社区微博互动水平的影响因素研究——以北京市为例

社会管理创新离不开虚拟社会管理创新.本文对新浪微博网站中的北京地区社区微博进行动态跟踪,总结提取了提升社区微博受互动水平的关键影响因素,并根据数据挖掘结果对如何加强社区微博互动能力提出了建议.     

我国“985工程”高校本科教育效率评价研究——来自《本科教学质量报告》的经验证据

从"数据包络分析(DEA)"模型,采用2011年披露《本科教学质量报告》的"985工程"高校的数据,对该类高校本科教育效率进行评价,结果显示:样本高校中只有31.58%达到了投入产出的总效率最优状态,其他高校在技术效率和规模效率方面仍有改进空间。因此,提高高等教育质量,推动高等教育从规模扩张的外延式发展向质量提升的内涵式发展转变将是未来高等教育发展的方向。     

智慧教育转型与变革

智慧教育不仅是智能技术在教育中的应用,更是智能时代教育的全面转型与变革。文章结合智能时代的三大发展趋势:即人机物三元融合、主动智能服务与人机结合的分布式认知,从基础环境、智能形态、培养模式、教育生态、育人目标五个维度提出了智慧教育转型与变革的关键所在,包括拥有主动智能的教育环境、人机协同的教育智能、大规模个性化的人才培养模式、虚实融合的教育新生态和智能时代的创新人才培养。在此基础上,面向智慧教育转型与变革的实践落地,提出了三点关键建议,包括建立数据无缝流转的生态体系、推进教育公共服务模式创新、高度重视专业性的教育服务,期望为智能时代智慧教育的转型与变革提供一定的参考与应用启示。     

智能学习分组:从通用模型到大数据框架

学习分组是协作学习活动设计的首要阶段。随着学习场所的快速变化、多模态交互过程复杂性的增加,采用传统的随机分组、教师指派或学生自我选择等方法进行协作学习分组的效率十分低下。研究提出基于智能技术构建自适应的协作学习小组。首先,阐述了学习分组的价值,即构建合理的协作学习环境、兼顾学生的个体差异和促进教育资源优质公平;其次,总结了影响智能学习分组的因素,包括个体属性、小组学术与物理构成以及学习者与环境的交互;最后,描述了经典场景下智能学习分组的通用模型,并讨论了大数据背景下智能学习分组的前景与挑战。针对大数据驱动智能学习分组的稳定性问题,基于机器学习中的集成学习思想构建了大数据共识分组框架。此框架有望为人工智能促进未来规模化的个性化教育提供支持。     

电子健康档案共享的实现策略

构建电子健康档案数据共享模型,针对因电子健康数据的隐私性、多源异构、信息系统建设分散、标准不统一等存在的共享难、共享程度不高问题,从政策制定、数据源采集与控制、推进信息化建设、健全安全体系、推动数据开放多个方面提出具体策略,为推动电子健康档案共享提供参考。     

大数据研究中需要关注的几个问题

随着社交网络、物联网的迅猛发展,大数据时代已经来临。如何更好地管理和使用大数据已经成为各行各业广泛关注的焦点。大数据规模的不断扩大,给数据存储、管理与分析带来了极大的挑战。本文对大数据概念进行了比较归纳,对大数据研究中的数据采集、数据预处理、数据存储、数据管理等问题进行了阐述,并提出了相应的解决方法。     

融合专题知识和科技文献的科研知识图谱构建

本文为解决领域科技文献与专题价值的割裂问题提出深度融合科技文献、科研活动等科研对象与领域专题数据资源的图谱构建方法。通过主题词关联设计,构建包含期刊论文、期刊、科研机构、科研人员及专题实体类型的科研本体,选取机器学习专题构建科研知识图谱,并基于图数据库Neo4J进行图谱管理与查询验证。该专题科研知识图谱可以支持单实体/属性、多实体事实性问题的复杂图谱查询,有效揭示专题、科技文献的关联关系,具有较强的应用价值,可以为面向文献数据的智能知识服务提供新的思路和方向。     

领域自适应大数据集浓缩方法

传统机器学习均假定测试域和训练域处于同一概率分布,但现实中往往因各种原因引起所采集到的样本数据可能存在扰动或噪音情况,导致概率密度估计不一定准确。为有效解决这一问题,提出一种新的领域自适应数据集概率密度估计（A-RSDE）算法。该算法可充分学习源域（训练域）概率密度分布知识,使目标域（测试域）概率密度估计更接近真实概率密度分布。实验证明,该算法具有有效性,且实现了数据浓缩的目的。     

社会化标注在数据挖掘中的应用

社会化标注系统的出现为网络信息研究以及自然语言处理领域带来了一个新的研究热点。通过对标签、用户、资源之间的相互关联性进行研究,提供一些对网络信息理解和自然语言处理的新思路、新方法。社会化标注现在已广泛应用于各种网络资源（如网页、视频、音频、图片等）的组织、管理中,为网络信息检索及网络知识个性化服务推送带来了极大方便。     

Knowledge and Dignity in the Era of “Big Data”

Private companies and government agencies are now creating and tapping into vastly more data than ever before. These data flows include enormous amounts of personal information and raise questions about privacy and intellectual policy that could have profound impacts on our lives. While data collection and creation are nearly ubiquitous, the instruments of collection and analysis are often hidden in order to track more natural behavior. Recent revelations of massive governmental data collection offer the country, and librarians in particular, an opportunity to discuss and question the societal implications of “Big Data,” and the policies that govern them.