分类: 图书馆学、情报学 >> 情报学 提交时间: 2024-04-21
摘要: 目的/意义 作为新型生产要素的数据要素与其他要素一起共同构成全要素,为全球经济社会发展提供重要动力。数据要素是我国首次提出的重大理论创新,系统收集、梳理、剖析我国数据要素研究的代表性成果,构建中国特色的数据要素知识框架体系,为全球数据要素的理论研究及实践探索提供借鉴和启示。 方法/过程 主要采用网络调查、文献调研、内容分析法归纳我国数据要素研究的56篇具有代表性的文献内容、14份政策报告以及专家观点等,从内涵阐释、价值释放、运行机理与治理体系4个方面进行梳理和分析。 结果/结论 我国数据要素研究成果丰硕,知识框架体系基本形成,在价值实现与市场培育方面取得了一定进展,但在数据要素的有效运行以及数据要素治理方面仍具有较大提升空间,未来研究需要注重统筹推进数据要素治理体系建设并促进与应用场景的结合进而发挥乘数效用。
分类: 图书馆学、情报学 >> 图书馆学 提交时间: 2023-08-27
摘要: 目的 真人图书馆是对人与知识相结合形成的知识价值的最大挖掘,由于多方面原因,我国真人图书馆相关的研究和实践正处于一个瓶颈期。本文尝试在元宇宙视角下,梳理真人图书馆的结构和内涵,分析其核心的交流特征和所面临的发展障碍。 方法 进而结合元宇宙的相关理念和技术,从真人图书馆的信息交互场域和管理与维护模块分别对真人图书馆智慧化创新的形态进行展望,并结合具体的实现技术提出了未来可能的实现路径和带来的新问题。 结论 本文认为,随着相应技术的成熟和普及,可以将真人图书馆与元宇宙融合到未来图书馆智慧化建设的大框架中,以便更好地发挥真人图书馆独特的交流特征在个体隐性知识管理中不可或缺的作用。
分类: 图书馆学、情报学 >> 图书馆学 提交时间: 2023-08-26 合作期刊: 《图书情报工作》
摘要: [目的/意义]研究创客知识需求,为建立相应的服务策略与服务体系提供指导。[方法/过程]基于扎根理论,通过问卷调研、实地考察、非干预式跟踪观察、深度访谈等方法进行调研并获取相关数据,利用SPSS及质性分析软件NVivo进行数据分析,构建创客知识需求节点概念模型。[结果/结论]得出创客知识需求的动机为兴趣驱动与竞赛驱动,创客知识需求的特点有主动性学习、偏好非正式学习、发散思维特征、与社区需求密切相关、多学科知识交叉融合等,创客知识需求的内容包括原理知识、经验知识及知识情境,并提出服务创客的宏观发展策略。
分类: 图书馆学、情报学 >> 情报学 提交时间: 2023-04-01 合作期刊: 《图书情报工作》
摘要: [目的/意义] 旨在对大量的中文专利实现快速分类,满足专利审查以及情报分析等工作的要求。[方法/过程] 结合专利文本的固有格式以及存在多个IPC分类号的实际情况,将多示例多标签学习应用于专利自动分类中,在介绍几种经典的多示例多标签模型的基本原理之后,将这些模型运用于中文专利IPC分类号的确定。[结果/结论] 实验证明,多示例多标签模型适合运用在专利的自动分类中,并且从Average precision、Hamming Loss、Ranking Loss、One Error、Coverage、Training time等指标分析可以发现,MIMLRBF模型能快速、准确地运用在中文专利IPC分类号的确定中,为大规模专利的自动分类提供借鉴。
分类: 其他 >> 综合 提交时间: 2023-03-31 合作期刊: 《农业图书情报学报》
摘要: [目的 / 意义]科学数据管理 FAIR 原则从 2016 年正式发布到目前为止引起了国内外学者的广泛关注和重视,围绕 FAIR 原则开展了诸多探索和研究,有力地推动了 FAIR 原则的实施和推广,本文旨在对相关学术成果进行系统梳理和深入总 结。[方法 / 过程]通过文献调研和内容分析,从 FAIR 原则组织保障、FAIR 的 4 个基本原则、FAIR 原则的实践探索、FAIR 原 则的学科应用及FAIR 原则的区域应用5 个角度梳理国内外对FAIR 原则的研究进展和实践,总结研究现状和已有成果。[结果/ 结论]国外对于 FAIR 原则的研究集中在理论、实施策略、评估方法等方面,并已在医学等学科领域展开了深入探索,相比之 下,国内的研究尚在起步状态,亟需国家的政策支持和相关组织的跟进。
分类: 图书馆学、情报学 >> 情报学 提交时间: 2017-10-11 合作期刊: 《数据分析与知识发现》
摘要: 【目的】借助深度学习理论, 解决传统特征选择方法容易导致特征项不明确、分类精度下降的问题。【方法】对中文新闻文本进行分类时, 使用降噪自动编码器构建一个深层网络来学习对文本的压缩及分布式的表示,并在网络最后一层采用SVM 算法将其分类到具体的类别中去。【结果】随着样本数目的增大, 分类准确率、召回率和F 值都在上升, 且比KNN 算法、BP 算法和SVM 算法取得了更优的分类效果, 平均分类准确率达到95%以上。【局限】数据量依然较小, 且并没有完全发挥深度学习并行处理大容量数据的优势。【结论】该方法能提高特征项提取的准确性, 并能提高分类效果。