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.     

基于DMBOK的电动汽车多源信息决策支持系统 数据质量管理过程研究

依据国际数据管理协会数据管理知识体系（DMBOK）中的数据质量管理过程,分析了电动汽车多源信息 决策支持系统中的数据特点以及建设中存在的问题,提出改进建议,并初步构建适用于电动汽车多源信息决策支持系 统的数据质量管理流程。     

体育科学研究中数据变异的分类及处理

根据数据的变异对体育科研的影响方式和程度不同，将其分为三类：直接影响性变异、间接影响性变异和非影响性变异，结合体育科研中容易混淆和易被忽视的几个重要问题，分别讨论了三类数据变异的处理方法和识别方法。     

树立正确的统计数据观

统计数据观是指对待统计数据的立场、观点及态度的总和,其实质就是如何看待和使用统计数据的问题。笔者认为,树立正确统计数据观,是实施"数据管理"的必然要求,是贯彻落实科学发展观和正确政绩观的具体体现,是统计自身发展的现实需要。并从加强对统计知识的宣传、普及和学习、加强对统计数据信息的管理和建立科学、合理的政绩和业绩考核评价机制三个方面对树立正确统计数据观的基本途径进行了探讨。