计量分析[J]. 中国健康教育,2012,28(1):36-39.

[15] 段春雨,蔡建东. 我国教育信息化研究热点知识图谱——基于2003-2013年硕士及博士学位论文的关键词分析[J]. 华北水利水电大学学报(社会科学版),2015,31(1):129-131.

[16] Kogalovskii M R,Parinov S I. The taxonomy of semantic linkages of information objects in research digital library content[J]. Automatic Documentation & Mathematical Linguistics,2015,49(5):163-171.

[17] 苏新宁. 大数据时代数字图书馆面临的机遇和挑战[J]. 中国图书馆学报,2015(6):4-12.

[18] Shiri A,Molberg K. Interfaces to knowledge organization systems in Canadian digital library collections[J]. Online Information Review,2013,105(10):241-252.

[19] Miao L,Yue L. Research on digital library knowledge organization methods based-on semantic grid[C]// IEEE International Conference on Computer Science and Information Technology. IEEE,2010:778-780.

[20] Jeng J. Usability of the Digital Library:An Evaluation Model[J]. College & Research Libraries News,2006, 40(2):407-422.

[21] Capriotti P. Communicating corporate social responsibility through the internet and social media[M]//The handbook of communication and corporate social responsibility. Chichester:Wiley,2011:358-378.

[22] Stieglitz S,Dang-Xuan L. Emotions and information diffusion in social media — sentiment of microblogs and sharing behior[J]. Journal of Management Information Systems,2013,29(4):217-248.

[23] Valenzuela S. Unpacking the use of social media for protest behior:the roles of information,opinion expression,and activi[J]. American Behioral Scientist,2013,57(7):920-942.

[24] Tuten T L,Solomon M R. Social media marketing[M]. Los Angeles:SAGE,2014.

[25] 汪小帆. 数据科学与社会网络:大数据,小世界[J]. 科学与社会,2014,4(1):27-35.

[26] Bond R M,Fariss C J,Jones J J,et al. A 61-million-person experiment in social influence and political mobilization[J]. Nature,2012,489(7415):295-298.

[27] Franck G. Scientific Communication —— A Vanity Fair?[J]. Science,2010,286(5437):53-55.

[28] Belaud J P,Negny S,Dupros F,et al. Collaborative simulation and scientific big data analysis:Illustration for sustainability in natural hazards management and chemical process engineering[J]. Computers in Industry,2014,65(3):521-535.

[29] Sayogo D S,Pardo T A. Exploring the determinants of scientific data sharing:Understanding the motivation to publish research data[J]. Government Information Quarterly,2013,30(1):S19-S31.

[30] Cragin M H,Shankar K. Scientific Data Collections and Distributed Collective Practice[J]. Computer Supported Cooperative Work,2006,15(2-3):185-204.

[31] National Science Foundation. N Data Management Plans(2010)[EB/OL].[2016-06-26]. http://www.n.gov/pubs/policydocs/pappguide/n11001/gpg_2.jsp #dmp.

[32] National Science Foundation. N Proposal Preparation Instructions(2011):Award and administrative Guide[EB/OL].[2016-06-26]. http://www.n.gov/pubd/ policydocs/pappguide/n11001/gpg_2.jsp#dmp.

[33] Agrawal D,Das S,El Abbadi A. Big data and cloud computing:current state and future opportunities[C]// EDBT 2011,14th International Conference on Extending Database Technology,Uppsala,Sweden,March 21-24,2011 NewYork:ACM,2011:530-533.

[34] Stephens,M. Learning Everywhere[J]. Library Journal,2012,137(7):48.

[35] 沈亚平,许博雅. “大数据”时代政府数据开放制度建设路径研究[J]. 四川大学学报(哲学社会科学版),2014(5):111-118.

[36] Hellberg A S,Hedstr?觟m K. The story of the sixth myth of open data and open government[J]. Journal of Cell Biology,2015,160(6):919-928.

[37] Fayyad U. From Data Mining to Knowledge Discovery in Databases[J]. Ai Magazine,1996,17(3):37-54.

[38] Abdelouarit K A,Sbihi B,Aknin N. Big-Learn:Towards a Tool Based on Big Data to Improve Research in an E-Learning Environment[J]. International Journal of Advanced Computer Science & Applications,2015,6(10):59-63.

[39] Dijkan J A,Khan S. Khan Academy:the world´s free virtual school[C]//APS Meeting. APS Meeting Abstracts,2011.

[40] Emanuel E J. Online education:MOOCs taken by educated few[J]. Nature,2013,503(7476):342.

[41] Gorman L. Digital humanities[J]. Australian Library Journal,2014,63(1):56-57.

[42] Franco B,Moretti. Style,Inc. Reflections on Seven Thousand Titles (British Novels,1740-1850)[J]. Critical Inquiry,2009,36(1):134-158.

[43] Jockers M L. Macroanalysis:Digital Methods and Literary History[J]. Journal of Chromatography,2013,260(1):147-155.

[44] 赵生辉,朱学芳. 我国高校数字人文中心建设初探[J]. 图书情报工作,2014,58(6):64-69.

[45] 欧阳剑. 面向数字人文研究的大规模古籍文本可视化分析与挖掘[J]. 中国图书馆学报,2016(2):66-80.

作者简介 李信,武汉大学信息管理学院博士生;李旭晖,博士,武汉大学信息管理学院副教授;陆伟,武汉大学信息管理学院教授,博士生导师;黄薇(通讯作者),武汉市医学科学研究所副研究馆员,huangw_medical@ 163.com.

收稿日期 2016-08-08

(责任编辑:邝玥)

括而言之,本文论述了关于对不知道怎么写题录和图书情报和实证视角论文范文课题研究的大学硕士、图书情报本科毕业论文图书情报论文开题报告范文和文献综述及职称论文的作为参考文献资料.

参考文献:

1、 全球化和大数据时代的学科交融与策略音乐学学术前沿中青年学者论坛总结发言 2017年6月9—11日,音乐学学术前沿中青年学者论坛在南京艺术学院成功举办 在9日傍晚简短的开幕式后,南艺音乐学院精心安排了师生作品音乐会,展现了学院的风貌以及老中青三代作曲家在民族风格.

2、 大数据环境下图书资料资源共享的实现途径和实践 进入新世纪以来,随着市场经济不断发展,人们的物质生活水平显著提升,对高品质精神生活提出了更高的要求 图书馆是一个地区文化服务机构,满足人们的精神文化生活,传统图书馆在为社会大众提供提供了大量图书资料和.

3、 基于大数据的网络安全和情报分析 摘要随着社会逐渐趋向于现代化发展,大数据为各领域实现自身经营模式及管理机制的进一步完善与优化奠定了坚实的基础 论文就基于以上背景,对大数据的网络安全与情报分析进行相关论述,旨在从根本上发挥出大数据在各.

4、 大数据时代图书管理员的角色定位和素养提升 随着大数据时代的到来,图书馆正向着数字化、信息化、终端共享化的方向发展,作为图书馆的管理者,图书管理员是决定图书馆能否在大数据时代转变传统模式、满足用户需求的关键因素,因此,图书管理员是否准确定位自己.

5、 大数据环境下学科馆员能力塑造 李艳坤(辽宁大学外国语学院图书馆,辽宁辽阳111000)摘要从大数据背景下学科馆员能力塑造面临的新问题、新情况入手,深入分析馆员能力提升应具备的学科知识服务、辅助教学科研、新知识快速吸收与传播……核心.

6、 图书情报专业生数据素养课程设置与特征分析基于iSc 图书情报专业研究生数据素养课程设置及特征分析——基于iSchool联盟院校的调查司莉1,2姚瑞妃2(1 武汉大学信息资源研究中心湖北武汉430072)(2 武汉大学信息管理学院.