大数据趋势与专业图书馆

大数据和大数据技术是当前信息领域研究的热点。介绍了大数据相关背景和科学研究的第四范式——数据范式,分析了在第四范式和大数据趋势中的学术信息交流方式的转变,并以生物医学领域的进展和应用场景为例分析了专业图书馆随之的转变,提出了与大数据相关的专业图书馆观念的转变和人才需求的转变。

大数据人才培养的基础条件初探

人才短缺是发展大数据的主要障碍,越来越多的大学启动了大数据人才培养计划。大数据人才培养的基础条件有哪些?首先要有师资,但这是一个矛盾的基础条件,人才短缺意味着师资更短缺;其次要有数据,且是"大"的数据,没有数据的人才培养是纸上谈兵;有了"大"数据,就需要相应的计算条件。探索了大数据人才培养所需的师资、数据和计算条件问题,提出超学科创新培养模式解决师资条件问题、建立大数据试验场解决数据和计算条件问题。

大数据时代的数据科学家培养

大数据时代,最热门的职业是数据科学家(data scientist),而不是传统的信息科学家,也不是大数据工程师。大数据热潮促进了数据科学(data science)研究进入快速发展期,数据科学家的培养也受到广泛重视,越来越多的大学启动数据科学学位培养计划,但值得注意的是,当前数据科学家培养的基础条件缺乏,其知识结构、学科体系、人才培养计划尚未建立。结合大数据时代的人才要求,给出了科学、系统的数据科学人才知识体系,提出了超学科、多类型的培养模式。

数据科学家及其对图书馆未来发展的作用

介绍数据科学和数据科学家的定义,论述数据科学家需要具备的素质和能力及其在图书馆中的作用,包括为图书馆决策服务、为资源订购提供依据、提高资源利用率等方面,指出数据科学家在大数据时代的作用将越来越重要。

数据科学的发展与人才培养研究

梳理了数据科学学科形成与发展的四个阶段——正式诞生、涵义演变、专业发展、广泛应用,概述了国内外对数据科学人才的需求态势和人才培养现状,并提出了具体的人才培养策略:厘清概念认知,明确专业人才的知识结构;编译主干课程的教材,构建数据科学课程群;通过高校、政府和企业的协同育人,培养多类型的专业人才;积极开发软硬件,创建高质量的大数据实践实训平台。

数据科学家:岗位职责、能力要求与人才培养

数据科学家具有区别于其他专业人才的能力要求和岗位职责,培养数据科学家是数据科学与大数据技术专业的主要使命。本文以Indeed、LinkedIn和百度百聘为数据来源,广泛搜集中国、美国、英国、德国、加拿大、日本、澳大利亚和韩国八个国家五种语言的数据科学家招聘公告,挑选出206则具有代表性的招聘公告,对其中的任职资格要求和岗位职责描述进行聚类分析和观点挖掘,提炼出数据科学家的能力要求和岗位职责。经调查发现,数据科学家的主要岗位职责有:以数据为中心提出解决方案,从海量数据中洞察有价值的信息,面向具体业务的算法模型研发,假设检验与试验设计,数据治理与数据质量控制,数据产品的研发及基于数据的传统产品的创新,数据全流程的参与以及跨部门和跨领域合作等;数据故事化、因果分析、实时流式处理、部署/生产模型等新兴业务需求将成为未来数据科学家岗位职责的新增长点;数据科学家与数据科学相关的主要能力要求包括:SQL编程、Python/R/SAS、Hadoop MapReduce/HBase/Hive、Spark/Storm、基于Tableau等的可视化分析、ETL处理、数据仓库/数据湖/BI技术、统计学与机器学习(含深度学习)、自然语言处理及文本分析和机器视觉等。图4。参考文献21。

数据科学平台:特征、技术及趋势

以2015年以来的《Gartner数据科学平台魔力象限系列年度报告》为线索,分析调研35种数据科学平台产品,提出数据科学平台的定义和类型。数据科学平台相关学术研究中的主要科学问题涉及数据科学平台的设计、数据科学平台的可扩展性、基于数据湖的数据科学平台研发、数据科学平台的支持团队协作能力、数据科学平台的开放策略以及数据科学平台工程方法论。数据科学平台的主要特征包括模块化开发及集成能力、开发运维一体化、重视可扩展性、强调用户体验、重视非专业级数据科学家以及重视人机协同场景;数据科学平台的实现需要的关键技术为机器学习、流处理技术、数据规整化、容器化技术和数据可视化;数据科学平台的未来发展趋势主要体现在与人工智能的融合、对开源技术的支持、对非专业级数据科学家的重视、数据治理的集成、数据湖的引入、高级分析及应用的探索、向数据科学全流水线的转型和应用领域的多样化等;数据科学平台的研发活动应遵循以激活数据价值为中心、人在环路(human-in-the loop)的设计模式、开发运维一体化、可用性和可解释性的平衡、数据科学产品生态系统的培育、强调用户体验以及与其他业务系统的集成等设计原则。现阶段的数据科学平台研发亟待在数据偏见与公平性、鲁棒性及稳定性、隐私保护、因果分析、可信任/负责任数据科学平台等方面进行理论突破。

大数据去哪儿

在大数据如日中天,人们正翘首企盼大数据能带来无与伦比新体验的时候,质疑大数据的声音也开始越来越多。大数据去哪儿?它将朝着什么方向发展?本文介绍了大数据时代最性感的职业——数据科学家,并对下一代互联网的核心和基础性技术——语义搜索的原理与功能进行了描述。

数字化转型解决方案提供能力的培养--基于北京国双科技的单案例研究

很多企业积极进行数字化转型但效果并不理想。为了改变这一状况,提升数字化转型解决方案提供商的能力非常重要。北京国双科技(以下简称“国双”)是一家具有强大的数字化转型解决方案提供能力的企业,以该企业为研究对象,分析其是如何培养这种能力的。研究方法是基于理论指导的单案例研究。研究发现,国双强大的数字化转型解决方案提供能力是基于公司走了一条“化繁为简”的道路,并且找到了一个明显优于行业通行做法的新模式,即在国双内部建立尽可能贴近真实应用场景的“数据科学家+行业专家”试验田。从更深层次来看,国双该能力的培养具有鲜明的面向长远、着眼未来的特征,这同企业创始人的核心价值观与企业文化的导向作用密切相关。

科研智能化新趋势下知识服务的挑战与机遇

[研究目的]当今数据驱动型研究时代,世界科技正呈现新的发展态势和特征。AI模型、系统的强有力发展,为科学研究带来新面貌,兴起了科研智能化的发展态势,同时也为当前知识服务的智能化升级带来契机。[研究方法]从科技情报服务视角,阐述了科研智能化的发展现状及内涵特征,解析了其中的实现过程及特点,列举了嵌入科研智能化范式的知识服务变革方向,探讨了未来科研生态的两大问题,以期得到相关研究领域研究者与应用者的共同关注。[研究结论]为把握时代机遇,知识服务机构需要借助科研数据基础设施及科研数据推理平台,转型升级为知识内容方案的提供者和一线科研人员提供更智能、更强有力的支撑,加速知识发现过程,推动我国在世界科技发展中抢占先机。

“数”说老科学家采集工程

"老科学家学术成长资料采集工程"(以下简称"采集工程")是由中国科协牵头,会同中组部、教育部、科技部等11部委,以抢救和挖掘我国老一辈科学家学术成长史料为目标的国家基础性工程。采集工程历经10年建设,已积累海量可供探究科技人才成长规律、宣传卓越科技人物的实物和数据资料。本文从信息化建设角度出发,在系统介绍当前采集数据成果的基础上,对各环节涉及的数据采集、存储、分析和展示的全生命周期管理和信息化系统进行归纳分析和展示,总结采集过程中遇到的问题,并据此提出建议。

城市地质环境评价与监测工作

开展城市地质环境评价势在必行；地矿部门因具有政策、资料、人才优势，因此大有用武之地。地质环境监测是城市地质环境评价的依据，应继续抓紧抓好。

档案领域数据分析师需求分析

数据分析的质量事关档案事业的科学发展。当前,档案领域数据分析效益因缺乏固定而专业的分析师受到严重影响。文章从档案领域数据分析师岗位设置意义、岗位职责和素质要求三个方面进行论述,以利于档案事业科学地、集约化地快速发展。

数据科学家在医学图书馆未来发展中的作用

大数据时代的到来催生了数据科学家,本文探讨了数据科学家积极主动地参与医疗机构高层的决策咨询,努力为解决大数据时代医学图书馆发展中的战略问题提供可持续发展的咨询报告,为宏观决策提供科学依据,对所服务的读者在使用图书馆资源和网上资源的过程中所产生的大量数据进行统一收集、统一分析,为订购医学资源提供咨询和依据,从繁杂无序的大量数据中找到有用的价值信息,并将这些有用的数据信息传递给高层决策者和用户,最终得以在读者使用中实现有用的价值。

Big Earth data analytics:a survey

Big Earth data are produced from satellite observations,Internet-ofThings,model simulations,and other sources.The data embed unprecedented insights and spatiotemporal stamps of relevant Earth phenomena for improving our understanding,responding,and addressing challenges of Earth sciences and applications.In the past years,new technologies(such as cloud computing,big data and artificial intelligence)have gained momentum in addressing the challenges of using big Earth data for scientific studies and geospatial applications historically intractable.This paper reviews the big Earth data analytics from several aspects to capture the latest advancements in this fast-growing domain.We first introduce the concepts of big Earth data.The architecture,various functionalities,and supporting modules are then reviewed from a generic methodology aspect.Analytical methods supporting the functionalities are surveyed and analyzed in the context of different tools.The driven questions are exemplified through cutting-edge Earth science researches and applications.A list of challenges and opportunities are proposed for different stakeholders to collaboratively advance big Earth data analytics in the near future.

数智驱动下“智能科学家”建设的机遇与挑战

[目的/意义]文章提出数智驱动下“智能科学家”的建设框架,为后续相关研究提供参考与建议。[方法/过程]在分析生物、化学领域期刊的重大成果的基础上,对数据驱动和模型驱动下的“智能科学家”相关研究分别进行总结梳理,分析不足之处,提出数智驱动下“智能科学家”建设的必要性。[结果/结论]初步得到数智驱动下“智能科学家”建设的框架,并从数据建设、模型建设以及知识嵌入建设的角度出发,为科研人员提供了数智驱动下“智能科学家”的思路。

人工智能知识生产的核心争议与深层局限的哲学反思

人工智能大模型使得人工智能内容生产(AICG)成为可能,其应用和发展前景广阔。当人们热议ChatGPT能够生成对话内容、Midjourney能够绘制图片时,人工智能知识生产问题反而被忽略。因为人类的知识现象是人类智能和文明的核心,所以当利用AI生产知识成为现实时,人类就不得不思考,人工智能知识生产能在多大程度上变革人类既往的知识生产模式、革新人类对知识的认识、颠覆现有的人机关系。有两大争议性问题可以引导我们进一步思考AI知识生产,即变革性问题:人工智能是否能变革人类知识生产?如能,它究竟能在哪些方面影响和变革人类知识生产,其变革程度如何?关系性问题:如何理解人工智能知识生产与人类知识生产的关系?为了回应这些代表性问题,我们必须考察科学家在AI知识生产中的作用,这些作用包括:(1)提出和界定问题;(2)为AI知识生产主要环节提供科学理论与科学经验;(3)在AI知识生产中完成分工、交流与合作。科学家深度嵌入AI知识生产表明,人工智能无法独立完成知识生产,人机协作是AI知识生产的必由之路。通过总结科学家在AI知识生产中发挥的具体作用,以及AI知识生产三类局限,我们可以进一步回应变革性问题与关系性问题,促进AI知识生产健康发展,避免人工智能研究陷入科幻想象。

国外数据科学家能力体系研究现状与启示

[目的/意义]梳理并分析国外关于数据科学家能力体系的相关研究,为我国构建数据科学家能力体系提供参考借鉴,既有利于提高数据科学人才培养效率,也有益于满足数据科学家职业发展的需要。[方法 /过程]选取主要国家(地区)的典型数据科学家能力研究成果,解读分析其中的能力框架与要素,探讨目前国外数据科学家能力体系的研究方法、数据科学家职业准入条件以及信息环境变化对数据科学家能力的影响。[结果/结论]国外数据科学家能力体系的建设值得借鉴。我国应该尽快构建数据科学家能力框架,明确数据科学家的培养目标与职业发展路径;通过顶层设计、多方协同,加强数据科学专业人才培养;强调理论知识与实践能力并重,注重数据科学家的在职技能拓展。

iSchools联盟数据科学教育项目现状调查

文章调查了iSchools联盟中开设数据科学教育项目的14个院校,重点分析这些数据科学项目的开设层级、类型、培养目标、学制学分、课程类别及特点。研究结论对中国高等教育机构中的数据科学发展有借鉴价值。

融合多源数据的科研人员画像构建方法研究

[目的／意义]大数据时代需要将“人”数据化，科研人员也需要数据化。科研人员画像的建立，对于科研管理层全面了解科研人员的信息、客观评价其研究水平等有重要作用，可以作为分析科研人员研究行为或专家推荐的基础，提高科研管理效率。[方法／过程]首先提出科研人员画像的概念，认为其是描述科研人员信息的标签的集合。其次，以个人主页、知网、基金网等多个异构数据源的数据为基础，提出融合多源数据的科研人员画像构建方法，分别从科研人员的基础属性、科研偏好和科研关系三方面形式化描述了科研人员信息，并提取各个维度的标签，以可视化的方式展示其画像。最后，分别以国内外两位科研人员为例，说明了科研人员画像构建方法的可行性。[结果／结论]科研人员画像的构建适用于国内外的科研人员，能够全面描述科研人员信息并直观展示出来。