大數據在管理學中的應用范文

導語：如何才能寫好一篇大數據在管理學中的應用，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

1.江蘇省信息中心 南京 210013 2.南京郵電大學 南京 210023

隨著互聯網、物聯網、云計算等信息理論和技術的迅速發展，人、機、物三元世界的高度融合引發了數據規模的爆炸式增長和數據模式的高度復雜化，世界進入了網絡化的大數據時代。“大數據”時代的步伐悄然而至，高校也身在其中。大數據時代的到來，不僅改變著高校師生的生活與思維方式，也給高校學生管理工作帶來了巨大的影響。在這時代背景下，應該如何發掘大數據理論在高校學生管理工作中的重要價值，如何應對大數據時代對高校學生管理工作創新提出的挑戰，并提出相應對策，成為我們需要深入思考和充分實踐的重要課題。

一、大數據理論的內涵

（一）大數據的定義

大數據的概念近兩年被熱炒，但是對大數據的定義始終沒有形成統一的意見。維基百科對大數據（Big data）的定義是所涉及的數據量規模巨大到無法通過人工，在合理時間內達到截取、管理、處理、并整理成為人類所能解讀的信息。麥肯錫全球研究院將大數據定義為“無法在一定時間內使用傳統數據庫軟件工具對其內容進行獲取、管理和處理的數據集合”。加特納(Gartner)于2012年修改了對大數據的定義：“大數據是大量、高速、及/或多變的信息資產，它需要新型的處理方式去促成更強的決策能力、洞察力與優化處理。”1因此我們可以認為，大數據是一種海量的形式多樣的非結構化數據。

（二）大數據的特征

一般來說，業界普遍認為大數據具有4個顯著的特征，也就是通常所說的4v特征：第一，高容量（Volume），從TB級別躍升到PB乃至EB級別，數據總量不斷增長；第二，多樣性(Variety)，相對于以往便于存儲的以文本為主的結構化數據，非結構化數據越來越多，包括網絡日志、音頻、視頻、圖片、地理位置信息等，這些多類型的數據對數據的處理能力提出了更高要求；第三，速度(Velocity)，大數據要求更快地滿足實時性需求，這是大數據區分于傳統數據挖掘的最顯著特征；第四，價值 (Value)，通過對海量數據進行分析、處理和集成，找出原本看來毫無關系的那些數據的關聯性，把似乎沒有用的數據變成有用的信息，最終形成大數據的價值——獲得洞察力和價值。

（三）大數據的價值

海量數據正在成為一種資源、一種生產要素，滲透至各個領域，而擁有大數據能力，即善于聚合信息并有效利用數據，將會帶來層出不窮的創新，從某種意義上說它代表著一種生產力。2003年，埃齊奧尼根據大量的飛行記錄創建了機票價格預測系統（Forecast），幫助人們節省了大量資金；2009年，谷歌（Google）基于搜索數據和歷史信息，成功預測甲型H1N1流感爆發，都是大數據成功應用的典型范例。全球著名的咨詢公司麥肯錫研究報告指出，大數據是創新、競爭和生產力的下一個前沿領域，將在政府公共服務、醫療服務、零售業、制造業、以及涉及個人位置服務等領域得到廣泛應用，并產生巨大的社會價值和產業空間，預測到2020年，大數據應用市場規模將達到近2600億美元。在高校學生數據分析中，2013年非常著名的是，通過對最近幾年清華和北大本科生的所屬地域對比分析發現，來自農村的學生所占比例相比10年前大大落后。這些數據從一定層面上反映出深刻的社會問題，值得全民關注。

二、大數據時代對高校學生工作管理創新提出全新挑戰

清華大學信息化技術中心袁芳指出，高校也正面臨著大數據所帶來的挑戰與機遇：“隨著互聯網應用的豐富，每個學生和老師每天都在生產著各種各樣的數據，當數據量達到一定級別后，就可以進行很有意義的分析挖掘工作。”

（一）大數據對高校學生工作管理創新理念形成極大沖擊

大數據帶來的最直觀變化，就是高校學生工作管理創新理念的轉變，高校學生管理正從人工的定性、單項管理逐漸向著信息化的定量、綜合、科學管理轉變。信息技術管理專家、《大數據》一書作者涂子沛認為，隨著信息存貯量的增多，人類在實踐中逐漸認識到，通過數據的開放、整合和分析，能發現新的知識、創造新的價值。2在國外高校管理中，大數據已成為提升高校管理質量與水平的一種有力工具。如美國學校能夠以85%的精確度去預測學生的升學率，從而把注意力集中在輟學風險比較大的學生身上。而在國內高校管理中的應用則有待于人們去深入地研究。大數據帶來的不僅是技術變革，更是一場管理變革。很大程度上，大數據就是高校管理現代化的一條技術路徑，具有催生管理革命的效果，也必將給高校學生工作管理創新理念帶來新氣象。

（二）大數據對高校學生工作管理創新模式構成巨大挑戰

隨著大數據時代的到來，以電子商務、即時通訊和搜索引擎為主要內容的互聯網無時無刻不在產生大量的數據，各個高校不再是校內外數據的唯一生產者和擁有者。各個高校數據的分散化，為高校數據資源的整合和學生工作管理創新提出了更高的要求。同時，各個高校對本校數據資源的分割和壟斷，制約了高校之間的協同管理水平、服務效率和應急響應能力。而在大數據浪潮下，許多高校開始建立了各式各樣的數據中心，標準不一、重復建設，勢必造成資源浪費，同時也為下一步整合帶來了新的難題。

（三）大數據對高校學生工作管理創新手段提出更高要求

以各個高校的學生信息統計為例，工作環節一般包括：報表設計——報表布置——報表受理——數據采集——數據加工——錄入匯總——信息審核（復核）——信息上報——信息公布。而高校內學生信息數據產生速度快、更新時間短、體量容積大，對數據的時效性、數據的形式、數據的內容提出了更高的要求。如何將這些學生基本信息數據進行結構化處理，以更好、更快、更新的方式展現在高校的教學、行政部門以及學生面前，是擺在各個高校大數據建設面前的另一重大課題。

（四）大數據對高校學生工作管理創新人才需求日益凸顯

高校進行大數據建設需要專門的數據分析方法、使用體系和高端專業人才，要求他們不僅精通技術，也要熟悉校園網業務。目前各個高校對大數據環境下的理論研究、使用標準等都存在空缺，大數據應用的核心環節——數據處理與價值挖掘，尚停留在學術研究層面。高校內鮮有帶有行政管理職能的院校研究機構成立，其功能定位、研究范疇和研究方法與國外院校的研究相比，尚有較大差距。更重要的是，缺少專業的計算機、統計、管理等方面的技術人才和管理人才，也使得高校學生管理工作面對大數據的挑戰難以做出迅速的反映與決斷。

三、大數據在高校學生工作管理創新應用中面臨諸多問題

（一）學生數據采集問題

大數據使學生數據來源呈現多元化、多層化和非結構化的特點。首先，在高校學生信息采集的廣度和深度上，數據量將激增，采集包括學生的個人基本數據、家庭數據、成績數據、實踐能力數據等，全面地覆蓋與學生在校期間相關的各項數據，是一項浩大的工程。其次，由于缺乏統一的數據標準規范，致使一些需要共享的學生信息資源因格式、標準不一致，不同的學生信息管理系統需要采集不同的信息，造成多次、重復采集學生信息，加大了高校大數據采集的工作量。最后在數據共享、采集的協調工作當中，學生利益和高校各部門利益的沖突、信息共享與信息安全的考量，數據責任與管理維護的問題，往往成為高校大數據應用的阻礙。

（二）學生數據融合問題

缺乏數據交換標準，信息共享難度大。目前，各高校的學生信息應用系統都是依據各自的具體業務按照各自的標準建設實施和管理的，系統大都互相獨立，軟件系統和數據庫各不相同，其應用范圍僅在各高校少數應用部門內部或特定區域。這些獨立的、異構的、封閉的系統彼此之間難以實現互聯互通。同時，這些學生數據庫由于更新時效或維護管理存在差異性，從而產生學生數據重疊、矛盾等現象。

缺少學生信息資源共享平臺，學生信息共享方式自動化、實時化程度低。不同的應用系統之間普遍缺乏標準化的數據接口定義，不同的應用系統之間成為彼此隔離的信息孤島，學生信息資源縱強橫弱、條塊分割，如大部分高校學生處使用奧藍學生管理系統，教務處使用正方學生管理系統，分布在不同系統內的學生信息不能直接互聯交換。系統查詢效率很低。從而導致即使是本校教師也需要同時打開或登錄多個學生數據系統才能查看相關的學生信息或處理相關事宜。

（三）學生數據質量問題

高等教育大眾化帶來的高校急速擴招，致使國內很多高校輔導員配比一般都無法達到教育部的規定和要求。大學生的招生管理、學籍管理、宿舍管理、黨團活動管理、后勤醫療管理、社會實踐管理、獎貸勤補管理、就業管理等眾多管理活動，經常處于“人少活多”的尷尬境地，過程中會伴隨產生大量非結構化數據。目前很多高校仍采用文件夾存放數據的普通管理方式，結果造成文件夾數量眾多，存放路徑雜亂無序，邏輯性缺乏，學生信息數據質量水平不高。比如，同一高校不同部門針對同一項目給出的學生數據不一致。事實上，學生數據質量不單是高校處理學生數據的技術問題，更是高校內部的管理問題。高校內部的業務部門需要利用學生數據來處理業務工作，意味著要為學生數據完整性、完備性、準確性給出定義和語義層次上的解釋。

（四）學生數據安全問題

隨著校園大數據的進一步集中和數據量的急劇增長，對海量數據進行安全防護變得更加困難，學生數據的分布式處理也加大了學生數據泄露的風險，核心通信設備國外技術壟斷和國際廠商的市場壟斷的格局也存在一定隱患，隱私保護和數據安全成為制約校園大數據發展的瓶頸。大數據時代下的高校學生管理工作同時具備學生信息公開和保密的雙重特性，對學生隱私保護和學生數據安全的要求更高。因此，必須高度認識校園大數據可能帶來的信息風險，避免認知風險、學生數據質量風險和學生數據安全風險。

三、以大數據理論推動高校學生工作管理創新的對策建議

各高校應當立足實際著眼長遠，轉觀念、轉思路，謀劃布局“校園大數據戰略”，充分利用大數據時代的信息優勢，主動將大數據應用于高校學生管理工作中，盡力創造良好的校園大數據生態環境。

（一）高校學生管理工作中融入大數據理念

大數據時代要求高校在提供學生工作管理服務時轉變傳統理念，將大數據思維融入到實際工作中。第一，“用數據說話”，要重視學生數據的搜集和積累。具體工作過程中，重視學生數據的采集與挖掘，及時跟蹤數據變化，分析數據變化背后的深層次原因，為學生工作管理決策做好數據支撐。第二，“用數據決策”，把大數據價值觀融入學生工作管理理念，從依靠個人經驗轉向覆蓋更廣泛、涉及更多人的大數據分析，用更全面的學生數據分析輔助管理決策，提升學生管理工作決策的科學性和有效性。第三，“用數據團結”，轉變高校傳統學生工作管理模式中不同部門之間的“小團體”意識，打破原有的高校內部數據信息割裂狀態，增強學生數據共享與融合。

（二）創造良好的校園大數據生態環境

1、注重頂層設計，打破條塊分割

首先加強頂層設計。由于高校信息化工作涉及面廣， 對各高校人力、物力、財力的投入要求高，為了避免重復建設以及無效投入，并進一步提升投入產出比，高校學生工作管理信息化應遵循頂層設計原則，兼顧整合性、系統性、綜合性因素，對總體規劃、投入、建設和管理實施統一標準，以學生綜合管理系統為設計重點，推進主要學生事務流程信息化，全面考慮學生需求特點，系統性地開發學生工作管理信息化系統，避免重復建設和資源浪費。其次，打破數據條塊分割狀態，消除“信息孤島”。建設校園大數據系統的目的之一就是信息共享，這是改變現階段高校管理工作中“信息孤島”現狀的有效手段之一，也是貫穿高校學生工作管理信息化重構過程的重要原則。學生信息共享的最終目的是為了滿足學生成長成才、全面發展的客觀需要。在進行高校學生工作管理信息化重構時，應建立一個綜合性學生數據服務中心，方便學生分享使用，有利于高校相關部門對接學生管理工作，不斷提升高校學生管理服務的質量和效益。

2、統一數據標準，促進共享融合

各高校需要建立統一的數據平臺，和統一的元數據標準體系，制定數據標準體系，便于數據的無縫隙統籌整合。一方面，一是要推動高校部門之間信息的交換和共享。在促進大學生心理健康，助力學生多元化評價，關懷大學生生活以及指導大學生個性化就業方面發揮重要作用，從而提高高校學生管理工作水平。二是構建以云計算為基礎的學生信息共享平臺，為各高校提供高效的服務器資源、海量的存儲空間、高速的網絡帶寬和安全的網絡環境，支撐各高校的應用發展，創造一個信息共享、資源共用、運維共管的新局面。另一方面，促進高校、互聯網、物聯網三元空間信息資源的有效融合和利用。建立高校學生數據中心，負責高校學生信息資源的管理和綜合利用，加強與互聯網信息的收集與利用，通過數據挖掘、數據分析等技術加強對校園大數據的組織、分析，充分發揮學生數據的價值。在學生的學習成長過程中，將會積累大量的結構性、非結構性數據，例如每次考試的成績、學習的速度、在哪方面有特長、曾經獲得過哪些獎勵、參加過哪些社會活動等，成長軌跡非常清晰，高校招生只需要看這些過程化的數據，選擇適合自己學校的學生。

3、搭建支持平臺，引進專業人才

應加強各高校的引導作用，為校園大數據技術研發和應用搭建平臺。一是要在高校設立校園大數據發展的專項資金，重點支持大數據研發與應用項目，建立起校園大數據中心，制定校園大數據應用規則，明確校園大數據采集和使用所涉及的包括數據隱私、準確性、可獲取性、歸檔和保存等問題在內的應用規則，厘定學生信息使用權限和職責，確保學生數據依照規則規范使用。二是建立政府投入為引導，企業投資為主體的校園大數據投融資體系，鼓勵國內外大數據知名企業、科研機構參與校園大數據信息感知、傳輸、安全技術研發與應用，政府發揮財政支持作用，同時建立起考核評估機制。三是制定校園大數據人才引進和培養計劃，培養和引進一批促進校園大數據發展的專業人才，既可以維護校園大數據中心平臺的運轉，同時也有助于促進校園大數據產業發展，營造起有利于校園大數據人才成長和發展的良好環境。

注釋

1Big data in little NewZealand[EB/OL].(2012-09-06).

篇2

關鍵詞：大數據；經管類專業；課程體系

大數據時代給社會經濟發展帶來了機遇和挑戰，社會各行各業對數據分析需求大幅上升，需要借助數據分析實現數據的增值，挖掘數據背后的潛在價值，為其經營管理決策、投資決策提供智力支持。隨著社會經濟發展對具有數據管理和數據分析能力的應用創新型經濟管理人才的需求逐漸攀升，也引發了對高校經管類專業學生能力的更高要求。面對紛繁復雜的社會經濟環境，經管類專業學生必須能夠廣泛應用定量分析技術，能夠從海量數據中獲取有效數據，運用科學的方法從這些數據中提取出有用信息，建立相應的模型，作出最優決策。統計學是培養經管類專業學生定量分析能力的一門重要課程，是眾多高等院校經管類專業的專業基礎必修課，是以后深入學習相關定量方法類課程（諸如計量經濟學、管理運籌學、市場調查與預測等）的基礎。因此，統計學課程體系設置是否合理，將直接影響到學生獲取有效數據和分析數據應用能力的培養，進而影響學生定量分析能力的培養。

一、經管類專業統計學課程體系存在的問題

1.課程教學定位模糊。

我國高等院校經管類專業統計學教學中的最大弊端在于一直按照前蘇聯劃分方式將其歸類為一門偏重于簡單數據整理課程，而將相應的統計分析所采用方法和理論歸為數理統計，因此在教學中不重視對后者的學習。然而，西方發達國家的統計學課程是同時包括這兩個部分內容的，尤其是后一個部分內容是定量分析的重要基礎。因此，在傳統統計學教學定位下，學生只認識了基本理論與概念，卻掌握不了處理和分析數據的能力，這與經管類專業應用型人才培養目標相背離，難以適應大數據時代社會各領域對經濟管理人才素質的新需求。

2.課程體系有待完善，與經管類專業融合不夠。

目前，大多數高等院校經管類專業統計學課程設置只涉及理論統計學這一領域，未將統計分析方法與相關經管類專業知識有機結合。在這樣的課程體系安排下，學生雖然掌握了統計基本理論和方法，但難以體會到統計在本專業學習中的應用價值，當面臨現實的經濟、管理問題卻無能為力，不會運用所學統計方法，結合專業知識對實際問題進行定量分析。這種狀況與經管類人才定量分析能力培養目的相違背，難以實現具有創新能力的經管類人才的培養目標。因此，如能結合經管類專業特點，對統計學的課程體系進行優化建設，勢必能夠培養出具有定量分析技能，滿足社會需求和企業需求，符合大數據時代人才素質要求的經濟管理人才。

二、大數據時代經管類專業統計學課程體系構建

1.明確課程教學定位。

目前，統計學教學中偏重于統計學基本概念、基本模型和基本方法的理論知識學習，系統性較強，有利于學生全面了解統計學的知識體系，但是對統計思維能力的培養和統計方法的應用重視不夠，這不僅會讓學生望而生畏，從而失去學習的主動性與積極性，更為重要的是學生不能夠學以致用，在自己本專業深入學習過程中不會運用統計學知識來解決實際的經濟管理問題，而在教與學中出現的這些問題源頭在于教學定位不夠準確。因此，本文提出新的課程教學定位：以應用創新型人才培養為導向，提高經管類專業學生定量分析能力為目標，結合經濟學科和管理學科的特點，通過統計學的理論教學、案例分析、課程設計、實驗（踐）等教學環節，培養學生統計思維能力和統計應用能力，具備運用統計學理論與方法，研究社會經濟管理領域有關數據收集、整理、分析等解決實際問題的綜合能力，以適應大數據時代對經濟管理人才的新需求。

2.課程體系優化建設。

根據新的教學定位，統計學課程體系優化建設的基本思路：一是課程體系設置要強調基礎知識、注重靈活應用、突出定量分析的教學理念和教學目標；二是課程結構上，突出專業針對性，強調統計學科和經濟學科、管理學科的有機結合，使課程特色化；三是建立實踐教學體系，加強學生實踐能力的鍛煉，為學生提供綜合素質和能力提高的實訓平臺；四是將統計分析軟件的運用融入到課程體系之中，加強統計分析軟件的技能培養。因此，本文將運用模塊化系統集成思想，根據經濟與管理類各專業的要求，提出按專業分模塊，按模塊分層次，按層次定內容的改革方案，構建“課程體系課程子系統課程模塊具體內容”的遞階控制結構模型。在統計學課程體系優化建設中，我們運用系統科學的方法構建出模塊化、層次化集成的課程體系在整體功能上達到了最佳狀態。課程基礎子系統是統計學理論基礎和統計思維培養階段，由統計學基本原理和基本理論構成，體現了“厚基礎”的功能。課程應用子系統和課程案例子系統是統計分析能力訓練階段，首先結合認知性案例模塊系統介紹統計分析方法，讓經管類專業學生了解統計分析方法的基本原理，其次進一步結合專業特色案例模塊和統計分析軟件模塊，通過分專業教學方式，使不同專業學生能夠體會到統計學在本專業中的應用，增強學生的學習興趣，體現了“強能力”的功能。課程實踐子系統是統計應用能力實踐階段，是培養大數據時代應用型經管人才的重要環節。課程實踐主要包括課堂實踐和實驗室模擬，課外實踐主要包括社會實踐活動、實訓實習和相關競賽，通過課程實踐和課外實踐兩大平臺訓練學生運用所學統計調查、統計整理和統計分析等知識解決實際問題的綜合能力。課程選修子系統是統計應用能力擴展階段，該階段在學生掌握統計學相關知識的基礎上，通過選修統計預測與統計決策兩大模塊，進一步培養學生的定量分析能力。

三、結束語

大數據時代經管類專業統計學課程體系構建，應注重強化基礎理論，突出知識的實用性和創新性，做到統計知識與實例分析相結合，與軟件應用相結合，理論教學與實踐教學相結合，與實際應用相結合。根據經管類各專業特色，以“知識+能力+應用”模式進行模塊化、層次化課程體系設置，從本質上提升學生的數據素養和信息素養，提高解決實際問題的定量分析能力，以適應大數據時代對人才素質的新需求，使具有數據管理和數據分析能力的經濟管理人才在就業市場上更具有競爭力。

參考文獻：

[1]孫根年.課程體系優化的系統觀及系統方法[J].高等教育研究，2001，（2）.

[2]曾五一，肖紅中、龐皓，朱建平.經濟管理類統計學專業教學體系的改革與創新[J].統計研究，2012，（2）.

[3]姚壽福.經濟管理類本科專業統計學課程教學改革思考[J].高等教育研究（成都），2012，（3）.

[4]朱懷慶.大數據時代對本科經管類統計學教學的影響及對策[J].高等教育研究（成都），2014，（3）.

[5]姜鈕，姜裕，呂潔華.高校經濟管理專業統計課程教學改革探討[J].教育探索，2014，（6）.

篇3

從資本市場與企業的業務經營變化來看，商業模式經歷了從線下轉向線上之后，進入了業務數字化和智能化階段。現代信息技術對商業模式的影響日益深廣，對財務人才的知識結構和技能提出了重大挑戰。尤其是2020年高招過程中，清華大學停招會計學本科專業、安徽大學停招財務管理專業更是引發了社會對財會人才培養和專業建設的反思。

我國財務管理專業建設在信息技術的沖擊下正在發生重大變化，浙江大學、山東財經大學等高校已經新開設了智能財務專業，而其他部分高校亦加強了智能財務實驗室建設，開設有關大數據分析、人工智能、區塊鏈技術及應用等課程。而國外高校也逐步加強了財務管理專業與信息技術專業的復合型人才培養。在理論研究中，學者已經對財務管理智能化、智慧財務、智能財務等進行了探討，指出了財務會計轉向管理會計的發展趨勢，但未對專業本身的建設進行探討。因此，本文對現代信息技術對財務管理專業建設的影響進行初步探討，梳理我國高校財務管理專業建設的新變化，提出相應的政策建議，旨在引發數字經濟時代財務管理專業建設的反思與改革。

1人才培養模式的比較與反思

從英國大學商學院專業設置來看，會計學與金融學作為傳統優勢商科專業一直處于重要地位，這也是海外留學的熱門專業。但在對金融學、財務管理專業的理解上，我國與英國存在很大的分歧。隨著海外留學人才回國任教人數的增加，這種分歧正在逐漸減少，從而促進了人才培養目標共識的達成。

1.1財務管理專業人才培養模式的比較

1.1.1我國現行主要做法

改革開放之后，金融人才的培養成為經濟學院或者經濟系的重要使命。為此，金融學專業是設置在經濟學院或者經濟系，課程設計主要以貨幣銀行學和國際金融而展開。而會計學專業作為商科專業設置在商學院或者管理學院。隨著市場經濟的深化，商學院在培養人才方面也意識到，培養體系缺乏金融人才培養這一重要環節。為此，商學院亦通過設置財務管理專業的方式，與會計學專業一同成為商科主要專業。因此，我國高校商學院在設置財務管理專業上形成了以下格局:要么在設置會計學專業的同時，由會計系下設財務管理專業;要么僅設置會計學專業。毫無例外的是，在商學院設置財務管理專業的同時，經濟學院或經濟系也開設金融學專業。

在這種專業設置的格局下，財務管理專業培養目標是比較模糊的，基本上是在會計學和金融學專業之間游移。當然，這里的金融學專業是指我國以宏觀金融為核心而構建的專業培養體系。隨著我國金融學專業建設的推進，以公司金融和證券投資學為核心的微觀金融逐步受到重視，公司金融、投資學、金融市場、金融衍生品、金融工程等成為金融學專業的基礎課程，但傳統宏觀金融課程仍然占據重要地位。正因為如此，高校近年來進行專業學科改革中亦停止了財務管理專業的招生，通過開設計算金融或者會計學(智能財務)專業，強化微觀金融方向的專業知識和技能的培訓。值得注意的是，廈門大學財務管理專業人才培養和課程設置體現了歐美商學院會計與金融本科專業的特點，提供了傳統會計學和流行金融學專業的核心課程。除財務會計、管理會計、審計與鑒證、稅收等會計課程之外，亦開設了公司財務(金融)、證券投資學、固定收益證券、衍生金融產品、金融工程等必修課程。在培養方向上設定了公司理財和證券投資兩個方向，這與英國商學院會計與金融專業培養模式是相通的。

1.1.2英國會計與金融專業模式

從國外來看，會計學專業也發生了很大的改變。英國會計學專業設置極具特點。從《泰晤士報》(TheTimes)和《衛報》(Guardian)公布的2020年會計與金融(accountingandfinance)排名前10的大學名單來看，除利茲大學、倫敦政治經濟學院、巴斯大學、華威大學、拉夫堡大學、思克萊德大學這6所大學均入榜之外，根據《衛報》和《金融時報》的評價標準，8所大學出現了較大波動，僅進入其中一份榜單。入圍兩份榜單前10的這14所大學中，僅思克萊德大學、貝爾法斯特女王大學設置了會計學專業(accounting)，其他12所大學的商學院均設置會計與金融專業(accountingandfinance)(思克萊德大學亦同時設置了會計與金融專業)。值得注意的是，巴斯大學和華威大學商學院只設置了會計與金融專業，沒有其他會計學、金融學專業設置。即使利茲大學、倫敦政治經濟學院、約克大學設置了多個金融方向的專業，但與會計學有關的專業僅有會計與金融專業。與英國會計與金融學專業設置相比較來看，我國高校的財務管理專業實際上類似英國流行的商科專業———會計與金融，在強化財務會計、管理會計知識和技能的同時，加強公司金融、金融市場、投資分析與組合管理知識和技能的訓練。

1.2現代信息技術對人才培養目標帶來的挑戰

大數據、區塊鏈、人工智能等信息技術對財務管理人才的知識和技能結構產生了影響，企業中傳統的大量重復性的日常業務會被智能系統所替代，對日常財務管理人才的需求數量會減少。甚至企業將日常財務業務外包給專業化的財務管理咨詢公司，由其利用財務信息技術進行集約化管理。與此同時，現代信息技術凸顯了財務管理人才的重要性。公司財務管理人才發揮著財務信息與其他企業信息的歸集與分析中樞的角色，尤其是在企業數字化轉型中，財務管理人才提供的企業信息的準確性和全面性直接影響著企業發展的重大決策。這就要求公司財務管理人才具備對實時、大量的財務數據和其他數據的挖掘能力和分析能力，要求公司財務人員必須掌握計算機科學與技術、數據科學與大數據技術等專業知識和技能。因此，財務管理人才培養目標應定位于掌握金融學、會計學的基礎理論和方法，在企業價值創造、財務決策、風險管理等領域具備較強的數據分析、數理工具運用的能力。

為此，財務管理專業作為會計與金融(accountingandfinance)的復合型專業，應當在財務會計、管理會計、公司財務、資產定價和投資組合管理知識和方法的基礎上，通曉數據挖掘與分析的知識和技能。我國部分高校已經進行了積極探索，在專業課程體系與專業學位建設上進行了改革。

2專業課程體系的調整

商學院在財務管理專業課程體系設置方面已經加入了數據分析與大數據技術方面的課程，部分高校甚至設置了專門的智能財務專業。2.1我國大學課程體系的改革

在財務管理與會計學專業建設過程中，部分高校利用其在大數據分析方面的教學科研優勢，鼓勵財務管理等商科專業選修信息技術類課程，甚至作為必選課程，這在理工類大學商學院得到了積極回應。南京理工大學經管學院智能會計專業的建設過程中，設置了大量開放式選修課程，例如《Excel高級數據分析與可視化》《大數據分析》《財務共享服務與智能財務》《商業智能分析》《大數據財務決策》《大數據供應鏈成本管理》《IT審計》等。山東財經大學智能會計專業開設了《機器學習與數據挖掘》《智能財務共享》《大數據與智能財務決策》《Python數據分析》核心課程，并加強《智能會計概論》《智能會計信息系統》《智能財務共享》《智能財務決策》《智能財務分析可視化》等智能會計系列教材的建設。而作為面向內地提供復合型、國際化人才的香港中文大學(深圳)經濟管理學院，會計學專業課程包括《會計與金融中的文本分析》《會計分析中的數據挖掘》《會計數據庫和數據可視化》《計算機科技導論:程式設計方法》《計算機實驗》《數據分析導論》《數據挖掘技術》等，并且部分課程是與金融學專業共享的。

2.2智能財務專業的開設

除了智能會計專業之外，浙江大學、長沙理工大學在智能財務專業建設上進行了積極探索。浙江大學管理學院于2019年在竺可楨學院開設智能財務專業，鮮明地體現了“公司財務+人工智能+大數據”的深度融合，開設《人工智能導論》《深度學習理論及應用》《智能機器人原理與技術》《數據編程》《數據管理與數據挖掘》《數據建模與數據可視化》等課程。相較而言，浙江大學智能財務專業更重視人工智能創新能力的培養。浙江大學管理學院鼓勵學生輔修計算機、數學等交叉課程，而這一做法在英國亦是普遍做法。上海財經大學會計學院已經開設了財務管理(智能化)專業，開設課程包括《程序語言(Python)》《SQL數據庫基礎》《智能財務前沿專題(區塊鏈、機器學習)》《大數據分析與數據挖掘》。而長沙理工大學財務管理(智能方向)，以及南京理工大學和山東財經大學智能會計專業則更側重大數據分析及運用。值得注意的是，即使沒有設立智能財務或者智能會計專業，部分高校亦加強了智能財務實驗室建設，通過與科技公司的合作推進產學研的協同發展。例如，云南財經大學、西南財經大學、上海財經大學等以成立智能財務與大數據研究院或會計智能化教學改革研究中心等形式，推進財務數智化人才的培養。

2.3英國大學的做法:以選修課程為主的模式

英國商學院在應對信息技術對商科教學體系的挑戰時，主要采取了兩種教學改革模式:一是在會計與金融專業的選修課程中增加大數據分析方面的課程;二是開設計算機與商科交叉類專業。為了適應信息技術的快速發展，部分大學商學院鼓勵學生輔修第二學位或提供雙學位教育。英國商學院提供雙學位教育的一個便利條例是課程的數量不多，這也是為鼓勵甚至要求學生接受雙學位教育的前提條件。會計與金融專業的核心課程上基本上包括4門，即《財務會計》《管理會計》《公司財務》《投資學》，其他課程均是在此基礎上進一步演變為初級和高級課程，以及專題課程。倫敦政治經濟學院在選修課程組上提供了信息系統課程模塊，開設了創新數字系統與服務、信息系統發展與管理、信息交流技術、數字創新研究項目、軟件工程等課程。利茲大學、華威大學、杜倫大學、巴斯大學、愛丁堡大學均開設了計算科學與商學專業(ComputerScienceandBusiness)。在接受數據科學基礎、算法與數據結構等課程基礎上，選擇商科類課程等。整體而言，英國商學院在會計與金融專業課程數量上并不多，但難度也不低。從倫敦政治經濟學院提供的會計與金融專業課程介紹來看，斯蒂芬·羅斯等的《公司金融》、理查德·布雷利等的《公司金融原理》、伯克等的《公司金融》、滋維·博迪等的《投資學》成為資產定價、金融市場、公司金融、投資學課程的指定教材。這幾本經典教材采取了“搭積木”的內容模式，可以根據不同授課對象和學分選擇不同的內容。這意味著，在核心專業課程之外，學生會有更多的時間選修其他領域的課程，甚至是雙學位課程。

篇4

劉士余說，為促進發揮市場在資源配置中的決定性作用，建設大宗商品國際定價中心，必須從國家戰略的高度進一步促進期貨市場加快發展。要堅持期貨市場服務實體經濟的根本宗旨，提升市場運行質量和防范風險的能力，積極穩妥擴大對外開放，統籌好期貨市場改革發展穩定工作。

期貨交易所應強化市場的樞紐地位，落實和服務好國家戰略，加強市場一線監管，筑牢防范風險的第一道防線，真正成為期貨市場安全運行與健康發展的“中樞神經系統”；期貨經營機構應樹立正確的發展理念，強化合規風控，恪守市場規則與業底線，積極參與交易所法人治理和市場建設，共同維護市場良好環境。

中國經濟學家鞠建東被提名諾貝爾經濟學獎

據新媒體報道，從多方確認，江蘇南通如皋籍經濟學家鞠建東被提名諾貝爾經濟學獎。鞠建東于1963年出生于南通如皋，為清華大學經管學院經濟系教授，清華大學國際經濟研究中心主任，上海財經大學國際工商管理學院教授，教育部長江學者特聘教授。現任上海財經大學國際工商管理學院院長。鞠建東創造性地將宏觀國際經濟學中的動態跨期模型和微觀國際經濟學中的結構分析模型相結合，建立動態結構分析方法，并將之應用到國際收支理論（與哥倫比亞大學魏尚進教授、香港中文大學施康教授等合作），提出新興國家（比如中國）的國際收支順差是發達國家和新興國家之間經濟結構差別的均衡現象；將之應用到產業動態結構理論（與世界銀行林毅夫教授、香港科技大學王勇教授等合作），提出產業升級與經濟結構調整的動態模型。此外，鞠建東提出通過貿易改革提高社會福利的充分必要條件（和賓州大學Krishna教授合作）。在各國通用的Feenstra教授所著的國際貿易研究生教材中，這個條件被稱之為“Ju-Krishna定理”。

清源投資劉建云：智能制造有這三類投資機會

在深圳舉行的“發現順德?全球路演――創新深圳對接產業順德”峰會，清源投資總裁、執行合伙人劉建云站在投資機構的角度，對智能制造的現狀和未來投資機會進行了解讀。

劉建云認為，中國必須抓住智能制造的歷史機遇，同時也有必須要實現智能制造升級的挑戰。對于投資機構來說，智能制造領域的投資機會大概有三類：第一類是智能工廠；第二類應該是解決方案公司，就是集成商，它能夠把軟件、硬件、服務這三項打通；第三類是垂直的技術供應商，包括工業物聯網、大數據、云計算、3D打印、工業機器人、工業網絡安全、知識工作自動化、虛擬現實、人工智能。

篇5

當前“大數據技術”充滿了新的機遇和挑戰，其在企業IT基礎架構、數據管理、分析和服務這些關鍵規劃領域的應用，將會對社會經濟發展帶來長遠深刻的影響。大數據指的是從各種各樣的數據中快速獲得有價值信息的能力，具有數據量大、種類繁多、價值稀疏、處理速度快的特征，這些特征對目前社會各個行業的信息架構、系統的沖擊非常大。大數據技術對整個社會經濟發展來說既是機遇也是挑戰。

（一）必要性

根據IDC在2011年6月的《數字宇宙》（DigitalUniverse）研究報告，2011年全球新建和復制的信息量超過1.9ZB（1.8萬億GB），五年時間增加了近九倍。隨著數據量的指數級增長、數據源種類（包括結構化數據源和非結構化數據源，如社交媒體、富媒體文件以及地理空間信息）的飛速增加，以及數據產生速度的加快（如實時傳感器數據），傳統的數據庫和架構無法處理、管理和分析如此龐大的數據集。政府、金融、電信、互聯網等大數據應用的行業先鋒目前均面臨大數據的問題。不僅如此，隨著物聯網、云計算、移動互聯網、車聯網、智能手機、平板電腦的飛速發展，大數據技術擁有了更為廣泛的數據資源。因此，IT產業界及行業用戶都亟需針對大數據設計和優化大數據存儲、管理和查詢平臺，來替代傳統關系型數據庫平臺。在技術發展的前沿階段進行實驗平臺建設對我學院師生具有重要意義。該實驗平臺能夠為學生提供一個了解最前沿技術的機會，不僅能夠提高學生學習興趣、自學能力，還為學生就業、更好地規劃未來的職業發展提供了機會。大數據技術的機遇與挑戰帶來了很大的人才缺口，目前大數據技術平臺開發、方案實施人才緊缺；由于云存儲、大數據技術帶來的信息安全問題，也亟需大量信息安全領域的人才；由于大數據技術在物聯網、電子商務、移動互聯方面的應用，對了解大數據技術的電子商務專業人才也更青睞。通過本實驗平臺的培養，感興趣的優秀學生還可以嘗試考取與大數據技術密切相關的Hadoop專業認證———ClouderaCertifiedDeveloper/AdministratorforApacheHadoop，為學校、學院在該領域帶來正面影響，增加更多合作和就業的機會。該實驗平臺能夠為信息系統專業試點班培養計劃的很多核心課程（包括管理統計學中的業務報表與分析、商務智能方法與應用、商務智能實踐、數據挖掘和BA綜合實訓等）形成較好的前后銜接關系，能夠豐富實踐教學環節，深化教學大綱的內容，從建設更合理的課程建設體系來說具有很大的必要性。近幾年學生就業壓力越來越大，迫切需要對教學內容和實踐環節不斷突破創新，才能具備持續發展能力。因此在原有課程體系和實踐教學環境的基礎上增設本實驗平臺非常必要。

（二）可行性

教學計劃中的相關程序設計課程為學生學習云存儲技術、熟悉大數據開發平臺、了解最新大數據技術的發展、進行大數據平臺基礎上的開發、實現對大數據的分析、可視化演示打好了基礎。英特爾ApacheHadoop平臺是目前大多數大數據處理的技術基礎，目前該技術已經發展成熟，并隨之產生很多基于該平臺的大數據處理工具，可供實驗室建設實驗平臺使用。

二、建立大數據實驗平臺的基本構想

（一）實驗平臺人員

實驗平臺人員負責實驗平臺的建設、維護，實驗設計與指導人員由在大數據相關領域、課程建設以及實踐教學方面都有著豐富的經驗的教師與實驗室工作人員構成，同時與大數據企業進行合作，獲得其核心技術人員的支持、培訓和大力配合，可以共同組成一個經驗豐富、精煉實干的建設團隊。

（二）軟件調研

大數據的特點為4個“V”：第一，“Volume”，指的數據量大，包括大的數據塊，或數據總量巨大，從TB躍升到PB；第二，“Variety”，指的是數據種類繁多，包含大量非結構化數據，例如網絡日志、音頻、視頻、地理信息等；第三，“Value”，價值稀疏性，大量數據中有價值數據很少；第四，“Velocity”，指的是處理速度快，這與傳統數據挖掘有很大區別。選擇有數據分析基礎、在業內發展領先的企業進行調研并選擇適合高校規模的合作企業是建立實驗平臺的重要工作。很多公司給出了可供使用的大數據平臺：IBM誖InfoSphere誖BigInsightsTMBasicEdition是一款基于開放源碼ApacheHadoop的分析平臺，用于分析大量本機格式的非常規數據，支持結構化、半結構化和非結構化內容，以實現最大程度的靈活性；IBM誖InfoSphere誖Streams是一個高級計算平臺，幫助用戶開發的應用程序快速攝取、分析和關聯來自數千個實時源的信息；惠普公司Vertica分析平臺6.1，能夠通過Hadoop分布式文件系統連接器來優化大數據；ClearStoryData大數據分析新創公司，通過Clearstory，公司客戶可以將自身的數據與行業的公共數據融合，尋找統計上的新視角，目標是取代目前市場上的主流數據可視化工具，包括QlikView和Tableau等老牌工具；Informatica9.1提供首款Hadoop編譯器Hparse，這是一種針對Hadoop而優化的數據轉換環境，該軟件支持靈活高效地處理Hadoop里面的任何文件格式，為Hadoop開發人員提供了即開即用的解析功能，以便處理復雜而多樣的數據源；Datameer：Hadoop海量數據分析平臺允許用戶在缺乏技術知識的情況下能夠分析大量數據；Infochimps平臺以其完備的基礎設施和專業知識，為客戶提供端到端的大數據解決方案，Infochimps是一家位于美國德克薩斯州奧斯丁的創業公司，2012年2月從數據市場轉型為大數據平臺提供商后獲得谷歌投資；甲骨文大數據機———OracleBigDataAppliance集成系統融入了Cloudera的DistributionIncludingApacheHadoop、ClouderaManager和一個開源R；微軟SQLServer新增PDW功能，可以幫助客戶擴展部屬數百TB級別數據的分析解決方案；亞馬遜將MapReduce作為一項服務，其彈性MapReduce編程是一項能夠迅速擴展的Web服務，運行在aws的亞馬遜彈性計算云和亞馬遜簡單存儲服務上；Teradata是企業級數據倉庫（EDW）的領導者，在結構化數據、半結構化數據和大部分非結構化數據領域幾乎沒有很大成果，因此收購了AsterDa-ta———一家提供SQL-MapReduce框架的公司。AsterData是高級分析和管理各種非結構化數據領域的市場領導者和開拓者，為Teradata帶來了大數據分析市場商機。

（三）方案實施

實驗平臺的設計同時立足于大數據技術的發展的前沿性與本學院學生專業特點，與學生前序的理論、實踐課程均有良好的銜接，符合人才培養計劃，深化了教學大綱的內容，并針對不同專業學生設計實踐學時、內容和難度。本實驗平臺可以同大數據行業中的公司科研部門共同合作建設，雙方確定在人才培養、師資培訓、共建實驗室和實訓基地、推動大學生校外實習和社會實踐活動的開展等方面開展全面、廣泛、長期、深入的合作。該實驗室建設將豐富實踐教學體系，也可推動學院科研項目立項、新課題研究、專項基金申請和聯合開展商用項目開發等；該實驗室使師生能接觸高新大數據開發平臺，了解最新大數據技術的發展，進行大數據平臺的開發，實現對大數據的分析、可視化演示，增強學生的動手能力并提升就業質量；與此同時，提升了教師的項目管理能力和教學能力。

三、結論

篇6

關鍵詞：農經專業；數據分析；教學改革

2019年12月，農業農村部、中央網絡安全和信息化委員會辦公室關于印發《數字農業農村發展規劃（2019-2025年）》的通知，部署了用數字化引領驅動農業農村現代化，加快農業農村生產經營、管理服務的數字化改造的發展戰略，將全面提升農業農村生產智能化、經營網絡化、管理高效化、服務便捷化水平作為農業農村發展的目標[1]。農業農村的數字化建設離不開專業人才的培養。農林經濟管理專業畢業生的就業方向主要有農業經營單位、面向農業農村的政府管理部門、事業單位、科研院所等。隨著農業農村數字化發展戰略的推進，給傳統的農經人才培養帶來了一系列的挑戰[2]。在數字經濟和智慧農業的時展背景下，數據分析能力是農經專業學生重要的核心競爭力。如何提升農經專業學生數據分析能力，是農經專業人才培養中面臨的重要課題[3]。

1農業農村數字化發展戰略給農經人才培養帶來的挑戰

1.1對農經人才的數據思維的更高要求

在大數據時代，無論是農業生產經營活動，還是農村的行政管理中都有大量的數據資源。農業企業、農業合作經營組織、農產品產銷數據、農產品溯源數據為農業經營者提供了生產、物流、銷售環節大量的數據資源。經營者需要認識到數據是一種新的生產要素，要調動數據作為生產要素的屬性，讓數據分析為管理決策服務[4]。在數字中國的建設進程中，各級政府部門工作人員通過各級各部門的行政管理智能，收集了大量省、市、區、縣級的區域經濟社會發展數據。社區網格化管理下收集了微觀層面的農業經營單位數據、農村常住人口數據、醫保數據、扶貧數據、農村小額信貸數據。這些數據資源是政府提高行政效率、提高政務服務質量的寶貴資源。

1.2對農經人才的數據分析能力的更高要求

在大數據時代，每天都有海量數據生成，如何能更好地利用這些數據，讓數據能發揮其為管理決策服務的功能，與數據使用者的數據分析能力是密切相關的。例如，農業經營單位在農業生產環節的農業投入數據、農產品銷售數據、電商平臺的客戶反饋評論、農產品庫存的動態數據，如何整合分析這些數據，要求農業經營者系統掌握數據分析、數據挖掘、文本分析等多元化的數據分析方法。政府管理部門掌握的農業人口的遷移數據、農村常住人口網格管理數據、農村居民醫保數據、扶貧數據等，數據類型豐富，數據量龐雜，如何實現數據庫的整合，要求政府部門工作人員掌握數據庫管理、大數據分析技術。

2農經專業數據分析課程群建設中存在的問題

2.1課程之間連貫性不足

以筆者所在的高校為例，為農經專業本科生開設的數據分析類課程，見表1。數據分析課程群包括了通識教育、專業教育和實踐教育。從目前的課程設置來看，涵蓋了數據庫、統計學、經濟計量學、多元統計、大數據分析等領域，內容豐富。數據庫應用由計算機學院開設，是一門通識教育課程，在授課時教師往往將其視為一門計算機類的入門課程，在教學中沒有針對農經專業學生的特質，將數據庫的教學與其在農經領域的應用結合起來。學生在學習中往往會覺得該課程與專業聯系不夠緊密，教學內容枯燥，缺乏學習興趣。

2.2學生學習的軟件種類繁多，但不夠深入

在統計學和多元統計課程中，學生將學習EXCEL、SPSS或者R語言的應用，在經濟計量學課程中學生將學習Eviews或STATA的應用，在數據挖掘與大數據分析課程中學生將學習Python語言的應用。在每一門課程中學習的軟件都不同，對于軟件的學習缺乏連貫性和延續性，雖然學生接觸的軟件種類多，但是由于學時所限，每一種軟件都只是入門級的介紹，無法進入到深度學習。

2.3與專業課學習聯系不夠緊密，缺乏應用機會

學生缺乏在專業課學習中運用數據分析類課程所學知識的機會。數據分析類課程主要介紹數據分析方法和軟件的應用，但大部分都安排在第5學期和第6學期。學生在學習了數據分析方法后，缺少在專業學習領域里運用這些方法的機會。例如學生若要完成產業經濟學、農業技術經濟學、農產品國際貿易學的專題研究、課程論文，需要用到統計學、經濟計量學、大數據分析的方法，但在第2-4學期開設大量專業課的學期，數據分析類課程還沒有開設。若能將數據分析類課程盡量靠前安排，學生可以在后續的專業學習、課題研究中運用所學的方法，一方面夯實數據分析技能，另一方面也可以增加學生對專業課的學習興趣。

2.4排課不夠科學

在大三階段，學生可以選修多元統計、數據挖掘與大數據分析、Python語言三門選修課。但到了大三，學生專業課的學習任務重，選修課種類考慮繁多，學生選課可能出于興趣、學分安排或者準備考研保研考慮，并不是每一位同學都會選修上述課程。尤其是計算機能力不太強、對數學類課程感到困難的同學，會傾向于選擇難度小的課程。

3基于項目驅動式教學理念的數據分析課程群改革

3.1開展項目驅動式教學的意義

項目驅動教學法是基于行動導向的探究式教學方法，是將真實的或模擬的項目轉化為教學項目，結合課程內容將項目分解為若干工作任務，創設工作情境，引導學生完成任務，進而實現項目教學目標的教學活動[4-5]。項目驅動式教學法最顯著的特點是“以項目為主線、教師為主導、學生為主體”，改變了以往“教師講，學生聽”被動的教學模式，完善了學生主動參與、自主協作、探索創新的新型教學模式。與傳統教學方法相比，教學實施過程中，學生的目標更清晰明確，可避免傳統課堂教學的被動性，進而提高學生學習知識的興趣和主動性[6]。在數據分析課程群中引入項目驅動教學，一方面能讓學生運用所學的數據分析方法分析現實問題，創設數據分析情境，加深對所學方法的理解和運用，激發學習興趣，培養自主學習能力；另一方面也可以有針對性地創設圍繞“三農”問題的數據分析項目，讓學生從數據分析中加深對“三農”問題的感性認識，培養對農經專業學習的興趣，提升對農經專業的認同度。具體來講，可以從以下方面開展對數據分析課程群的改革[7]。

3.2統籌規劃教學內容，加強課程間的連貫和遞進

農經專業數據分析課程群目前主要包括必修課數據庫應用、統計學和經濟計量學，選修課多元統計、數據挖掘與大數據分析，以及實踐課R語言與統計應用、Python語言。統計學教學的重點在于對基礎性的統計方法的運用，經濟計量學教學的重點在于讓學生掌握經濟計量分析的范式，如何利用經濟計量模型開展實證分析。多元統計強調對復雜多維數據信息的提煉。數據挖掘與大數據分析教學的重點在于大數據時代數據挖掘方法的應用。此外，針對于目前學生所學的軟件門類過多，軟件操作不夠熟練，建議在統計學、多元統計、數據挖掘大數據分析中統一采用R語言進行教學，讓學生通過幾門課程的學習，能夠熟練掌握一種統計分析軟件。

3.3基于項目驅動對教學內容進行整合及優化，調動學生主動參與

例如統計學課程介紹了基礎性的統計分析方法，在后續課程經濟計量學、多元統計、數據挖掘與大數據分析中引導學生運用基礎性統計分析方法，對數據進行初步的統計分析和整理，為經濟計量分析、多元統計、數據挖掘做好數據處理上的準備，讓學生體會到關聯課程中所學知識的聯結。鼓勵學生積極參與“三下鄉”活動，開展田野調查實踐，圍繞“三農”開展調研，運用統計和計量方法對調研數據進行分析，鼓勵學生參與到教學中來，培養學生的學習興趣，學以致用。

3.4建設“項目驅動”實踐教學模塊

結合農經專業課程體系，建設數據分析課程群“項目驅動”實踐教學模塊。在農經專業的課程體系中開設的農業經濟學、農產品貿易、農村社會學等專業性課程對大量的“三農”問題進行了探討，這類課程中涉及的城鄉差異問題、收入和消費問題、農產品價格波動、農產品貿易等現實問題的研究，都離不開基于現實數據的定量分析。因此，在農經專業的數據分析課程群中可以結合教學內容引導學生對專業課學習中熱點問題的研究，圍繞課程教學大綱，建設“項目驅動”實踐教學模塊，理論聯系實際，讓學生在研究項目中運用所學的數據分析方法，加深對專業知識的理解。

4農經專業數據分析課程群優化方案

在大數據時代，數據分析能力是學生的核心競爭力之一。數據分析類課程在建設中要強調理論與實踐的結合，不能只是將教學停留在課堂上，引入體現專業特色的實踐教學環節。可以從以下幾方面開展數據分析課程群的優化：第一，數據分析基礎類必修課安排在大一學年。在第1學期，可以安排R入門、Python入門、數據可視化課程，讓學生盡早接觸當前主流的數據分析軟件，激發學生對R或Python的學習興趣，讓學生自我拓展學習空間。R入門、Python入門、或者數據可視化課程都屬于數據分析的基礎課程，無需其他先修課程。在這一時期，讓學生開始接觸數據分析軟件，學習數據可視化的分析工具，有利于培養學生的數據思維、數據意識和軟件實操能力。第二，將與農經專業課有關的專業必修課統計學、經濟計量學安排在第3-4學期學習。統計學課程需要學生先行修讀高等數學和概率論課程，經濟計量學需要學生先行修讀微觀經濟學、宏觀經濟學，因此可安排在第3-4學期。讓學生在掌握了一定經濟管理專業知識后，可以更好地體會統計學、經濟計量學方法論學科的應用價值。第三，將數據分析進階類選修課多元統計、大數據分析、數據挖掘、機器學習等課程安排在第5-6學期。為高年學生提供豐富的數據分析類選修課，讓學生結合自己的興趣、未來的發展規劃學習更加多元化的數據分析技術。鼓勵學生能在專業論文習作、學科競賽中有更多的機會運用自己所學的數據分析方法，增加學生的收獲感和成就感，挖掘學生的學習潛力。第四，改革課程考核評價體系，采用項目式管理和評估的思路，由學生自主開展一個數據分析項目，從收集數據、提出問題、分析數據到提煉研究結論，開展小組團隊成員互評。教師跟蹤學生的項目開展過程，從學生的學習態度、投入程度、數據分析質量等綜合評價學生的學習效果。

5結束語

將項目驅動教學引入到農經專業數據分析課程群的建設，讓學生參與到教學中去，突破傳統教學中“教師教學生學”的局面，讓學生通過參與項目，運用數據分析方法解決項目中的實際問題，激發學生的學習興趣和潛能，讓學生體會到所學知識的應用價值，讓學生不再對數據分析類課程望而生畏。本文的研究對于農經專業學生數據分析能力的培養有重要的意義，強調理論與實踐的結合，提高學生數據分析的高階能力，也能為同類課程開展項目驅動教學提供借鑒。

參考文獻：

[1]農業農村部中央網絡安全和信息化委員會辦公室關于印發《數字農業農村發展規劃（2019-2025年）》的通知[EB/OL].（2019-12-25）[2020-4-14].

[2]李虹賢.農業經濟管理專業人才培養模式創新研究與實踐[J].智慧農業導刊，2022，2（7）：110-112.

[3]馮開文，陶冶.農業經濟管理專業實踐教學改革———以中國農業大學經濟管理學院為例[J].教育現代化，2017，4（23）：54-56+63.

[4]杜洪燕，陳俊紅.鄉村振興背景下中國數字農業高質量發展路徑研究[J].南方農業，2021，15（21）：213-214.

[5]金娥.基于項目式學習的《現代教育技術應用》課程學習框架的設計與實踐研究[D].武漢：華中師范大學，2021.

[6]胡靜，王昌鳳.基于應用型本科人才培養目標的項目式教學模式構建[J].教書育人（高教論壇），2022（9）：59-64.

篇7

【關鍵詞】信息時代;醫學信息化;發展前景;研究

1.引言

隨著現代信息技術的發展與廣泛應用，加快了人類信息社會的建設步伐，信息化、數字化已經逐漸進入到醫學的各領域中，成為醫學界不可或缺的重要工具與手段。信息技術的高速發展正改變著醫學的教學、研究、醫療服務等的諸多傳統方式，并隨著現代信息技術的不斷發展而不斷推陳出新。但是，我們不能否認，現代信息技術在醫學方面的應用不僅為醫學的認知帶來了新的渠道，轉變了醫學的思想觀念與工作方式，同時也為醫學界帶來了一些問題，例如：新的倫理問題等。因此，在醫學信息化建設迅速發展的今天，如何才能更好的將信息技術運用到醫學中，醫學信息化的發展前景如何？對醫學界具有十分重要的現實意義與長遠意義。

不可否認，醫學信息化的建設是長期的，只有符合醫學發展的信息化才具有生命力。在醫院中，我們隨處可見的CT、彩超等大型的數字化醫療設備、計算機網絡的各種醫療收費系統、醫療信息處理系統等，還有在醫學教學、科研領域，都逐漸開始使用現代信息技術的輔助來提升教學與科研的水平。信息技術在醫學中的應用與改造與創新，使得醫學的教學、科研、臨床、管理、藥品、醫學器械的研制等都在借助信息技術來加快自身的發展，很難想象沒有現代信息技術、計算機技術、網絡技術的醫學院校或者醫院將會使什么模樣。

2.信息時代醫學信息化所面臨的新挑戰

2.1 數據的共享問題

美國在醫學信息化數據的共享方面比較開放，美國的國立生物技術信息中心中存儲大量的數據信息，這些數據信息對科學家是無償提供研究的。但是，在我國的生物醫學研究部門或者是醫療機構中，已經積累了大量的科研與臨床數據，這些數據目前大多數仍處于獨立使用的狀態中，各機構之間缺乏數據共享數據孤島現象嚴重制約著我國生物醫學的研究與發展，同時也為我國社會醫療健康保障體系的建立帶來了困難。在實際中，這些醫療機構之間由于存在各種利益關系，一般都對自己所持有的醫學科研數據及診療數據資料保密，不愿意向同行與社會提供數據共享的服務。

2.2 數據標準化的問題

美國的著名勞倫斯伯克利國家實驗基因租的科學部主任表示，最理想的狀態就是能夠建立統一的電子醫療系統，這些醫療病歷系統應該具有統一的標準。但是，在我國的醫學現實中并非如此。各醫院存儲的各種數據標準不同，不同的系統在存儲的信息方面也不一樣，目前，醫療系統與醫療科研機構之間的信息數據標準很難實現統一。究其原因主要是由于各種醫療設備的生產廠家、醫療系統的軟件開發商之間的技術標準各不相同造成的。例如：不同的醫院對信息管理系統中的電子病例數據信息的記錄格式、標準不同，而信息中心的數據存儲設備在構架上也不相同，這就造成各醫院之間的醫療數據信息無法實現交流溝通、共享。如果同一個病人想在不同的醫院進行治療，就必須在不同的醫院分別再做一次相應的檢查，這不僅增加了病人的經濟負擔，嚴重的更影響了病人的最佳治療時期。因此，要想在醫學領域實現信息化就必須先打破各醫院之間的技術壁壘，解決信息化的標準化問題。

2.3 醫學信息化綜合應用型人才嚴重匱乏

目前，醫學信息學是建立在生物醫學、信息技術、統計學、管理學等多學科基礎上的一門交叉性的學科，在實際中，真正了解并掌握、精通信息科學知識的專業人才非常少。為了真正實現醫學信息化并促進多學科的研究與教學，于2009年美國的特拉華大學創立了生物信息學與計算機生物學中心，這一中心集中了來自美國的5個學院的60多名知名教師，并創立了負責多個生物信息學教育的研究項目。縱觀我國高校的現狀，還尚未成立專門的醫學信息專業，或者是生物醫學與信息學相交叉的學科專業。在生物醫學研究領域中的一些復合型研究人才大部分是由學生自己自學而成的，或者是由不同學科的導師共同培養而成的。這種狀況就造成我國醫療信息化應用人才的嚴重匱乏，并為我國醫療信息化人才的培養帶來了阻礙。不過我們堅信，在不久的將來，我國的醫學教育界一定會認識到這一問題。

3.信息時代醫學信息化的發展前景

3.1 醫學信息化正朝著遠程醫療與區域醫療的信息化發展

早在上世紀90年代，我國就曾經提出過實現遠程醫療的發展，很多偏遠地區的醫院與大城市中具有實力的綜合醫院之間建立了遠程醫療咨詢會與會診聯系，但是由于當時采取的是調制解調器的電話網絡或較高成本的衛星傳輸信息，在實際應用中很難得以實現，因此也就未在全國范圍內進行推廣。進入信息時代，隨著互聯網技術的發展與計算機技術的進步，網絡音頻技術、視頻會議技術等在醫學界得到廣泛的推廣，并實現了遠程醫療教育，從而推動了我國醫學影像信息的異地遠程傳輸，進一步推動了我國的遠程醫療發展。隨著醫學界對信息共享、電子病歷等問題的探討與研究，我國醫學信息化逐漸向著區域醫療衛生信息化的方向發展。

3.2 數字化醫院是醫學信息化發展的必然趨勢

目前對于數字化醫院的定義至今還尚無定論，從一般意義上來看，它與醫學信息化所寓意的實質性內容并不存在本質上的區別。目前，我國以病人為中心的HIS建設還處于初級階段，雖然已經在很多方面發揮了重大作用，但是還遠遠不能滿足病人、醫護人員、管理者實現方便、低廉、高效、安全的就診環境與模式，因此，數字化醫院的發展還需要建立信息化條件下合理的診療流程與復合業務的需求。總之，實現數字化醫院在研究、開發、應用方面還存在很大的發展空間。

總之，目前我國醫療領域信息化應用還屬于起步階段，還存在一些問題。但是我們堅信，在不遠的將來，在我國政策的推動下、在信息科學技術的不斷發展下，信息時代醫療信息化的發展將不斷深入，將在我國生物醫學領域中得到不斷地發展與進步。

參考文獻

[1]許德瑋，桑梓勤.基于云計算的醫療衛生位置服務平臺研究[J].醫學信息學雜志，2013（6）：8-13.

篇8

關鍵詞：學分銀行；終身學習；學習成果；兌換和積累；工商企業管理

“學分銀行”概念是在終身學習發展過程中產生的。我國高職院校基于“學分銀行”的管理制度剛起步，發展較為空白并且阻礙較多。未來企業發展離不開知識技能復合型管理人才，企業管理人才的學習認可如果僅靠學校期中期末考核綜合所得學分評判顯得“紙上談兵”，不能反映出管理者在社會、經濟等環境不斷變遷下的管理能力，工商管理專業是一門終身學習課程包括書本知識、經驗積累和個人應變能力等，隨著時間和環境的變化學習內容是動態調整的。

1“學分銀行”制度和功能

1.1“學分銀行”制度的含義

學分銀行借用“銀行”一詞，說明它應當具備銀行的儲蓄和兌換功能，它兌換的是學歷或資格。它能實現各高等學校和各種教育形式之間的學分通兌，未來甚至在國際上流通。它打破了學歷壁壘，讓非學歷教育與學歷教育享有同樣資歷，為社會上渴望通過學習實現理想的成員提供了終生學習機會及認證。

1.2“學分銀行”制度的功能

“學分銀行”制度在大數據和信息化發展不斷推進背景下具有調節教育機構、企業招聘單位、學習者和社會等利益相關者的有效終生學習管理機制，緩解了社會和招聘單位關于受聘者學習成果真實認證信息不對稱問題。教育機構結合區域產業結構和調整設置服務于企業的教育模式和目標，根據教學內容設置合理學分。學習者可以靈活規劃學習內容，選擇自己感興趣的課程進行學習并獲取一定學分。企業招聘單位可通過學分銀行制度提供的國家認可具有統一標準的學習成果認證對受聘者進行評價從而決定錄取決策。

“學分銀行”制度是國家終身教育構建的基石，它將原本隔絕和無法銜接的學習成果有效結合起來，讓學習成果認證體系具有透明性、可比性和可轉換性。打破學習在空間和時間上的界限，讓學習本質不再有校內校外、正規與非正規之分，學習者可以隨時隨地進行學習，學習社會化逐漸形成。

2“學分銀行”制度對工商企業管理專業的作用及難點

2.1“學分銀行”對工商企業管理專業的作用

2.1.1為企業管理者終身學習搭建“立交橋”

企業管理者所擁有的知識直接關系到企業的發展，對于工商企業管理專業的學生來說，他們畢業之后很有可能成為企業管理層中的一員，在學校中的學習是有限的并且不可應對將來環境的變化，所以管理專業的學習是終生性的，學分銀行制度為他們搭建了終生學習“立交橋”。此外，隨著管理學的發展，專業界限越來越模糊，它屬于跨學科專業，涉及經濟學、心理學、國際貿易、市場營銷和統計分析等，傳統校內學習已經不能滿足現代企業管理者必備知識素質，終生學習理念將讓這些管理者通過不斷的跨學科和跨界學習掌握更多知識，學分銀行則將他們的這些學習成果連續保存下來。學分銀行將零散的學習活動轉化成了連續的過程，讓管理者在工作過程中仍有接受教育的機會，這些學習機會具有橫向延伸、縱向銜接和多樣化特點，教育學分的積累和轉化可實現不同類型學習成果的互認和銜接。

2.1.2提供豐富、開放的選課體系

工商管理主要是通過研究企業經濟管理理論包括經營戰略制定和內部行為管理進行有效的企業管理和經營決策，確保企業的生存和可持續發展。工商管理專業應用性很強，涉及多學科知識包括管理學、經濟學、會計學和國際貿易等，特點在信息科技、大數據和新零售的發展下，通過數據分析進行管理決策也成為管理人才必備技能。學生可以隨時隨地制定學習計劃，選取自己感興趣、擴充知識面的課程，通過學習獲取學分并存入學分銀行，例如工商管理專業的學生可以選擇學習數據分析應用課程，學生的選課對教師也會提出一些要求，教師結合學生的工商管理背景調整課堂內容，具體教學中突出數據分析在企業管理中的決策應用，所以學分銀行制度對學生和教師兩者都具有監督和激勵機制。

2.2“學分銀行”對工商企業管理人才的難點

2.2.1學分認定主體不清晰

學分銀行沒有學位授予、資格評定和頒發證書的權利，它不是學分認定的主體，學分認定標準不同導致學分認定沒有太大意義。目前部分地區成立的學分銀行雖然借鑒了銀行的匯率結算思想，認為在不同教育類型下學習成果可以根據一定標準兌換成學分，但是學分認定工作難以實施導致這些學分的價值不明顯。

2.2.2學分兌換和折算率沒有統一標準

構建“學分銀行”的一個基本要素是制定科學合理、統一標準的學分通兌和折算系統，才能確保學分在不同教育形式、地區和學校之間的互認。工商管理專業所涉及學科較多，不同時間、地區和學校對工商管理專業的培養目標有所差異。例如，10年前大數據不是時代熱潮，數據分析與應用課程對于管理專業學生來說并不是重點，但是在今天這門課程卻至關重要，這就意味著10年前畢業的管理專業學生在當時的合格成績折算到今天并不一定合格，他們需要繼續進修讓自己保持合格成績，但是如何設置合理的折算辦法具有較大難度。通兌標準更難制定，系數計算所涉及因素較多范圍更廣，測算難度很大，并且需要整個教育體系的支持和認可，否則就是無效的，另外還需要強有力的監管體制，否則會出現通兌率不合理的情況，所測算出的學分影響用人單位的正確評判。

2.2.3教育者的管理難題

學分銀行制度在工商管理專業人才培養中的推行過程中存在管理難題。學分銀行制度的成功推行，意味著管理者的工作大大增加，從傳統的以專業和班級為單元進行管理變成以學生個體為管理單元。這就意味著，學籍管理檔案和選課方式依托于學生間的差異將細致化，管理難度和工作量都會大大增加。

2.2.4政策執行力度不夠

篇9

關鍵詞：金融學研究；文本大數據；數據挖掘；深度學習

在針對金融學領域進行實證研究時，傳統研究方法通常選擇結構化數據作為研究依據，常見類型如股票市場數據、財務報表等。大數據技術發展后，計算機技術逐漸成熟，在實證研究中可獲取更加多樣化的數據，非結構化文本大數據得到應用，例如：P2P網絡借貸文本、財經媒體報道、網絡搜索指數、上市公司披露文本、社交網絡文本等。本文探討了相關文本可讀性、相似性、語氣語調與語義特征等。

1.在金融學研究中文本大數據的挖掘方法

傳統研究方法通常采用人工閱讀方法對文本信息進行識別，因為文本數量龐大、信息構成復雜，人工識別效率較低，而且信息識別質量不穩定，信息識別效果受到閱讀者專業素養、理解能力等多方面因素影響。計算機技術發展后逐漸被應用于分析文本大數據，利用計算機技術獲取語料，對文本資料進行預處理、文本表示、抽取特征等操作。完成上述步驟后，在研究分析中使用文檔特征，從而開展深入分析[1]。在分析文本大數據時，主要采取如下流程：（1）從眾多信息來源中獲取語料，對語料文檔進行解析，明確文本定位，清洗數據，獲得文本分詞，標注詞性，將其中停用詞清除。（2）構建詞云、詞嵌入、詞袋模型與主題模型。（3）分析文本情緒、可讀性、相似性，分析語義關聯性。（4）監督機器學習、詞典語法處理[2]。

1.1獲取語料

獲取語料的方法主要分為兩種：（1）人工獲取；（2）利用網絡工具爬取或抓取。其中人工獲取語料投入成本較高，耗時較長，需要投入大量人力，因此網絡抓取的可行性相對較高[3]。網絡抓取方法可有效應對大量文本量，在一定程度上降低文本大數據獲取難度。在網絡抓取語料時，需要借助編程語言，通過直接抓取或爬取的方法獲取文本大數據。采用此種語料獲取模式具有兩方面顯著優勢，不僅獲取文本信息耗時較短，效率較高，而且可直接使用編程語言整理內容和規范形式，為后續文本分析工作奠定基礎[4]。

1.2預處理環節

獲取目標語料后，前期需要預處理文本，解析、定位文本，清洗數據，標注分詞與詞性，最后去除停用詞。金融市場通常要求企業采用PDF格式作為信息披露文檔格式，文本預處理中首先需要解析富格式文檔，獲取文檔信息。定位文本和清洗數據環節中，利用計算機程序定位文本信息[5]。在該類研究中，MD＆A研究熱度較高，使用正則表達式進行財務報告正文MD＆A定位首尾信息部分，提取上述信息。此外，文本信息中除核心內容結構外，還包括超文本標記語文、腳本語等代碼信息、圖片信息、廣告信息等，該類信息在文本分析中屬于噪聲內容，需要刪除和清洗相關信息，從文本中篩選有價值的核心內容[6]。文本分詞處理與文本語言密切相關。英文文本使用空格劃分單詞，即自然存在分詞形式，也可采取提取詞干、還原詞形等方法劃分單詞。中文文本中不使用空格分詞，根據中文語言習慣，詞語為最小語言單位，可獨立使用。基于此種背景，分析文本時需要專門分詞處理中文文本，例如：使用Python開源“jieba”中的中文分詞處理模塊處理文本，股票論壇帖子文本、年度業績說明會以及企業財務報告均可使用該類工具處理，完成分詞。在針對中文文本進行分詞處理時，其中實施難度較高的部分是識別新詞、歧義詞與控制切分顆粒度。在處理歧義詞時，需要科學選擇分詞方法，采用“jieba”針對文本進行分詞處理時，選擇分詞模式是否科學直接影響分詞精準度。分詞處理新詞時，需要用戶在相應模塊中自行添加新詞，完善自定義詞典，從而使分詞軟件識別新詞[7]。語義信息被識別的關鍵依據是詞性等語法特征，詞語切分后標記詞語詞性操作被稱為詞性標注。詞性標注操作可幫助計算機進行詞語種類識別，避免詞語歧義，對語法結構進行有效識別，從而促進計算機順利進行語義分析。詞性標注時，中英文操作方法不同，詞性劃分英文單詞要求比較嚴謹，利用詞尾變化反映詞性變化。在英文詞匯中，許多固定詞尾可提示詳細詞性信息。在處理中文詞語中，并無明確詞性指示，詞性識別依據主要為語法、語義等。簡言之，英文詞性識別標記注重形式，漢語詞性標記以語義為主。在處理文本信息時，需要將文本信息中停用詞去除，從而保證文本挖掘信息具有較高精度。所謂停用詞，即自身詞義表達有限，然而對于句子語法結構完整性而言非常重要的詞語。停用詞導致文本數據具有更繁瑣維度，導致分析文本的成本較高。英文中動詞、連詞、冠詞均為常見停用詞。中文處理方法比較復雜，必須結合語言習慣分析停用詞，不僅需要處理特殊符號、標點符號，還需要處理連詞、俚語。除此之外，應根據具體研究內容確定停用詞。在進行文本情緒研究時，特定標點符號、語氣詞等會影響文本表達的情感信息，對于此類信息需要予以保留，從而保證文本情感程度得到準確分析。

1.3文檔表示環節

文本數據為高維度數據，具有稀疏特點，使用計算機處理文本數據時難度較高，預處理實施后，必須通過特定方式表示文檔信息，通過此種處理降低后續計算機分析和人工研究難度。詞云、詞嵌入、詞袋模型、主題模型均為核心表示方法[8]。詞語技術具有可視化特點，是文本大數據技術之一。所謂本文可視化，即使用視覺符號顯示復雜內容，展示文本規律。根據生物特性，人們習慣于通過視覺獲取文本信息，實現文本可視化可提高信息提取效率。使用詞云技術可有效描述文本中詞匯使用頻率，采用醒目形式顯示高頻詞匯。詞袋模型的構建基礎是無嚴格語序要求的文字詞組存在[9]，以此種假設為前提，文本相當于眾多詞語集合，采用向量化方法表達文本，在此過程中只計算各個詞語出現頻率。在詞袋模型中含有兩種構建方法：（1）獨熱表示法；（2）詞頻-逆文檔頻率法。前者的應用優勢是可行性較高，操作難度較低。例如：現有如下兩個文檔：（1）文檔一：“經濟學中文本大數據使用”；（2）文檔二：“金融學中文本大數據使用”。以文檔一、文檔二為基礎建設詞表，根據詞序實施詞袋化處理，確定詞袋向量。對于出現的詞，以“1”表示，未出現的詞以“0”表示。但是在實際操作中，不同詞語在文檔中出現頻率存在差異，通常文本中高頻詞數量較少，許多詞匯使用頻率較低。為體現文檔中不同詞語的作用，對單詞詞語賦予權重。TF-IDF是計算文檔定詞語權重的有效方法。含有詞語i文檔數描述為dfi，集合中文檔總量描述為N，逆文檔頻率描述為idfi，第j個文件中詞語i頻率描述為tfi,j，第j個文檔內詞語數量描述為aj，第i個文檔內詞語i權重描述為tf-idfi,j，則公式應表示為[10]其中，的前提條件是不低于1，0定義為其他情況。較之獨熱表示法，TF-IDF方法的特點是對每個單詞賦予不同權重。在賦予其權重的基本方法時文本中該詞匯出現頻率越高，其重要性越高，與此同時語料庫中該詞匯出現頻率越高，則其重要性相應降低。詞嵌入處理中，主要是在低緯度連續向量空間嵌入指定高維空間，該高維空間維數包括全部詞數量。在金融學領域中進行文本研究時，詞嵌入技術通常采用Word2vec技術，該技術中主要使用CBOW技術與Skip-Gram神經網絡模型，針對神經網絡進行訓練，促使其有效捕獲詞語中包含的上下文信息，對詞語進行向量化映射，得到的向量語義信息更加豐富，信息密度更大，信息維度更低。主題模型中應用頻率較高的是LDA模型，應用此種模型進行文本分析屬于無監督機器學習法，通過此種方法才能夠大量集中語料中提取主題信息。在應用該方法時，將生成文檔的過程分為兩步，首先假定各文檔具有對應主題，從這些主題中抽取一個主題，然后假定文檔具有對應詞匯，對比之前抽取的主題，從詞語中選取一個與主題對應的詞語。完成上述迭代后，將其與文檔中各詞語擬合，從而獲得各文檔主題、主題中詞語分布情況。LDA模型主要優勢是，與手動編碼相比，該模型性能更完善，可有效分類大規模文檔。該模型做出的文本主題分類支持復制，準確性較高，而采用人工手段分類文本時較易受到主觀性影響。此外，使用此種模型時，無需人工分類進行關鍵詞、規則設定。LDA模型的缺點是在主題預設個數時，受到研究者主觀因素影響，選擇主題個數的數量受此影響顯著，因此生成主題過程與歸類文本主題時較易受到相關影響。

1.4抽取文本特征的方法

文本特征是指文本可讀性、相似性、文本情緒以及語義關聯性。其中文本可讀性即讀者在閱讀文本時是否可較容易地理解文本信息。在編輯文本時應保證文本具有較高可讀性，保證投資者通過閱讀文本可有效理解文本信息，即確保文本對投資者投資行為產生積極影響。有研究者在文本分析中使用迷霧指數，該類研究認為，迷霧指數與年報可讀性呈負相關。年報文本字數、電子文檔規格也是影響年報可讀性的重要因素。在使用迷霧指數評價文本可讀性時，常見的問題是，隨機排序句子中詞語將導致文本難以理解，然而正常文本和經過隨機排序處理的文本在分析計算時，顯示相同迷霧指數。不僅如此，在進行商業文本測量時采用迷霧指數作為依據具有顯著缺陷，例如，當對企業披露信息進行可讀性分析時，難以有效劃分年報可讀性與該企業實際復雜性。基于此種背景，在針對年報文本可讀性進行評價時，需要結合企業業務復雜性等影響，提出非文本因素[11]。在提取文本情緒時，通常采用有監督機器學習法與詞典法進行提取操作。詞典法即在文本情緒、語氣語調研究中使用情緒詞典輔助分析。詞典確定后，該類研究即支持復制。不僅如此，建設詞典時還需要融合大量金融學專業知識，從而使詞典與金融文本分析需求一致。使用現有多種類詞典、文獻等分析媒體報道情緒，針對財務報告進行語氣語調分析，以及進行電話會議等進行語氣語調分析等。中文大數據分析時，通常是以英文詞典、詞庫等為模板，構建中文情緒詞典。使用該類詞典輔助分析股票成交量、收益率，評估股市崩盤風險高低。在詞典法應用中需要結合加權法進行文本情緒分析[12]。有監督機器學習法包括支持向量機、樸素貝葉斯等方法。采用此類方法時，重點環節在于對分類效果進行檢驗和評價。交叉驗證法是常見檢驗方法。有監督機器學習法的缺點是必須人工編碼設置訓練集，工作量較大，并且人工編碼較易受到主觀因素影響，分類效果魯棒性較差，并且研究難以復制。其優點是分類精確度較好。

2.文本大數據分析

大數據分析主要是進行財務報告等公司披露文本信息、搜索指數、社交網絡文本以及財經媒體報道等進行分析。通過文本挖掘從海量文本中抽取核心特征，分析其可行性、相似性、語義特征、語氣語調等，然后分析股票市場行為與文本特征等相關性。分析披露文本信息時，主要是利用文本信息對企業財務、經營、管理層長效經營信息等進行研究。在進行此類研究時，重點是分析文本可讀性、相似性，以及分析語氣語調。披露文本可讀性較高時，有利于投資者有效獲取公司信息，影響投資行為。迷霧指數理論認為，財務報告具有較高可讀性的企業通常具有更長久的利潤。此外，有研究者提出，財務報告可讀性直接影響盈余預測離散性和可靠性。財務報告可讀性較低時，公司為減輕此種消極影響，可采取自愿披露措施緩解消極影響。管理者通過控制財務報告可讀性可對投資者行為做出影響[13]。在針對企業發展情況和股票市場發展趨勢進行分析時，披露文本語氣語調具有重要參考價值。相關研究認為，MD＆A語氣內含有增量信息，該類信息為企業長效經營能力進行預測，同時可根據該類信息分析企業破產風險。管理者情緒狀態可表現在電話會議語氣中，此種語氣分散情況與經營決策具有相關性，同時語氣對投資者感知、分析師評價產生影響。分析財經媒體報道時，主要關注媒體情緒，分析媒體報道著眼點，針對經濟政策進行分析，了解其不確定性，此外還需要研究媒體報道偏向信息、假新聞等。進行社交網絡文本研究時，主要是分析策略性信息披露情況與文本情緒。搜索指數研究方面，主要通過搜索指數了解投資者關注度。

結語

篇10

關鍵字：大數據 嵌入式服務 信息服務

中圖分類號： G252 文獻標識碼： A 文章編號： 1003-6938（2014）01-0030-05

Analysis on Model of Information Services Embedded Process of Scientific Research in Big Data Environment

Abstract In this paper the requirements on which information services of scientific research process are explored， and the connotation and elements of information services which supporting data-intensive scientific research are discussed. On this basis， it summarizes the typical characteristics of model of information services embedded process of scientific research. And then， the new challenges are analyzed.

Keywords big data； embedded service； information service

1 引言

如今，大數據這個術語已是耳熟能詳，它通常是海量的、形式多樣的、非結構化數據的代名詞，是信息化、網絡化快速發展下要經歷的必然過程[1]。與此同時，在現代科學研究過程中，數據量的生成呈現指數增長也是顯而易見，不管是由于高通量的科學試驗，還是千萬億次的科學計算，高分辨率的傳感器，以及錯綜復雜的網絡科學研究環境。

因此，在大數據環境下，科學研究人員的信息需求和科學研究模式發生了顯著性的變化，而嵌入科研過程的信息服務在科學研究的整個流程中，始終堅持以科研人員為中心的原則，從其課題選定到結束的整個過程提供具有廣度的信息展示，個性化的信息推送和深度的信息互動。而科學研究的本質是信息的整理和分析[2]，鑒于此，為順應科研環境的轉變，如何為科學研究人員提供高效的數據管理和新型的信息服務模式，是值得思考和探討的。

2 科學研究過程中信息服務的需求分析

2.1 科學研究模式的轉變

科學研究正在進入一個嶄新的階段，在信息與網絡技術迅速發展的推動下，大量從宏觀到微觀、從自然到社會的觀察、感知、計算、模擬、傳播等設施和活動產生了大量的數據。同時，學科的發展逐漸呈現交融化、協同化和復雜化，研究人員逐漸把數據作為科學研究的對象和工具，基于數據來思考、設計和實施科學研究，因此促進了數據密集型科學的興起，使密集型數據成為科學研究活的基礎，并逐步總結形成了科學研究第四范式的研究模式[3]。

從科研人員的原始數據，相關數據到科技文獻的產出，研究過程中的數據和信息既是研究創新活動的參考資源和知識創造工具，又是新的研究的起點，科研人員必須在此基礎上依賴資源的數字化、交流手段的網絡化、科研工作的協同化以及科研數據的共享化來把握科學的發展規律，洞悉海量數據背后的信息和知識。然而科研人員研究對象和環境的轉變，使其對信息的發現和分析能力愈加欠缺，直接導致在數據的挖掘和信息的管理方面面臨著挑戰。以數據為驅動的數據密集型科學研究改變了科研人員的信息行為模式，同時也產生了新的信息服務的需求。

2.2 大數據環境下科學研究用戶的信息需求

當前，密集型科學數據作為大數據的重要組成部分，在具備大數據特征的同時，在數據分析和管理方面有更高的要求[4]，必然導致科研人員對研究過程的個性化、專深化、集成化和協同化的信息需求不斷增強。

（1）大數據環境下科學研究對象的虛擬化，導致科研人員擁有更強的數字化交互式的信息管理能力需求。網絡快速傳播迅速產生的海量科學數據以及大量來自互聯網的數據和信息成為科學研究的主要組成對象，使得研究轉變成以網絡為基礎的高度協作性活動，如何對海量虛擬化的數據和信息進行有效管理，成為科研人員必須面臨的問題。

（2）大數據環境下科學研究需求的深度知識化，導致科研人員擁有海量數據實時的分析挖掘需求。一方面，以網絡為基礎的數字信息資源改變了科研人員的研究行為，數據的獲取不是問題的關鍵，而關鍵在于數據背后的深度知識挖掘；另一方面，科研人員需求泛化的同時，更加專深化。如何根據每個科研人員獨特的研究特征進行數據的跟蹤、比對和分析，使專業化和針對性的知識實時獲取，成為科研人員必須面臨的問題。

（3）大數據環境下科學研究交流方式的便捷化和多樣化，導致科研人員擁有科學數據融匯和多學科協同的信息資源共享需求。在數據密集型的科學研究學術交流過程中，交流方式隨著信息技術的不斷深入，而愈加便捷，但是對于整合所有科學數據和文獻，形成一個具有全球開放獲取的互操作世界，仍有相當大的差距[5]。如何使科研人員在查看文獻的同時能夠找到文獻的所有原始數據，并可以在此數據基礎上，重現作者的分析過程，成為科研人員必須面臨的問題。

3 嵌入科研過程的信息服務模式的分析

3.1 嵌入科研過程的信息服務模式的含義

模式通常被解釋為某種事物的標準形式或使用人可以照著做的標準樣式[6]。即模式是將解決某類問題的方法總結歸納到一定的理論高度，并用來幫助指導人們設計優良的解決方案和完成某類任務的方法論。因此，模式是方法的抽象概括和總結，是解決某一類問題的方法論。而信息服務，在傳統上認為的是以信息資源為基礎，利用各種方法或技術手段對信息進行收集、整理、使用并提供相關信息產品和服務的一種活動[7]。并且伴隨著科研用戶需求的多樣化，逐漸轉變成通過研究用戶，以用戶的需求為導向來收集相關的數據和信息，進行信息組織和分析后，將有價值的信息傳遞給用戶最終幫助用戶解決問題，來實現信息增值。從這種意義出發，服務主體、服務客體、服務方法和服務內容是信息服務模式的主要組成部分，這些要素及其相關關系成了區別不同模式的主要依據。

另外，嵌入式理論提倡把事物的產生、發展和特點與其周遭環境聯系起來，放到更大的背景中去考察[8]。而嵌入科研過程就是融入科學研究的整個細節和流程中，考慮科研用戶需求的產生與發展，從課題選定到結束的整個過程中提供滿足科研人員的具有全局性和個性化的信息與知識需求。將嵌入式理論應用到科研信息服務中，在一定程度上滿足了在網絡環境下科研人員面對的數據量體量大、結構多樣化、生成速度快、價值密度低的研究問題的個性化服務需求。

因此，嵌入科學研究過程的信息服務模式將數據管理與信息服務融入到科研用戶一線，嵌入到用戶科研環境和科研過程，是以專業的信息服務人員為基礎，采用先進的計算機技術（如云計算、語義網和Web3.0等），構建具有強大的資源整合能力、海量信息分析能力、大數據挖掘能力和多維度信息可視化能力的集成平臺，以科研用戶需求環境和需求趨勢為導向，是一種面向用戶發現問題、分析問題、解決問題和提供解決問題決策的信息展示、交互和推送的服務模式。

3.2 嵌入科研過程的信息服務模式的要素

信息服務模式是對信息服務活動的組成要素及這些要素之間相互關系的概況[9]。基于此，筆者將大數據環境下科學研究過程中的服務需求，組成嵌入科研過程的信息服務模式的服務主體、服務客體、服務方法及服務內容四個要素相結合并逐一進行分析。

3.2.1 服務主體

嵌入科研過程的信息服務模式的服務主體是信息服務活動的實施者，即信息服務人員，其根據科研人員的需要，采取相應的服務策略，提供滿足研究者需要的信息服務產品。在嵌入科研過程服務的環境下，一方面，服務主體要求嵌入科研人員情景中，并作為研究團隊成員，通過現場交互（包括現場和網絡渠道），來把握知識需求、組織知識環境、定制知識工具和提供服務成果[10]。另一方面，服務主體提供的信息服務產品具有實時性、多樣性、針對性和易用性的特點，更加注重將科研人員自身的知識背景，研究工具、研究領域的實時動2態以及研究目標與信息服務產品的有機結合。

鑒于此，嵌入科研過程服務的提供者應需要包括：①具有對信息內容強大而靈活的分析能力的信息分析師；②具有支持信息資源知識化處理能力的知識建構師[11]；③具有精通各種發現、分析和組織知識的方法與工具的檢索與組織專家；④具有對特定領域深入了解的情報分析專家和學科專家。這樣通過其之間的合作與互補，將大量跨領域科研人員、海量密集型的科學數據、信息內容和分析過程有機地融匯起來，促進科研人員高效推動成果的創新。

3.2.2 服務客體

嵌入科研過程的信息服務模式的服務客體是指信息服務的需求者，在一個特定的項目實施過程中，服務的需求者可根據應對研究問題的規模和復雜程度的人員數量進行劃分，包括了科研團隊群體需求者和單一科研人員需求者。

而鑒于嵌入科研過程的信息服務模式對于服務主體、服務方法和服務內容有更嚴格的要求，其成本也是相對較高的。因此，對于服務客體也有特定的要求，其中主要應包括以下兩個方面的科研人員：一方面，對于攻克涉及多學科，跨領域的重點研究項目的研究團隊，其面臨的課題更具開放性與不確定性，研究過程中隨之而來會遇到更多復雜的技術、方法等方面的難題，對于多學科的深層次信息服務擁有更強烈的需求；另一方面，對于引導學科發展方向的先驅，其面臨的課題更具專深化與前沿性，研究過程中隨之而來的是以戰略眼光審視研究問題，對于特定性的實時動態信息服務擁有更強烈的需求。這樣，嵌入科研過程的信息服務模式對于跨學科、跨國界和跨領域的重大科研項目以及具有前沿戰略性的研究工作無疑是一種值得考慮的服務模式。

3.2.3 服務方法

嵌入科研過程的信息服務模式的服務方法是針對科學研究的信息服務手段，其主要是為服務主體完成信息服務行為提供有效的工具。服務方法隨著科學研究方式的轉變而不斷變化，如今，現代科學研究朝著數據化和計算化的方向發展，從計算科學中逐步分離出了數據密集型科學，所有資源對象都被信息化、數字化表征，海量科學數據被迅速和大量創造，并經過網絡快速傳播。這樣，促使了新型的信息服務方法根據研究人員的研究場景，將研究過程中的信息或知識深度地嵌入到解決科學問題的各個過程，促使科研人員的知識發現和知識創造。基于嵌入式理念，在總結傳統信息服務方式的文獻代查、專題報告總結的基礎上，筆者進一步深化了嵌入科研過程的信息服務模式的服務方法。

通過對研究問題的處理流程進行分析，在此將嵌入科研過程的信息服務模式的服務方法從四個方面進行展開：①嵌入科學研究過程的語義關聯的信息資源發現服務，在各類數字資源中嵌入語義導航體系，并融入科研人員與系統交流，構建關聯主題圖，觸發知識的偶然發現；②基于用戶情景的開放式信息資源獲取服務，采用模塊化組裝思想，進行信息關聯與協同化組織管理，根據科研人員當時當地具體情境自適應地提供獲取服務；③集成信息資源云平臺的大數據交互式的挖掘服務[12]，科研人員針對個人分析問題、解決問題的獨特方式，借助云平臺中開放的分析挖掘工具進行相關的大數據深度分析，對于潛在問題進行定向分析；④融于可視化技術的動態多維信息資源呈現服務，從科研人員體驗入手，支持圖像界面、語音界面和觸摸屏界面，以構建、傳達和表示復雜信息或知識，通過豐富的數據觀察方式幫助科研人員識別隱性信息。

3.2.4 服務內容

嵌入科研過程的信息服務模式的服務內容是確定的信息產品，是服務主體交付給服務客體的最終成果或其享受到的各種信息服務。其主要保障科研人員在研究過程中項目的順利推進以及促進科研人員的自主創新和交叉融匯創新。在項目處理生命周期中嵌入科研過程的信息服務內容（見圖1）。

（1）評價與預測性信息推送。在識別問題的基礎上，服務主體一方面通過當前現狀的調查和相關問題的數據集分析挖掘，向科研人員提供其研究發展前沿與趨勢的預測性研究成果；另一方面，分析國內外當前類似項目組的科研狀況與進展，評價其優勢與劣勢，為項目的選定提供參考性和建設性建議。

（2）方案規劃信息參考咨詢。將服務主體嵌入到項目規劃中，不僅有助于服務主體能對項目在一定程度上有整體性和全局性的把握，而且有利于服務主體與服務客體的溝通，形成優勢互補。同時，服務主體以用戶需求為導向，通過多層次的探討，采用相應的工具，提供個性化的參考咨詢，保證項目規劃的科學性。

（3）過程管理與信息重構。數據密集型科研環境下實施項目，必須利用海量信息分類聚類、抽取要點和發現關系，來分析揭示隱藏的知識結構。而通過對信息網絡的重構，進行趨勢分析、問題鑒別和路徑探索是服務主體的優勢。利用這一優勢可以減輕科研人員的負擔，使其能夠集中精力于自己的研究領域。同時，在實施過程中遇到的困難，服務主體將實施情況與規劃對比，關注偏差，實時采用相應的服務方法幫助科研人員分析原因，提供可借鑒的解決方案。

（4）專題信息關聯性管理。在項目結題過程中，服務主體一方面依據數據生命周期全面分析整理并記錄科研用戶的數據處理情況，另一方面依據研究生命周期細致總結各階段研究成果，并將相關的數據、信息和知識進行關聯、回溯與保存。

4 嵌入科研過程的信息服務模式的特征

嵌入科研過程的信息服務模式是以信息服務為軸心，以科研用戶為中心，以數據資源為核心，以科研用戶需求為導向，以嵌入式信息服務團隊為重心開展工作。信息服務是嵌入科研過程的信息服務團隊提供的工作內容，服務團隊的工作是圍繞信息服務這一根本而展開的。滿足服務客體的實際需求和潛在需求是嵌入式信息服務團隊工作的最終目標，而為了達到這一目的，嵌入式信息服務團隊需要掌握核心的數據資源技術，以便能夠在課題查新、文獻檢索、隱性知識挖掘方面提供個性化、專業化的服務。

4.1 覆蓋協同多領域

科學研究是一個創新的過程，其需要具備的信息亦是多樣的，這樣嵌入式信息服務團隊對于科研的促進作用也是顯而易見的。一方面，學科的交融，科研項目的合作緊密化，科研用戶除了需要本學科研究的信息外，還需要大量交叉學科的知識，嵌入式信息團隊中的學科專家能夠采用輔助或合作的形式為科研用戶提供滿足其需求的個性化相關學科的信息或知識；另一方面，多領域科研用戶的合作，必須保證科研團隊間的目標協同和科研資源的組織協同，嵌入式信息服務團隊能夠與科研用戶加強交流互動，與用戶建立長期穩定的協作關系，并構建協同工作機制，來保證服務內容的有效性和針對性，服務方式的準確性和高效性。

4.2 貫穿科研全過程

科學研究是在現有的研究基礎之上來對未知事物的探索性活動，這就導致了科研用戶的研究活動具有動態的信息需求，在科研項目的選定階段，嵌入式信息服務團隊能夠以伙伴合作型方式推送課題項目的研究背景、研究綜述和研究進展；在科研項目的規劃階段，嵌入式服務團隊能夠整體和全局地把握課題項目所使用的相關技術或研究計劃方案；在科研項目的實施階段，嵌入式服務團隊能夠根據用戶的需要，跟蹤國內外研究進展和動態信息，對海量信息進行深入分析，對隱性知識進行全面挖掘；在科研項目的結題階段，嵌入式信息服務團隊能夠根據信息的生命周期，將信息進行歸類、關聯與保存。

4.3 情景感知個性化

科學研究的主體是科研用戶，而科研用戶情景是指用于表征與交互環境相關的實體狀態的信息集合，包括用戶位置、所處時間、用戶情緒、心理狀態及其相互關系等[13]，能夠實時動態地獲取科研用戶情景信息，把握其具體需求，是科學研究活動高效推進的重要保障。與之對應，情景感知是對用戶情景的獲取與應用[14]，嵌入科研過程的信息服務模式通過以下兩個方面的用戶情景感知來提供個性化服務：一方面，科研用戶與系統的交互，嵌入式信息服務團隊通過監控用戶在學科社區、博客和學科群等挖掘科研用戶偏好和相關隱性信息需求；另一方面，嵌入式信息服務團隊通過與科研用戶協同交流，及時感知獲取用戶的長期目標和短期目標，根據科研用戶的潛在需求來組織信息環境、定制信息工具、提供個性化的推送服務。

5 嵌入科研過程的信息服務模式所面臨的挑戰

數據密集型科學下的科研范式，更加強調科研人員在網絡環境下的協同交流、資源開放、信息共享、智能關聯與協同應用。嵌入科研過程的信息服務模式在促進現代科學研究創新的同時，也面臨著一系列的問題和挑戰，尋求合適的標準規范和技術對策有助于切實推動新型信息服務模式的轉變，促進科研過程的推進與創新。

（1）嵌入到用戶科研過程并且根據用戶研究背景提供個性化信息推送對情報研究人員的挑戰。一方面，大科學的興起，科研人員的研究課題通常會涉及多學科和多領域的研究，這就要求情報研究人員具有跨學科的綜合分析和信息獲取能力，從多視角、多層次為科研用戶提供信息服務；另一方面，將情報研究人員嵌入到科研過程，其必須具有戰略性的眼光，對研究的整個過程有全面的認識，明確每個階段為科研人員提供的信息服務類型，通過自身的優勢提供其所需的信息資源，必要時能夠進行科研項目的管理，以情報分析的嚴謹性來引導科研過程的科學性。

（2）新型技術的應用對密集型科學數據的全面整合與共享的挑戰。首先，大數據時代的到來，使科學研究正在被大量密集型的數據所淹沒，在數據的分級、歸檔、備份和保護的問題上對數據共享的性能提出了挑戰[15]；其次科學研究大數據集涵蓋了各類學科、各類層次研究人員或團隊、各個研究階段以及各類來源的數據集合，這些數據集合的多樣性與復雜性對其整合提出了挑戰；最后科學研究范式發展成為以數據為驅動的研究模式，強調將科研數據集合長期保存，并且將數據與關于數據的文件集合成一體，數據的流動、交互、融合、引用和回溯都將記錄并保存下來，這對數據資源的整合與共享提出了又一新的挑戰。

（3）研究環境的變化以及相應信息服務方法的轉變對數據分析挖掘能力的挑戰。一方面，密集型數據分析挖掘成為信息服務必不可少的支撐點，而密集型數據在具備大數據特性的同時，必然使傳統的分析挖掘工具和算法面臨著挑戰；另一方面，嵌入科研過程的信息服務模式的服務主體需要利用數據對科研創新合作過程及交互型信息服務過程將要發生什么進行分析和預測，以便為服務客體實時提供相應的輔助決策，這種綜合性和多維性的預測對數據實時與深度挖掘提出了挑戰。

6 結語

大數據不僅僅是數據量的劇增，也不僅僅是信息技術的飛躍，而是人類對客觀世界認知飛躍的前奏[16]，科學研究已進入數據密集型科學知識發現，因此，研究構建對科學數據、模型工具以及大數據挖掘平臺，支撐跨區域、跨學科和跨團隊的協同研究，滿足現代科學研究需求的信息服務模式，對于促進科研創新是非常重要和迫切的。

另外，深層次的嵌入科研過程的信息服務模式由于成本、技術和人員素質要求等限制，只能針對特定的有高度需求的科研人員或群體。但是，一方面對于嵌入科研信息服務模式的服務主體學科背景知識、新型技術的運用能力、嵌入服務意識、溝通能力和協作能力提出了更高的要求；另一方面，對于不同的科研人員和工作環境如何采用多樣化的服務方法來提供個性化的服務內容，促使其提升科研效率，也面臨著極大的挑戰。毫無疑問，面對全新科研范式帶來的強大動力，利用信息服務模式的轉變來推動科學研究的不斷創新和發展將是大勢所趨。

參考文獻：

[1]劉明，李娜.大數據趨勢與專業圖書館[J].中華醫學圖書情報雜志，2013，22（2）：1-6.

[2]王憑慧.科學研究項目評估方法綜述[J].科研管理，1999，20（3）：18-24.

[3]王學勤，Amy Stout， Howard Silver.建立數據驅動的e-Science圖書館服務：機遇和挑戰[J].圖書情報工作，2011，55（13）：80-83.

[4]Delserone L M. At the watershed： Preparing for research data management and stewardship at the University of Minnesota Libraries[J].Library Trends，2008，57（2）： 202-210.

[5]Tony Hey.潘教峰譯.第四范式：數據密集型科學發現[M].北京：科學出版社，2012.

[6]中國社會科學院語言研究所詞典編輯室.現代漢語詞典[M].北京：商務印書館，2005：301-302.

[7]張樹華，王京山，劉錄茵，等.數字時代的圖書館信息服務[M].北京：北京圖書館出版社，2005：1-9.

[8]秦鐵輝.嵌入性理論對情報學研究的啟示[J].圖書情報工作，2009，（12）：1-3.

[9]劉媛筠，李志民.當代圖書館的三種信息服務模式[J].圖書館雜志，2013，（1）：26-31.

[10]張曉林.研究圖書館2020：嵌入式協作化知識實驗室[J].中國圖書館學報，2012，38（197）：11-20.

[11]張曉林.走向知識服務：尋找新世紀圖書情報工作的生長點[J].中國圖書館學報， 2000，（5）：32-37.

[12]樊偉紅，李晨暉，張興旺，等.圖書館需要怎樣的“大數據”[J].圖書館雜志， 2012，（11）：63-68.

[13]萬亞紅，黃樟欽，陳旭輝，等.基于主動推理的情景感知系統框架[J].計算機工程，2004，30 （12）：8-9，70.

[14]KM S W， PARK S H， LEE J B. Sensible Appliance： Applying Context-awareness to Appliance Design [J].Personal and Ubiquitous Computing，2004，8（3）：184-191.

[15]Science Staff. Challenges and Opportunities[J]. Science Special Issue： Dealing with Data，2011，（331）：692-693.