HI,欢迎来到好期刊网!

大数据分析论文

时间:2023-03-16 15:39:47

导语:在大数据分析论文的撰写旅程中,学习并吸收他人佳作的精髓是一条宝贵的路径,好期刊汇集了九篇优秀范文,愿这些内容能够启发您的创作灵感,引领您探索更多的创作可能。

大数据分析论文

第1篇

关键词: BI&A3.0 管理科学与工程专业 研究生培养

在过去的二十年里,商务智能与分析(Business intelligence and analytics,BI&A)与大数据相关的分析随着大数据的发展在工业界及学术界变得越来越重要。来自于Bloomberg商业周刊的报道(2011)显示,97%的超过1亿市值的公司使用了商务分析技术。据麦肯锡全球机构预测,到2018年,仅美国一年就会面临14到1万人的深度分析技术人才的需求,同时约有150万数据分析经理的缺口[1]。

“智能”一词自20世纪50年代被人工智能方面的研究人员提出并沿用至今。而商务智能(Business intelligence)则随着信息技术的发展在20世纪90年代被企业界和学术界熟知。自2008年大数据的一系列论文在NATURE上发表,大数据分析技术已被应用到从文本、计算机日志、传感器、社交媒体等产生的大量非结构化、体量巨大、类型繁多、价值低密度、要求快速处理的大数据。BI&A经历了BI&A1.0,BI&A2.0和BI&A3.0的演进。他们分别对应面向基于关系数据库的结构化数据、基于web的非结构化数据、基于移动及传感器的非结构化大数据。因此,BI&A3.0是面向大数据分析的新兴领域。

BI&A3.0面向大数据可能产生的巨大影响,它涵盖了电子商务及营销智能、电子政务及政治2.0、科学与技术、智慧健康、安全及公共安保等方面。涉及的技术领域包括大数据分析,例如统计学习、序列及暂时挖局、空间挖掘、过程挖掘、网络挖掘、web挖掘、基于列的数据库挖掘、内存数据库、并行数据库、云计算、Hadoop、Mapreduce,文本分析,例如静态NLP信息抽取、主题模型、问答系统、选项挖掘、情绪及影响分析等。除此之外,还包括web分析、网络分析、移动分析等大的技术分析方面。因此,BI&A3.0是未来管理科学与工程专业研究生培养的重要基础和研究热点。

BI&A3.0的发展和应用对管理科学与工程硕士研究生的培养提出了挑战。主要表现在以下几个方面,BI&A聚焦于理解、解释、战略并服务于组织。一些学科对BI&A的发展作出了贡献,例如信息管理、计算机科学、统计学、管理学和市场营销学。

然而,目前的课程体系设置相对于商务分析技术及大数据的发展来说较滞后。虽然大部分学校针对学生的研究方法及研究能力的培养开设了一些BI&A课程,例如复杂系统分析与决策、随机过程、应用统计学、矩阵分析、Matlab、现代管理分析技术等。这些课程的设置对于面向大数据的BI&A3.0的研究及应用来说尚有差距,缺乏系统性和前沿性。因此,面向BI&A3.0的研究生课程体系改革具有一定的现实意义及急迫性。

1.教学研究的内容及实践内容

围绕如何培养面向大数据及BI&A3.0数据分析及研究能力进行课程体系改革研究。借鉴国际国内针对从BI&A1.0到BI&A3.0的知识体系及技能相关的教学改革,注重管理科学与工程的专业内涵。

(1)教学研究的内容

①对国内和国际当前的面向BI&A3.0大数据分析能力培养的知识体系及技能进行梳理。

②对本校管理科学与工程专业主要的研究方向进行梳理,调研面向BI&A3.0大数据分析的具体能力和层次要求。

③结合国际国内面向BI&A3.0的知识及技能体系与本校管理科学与工程主要的研究方向,提出面向BI&A3.0的管理类研究生课程体系改革的具体方案,包括课程设置、教学方式、考核方式、教学目的与要求。

(2)实践内容

通过设计与理论相配套的课程实验、研讨与课程内容密切相关的科学问题、及时追踪研究热点,使得实践环节成为提高研究生BI&A3.0创新和研究的推动器,同时也提高学生在实践方面的兴趣和动手能力。

2.教学及实践改革的目标

(1)教学目标。通过建立面向BI&A3.0的管理类研究生课程教学体系,使得研究生掌握BI&A3.0的基本知识体系、知识网络、基本研究能力,并最终培养研究生掌握面向BI&A3.0的创新能力。

(2)实践目标。通过培养学生面向BI&A3.0的实践技能,培养研究生面向BI&A3.0的实践能力,包括文献检索能力、借助计算机的分析能力、数学建模能力、数据收集能力。

3.课题研究要解决的问题

围绕面向BI&A3.0的管理类研究生课程体系的建设,本课题将要解决如下问题:

(1)如何划定面向BI&A3.0的分析及计算机技能。面向BI&A3.0的分析及计算机技能涵盖的面十分广泛,本校管理类研究生所依附的学科方向及研究重点决定了这些技能需有选择地纳入。因此,需要解决具体纳入哪些分析及计算机技能的培养。

(2)如何结合研究方向与BI&A3.0的应用。培养面向BI&A3.0大数据分析能力的目的是将BI&A3.0大数据分析应用到具体的研究方向。物流、市场营销、工程管理、运营管理等方向的研究需要将这些领域的知识和BI&A3.0的应用结合起来才能达到培养的目的。

4.拟采取的方法

(1)借鉴国内外先进的BI&A3.0教学教改经验。对国际和国内BI&A3.0相关的教学教改文献进行分析,并参加相关的国际国内会议,与国内外同行进行交流学习。

(2)对本校管理类研究生现状及改革反馈进行调研。通过以往教学实践的总结、专家学者的讨论、课题组集体研究的方式,调研适合本课程体系服务学科专业的研究生课程教学内容、目标、方法与手段。

(3)对企业界进行调研发掘BI&A3.0实际应用能力的需求。通过对企业界进行调研,发现潜在的BI&A3.0应用方向。通过这些方向的发掘弥补课程体系设置的不足。

自2008年NATURE发表的一系列大数据相关论文,到2012年,美国《大数据研究和发展计划》,成立“大数据高级指导小组”,再到2015年,我国提出国家大数据战略,针对大数据分析的BI&A3.0是十分前沿的。本项目将本校管理类研究生数据分析能力培养和BI&A3.0发展的大趋势结合起来,具有前沿性、现实性和急迫性。

第2篇

用大数据设计双回路学习

在英国学者维克托・迈尔舍恩伯格和肯尼思・库克耶合著的learning with big data: The future of education一书中,作者提到了基于大数据的双回路学习。双回路学习(Double-loop learning)会随时用数据纠正自身的错误,同时利用反馈回路中获得的大量数据来做其他很重要的事情。例如,可汗学院不仅有超过5000个多学科的视频课程,它更有价值的地方在于积累学生如何学习的数据,并实时反馈给教师和学生。双回路学习把反馈、个性化学习、预测与干预结合在一起,成就了大数据时代的因材施教。

开放大数据以减少数字鸿沟

得数据者得天下。如果普通教师和研究者无法获得这些数据,是否就会加大数字鸿沟,使自己处于越来越落后的结局呢?未必。在国际教育领域,开放数据已经成为必然的发展趋势。教育技术领域国际知名期刊British Journal of Educational Technology将于2015年7月设立专刊发表多篇数据类论文(Data paper)。与常见的研究类论文(research paper)相比,这类论文只须说明研究所提供的数据是为何目的搜集,从哪里、通过何种方式搜集得来,且提供原始数据和问卷等采集工具,无需实施研究过程,不必进行数据分析,无须讨论研究结果与结论,在教育领域,开放数据将成为一种新常态。事实上美国政府从去年开始开展了一个名为“全国公民编程日”(National Day of Civic Hacking)的活动,政府公开卫生健康类数据,美国国家航空航天局(NASA)等机构也在活动期间大数据,开发者自编程序实现海量数据可视化,或者完成数据分析等任务。可见,开放数据会成为减少数字鸿沟的有效途径。

第3篇

【关键词】 大数据 图书馆 信息服务

大数据是在网络环境下发展起来的一种大规模、多样化的数据集,现代社会类型多样、数量巨大,这些信息对大数据环境下图书馆信息服务发展带来较大的发展机遇,同时也带来较大的挑战,图书馆必须要认清自身发展的优势和劣势,从各个行业的大数据化形式下发掘发展经营,从而更好的促进自身的发展。

一、大数据发展概况

大数据是一个相对比较抽象的概念,也被成为是海量数据,主要依据存储信息量的大小进行分段,目前没有对大数据统一、权威的定义。实际上大数据并不是对数据规模的一种描述,而是一种在信息技术发展下类型繁多、数量大的多样化数据中实施信息提取的一种思维。大数据具有一定的规律性,看似繁杂的数据背后隐藏着规律性信息,但是这些规律性必须在数据分析和整理后才能呈现出来。大数据的无偏性,大数据技术额度无偏差性是对一个学科基础统计的表示,在这种思维下很多数据能够通过抽样的方式取得,在统计学信息的保障下有效提高数据的可靠性;大数据具有关联性,大数据一般是由一个个数据库、数据群累加而形成,数据越多价值越大,实施数据挖掘过程中必须要注重内部信息和数据之间的关联性,并提高其隐性价值;大数据具有开放性,开放性主要是指在预定的时期内进行流程和科学方法的实施,分析大数据规律性得到科学的结论。

二、大数据对图书馆信息服务的启示

大数据环境下,图书馆的经营管理也必须利用大数据技术实施技能的深加工处理,大数据时代图书馆的数据分析、服务需求和处理等都需要社会信息机构和合作,在云计算平台的支持下利用大型数据实施服务,任何一个图书馆都应该积极在大数据环境下吸取经营,从而促进自身更好的发展。

2.1重视数据的收集和挖掘

大数据时代,图书馆之间的竞争也比较激烈,除了文献方面的竞争,同时数据方面的应用竞争也比较大。目前数据分析和挖掘也逐渐成为图书馆信息服务的重要研究点。图书馆在发展总必须要以计算、模式识别、可视化等为基础进行高级数据分析,拓展图书馆的服务。图书馆在数据挖掘和数据分析汇总首先必须要将数据关联起来,在大数据环境下降结构复杂、类型繁多的环境下建立数据之间的联系。同时要充分利用这些数据信息,在图书馆系统内积极挖掘具有价值的数据,将处于休眠期的数据活起来,发掘其价值,将其应用到实际工作中提高工作效率和服务质量。另外提高数据挖掘的价值,充分利用数据分析技术从不完成、模糊的数中提取潜在知识和价值观点。

2.2构建多维图书馆信息咨询形式

图书馆在实际发展中要想提高自身的竞争水平,必须提高服务质量,从信息咨询、数据挖掘及时等方面进行分析。从数据融合方面进行分析,大数据的提取和利用能够大大提高信息咨询服务态度,所以在发展中必须要将数据细化,从而提高服务深度。首先在细化数据的过程中可以提供一些数据能力服务和资源服务,比如读者数据的保存,在大数据时代可以通过一些专业维护的方式将海量信息汇集到信息咨询平台,从而最大程度的细化数据存储需求。凌天在数据深度应用方面,图书馆深度的数据服务和知识咨询形式就是其深度的代表,传统的信息咨询服务比较注重知识库数量的累积,但是这种仅仅追求数据库规模的发展形式已经不能适应现代社会的发展,大数据环境下必须要进行信息深加工,融合数据信息,实现信息的增值服务,从而提高图书馆的服务质量。

2.3深度分析用户信息

在大数据环境下,人与人之间的交流更加密切,人们在图书馆内外的各种信息多保留由信息行为数据,图书馆应该对这些散落在各处的信息进行整理和综合,并在此基础上对大量的用户信息进行挖掘和分析,提取有价值的信息。在对数据实时用户行为分析的过程中,不仅仅关注信息行为整体行为方式,同时要从中找出影响图书馆利用行为价值的因素,反映客户的应用需求,广泛的开展用户行为分析,为图书馆用户提供更加个性化的服务。

结语:大数据发展环境下,图书馆的管理更应该注重科技信息技术的利用,摒弃传统发展观念,积极利用数据挖掘技术和大数据理念,发掘客户信息,了解客户需求,从而为客户指定符合其自身发展的服务方案,提高自身服务质量。

参 考 文 献

[1]毛晓燕. 大数据环境下图书馆信息服务走向分析[J]. 图书馆工作与研究,2014,03:72-75.

[2]和婷. 大数据思维对图书馆信息服务工作的启示[J]. 图书馆建设,2014,01:64-68.

第4篇

【关键词】维度 报表 指标优化

教学测量与教学评价是教学活动的有机组成部分。教学测量与教学评价作教学活动,担负了诊断教学、激励师生、调控教学过程的任务。这些评价通常是学习者学过程中历次考试数据的分析与对比,以报表图表的报告形式展现给管理者及师生。如何采集、保存海量的考试数据;如何从多视角分析、对比这些数;如何快速、体系化制作统计分析报告。这些问题已成为影响教学评价工作的瓶颈。

以教学测量与教学评价中考试分析报告生成为研究对象,根据目前大数据分析的研究,将元数据模型、数据立方体、多维度数据分析报表模型、数据挖掘算法相结合,设计实现了一个大数据分析的通用考试统计分析报告生成系统。

一、适用于大数据分析的教学测量评价数据的存储结构

系统采用三层数据库结构把不同类型,不同层次的考试信息分布在不同层次的数据库上,以解决数据集中所带来的海量数据问题、基础编码冗余及针对性问题。其中:顶层公共库(TOP公共库),用于存放各类型、各层次考试的基本信息,以及跨不同类型及层次考试的统计数据。第二层公共库用于存放某种类型的考试基础数据、统计数据。第三层为考次库用于存放某次考试的试卷、成绩等数据。

二、报表技术

表就是用表格、图表等格式来动态显示数据,可以用公式表示为:“报表 = 多样的格式 + 动态的数据”。

报表可分为如下几类:列表式:表内容按照表头顺序平铺式展示,便于查看详细信息。一般基础信息表可以用列表式体现。多用于展示客户名单、产品清单、物品清单、订单、发货单等单据或当日工作记录,当日销售记录等记录条数比较少的数据。摘要式:使用频率最高的一种报表形式,多用于数据汇总统计。如按人员汇总回款额、客户数等;按日期分组汇总应收额、回款额等。.摘要式报表和列表式报表唯一的差别是多了数据汇总的功能。矩阵式:主要用于多条件数据统计。如:按照客户所有人和客户所属地区两个值汇总客户数量。矩阵式报表只有汇总数据,但是查看起来更清晰,更适合在数据分析时使用。

表的绘制方式,大致可以分为SQL画布方式,Cell单元格方式和两者结合型:SQL画布方式报表工具的特点是将报表水平分割成若干个区域,在各个区域上放置报表组件,报表组件位置可以是任意的,各组件可以互相重叠。画布式报表工具的优点 是可以做到可视化数据绑定,组件位置自由。缺点是插入列、组件对齐困难,画表格线经常出现线与线之间的错开现象。这种报表只是很好的解决了"报"的问题, 但对于"表"的问题依然存在。CELL单元格式报表工具,是将报表看作是由一系列连续的单元格组成的区域。要改变报表组件(一般是文本或图形)的位置,只能通过改变行高列宽方式进行,组件之间 不能重叠,单元格可以合并。单元格式报表工具的优点是画线,插入列,多行列标题绘制非常方便,但格子中的动态数据绑定,往往需要手写公式来进行。这种报表 只是很好的解决了"表"的问题,但对于"报"的问题依然存在。

两者结合型报表工具,融合上面两种报表工具的优点,使用户可以可视化地动态绑定数据,也可以象Excel一样来画线,从而大大提高了报表设计的效率。

三、基于维度的报表设计、生成方法

维度:用于确定参与统计计算的对象范围

属性:用于统计计算的对象属性

指标:维度+属性+统计方法

数据字典:描述属性的存储信息、维度定义信息

维度和属性,从概念上讲是截然不同的东西;从实现上讲(表字段)有交 叉。例如分数字段,在进行平均成绩统计时是属性;在进行一分一档统计时 是维度。维度和属性要分别定义。

属性,从概念上讲与维度信息无关。他们都是对事物的某种特性的量化描述。任何事物的不同特性之间不具有函数关系(一个特性无法决定另一个特 性),否则这些特性应当合并。属性在系统中不应有重复存储,换句话说任何属性只能唯一地存储在系统的某一个表的某一列中。

属性与维度在实现上存在一定的相关性。由于关系数据库的局限,在数据结构设计时,不得不将信息分别存储在不同的数据表中。例如成绩信息我们根据考次、科目维度信息将不同的考次、科目的成绩存储在了不同的表中。

我们认为报表的行与列及表头是观察与分析数据的维度;行列的交叉点上的单元格代表了若干维度的所确定的数据集及其上的集聚计算(我们称数据集及其上的集聚计算为指标)。根据维度可以确定指标,用户只需要了解业务中维度的概念,无需了解数据集的概念及数据的存储结构就可以完成报表的设计生成。这大大提高了本系统的可用性、易用性。

四、结束语

采用统计学和教育测量学原理和方法,对考试数据进行加工、处理,并提供自定义报表,自适应指标分析方法,教育工作者无需具备专业信息处理的能力就能够自定义分析报表、图表,进而生成服务于各级教育管理部门、教育研究部门、学校、学生的各层次学业评价报告,具有很强的可定制性、灵活性、可重用性。

参考文献:

[1]栾丽华,吉根林;《决策树分类技术研究》[J];计算机工程;

2004

[2]QuinlanJR.Discoveringrulesfromlargecollectionsof-

examples:Acasestudy[C].MichieDExpertSystemsinthel-

ectronicAge,Scotland:EdinburghUniversityPress,1979

:168-201.

[3]QuinlanJR.InductionofdecisiontreesachineLearning,

第5篇

关键词:大数据;应用统计学;教学改革

中图分类号:G642.0 文献标志码:A 文章编号:1674-9324(2016)43-0101-03

一、研究背景

自2002年桂林理工大学在广西开办了第一个统计学本科专业以来,针对当时理学学位的统计学专业培养的学生虽然数理基础相对扎实,但普遍统计思想不够,实际应用能力较弱的现状和特点,对统计学专业进行了全方位的改革研究,确立了"数学与统计学相融,从培养学生扎实的数理基础和极强的统计分析应用能力有机相结合的理念出发,构建了新的课程体系和教学内容,取得了系列研究成果。2009年研究成果开创“应用性、实验性、案例性”一体化的统计学专业课程体系和教学模式,获得广西高等教育自治区级教学成果二等奖[1],并在其后分别把统计学学科建成广西重点学科和广西高等学校优势特色专业,以及把应用统计实验室建成广西高等学校重点实验室。

虽然我校统计学专业的教学改革和建设取得了许多成果,但近几年,我们也逐渐感觉到在大数据新形势下,我校应用统计学专业的教学体系还有一些不适应的地方,且某些问题还有日益凸显的趋势,我们原来的某些研究成果已不再适应新时代的要求,这就迫使我们继续进行改革研究,探讨在大数据背景的新形势下,如何培养统计学专业复合型和应用型人才,如何准确把握统计学的发展方向与发展形势,如何调整人才培养模式,如何调整相关课程和课程内容,以培养适应大数据背景下社会经济发展需要的统计学专业人才。

许多国家越来越重视数据在大数据时代重要作用,我国也不例外,2012年9月,国家统计局第7次局务会提出,尽快开展在政府统计中应用大数据的研究。2013年可以看作是我国政府统计之大数据元年。2015年9月《国务院关于印发促进大数据发展行动纲要的通知》(国发〔2015〕50号)[2]颁布,标志着我国正逐步进入大数据建设的新时代,为此,国家统计局积极推动大数据在各方面的应用与实践。而大数据的核心是数据,应用统计学学科是与数据分析处理联系最为紧密的应用性学科,因此,应用统计学专业的教学体系应顺应大数据发展的趋势。在大数据背景下,应用统计学专业在继承传统数据分析技术的基础上,对所需的数据处理技能提出的需求更高了。这就是说,大数据对应用统计学的培养目标,以及教学内容等的冲击无疑是最大且不可避免的,这给应用统计学专业带来了巨大的挑战,同时也为应用统计学学科的发展带来了前所未有的机遇。

大数据逼迫人们改变分析、处理数据的手段、思维和理念,这就逼迫应用统计学专业改革必须引入新手段、新思维和新理念。培养应用统计学人才必须与时俱进,才能不断适应大数据新时代的要求,这关系到应用统计学专业培养的人才能否适应和满足社会的需求,因此,这一研究是十分必要、十分迫切且有着重要的理论和实际应用意义。

二、大数据背景下应用统计学专业的改革探讨

第6篇

1、软件服务下的大数据

随着互联网运用的逐渐广泛化,社会中的各个行业都具有了自己的数据种类,这就致使大量的数据在互联网的服务中产生。软件服务工程会产生密集型数据,其中包括流式密集型的数据以及历史密集型的数据。如世界最大的电信数据仓库中心目前已经建立超过1200TB的数据;中国移动通信的业务流程超过8190个,实现了办公自动化和标准化的业务流程。“程序=数据结构+算法”的程序设计思想为传统软件工程的管理思想模式,集程序的运行过程就是数据结构的组织与算法的问题,这种模式将程序运行过程中的数据忽视,而将重点放在了程序的正确性和效率性,在很大程度上把程序的生命周期缩短。纵观软件理论的漫长发展史,诸多学者一致认为详细的文档和完整的程序构成了软件,其中完善的文档信息为软件的核心部分,包括工程数据、文档以及通用规范等等,把整个软件的设计重点放在了文档是否质量合格以及开发模式是否具备标准化上面。由此,推动了软件设计的标准化,从整体上把软件的质量有效提升[1]。

随着系统业务的扩容和用户的使用,对软件进行大规模的数据处理提出了更为严格的要求。越来越多的大型互联网企业更加重视软件服务中的历史密集型数据和流式密集型数据,将大数据分析作为服务,更加注重从用户的体验上进行数据的收集。大数据背景下,行业逐渐加大了数据的处理难度,使得处理数据更具精细化,对技术的标准要求也更为严格。当前大数据时代下软件工程的研究课题为,如何更好的把大数据平台作为服务,把大数据的分析作为服务、把数据的价值作为服务[2]。要从软件发展创新模式来进行海量数据的处理,PaaS服务平台、服务提供方以及服务消费者三方,会产生海量离线密集型数据和线上流式数据。各项级别的用户在进行交流或者进行操作以及各项系统日志数据等,其通常对软件的有效开发、运行、管理等各方面都有着重要影响,另外,大数据还对软件服务的具体周期具有决定性作用。

从根本上讲,只是在规模和量上来进行数据的衡量,对其的研究没有标识,尤其是比较缺乏语义化的处理。因此,要对研究思维及方法进行不断创新,以此对相关数据实施组织与处理,并形成具有领域性的智能主体。通过对大数据的有效创新,将知识作为载体,可以提供相应的数据平台,从而确保以大数据为中心来进行现代软件工程管理的创新[3]。

2、大数据时代背景下软件工程管理模式

软件工程的发展经历了三个阶段,经典的CS模式-BS模式-软件服务工程。其中产生于大数据背景下的面向服务的软件工程,以服务为基础,能够以较快的速度进行应用和共享服务的构建,对于分布式程序的开发具有很好的适应性。这种模式的不同之处在于能够把应用服务化,资源虚拟化,将外界服务接口统一化,有效解决大数据环境背景下的一系列问题。这种软件服务工程设计模式广泛应用于移动互联网、大数据等新兴领域。项目管理是受到进度、费用以及品质的影响,满足客户的需求而进行的活动规划、指导和监督。其中项目控制与系统工程为项目管理两个至关重要的研究领域,二者有交叉重叠部分,项目控制主要负责输入进度、规划和费用,而系统工程蛀牙负责技术层面的输入。通过文档的形式来体现工程的管理,其中包括系统工程管理计划和系统文档树[4]。

系统文档树通过树形结构来描述项目所需要的,以系统工程为对象的各个系统工程文件之间的相互关系。在提案阶段,由系统工程师根据合同数据需求清单和工作说明书来进行系统文档树的准备,从而为根据后续的进度和成本来进行文本化任务的确定提供便利的条件。由项目经理进行系统文档树的批准,并更新维护项目管理的全生命周期。而系统工程管理计划主要用于描述系统工程的进度与任务的,在提案过程中,由系统工程师根据合同数据需求清单和工作说明书来进行系统工程过程的描述,以及如何有效计划、组织、集成、测量系统工程需求。项目管理计划同样由项目经理进行批准,并更新维护项目管理的全生命周期。系统工程管理计划主要由软件系统工程过程、开发项目规划与控制,以及软件工程专业集成三类关键要素构成,其中开发项目规划与控制为必须要实现的系统工程任务[5]。

3、总结

综上所述,面临着互联网的进一步发展,其促使软件的更新速度相应加快,大数据背景下通常对软件的自身安全及性能具有更高的要求。因此,要想打造一个健壮、高效且安全的软件工程,不仅仅要加大技术的支持力度,还需要不断创新软件工程管理办法,形成一套科学的配套理论以及技术标准。当前规模较大的软件重用技术不断发展,并实现了应用,再加上大量积累的软件资源,未来软件的集约化生产以及软件数据的挖掘将会变的至关重要。传统化的软件工程的管理方式已无法满足当前生活的相关需要,大数据环境背景下探究新型的软件工程管理方法具有十分重要的现实意义。

【软件工程硕士论文参考文献】

[1]张宇航.大数据系统中的软件工程管理方法探究[J].中国高新技术企业,2016,(23):93-94.

[2]杨淼.面向商业模式的大数据信息管理方法研究[D].天津大学,2014.

[3]梁峰.基于数据仓库技术的电力公司营销数据分析梳理平台的设计与实现[D].电子科技大学,2015.

[4]王建民.领域大数据应用开发与运行平台技术研究[J].软件学报,2017,28(6):1516-1528.

第7篇

关键词:大数据;人力资源管理;“云平台”;“云培训”

1. “云培训”的产生

作为人力资源管理模块之一的培训与开发,对员工的能力建设和素质提升发挥着不可替代的作用。在互联网时代,组织扁平化、网络化催生了适合新型组织的管控系统,传统的员工培训模式已经难以满足人力资源管理的要求,“云培训”在此基础上应运而生。

1.1 “云”时代员工培训所面临的挑战

随着互联网技术的发展,“云计算”等前沿概念为传统培训注入了新的活力。云计算是一种计算机资源的共享池,可以提供方便按需的网络访问模式,以最少的管理工作投入提供快速的资源配置[1]。

“云计算”越来越多的被利用在企业的人力资源管理中,使得传统的员工培训模式存在着诸多的问题。第一,传统的员工培训会压缩员工的正常工作时间,占用员工的休息时间,造成他们的反感心理,降低培训的效果;第二,传统的员工培训方式多使用纸质的培训资料或考试形式,不利于信息的整合;第三,在传统的培训模式中,培训者对于培训的反馈信息缺乏有效的掌握,很难因材施教,跟踪培训;第四,传统培训的方式不够灵活,而且费用比高。

综上,在“云计算”时代,传统的培训模式存在很大的局限性,如何利用该时代的特征创新出适应企业发展的培训模式成为当代企业在人才之战中需解决的关键问题。

1.2培训模式云转型

不同于传统模式,“云化”后企业的人力资源管理不需直接招聘、配置和淘汰员工。外部人才可通过外包直接为企业所用,招聘的门槛大大降低,员工的配置和淘汰更加灵活和自动化。随着商业思维的迭代,员工知识与能力的缺口将日益增大,他们更需要组织的后台支持,“云组织 + 云培训”将成为人力资源管理领域的主流趋势。

近年来,由于以网络为基础的学习培训具有低成本、高回报、零距离等特点,有些企业已开始采用E-Learning的培训手段,思科通过该系统改变了对员工、渠道伙伴及顾客的培训方式,在遍布全球的2500多所网络大学将全面使用E-Learning系统,包括基于Web发送的内容、电子化的管理及网络上的学习社区。

2. “云培训”的特点

2.1资源共享

企业中有些重要的资源往往掌握在极少数精英员工手中,这些知识会因为缺乏分享的途径而变成“隐形知识”而不能形成企业的“核心竞争力”[3]。云平台具备知识库的管理功能,能够将企业运营过程中积累的各种信息进行储备整理,实现资源的共享,还能解决传统模式下掌握“隐形知识”的核心员工离职、岗位变动时,知识的传递速度无法跟上业务要求而给企业带来的损失。

通过云平台的构建,在培训开发模块上建立上下级平等的相对松散的沟通模式,形成上下级之间全通道式的沟通方式,提高组织成员的平均满意度,充分发挥组织成员的创新精神。

2.2不受时空限制

构建“云培训”模式能够最大程度的摆脱时间、地点的限制,对培训资源进行整合和管理。实现员工学习自主化,减少脱产培训给组织带来的损失。尤其对于当前出现的“在家办公”趋势,突破时空限制更是成为未来培训的发展趋势。比如,LG公司在培训方面开辟了IBL(Internet Based Learning)培训渠道,开发以网络为基础的学习软件,通过便携式存储设备存储课程内容,每位员工可以随时随地地按照自己的方式和进度进行自我培训和检验。

2.3私人定制

“云培训”模式在资源共享的基础上完成信息的有效整合,员工可以在根据自己的实际需求在云平台上获取需要的知识和资源,达到私人定制的效果。同时,培训者还可以对被培训者的学习情况以及反馈情况进行了解,进而因材施教,提高培训的效率和有效性。

此外,“云培训”通过对员工不定期的素质测评等信息的整合,能够有效推动人岗匹配的实现,减少彼得效应对组织造成的负影响。

3. 构建“云培训”模式的措施

培训模式的运转型具有非常现实的意义,本文建立了以下模型(如图1),为企业提供可实施的路径。

图1

3.1建立数据化人力资源管理运行机制

3.1.1. 专业数据分析人员的配备

在建立云平台的基础上,人力资源管理的首要任务是进行大数据分析,并基于此进行“顶层设计”。因而数据分析师将起到至关重要的作用,他们必须具备超强的计算能力和对内外部数据获取能力。

3.1.2. 组织的调控监督

(1)在自由市场上,HR 应该充当企业内部市场的“守夜人”,制定规则,监督违规行为,确保市场机制的正常运转。

由于员工通常不能准确描述他们尚未掌握的能力和知识。因此,有些企业已建立了知识库或由“关键情境”(最能区分高绩效和低绩效员工的情境)组成的行为库来准确测量员工的知识和能力,使得员工能够自由选取所需的培训资源来弥补自身的不足。

(2)由于需求不一定能够找到资源,自由市场有时也会存在短期行为。因此,要借助大数据进行宏观干预措施来分配激励和培训资源。若将组织内的培训和激励资源大数据化后上传至“云端”,再由数据(源数据、热数据和大数据)分析进行供需匹配。基于此,只要通过深度计算,就可以合理调配各类资源。

(3)在“云平台”管理上建立创新激励机制。基于人力资源仪表盘的导向,人力资源部应思考如何构建一个战略性的人力资源支持系统。为解决不同组织的不同需求,人力资源部门需利用云范式理念,对人力资源支持系统的各部分进行拆装组合,产生一套整体的解决方案。在此模式下,原来独立的招聘、配置、绩效、薪酬、培训等各功能模块碎片化为方便使用的“小功能模块”,实现了人力资源实践的创新及落地[4]。

3.2建立系统的“云培训”机制

3.2.1将“知识云”与“关键情景云”结合,建立知识涌现机制

在“知识云”的建立上,有人提出一种维基百科似的互动模式,即通过员工互动来建立企业的“知识立方模式”。获得“关键情境”的途径有两条:其一来自中高层和直接下属的访谈;其二来自“关键绩效事件”的记录,人力资源部门根据团队或个人绩效的异动进行培训[4]。

基于以上两朵“云”,企业能够准确判断工作所需的知识和行为模式并对员工进行相应的“云培训”,将其转化为员工的“评鉴中心”和“发展中心”,引入评价中心、文件筐、管理沙盘等相应的知识显化和情境重现的载体。

由人力资源部与项目部共同制定以员工为核心罗盘式的知识模型,使员工可以在基本知识导向的基础上,将自身拥有的相关知识与其他员工共享;同时,形成一整套的自我管理模式,建立员工个人学习档案。

3.2.2 360°网状培训系统

360°培训需求分析就是通过云平台整合组织需求、任务需求、员工需求分析开发着眼未来,为员工今后可能发生的工作变动的需要做准备。

首先要设计网状培训方案。对员工的知识、技能、工作经验、人际关系、个性特征与工作能力等各个方面进行提升和完善。组织可以就项目所需素质构建矩形培训模式,即参考企业组织管理架构,立足培训,形成原部门与临时项目部门之间的网状沟通,使员工能够最大程度的将原部门专业知识与项目实践技能结合起来。

在构建网状培训系统的过程中,要动态调整培训开发方案。融合时代热点信息,构建微信等网络即时通讯平台,更好的运用零散时间对员工进行随时随地的培训,提高员工的参与度。

3.3 培训效果反馈与跟踪

3.3.1组织的培训效果反馈

反馈是培训的一大原则和有效强化手段。通过组织平台可将员工在实地培训中的优秀表现实时记录下来。同时,可以利用大数据搜集员工自主学习信息,与霍兰德职业生涯测评等量表相结合对每位员工的职业生涯发展评定。

3.3.2平台运营与维护

在组织内部平台运营方面:进行员工开发,是一个长期的过程,因此云平台需要定期进行维护和更新。组织层面上应注重制定员工进行云平台资源的上传、下载使用需遵循的规章制度,以减少平台信息冗杂,降低平台维护成本。

培训开发平台可以与其他企业进行开放式的沟通合作。“云学习”主要的功能包括:多媒体资料培训、培训业务和能力素质测评等。企业除了自己内部资料外,还可以采购“云平台”提供其他企业资源,形成敞开式的资料库[5]。

4. “云培训”模式可能存在的问题

首先,对人力资源管理部门提出来了更高要求。海量数据的收集、整理、存储、维护使得不完善的人力资源系统的设计将不能适应企业人力资源的发展,管理需要更高的柔性。此外,传统企业培训人员的作用将弱化,人力资源部门人员的角色将发生转变,对精尖网络技术人才以及数据分析人才的需求加大。

其次,企业机密信息的安全性将迎来挑战。云平台的构建改变了以往核心精英员工掌握“隐形资源”的状况,每位员工都掌握大量组织资源和组织信息,这会给企业带来更大泄露机密的风险。

最后,易引起短期行为。自主学习云平台的构建,可能使员工更多地追求“短期行为”。比如,员工为获得个人经营收益,可能获取资源出现外部“兼职”,影响在公司内部的本职工作。另外,企业若不保护员工的内部知识产权,有可能造成抑制创新的局面。(作者单位:山东大学)

参考文献:

[1] 杜鹏程.李敏.童雅.Du Pengcheng.Li Min.Tong Ya 云计算时代企业人力资源管理的适应性变革[期刊论文]-中国人力资源开发,2013(15)

[2] 冷永刚.LENG Yong-gang 企业培训云平台的研究及设计 [期刊论文]-数字通信 2012(2)

[3] 杨香豹.启动人力资源管理云时代 [期刊论文]-人力资源2014(2)

第8篇

大数据时代的到来,给与之密切相关的统计学专业带来了前所未有的机遇与挑战。本文针对统计学专业的自身特点,分析了专业中存在的问题,并从人才培养目标的定位,课程的调整与设置,教学手段创新和完善教学评估体系等几个方面提出了一些合理化的建议。

关键词:

大数据;统计学;教学改革

一、引言

最早提出“大数据”时代到来的是全球知名咨询公司麦肯锡,现在的社会是一个高速发展的社会,科技发达,信息流通,人们之间的交流越来越密切,生活也越来越方便,大数据就是这个高科技时代的产物。大数据具有以下的鲜明特点:第一个特征是数据量大。第二个特征是数据类型繁多,多类型的数据对数据的处理能力提出了更高的要求。第三个特征是数据价值密度相对较低,如何通过强大的机器算法更迅速地完成数据的价值“提纯”,是大数据时代亟待解决的难题。第四个特征是处理速度快,时效性要求高,这是大数据区分于传统数据挖掘最显著的特征。统计学专业是与数据分析处理联系最为紧密的学科之一。大数据时代的到来不仅为统计学专业的发展带来的前所未有的机遇,同时也带来了巨大挑战。传统的统计学专业已不再适应大数据时代的信息爆发式增长的要求,这就要求我们应该对统计学专业进行重新定位,并在此基础上调整相关课程,改革传统的教学手段以及完善教学评价体系,以适应大数据时代的到来。

二、统计学专业改革的建议

(一)人才培养目标的重新定位如果说以往的统计学专业是以培养简单的“应用型”人才为目标,那么随着大数据时代的到来,社会不仅仅需要会应用基础统计知识处理相关领域的问题的单一的应用型人才,而是对人才提出了更高的要求:大数据时代下的统计学专业的人才除了应该具备基础的数据收集,处理和分析的能力之外,还应该了解相关应用领域的背景知识,而且应具备很强的自我学习能力,以适应大数据时代数据量大,总类繁多,时效性高等发展特点。因此,统计学人才培养目标应该重新作出调整,应该以培养全新的“复合型”统计人才为新的目标。

(二)课程设置的调整随着人才培养目标的重新定位,随之而来的就是应该对不再适应时展要求的课程进行必要的调整。首先,大数据的分析和处理与以往的经典分析方法有很大不同,以往的统计分析方法主要是建立在抽样基础之上,而大数据时代信息处理迅速,信息获得途径广泛,而且信息价值密度低,这就要求数据处理时,可以以全体作为样本,而不是进行抽样;分析时必须考虑所有数据而不是剔除所谓的异常数据。因此,以往的经典统计分析方法已不再适应大数据的处理和分析,必须适当的调整经典分析方法的课程设置,增加新的适用于大数据分析的课程。其次,随着数据量的爆发式增长,所有的统计工作对计算机的依赖程度越来越高,这就要求统计学专业的学生不仅掌握统计学专业的基础知识,同时应该熟练掌握计算机专业知识相关知识,因此,在课程安排时,应注意计算机相关课程的适当增加。基于上述原因,可以考虑增加如下课程:机器学习,模拟算法,数据挖掘,R语言软件分析等课程,同时适当降低传统分析方法课程的学时比重。此外,为了使学生能够对相关应用领域的背景知识有所了解,可适当增设与应用领域相关的通识课程。

(三)教学模式与手段的创新以往的教学模式,通常是以课堂教学,掌握书本经典理论为主。虽然,传统教学手段有着学生理论基础扎实等诸多优点,但是同时也存才学生过于偏重理论知识的掌握,动手能力不足,理论与实践脱节等缺点。随着社会的发展,尤其统计学专业自身具有鲜明的应用专业特点。只采用传统的教学模式和手段显然不再适合大数据时代的需要;同时,随着大数据时代的到来,多媒体手段日益丰富多彩,为传统教学的创新提供了必要的支持。因此,为了适应大数据时代人才的要求,必须改革传统的教学手段和模式,在传统教学基础上,加大实验教学的比重,在传统教学外,增加社会实践环节,引入微课慕课,翻转课堂等全新教学模式,以提高学生的学习兴趣,锻炼学生理论应用于实践的能力,从而为以后使用大数据时代的工作打下坚实的基础。

(四)教学评价体系的完善传统的教学评价体系,通常是采用书面考核的方式对学生的学习进行评价,随着时代的发着,单纯的笔试评价不足以衡量学生的全面能力,最后导致出现高分低能的情况的出现。为了适应大数据时代对人才多方面能力的需求,必须对传统的考核评价体系做出适当的调整,以评价学生的多方面能力,尤其是动手能力,学习能力和应用相关理论处理实际问题的能力。具体可以采用多种考核方法相结合的方式。如:增加平时的考核力度,增加实践项目的考核,通过布置适当的项目论文,采用答辩的形式,以锻炼学生适应以后工作,独立分析解决问题的能力。此外,传统教学评价体系通常是单方面的,只有对学生成绩的评价,为了适应大数据时代的到来,全面提高教学质量,可采取双向教学评价体系,如:增加学生对教学环节的评价体系。以及教师间同行间的评价体系等。

三、启示

第9篇

Abstract: Big data has brought opportunities to the construction of think tank in libraries of universities and colleges. The construction of think tank mode has three factors: data mining technology, think tank librarian reserves and financial support, and the construction principles are standardization, digitization and specification. According to the present situation of the development of think tank in libraries of universities and colleges in China, this article put forward the construction measures of the embedded think tank in libraries of universities and colleges under big data environment: clarify the positioning of the think tank and maintain sustainable development; enhance service awareness and expand propaganda; optimize the allocation of data resources and achieve synergistic effects; improve the utilization rate of think tank and bring the results of efficient think tank research to society.

Key words: big data; libraries of universities and colleges; think tank; construction mode

智库(think tank)又被称为思想库,起初是由民间组织形成的、为政府制定政策提供参考意见的专家团队,智库的职责主要是提出思想、汇集人才等。智库是社会智慧的集中,可以辅助政府做出最佳理论决策等选择,因此,智库在西方国家的作用举足轻重[1]。在我国,智库也被广泛应用在经济、军事、社会等领域,随着大数据时代的到来,海量数据影响着高校图书馆的资源构建与服务方式,大

作者简介:赵振营,副研究馆员,研究方向为信息资源管理。E-mail: ZhaoZYHN69@163.com

数据(big data)体现在资源储存和个人数据服务2个方面。大数据是多元的,也是庞大的,传统高校图书馆的数据库构建和服务难以满足师生、读者与日俱增的阅读需求。在这种情况下,智库与高校图书馆的结合形成了大数据时代新的发展趋势。智库通过定向分析高校图书馆数据,可以预测未来,提供决策参考。智库与高校图书馆的融合日益成为图书情报界的热点研究课题。

1 大数据环境为高校图书馆智库建设带来机遇

海量数据是大数据时代的突出特点,伴随而来的是在数据数量、格式以及处理速度上的巨大转变。这对高校图书馆的智库建设提出了难题,但也为智库建设带来了机遇,突出了智库在数据分析和整合方面独有的优势。

1.1 数据量大,凸显智库数据分析职能

大数据时代对高校图书馆的影响在于图书馆数据资源的增加。一方面,图书馆数据库中的数据资源浩如烟海,高校图书馆在对数据筛选、分类和储存的过程中面临着前所未有的挑战。另一方面,目前我国大多数高校实现了对读者的网上服务,师生可根据各自的账号,登录图书馆网站主页,完成资源下载、图书续借、图书收藏等操作。而这些在线操作所产生的数据,也被图书馆所储存,这类数据被称为个人数据[2]。个人数据也汇集于大数据之中,成为服务读者的宝贵资源。资源数据和个人数据的暴增,使得原有的图书馆数据分析模式难以跟上时代的步伐,管理、服务滞后影响着图书馆的发展。在这种情况下,智库的嵌入尤为重要,通过智库,图书馆工作人员可对图书馆资源建设和服务建设上出现的问题一目了然,数值高低直观地表现出了高校图书馆的发展状况,智库也在此过程中充分扮演了评估者与决策建议者的角色。可以说,海量数据为智库的嵌入提供了必要条件,也凸显了智库数据分析的优势。

1.2 数据种类多,体现智库灵活性

与传统的数据资源不同,大数据环境下,高校图书馆的数据资源不再局限于文档格式,图像、音频、视频等格式的数据日益丰富,数据资源既可以是结构化的,也可以以非结构化与半结构化的形式存在,智库的功能即对这些数据进行全面分析,帮助师生、读者有效利用?稻荨R酝?的计算机数据处理技术,通常是高校图书馆工作人员将编写的编程输入系统内,当师生、读者进行资源检索时,即自动按照检索关键词进行资源匹配,深度内容整合不足,计算机的编程式与数据分析整理之间存在着很大局限性。由于高校图书馆的读者对象专业不同,对数据格式的要求也不同,因此大数据时代下的智库要在保证数据分析全面性的基础上,增加灵活性和安全性[3]。

1.3 数据处理速度快,彰显智库即时性

大数据对高校图书馆数据处理速度的要求较高,处理时间普遍以秒计算,高校图书馆对数据处理的同时,智库也面临着相同的参数和背景,与数据处理相同步。智库的决策参考作用体现在其即时性,智库的价值会随着时间的增长逐步减低[4]。因此,智库的高效性、即时性契合了大数据环境对高校图书馆的要求,可以在质量上和速度上满足高校师生的阅读需求,在读者检索资源的同时实现相关数据的数值指向链接。因此,智库既可以为高校图书馆工作人员提供管理方面的参考,也可以直接面向师生、读者,为其科研活动提供数据参考。

2 大数据环境下高校图书馆嵌入智库模式构建要素

高校图书馆嵌入智库模式,具有天然优势。数据挖掘技术是智库模式的核心要素,也是高校图书馆资源建设的重要内容。智库馆员既是高校图书馆嵌入智库模式的人员要素,也是智库构建与维护的中坚力量。而资金支持是智库建设的保障,贯穿于智库模式构建始终。

2.1 数据挖掘技术

数据挖掘技术是高校图书馆嵌入智库模式的核心要素。首先,大数据环境下数据资源数量是巨大的、没有边界的,旧数据不断保存,新的数据随时生成,而海量数据之间的联系是那些看起来并不相关的数据的深度整合,智库的功能则在于帮助读者挖掘出数据的相关性,实现数据的有效迁移和延展。其次,运用智库揭示现象本质也是高校图书馆嵌入智库构建的重要目的,通过智库分析数据流向规律并利用数据挖掘来预测未来[5]。最后,智库为高校图书馆工作人员和师生读者提供全新的研究视角和可靠研究结构,都是在对数据资源的整合处理技术基础之上的。总之,大数据思维决定了高校图书馆的发展方向和服务转型,以数据挖掘技术为基础在高校图书馆嵌入智库模式已是必然。

2.2 智库馆员储备

大数据环境下的智库模式建设,关键在于对资源数据和个人数据的搜集与分析处理。有了数据挖掘技术的硬件支撑,还需要高素质专业馆员的软件建设。高校图书馆智库需要国内外一流智库人才队伍为图书馆建设提供支撑,从而使智库彰显数据分析和实际应用的价值。由此可见,智库馆员的储备与开发对于构建高校图书馆嵌入智库模式起着至关重要的作用。伴随着近两年大数据环境的冲击,智库馆员的断层问题十分严重,高素质的智库图书馆员一方面要具备基本的图书情报学科知识,另一方面要精通智库建设所必备的数据挖掘和数据处理技能。智库馆员是连通图书馆服务输出与用户技术使用的关键桥梁[6]。大数据环境下高校图书馆嵌入智库模式的关键条件是要拥有尽量多的复合型的高素质的智库馆员。

2.3 资金保障

大数据环境下智库的建设需要大量人力物力,是一项宏大的工程。我国高校图书馆的资金来源大部分来自地方政府的基金支持,高校图书馆自身力量有限,一方面在数据库资源购买方面资金投入较大,另一方面,数据挖掘技术和智库建设技术都属于新兴科技,需要政府领头提供适当的帮助,并鼓励广开资金渠道,如社会组织和企业支持,从资金上弥补高校图书馆智库建设发展过程中的短板。在“25家机构入选首批国家高端智库建设试点单位”[7]中,有6个智库是依托大学形成的专业性智库,从研究领域和侧重专业可以看出,由于资金来源单一,我国高校智库主要为社会领域服务,与数据资源大环境相比,智库的研究深度与广度明显滞后,对于微观领域的数据分析和预测还存在着较大不足。

3 大数据环境下高校图书馆嵌入智库建设措施

高校图书馆智库构建三要素决定了高校图书馆既要重视智库的数据挖掘和整合技术,明确其服务定位;还要发挥智库人员的主观能动性,扩大智库服务宣传、增强影响力。同时,高校图书馆之间要形成馆际联盟,实现智库共享、社会资源互通是推动高校图书馆嵌入智库建设行之有效的措施。

3.1 明晰智库定位,保持可持续发展

大数据环境下,高校图书馆建设嵌入智库要从本校办学特色和师生科研实际需要出发,凸显本校学科优势,考虑到高校教授、学者、专家的构成情况,将他们吸纳到智库的建设过程中,明确智库决策顾问的定位[8]。智库的数据挖掘和数据分析要遵循可持续发展原则,根据学科发展和数据格式、数据数量的变化而随时调整,真正为师生读者提供动态的、即时的参考。各地区高校图书馆都具有一定的特色,智库也可以根据本地情况有针对性地加强边缘学科的建设,借力于地方资源和地方优势,深入开展协同创新智库建设。?之,高校图书馆的嵌入智库建设不是一成不变的,而是一种个性化的、灵活性的创新服务模式。

3.2 增强服务意识,扩大宣传力度

我国高校图书馆与智库的融合起步较晚,一部分原因在于高校图书馆的转型有待提速,服务意识有待加强。大数据时代为图书馆带来了很大挑战。高校师生、读者对图书馆数字资源的获取和使用行为均发生了改变,数据的迁移和关联在科研活动中越来越重要,为师生、读者进行有效的资源分析和数据整合也越来越成为图书馆服务工作的重中之重[9]。高校图书馆在积极促进智库建设的同时,也要扩大宣传力度,引导师生、读者更好地利用智库功能,如智库的微信、微博公众平台,吸引用户的兴趣。此外,高校图书馆可以利用自身的资源和服务优势,通过多种途径即时向师生读者传递智库最新研究成果,增加读者对高校图书馆智库的了解,提高智库的利用率。

3.3 优化数据资源配置,实现协同效应

高校图书馆经费有限,用于嵌入智库模式建设的资金受到多方面因素的制约。在大数据时代,低成本高收益成为图书馆建设发展的一大原则。因此,实现协同效应是大数据环境下高校图书馆嵌入智库建设的重要措施。首先,区域内高校图书馆可以学科专业为主题,有计划地整合馆际间的数据资源。其次,高校通过建立特色数据库,如本校学术论文、学术会议等数据,成为高校自身图书馆智库的特色,推动协同智库差异化发展。最后,高校图书馆可实现与本地政府机构或民间组织的协作,充分吸纳社会上的学术资源,实现共建共享,形成高校与社会资源互动、彼此共赢的局面[10]。

4 小结