大數據時代科技情報服務的挑戰與思考

裴雷 孫建軍 肖璐

摘 要：數據處理是科技情報機構服務創新的動力。大數據的離散分布和開放可得、用戶信息需求向深度廣度發展以及資源服務一體化，弱化了科技情報機構的資源優勢，提高了信息分析的難度，給科技情報機構的服務能力提出了挑戰。同時，也為大規模資源保障體系和信息服務模式的創新提供了可能。文章從大數據科技環境的時代特征著手，分析了大數據環境對科技情報工作的主要挑戰，并結合當前實踐提出了相應的對策建議。

關鍵詞：大數據;科技情報工作;挑戰;對策建議

中圖分類號： G250.2 ?文獻標識碼： A ? DOI： 10.11968/tsyqb.1003-6938.2015123

Challenges and Rethinking of S&T Information Service in Big Data Era

Abstract Data processing improvement is one of the main driven forces of S&T information service innovation. It becomes more and more difficult for S&T information institutes to face the challenges of scattered data resources， deepened and widened users' demands， and the complexity of big data analysis technologies. Meanwhile， these challenges make it possible for the innovation and sharp turn to new information service models. This paper analyzed the technical environment of big data， deconstructed the main challenges of intelligence work， and gave several suggestions as countermeasures.

Key words big data; S&T information service; challenges; suggestions

科技情報服務領域普遍將當前面臨的海量數據處理和服務能力的矛盾，視為泛在信息環境所涌現出的、特有的“大數據”問題，并產生了隱隱的“大數據憂慮”。隨著國家大數據戰略的提出，各界對數據問題的關注和對數據服務的需求激增，學術界和科技情報服務實踐中對“大數據”應用也呈現出多樣化的解讀，比如王飛躍提出的“基于ACP方法的開源情報解析理論框架”和“四熵服務”理念[1]，李廣建等提出的情報研究五個轉變[2]，賀德方、喬曉東、曾建勛等提出的“事實型數據+專用工具+專家智慧”的FAST4Wisdom服務理念[3-4]和情報學四維度拓展變革[5]，以及楊善林等提出的情報內涵轉變[6]等。因此，消解科技情報機構的大數據憂慮，洞察科技情報大數據發展特征與發展趨勢，是當前科技情報實踐領域的當務之急。

1 科技數據挑戰與科技情報服務的發展

科技情報服務領域大數據問題，實質是全球數據自發式、爆發式增長以及數據處理高效率要求的不對稱體現[7]。而科技情報工作很早就關注到知識增長趨勢及其在管理和服務領域帶來的信息爆炸與信息過載問題[8]。科技情報工作從誕生之初起就一直面臨數據或信息資源的加工處理和分析利用的挑戰，并在不同發展階段呈現出不同的問題表征。在某種意義上，科技情報機構就是為解決“大數據”問題而誕生的專門機構，而數據挑戰也成為科技情報服務創新的內在動力。

1.1 科技情報初創時期的數據挑戰與服務創新

1944年，美國圖書館學家F.Rider關注到圖書館館藏大約每16年增長1倍，并以此估計耶魯大學圖書館將在2040年擁有超過2億冊圖書，大約2PB的信息存儲，而這些圖書將占據6000英里長的書架，至少需要6000名圖書館員完成編目和維護工作[9]。以當時的數據處理條件而言，2億冊圖書的存儲空間和集中管理維護就是可能的“大數據”問題。與之類似，戰后美國政府收繳的40噸德國和日本技術資料的處理，也超出了當時的文獻處理能力。科技情報界提出了“信息爆炸”的理念，并主張信息分析和處理工作的專門化和體系化，也視之為科技情報工作的開端。依托業務部門進行體系化的樹狀業務分解和專門信息的保存、交流和利用，構建跨部門協作保障體系，極大紓解了信息總量增長困難，并通過在1950年代引入縮微技術和數字存儲技術進一步緩解了信息存儲空間問題。

1.2 數字資源建設時期的數據挑戰與服務創新

20世紀60年代數據存儲技術的引入有效緩解了數據存儲和數據集中管理問題，但對原始數據的加工處理和分析技術短板卻再次成為“大數據”問題。例如20世紀50年代美國國家安全局雇傭了超過12000名安全技術人員來處理每年偵聽或加密的17000卷磁帶[10];1965年，美國國家數據中心的600個數據集存儲了1億張打孔卡片和3萬份存儲磁帶，但對其擁有的1.75億枚指紋記錄、每年7.42億份納稅記錄的分析束手無策[11]。因此，1965年Dunn報告認為，“面臨的最大問題就是不知如何發現不同機構、不同數據之間的內在關聯”[11]，即數據分析的“大數據問題”。Kaysen委員會提出的集中存儲和數據共享方案，推動數據庫技術、信息檢索技術和數據科學的產生。這一時期，科技情報服務機構也引入了數字存儲和數據庫管理體系，并引入了信息檢索技術，比如1966年《化學文摘（CA）》引入的自動處理系統和計算機可讀數據庫、1967年Roger Summit 主持開發的Dialog在線數據訪問?？萍记閳箢I域產生了以數據加工和信息系統管理為特征的海量科技情報服務，出現了從文獻保障服務向以數據庫、信息檢索為代表的技術服務的融合，提升了科技情報處理的數據數量和處理速度。

1.3 數據分析和處理時期的數據挑戰與服務創新

20世紀80年代數據庫技術日益成熟，以數據挖掘和高階數據分析為代表的數據分析和處理技術得到廣泛應用，數據分析進入智能化階段。但這一時期的數據分析主要局限于封閉計算環境的中央數據存儲、局限于結構化數據的分析和處理。因而，在20世紀80年代面臨的新的“大數據”問題是海量外部數據的采集、加工和分析，以及如何降低數據分析成本和重復建設的“數據黑洞”，因而以競爭情報、趨勢跟蹤等定向或定題的專項信息分析為代表的創新服務得以引入?？萍记閳蠓諜C構完成了從信息數據產品向情報產品的升級，具備了情報監測和智能分析功能，光盤數據庫和應用軟件產品得到推廣，使得信息分析和預測水平有了大幅提升，比如1987年發行的Medline光盤產品、1988年的科技信息網絡STN Express■軟件以及90年代初期的大量面向個人計算機的數據應用軟件。

1.4 開放網絡和自動加工處理時期的數據挑戰與服務創新

20世紀90年代以來網絡技術、個人數據終端普遍采納，數據存儲成本快速下降，科技信息資源的分布發生了巨大變化。首先，以互聯網企業和技術服務企業為代表的新生業態迅速崛起，以圖書檔案和科技情報機構為中心的科技信息服務體系受到挑戰或顛覆;其次，數據可得性大大增加，數據規模和數據多樣性大大增加，以搜索引擎為代表的數據自動抓取、分析和推送技術極大增強了數據分析和處理能力，數據挖掘和機器學習技術得到廣泛推廣應用;再次，信息服務提供商更加積極地關注用戶個性需求和反饋，對用戶交互、行為數據和個性化推薦更加關注。這一時期，“總量巨大（Volume）”、“類型多樣（Variety）”的兩個“V”的問題已經凸顯，“大數據”問題初現端倪。相對于互聯網企業而言，傳統科技情報服務機構逐步通過兼并聯合、擴展數據來源，提升數據應用能力予以應對。這一時期，面向網絡的數據開放服務、數據集成與融合技術、數據應用分析工具與“數據+應用”的深度服務模式快速發展。比如SciFinder、SciVal、Scopus等數據分析工具的開發和 WorldCat全球協作機制和協同服務模式的發展。

2 大數據時代科技情報工作面臨的主要挑戰

大數據的4V特征，即超大規模和快速增長的數據體量（Volume）、異構和多樣性的數據結構（Variety）、大量不相關信息的低價值密度（Value）和大量實時分析應用工具的使用（Velocity），是數據分析和利用的主要障礙，在科技情報領域也同樣如此。此外，從整個社會和用戶需求角度看，科技情報機構的資源角色和地位進一步弱化，用戶需求向更深更廣信息分析領域拓展，情報服務與創新服務的融合以及資源-服務的一體化對科技情報機構的服務能力也提出了更高挑戰。

2.1 科技情報服務機構的資源優勢弱化

在數據開放趨勢下，可得可用的信息資源更加豐富，科技情報服務機構資源獨占優勢不復存在。以往科技情報服務過于依賴其資源優勢，而對信息加工、信息分析的優勢沒用充分重視，存在短期的“轉型瓶頸”。而政府數據公開、研究機構數據公開獲取以及數據集市商務模式（GitHub）的出現，加劇了科技情報機構作為數據樞紐角色的弱化。以政府數據公開為例，美國政府目前可提供192440個數據集[12]，英國政府可提供1353個部門和機構開放的20688個數據集、386個APP應用[13]。數據開放可得，意味著業務機構可直接跳過科技情報服務中介而直接存取和利用信息，對科技情報機構的資源業務服務帶來了挑戰。如美國NTIS提供的科技報告服務，因政府部門科技報告的免費公開，在1999年以后連續多年虧損。因而，單純提供內容獲取或計量的服務模式并不能完全支持業務決策的需要。

2.2 科技情報服務的用戶需求轉變

大數據環境下，用戶不再滿足于信息資源的整序獲取，不再滿足于以文獻單元為主要特征的加工整理和存取分析，而是對信息分析深度和廣度提出了更高要求：在深度上突出碎片化信息加工和計算化服務[14-15]，包括數據資源快速評價推薦、知識單元的抽取和分析、多維數據融合、細粒度數據分析以及可視化、計算化的數據呈現與分析，力爭將大數據去冗分類、去粗存精、去偽存真;在廣度上以全局性和宏觀戰略性情報服務為特征[16]，包括動態監測服務、態勢分析研究服務和前瞻預測研究服務三種類型，需要對多源數據、異構數據、隨機動態數據進行收割、融合、跟蹤和監控。同時，用戶數據或信息資源利用也不同于以往數據閱讀、數據參考和數據統計等淺層利用，而是在決策分析和學術研究中尋求高階數據分析、尋求多維數據的降維理解、尋求專家智慧的介入矯正、尋求從數據分析向情報解析的升級。因此，科技情報服務不可避免地將由傳統的依托資源數據的數據分析服務向多源多方協作的情報解析和計算分析服務轉變，是對現有科技情報機構的分析技術能力的挑戰。

2.3 資源服務一體化下的服務能力不足

科技情報機構過去一直強調資源保障能力，服務協作能力并未上升到戰略地位。當大數據開放環境使資源獲取相對容易時，反而發現“要讀的太多，要挖掘、發現和分析的隱性交織的內容太多太復雜，要掌握的方法、技術與工具太多太復雜，有效分析和利用信息成為一個日益復雜、負擔沉重的問題”[17]。對科技情報機構而言，提出了兩個要求：第一，要求全面介入，無處不在，并注重分析方法和分析技術的全面協助;第二，要求在科技情報服務流程中更早更深地介入用戶服務，提供更加精細化的服務內容，并提供更好的內容質量控制水平。

相比于傳統的委托服務模式，新的科技情報服務團隊將由行業專家、數據分析員、情報分析員 3 個角色構成[18]，并在選題階段更早介入服務流程，同時融合數據服務、信息服務和知識服務，提供資源與服務一體化的服務體系（見圖1）。依托大數據的科技情報服務要求與創新主體高度融合，以用戶解決問題為中心，融入解決問題的過程，支持對問題解決方案的探索、構建和測試等服務機制[19]，從選題確立到任務分解、任務實施、數據解析，均需雙方和行業專家頻繁交互與協作，以應對分析需求的易變性和不可預見性[20-21]。在服務過程中，大數據分析和可視化技術提升了用戶對數據的認知和理解，也可能將“情報服務”提升到知識協作、協同創新的高度，這也意味著科技情報服務人員的能力要求更高，可能需身兼行業專家、數據分析員、情報分析員中的多種角色。

3 大數據時代科技情報工作的資源保障體系建設

資源保障是信息服務的基礎，建立全面、高質、開放的可得資源體系仍是科技情報工作的首要任務。

3.1 建立信息資源保障的大數據理念

大數據環境下，信息資源保障的內涵有所不同：第一，信息資源利用形式更開放快捷，大量信息資源來不及建立知識產權屏障就已過時，使得信息資源的價值實現更依賴資源利用和分析的溢出效應，而非知識產權變現;第二，信息資源的邊界越來越模糊，以往受限于機構邊界和知識產權保護而構建的信息資源保障“優選精選”理念，正面臨低廉存儲、海量來源的資源體系沖擊;第三，信息資源的表現形式更多樣，質量參差不齊，直接利用困難，資源保障體系的重心逐漸由收藏保障向利用保障轉移;第四，隨著獨有信息資源優勢的弱化，信息資源保障的開放性和協作利用將更為突出。

3.2 擴展多元數據來源和新型數據存儲

科技信息機構應擴展資源的廣度，關注片段信息或社會網絡數據等低價值密度信息資源或新型信息資源的采集和保存[2]。在具體的采集和開發過程中，有兩種典型做法：一種主張搶救性保存，因擔心數字信息資源的易逝性，如不加以保存以后將無法利用，因而突出優先存儲，逐步利用的原則，并不一定要優先設定明確和具體的應用目標。典型的是美國國會圖書館啟動的網絡存檔項目，其已采集網絡數據500TB以上，尤其是2010年啟動的Twitter存檔的特種館藏項目已存儲2006～2010年的1700億條133.2TB的Twitter記錄[22]，并以每天5億條的規?？焖僭鲩L。目前雖然尚未完全開放服務并且也面臨數據解析整理的技術困難，但歷史學和人文學者均期待其資源的開放利用[23]。一種主張縱向驅動和片段利用驅動，突出以若干利用和主題推動項目的存儲，最終實現數據匯集和大數據。如聯合國在雅加達設立全球脈動（Globle Pulse）大數據利用[24]和大多數的政府開放數據集建設都采用縱向驅動方式。

3.3 推動深層數據存儲和核心資源質量

相對于文獻資源、規范元數據等資源形式，推動深層數據類型的采集和保存將有效提升科技情報機構的信息分析能力。以往科技情報機構的資源主體是文獻信息、描述信息、事實信息以及部分淺層知識資源，現在需要進一步加強內容實體信息、科學數據、深層知識資源以及用戶行為信息的保存，繼續發展和完善知識庫、本體庫、情景庫、資料庫、實體庫等新型數據庫類型[16]。比如中信所在專利分析中對人名、機構名和技術術語、領域深層主題及其相互關系的構建[3]，中科院科學數據中心對科學數據與科技文獻集成服務關鍵技術研究與應用[25]等。

3.4 科學規劃參考資源架構體系

大數據環境下，大多數科技情報機構都需要考慮自建數據源、開放數據源與商業數據源的混搭利用。美國中央情報局的首席技術官 Gus Hunter在推進OpenStack項目時，提出了參考資源架構（Reference Architecture）的規劃理念。相對于規范的學術資源和科技信息，大數據更零散、更原始、更復雜，巨量、快速和多樣的數據存在明顯的碎片化特征，并不能直接利用[2]。因而，科技情報機構需要建立更加具有層次性、協調性的數據來源和數據參考規劃，突出海量數據支撐與核心資源質量控制相結合的資源保障策略。一方面需要加強對科技信息獲取渠道及其內容的質量評價，構建多維度科技信息質量評價指標體系和綜合運用多種質量控制策略[26];一方面需要加強對信息資源的深度加工與科學解析，提升數據的可理解性和可用性。

3.5 加強多源科技情報資源的集成與聚合

大數據環境下，科技信息服務需要面對方法、工具、數據的離散化分布[3]，需要融合多種來源結構異質的數據，集成多種數據分析方法，并且通過融合多源數據發現資源之間潛在關聯[27]。關聯性或弱信息的挖掘，被認為是大數據服務區別以往科技情報服務的典型差異[28-29]。而通過把不同渠道、利用多種采集方式獲取的具有不同數據結構的信息匯聚到一起，形成具有統一格式、面向多種應用的數據集合，這一過程稱為多源數據融合[2]。相對于以往圖書情報機構基于目錄的OPAC、基于元數據收割協議的數字館藏、基于協議標準的跨庫檢索等聚合方法，當前的數字資源聚合更注重內容層面的知識發現，尤其是數據驅動的弱信息關注[30]以及注重內容片斷進行搜索、過濾、瀏覽、鏈接、注釋和分析的戰略性閱讀[31]。

資源融合過程也是數據處理和分析技術的應用過程。李廣建等統計了國際上143個數字資源整合項目[32]，歸納出數據倉庫、Mediator/ Wrapper（中介器或封裝器）、Agent和P2P等四種整合機制，而且約占85%的項目或系統采用前兩種方法，其中涉及海量存儲技術、ETL技術、信息源監控與更新技術、信息源選擇技術、信息抽取技術、查詢處理技術、結果整合技術、語義整合技術等。尤其針對云計算環境下多源、異構、大規模、動態信息資源特征和人們日益發展的個性化信息服務需求，基于語義的本體資源聚合、分布式協作資源聚合成為當前關注的焦點[33]。

3.6 積極推動資源開放獲取與協作

大數據環境下，科技情報機構還應充分利用開放數據，加強機構間的協作共享。具體需要從業務模式和技術手段層面加以規劃，改變傳統科技情報獲取方法，降低用戶情報獲取難度，促進資源有效利用。從業務模式上看，要加大政府開放信息源的有效利用和商業機構的技術力量協作，以提高數據使用的內在效率為原則，盈利動機為補充，引入社會力量參與[34]。以英國政府開放數據為例，目前已有多家數據創業公司與data.gov.uk合作，如Open Corporates的全球企業信息查詢、Placr的整合位置與數據查詢、Locatable的綜合稅率和交通情況的居住地與購房決策查詢等。從技術手段看，則需增加數據的可得性。通常采用關聯數據集（Linked Data Set）技術支持開放共享，以RDF（資源描述框架）構建數據模型，利用URI（統一資源標示符）定義數據實體，通過HTTP協議瀏覽并獲取數據[35]。

4 大數據時代科技情報工作的服務模式創新

資源、技術與服務是科技情報工作的核心要素，資源的改變、技術的提升必然需要匹配服務的創新與升級。大數據環境下，科技情報服務模式的創新強調以用戶需求為中心，注重運用大數據技術分析方法，并建立拓展的資源保障體系與用戶需求之間的關聯[29]。結合大數據本身特征，科技情報服務將進一步突出輕量化服務、細粒度服務、技術服務和一體化服務的趨勢。

4.1 輕量數據分析服務

輕量數據分析的服務設計主要基于動態數據和片段數據的快速增長，較小地犧牲信息分析準確性而開展的快速信息分析方式，即“短、平、快”的服務模式。動態數據的迅速更新與快速增長導致全量數據分析的難度與時間復雜度增加，大而全的分析模式反而會降低情報分析結果的時效性，降低情報價值。因而，輕量化科技情報服務模式要突出三個要點：一是強調數據的快速解析與知識發現，一般采用即時跟蹤和動態監控的服務方式[36];二是突出最大可能降低信息分析的效度損耗，建立高效的數據篩選機制，從大量信息中準確選擇目標數據，盡可能通過較小數據吞吐發現問題;三是突出用戶價值，通過用戶定制、用戶交互實時獲取用戶需求，滿足用戶多變需求。

4.2 細粒度情報解析服務

細粒度情報解析主要面向用戶的深層信息需求以及對海量數據信息的降維與濃縮需求。細粒度情報解析服務的實現方式主要有：第一，對文獻實體知識單元的提取和分析，對文獻主題、章節結構、文獻元素（如圖表、數據、化學式、專利號）等進行有效提取和聚合分析，典型如學術本體、知識地圖、知識擴散與突變等偵測;第二，對文獻資源之間的弱關聯關系的發現[37]，尤其是數據背后關系網絡的發現，發現數據或知識之間的相關關系;第三，對內容片斷進行搜索、過濾、瀏覽、鏈接、注釋和分析的戰略性解析。

從服務表現形式上，細粒度情報服務導致從單一渠道獲取數據的數量與質量下降，為了保證情報分析的有效性需要擴大數據來源，提高多源數據分析能力。一方面，針對不同渠道采集的異構數據進行有效解析和聚合;另一方面要關注泛在網絡知識的利用，以及將開放數據內在的交互性、開放性轉化為可以利用資源，并利用海量數據的可知識對象化、可計算化開展服務。

4.3 技術應用即服務方式

技術應用即服務方式是對資源保障分析的延伸，將信息分析過程技術化、工具化，并以服務的形式提供給用戶。典型的應用如萬方創新助手、百度數據開放平臺、百度開題助手、騰訊云分析等平臺，在數據服務基礎上，將數據解析和處理工具也提供給用戶，用戶不僅利用數據，而且也能享受服務方提供的高度定制化的技術工具。相對一般的SaaS服務，科技情報機構的技術應用服務本身不存在數據委托存儲的數據安全問題，同時更能體現科技情報機構資源與分析技術的協同效應。同時，技術服務也為科技情報機構之間提供了資源和服務合作的橋梁。歐美學術圖書館就建議情報服務機構提供從資源到資源管理的完整服務體系[38]。

4.4 全流程一體化服務

全流程一體化服務強調科技情報服務對業務過程的全程參與與支持，滿足用戶的多元需求。大數據時代數據準確采集與精確加工難度增加，業務部門或用戶對情報機構的依賴性將愈發明顯，科技情報可將服務鏈擴展到情報采集、加工、服務、服務反饋及延伸應用的全生命周期鏈。典型應用是OCLC提出的學術圖書館研究支撐服務[39]。OCLC發現研究者對情報機構的需求不僅僅是文獻提供與保障，還有研究機會發現（研究項目趨勢）、研究者的知識產權管理與商業價值實現、研究合作者發現、管理和存儲文本與數據集、大量文本或數據分析、改進信息檢索或管理能力、引文管理、尋找論文發表機會、職位晉升或工作機會發現、學術聲譽管理、出版前出版中和出版后的文獻管理等。

5 結語

在文獻服務、技術服務、應用服務和決策服務的演進過程中，不僅科技情報工作的服務對象逐漸從文獻資料、系統信息過渡到覆蓋全生命周期數據、文獻知識單元、分析與應用工具以及決策與咨詢建議的立體服務結構，而且用戶需求和受眾的情報利用方式也發生了變化。以學術領域的情報工作服務為例，知識大數據的興起不僅推動了學術知識工程和數據存儲服務在科技領域的深度應用[40]，科學家和人文學者對知識數據的利用方式改變也催生了知識大數據服務的誕生[41]。在商業領域，Chen和Chiang通過梳理情報分析技術進展，發現情報分析從面向數據庫的結構化數據分析向面向網絡的非結構化數據分析、移動網絡和感知數據分析的BI&A3.0快速轉變[42]。雖然科技情報機構面臨著大數據在資源保障和信息分析技術上的挑戰，但另一方面科技情報的應用領域越來越廣泛、用戶對科技情報機構分析能力的依賴將越來越強，面臨巨大的發展機遇。

參考文獻：

[1] 王飛躍. 知識產生方式和科技決策支撐的重大變革——面向大數據和開源信息的科技態勢解析與決策服務[J].中國科學院院刊， 2012， 27（5）： 527-537.

[2] 李廣建，楊林.大數據視角下的情報研究與情報研究技術[J].圖書與情報，2012（6）：1-8.

[3] 賀德方. 基于大數據、云服務的科技情報工作思考[J]. 數字圖書館論壇， 2013 （6）： 2-9.

[4] 喬曉東，朱禮軍，李穎，等. 大數據時代的技術情報工程[J]. 情報學報， 2014， 33（12）： 1255-1263.

[5] 曾建勛，魏來. 大數據時代的情報學變革[J]. 情報學報， 2015， 34（1）： 37-44.

[6] 王曉佳，楊善林，陳志強. 大數據時代下的情報分析與挖掘技術研究[J]. 情報學報， 2013， 32（6）： 564-574.

[7] 張斌， 馬費成. 大數據環境下數字信息資源服務創新[J]. 情報理論與實踐， 2014（6）：28-33.

[8] Santovena A Z. Big data： evolution， components， challenges and opportunities[D]. Massachusetts Institute of Technology， 2013.

[9] Rider，F.The scholar and the future of the research library： A problem and its solution[M].New York city： Hadham Press，1944.

[10] Kraus R. Statistical déjà vu： The National Data Center Proposal of 1965 and its descendants[J]. Journal of Privacy and Confidentiality， 2013， 5（1）： 1

[11] U.S.Bureau of the Budget，Office of Statistical Standards，Review of Proposal for a National Data Center，Statistical Evaluation Report No. 6， December 1965， reprinted in Edgar S. Dunn， Jr.， Social Information Processing and Statistical Systems-Change and Reform[M].New York： John Wiley & Sons， 1974：204.

[12] The Home of the U.S. Government's Open Data[EB/OL].[2015-10-10].https：//www.data.gov/.

[13] Openning Up Government UK[EB/OL].[2015-10-10].https：//data.gov.uk/data/search.

[14] 李國杰， 程學旗. 大數據研究：未來科技及經濟社會發展的重大戰略領域——大數據的研究現狀與科學思考[J]. 中國科學院院刊， 2012， 27（6）：647-657.

[15] 鄔賀銓.大數據時代的機遇與挑戰[J].求是，2013（4）：47-49.

[16] 趙凡， 冷伏海. 科技情報研究與服務的發展現狀與趨勢[J]. 數字圖書館論壇， 2006（10）：52-60.

[17] 張曉林. 研究圖書館2020：嵌入式協作化知識實驗室？[J]. 中國圖書館學報， 2012（1）：11-20.

[18] 劉如，吳晨生，李夢輝. 大數據時代科技情報工作的機遇與變革[J]. 情報理論與實踐， 2015， 38（6）： 35-39.

[19] 張曉林. 走向知識服務：尋找新世紀圖書情報工作的生長點[J]. 中國圖書館學報， 2000， 26（5）：32-37.

[20] 錢力， 張曉林， 李春旺，等. 利用OSGi的科技情報分析集成服務架構研究與應用[J]. 現代圖書情報技術， 2014（12）：62-70.

[21] 毛曉燕. 大數據環境下圖書館信息服務走向分析[J]. 圖書館工作與研究， 2014（3）：72-75.

[22] Library of Congress， “Update on the Twitter Archive At the Library of Congress”（January）[EB/OL].[2015-11-15].http：//www.loc.gov/today/pr/2013/files/twitter_report_2013jan.pdf.

[23] Zimmer M. The Twitter Archive at the Library of Congress： Challenges for information practice and information policy[J]. First Monday， 2015， 20（7）.

[24] Pulse U N G. Big data for development： Challenges &opportunities[M]. NacionesUnidas， Nueva York， mayo， 2012.

[25] 中科院數據云.科學數據與科技文獻集成服務關鍵技術研究與應用[EB/OL].[2015-11-10].http：//www.csdb.cn/linkdata/597.jhtml.

[26] 裴雷， 孫建軍. 中國科技報告質量評價體系與推進策略[J]. 情報學報， 2014（8）：813-823.

[27] 楊善林， 羅賀， 丁帥. 基于云計算的多源信息服務系統研究綜述[J]. 管理科學學報， 2012， 15（5）：83-96.

[28] 官思發，朝樂門.大數據時代信息分析的關鍵問題、挑戰與對策[J].圖書情報工作，2015，59（3）：12-18，34.

[29] 李廣建，化柏林.大數據分析與情報分析關系辨析[J].中國圖書館學報，2014（5）：14-22.

[30] Palmer C L. Weak information work and “doable” problems in interdisciplinary science[J]. Proceedings of the American Society for Information Science and Technology， 2006， 43（1）： 1-16.

[31] Renear A H， Palmer C L. Strategic reading， ontologies， and the future of scientific publishing[J]. Science， 2009， 325（5942）： 828-832.

[32] 李廣建， 汪語宇， 張麗. 數字資源整合的實現機制及關鍵技術——對國外數字資源整合系統的實證研究[J]. 中國圖書館學報， 2007， 33（2）： 75-80.

[33] 劉向， 王偉軍， 李延暉. 云計算環境下信息資源集成與服務系統的體系架構[J]. 情報科學， 2014， 32（6）： 128-133.

[34] 王晴. 論科學數據開放共享的運行模式， 保障機制及優化策略[J]. 國家圖書館學刊， 2014， 23（1）： 3-9.

[35] 李志芳， 鄧仲華. 國內開放科學數據的分布及其特點分析[J]. 情報科學， 2015（3）： 9.

[36] 繆其浩. 當情報遇到大數據——大數據熱點情報跟蹤的回顧與感悟[J]. 情報探索， 2013（5）：1-3.

[37] Palmer C L， Cragin M H， Hogan T P. Weak information work in scientific discovery[J].Information processing & manage

ment， 2007， 43（3）： 808-820.

[38] Malpas，Constance.Cloud-sourcing Research Collections：Managing Print in the Mass-digitized Library Environment[R/OL].[2015-11-15].http：//www.oclc.org/research/publications/library/2011/2011-01.pdf.

[39] Susan Kroll and Rick Forsman. A Slice of Research Life： Information Support ?for Research in the United States[R/OL]. [2015-11-15].http：//www.oclc.org/research/publications/library/2010/2010-15.pdf.

[40] Lyon Liz. The Informatics Transform： Re-Engineering Libraries for the Data Decade[J].The International Journal of Digital Curation， 2012， 7（1）： 126-138.

[41] 孫建軍.大數據時代人文社會科學如何發展[N].光明日報，2014-07-07（11）.

[42] Chen Hsinchun，Chiang Roger-H.-L.，Storey Veda-C.. BUSINESS INTELLIGENCE AND ANALYTICS：FROM BIG DATA TO BIG IMPACT[J]. MIS Quarterly ， 2012， 36（4）： 1165-1188.