美国的信息素养教育

文章较系统地简述了美国信息素养教育兴起、发展和走向世界的情况,重点是其理论、机构、政策措施、基层各具创意的做法及对我国文献信息界的启示。     

推进我国信息资源共享政策体系建设

文章阐述了研究信息资源共享政策体系建设的意义,分析了信息资源共享政策的作用,探讨了信息资源共享政策体系的内容和层次。     

麻省理工学院新工程教育改革的形成、内容及内在逻辑

麻省理工学院进行的三次工程教育改革举世瞩目。2017年8月,该校启动了新一轮工程教育改革,其宗旨是培养能够引领未来产业发展的领导型工科人才,改革的内容涵盖工程教育的出发点、重心、教学方式和发展方向,体现出多重逻辑:从现实到未来的取向,从学科和心理的分离到整合,从学科隔离到跨学科合作,从工程实践的回归到工程教育育人本质的回归等。虽然此次改革仍存在质量保障及认证等方面的问题,但大胆创新的麻省理工精神却再次引发各国关注。该校能否以此改革契机,开启第四次工程教育改革新时代,引领世界高等工程教育发展的新方向,成了举世关注的焦点。     

知识服务转型中的版权制度调适

以"知识付费"为代表的新兴知识服务是基于网络时空而产生的全新知识生产和分享空间,围绕知识作品使用的各种权利义务关系也都随之颠覆与重构,引发了知识服务在"思想/表达""成本/效率""围墙/自由"方面的版权矛盾与冲突.出版业等数字内容产业在知识服务转型的过程中,应当从建立和完善侵权监察制度、版权许可方式、版权合作机制和版权经营理念等方面做好相应的版权制度调适.     

档案馆安全保障现状调查与评估——以武汉市35个不同类型档案馆为例

论文对武汉市各类档案馆的安全保障工作进行了调研与评估,从安全战略、基础设施、组织管理、档案安全技术、档案安全制度五个维度分析了档案馆安全保障工作的现状,提出了如下建议:完善应用系统与数据库安全功能、加强安全技术手段应用、加强档案信息风险评估与制度建设.     

敏感舆论场中公共形象调适与维护研究

敏感舆论场中的“公共形象”是一个复合概念,它既包括作为主体的公共部门在敏感舆论事件中自我建构的形象,也包括作为客体的公众通过大众媒介、亲身经历与人际信息交流等认知渠道对公共部门形成的“投影”形象.敏感舆论的无序性、非理性与偏差性,使公共形象的维护面临着诸多挑战,其调适与维护需要在充分把握社会现状与矛盾的基础上,进行契约精神的培养与信任秩序的建构,从定位上摆脱传统乌托邦式的完美枷锁,从态度上弥合与公众的心理差距,从行动上协同治理危机,构建出完整的形象认同、形象维护与形象修复系统,以期更好地实现敏感舆论引导的同时化解公共危机.     

CrossCheck检测平台及信息核实在学术不端防治中的作用

采用CrossCheck检测平台(http://www.ithenticate.com/)对英文科技论文进行比对,通过分析查重比对结果可初步判断该论文是否涉嫌学术不端,进而判断该论文的新颖性和研究热门程度.查重比对可为编辑处理稿件提供有力的支持,为审者审稿提供必要的参考,以便给出公正的审理意见.另外,讨论了审者信息及作者信息的核实对干预学术不端行为的作用.     

专业经营 打造品牌 促进传统英文期刊快速发展——以《Chinese Journal of Aeronautics》为例

总结北航文化传媒集团的英文版期刊《Chinese Journal of Aeronautics》近10 年间的发展历程,阐述如何在管理体制、人才保障、质量控制、办刊手段以及品牌运营几方面对传统的英文"老"刊进行专业化经营,在出版行业飞速发展的时期紧跟时代步伐,探索出一条将国际先进办刊模式与中国特色的办刊实际相结合的专业化办刊之路.     

大数据视域下档案数据管理研究的兴起：概念、缘由与发展

随着大数据技术发展与应用推进,档案数据管理成为新兴研究领域。本文试图从档案数据管理概念分解的两种方式、概念界定的推演逻辑两个方面探讨档案数据管理概念研究的逻辑路径;从政策话语体系的转向、政府数据开放的推动、学术领域研究的趋同以及档案数据管理实践的倒逼4个维度探究档案数据管理作为前沿研究领域的合理性;从理论和技术两个层面探索档案数据管理未来可能的研究路向和发展趋势。     

Using word embeddings in Twitter election classification

Word embeddings and convolutional neural networks (CNN) have attracted extensive attention in various classification tasks for Twitter, e.g. sentiment classification. However, the effect of the configuration used to generate the word embeddings on the classification performance has not been studied in the existing literature. In this paper, using a Twitter election classification task that aims to detect election-related tweets, we investigate the impact of the background dataset used to train the embedding models, as well as the parameters of the word embedding training process, namely the context window size, the dimensionality and the number of negative samples, on the attained classification performance. By comparing the classification results of word embedding models that have been trained using different background corpora (e.g. Wikipedia articles and Twitter microposts), we show that the background data should align with the Twitter classification dataset both in data type and time period to achieve significantly better performance compared to baselines such as SVM with TF-IDF. Moreover, by evaluating the results of word embedding models trained using various context window sizes and dimensionalities, we find that large context window and dimension sizes are preferable to improve the performance. However, the number of negative samples parameter does not significantly affect the performance of the CNN classifiers. Our experimental results also show that choosing the correct word embedding model for use with CNN leads to statistically significant improvements over various baselines such as random, SVM with TF-IDF and SVM with word embeddings. Finally, for out-of-vocabulary (OOV) words that are not available in the learned word embedding models, we show that a simple OOV strategy to randomly initialise the OOV words without any prior knowledge is sufficient to attain a good classification performance among the current OOV strategies (e.g. a random initialisation using statistics of the pre-trained word embedding models).