小數據視角下知識服務的體系建構與倫理反思

【摘要】知識服務智慧化是國家教育和文化數字化戰略的重要組成部分，在近年來的大數據技術熱潮下，研究者亟須冷靜思考小數據的價值。文章首先分析了潛在期、成長期、成熟期和衰退期四類小數據用戶，闡釋了其個體獨特性、實時動態性和適度可控性三方面特征，歸納了包括靜態數據、動態數據以及第三方數據在內的三類小數據來源及結構。其次在數據與知識雙輪驅動的第三代人工智能思想指導下，以知識圖譜為基石，以用戶畫像為核心，構建了小數據視角下的知識服務體系，提出新型的知識服務需融合多模態數據提高用戶畫像的精準性，以知識圖譜為引擎促進知識管理的認知性，堅持應用為王增加知識服務的多樣性。最后，從價值觀、正義觀、自由觀三方面審視小數據視角下知識服務面臨的倫理挑戰。

【關鍵詞】小數據 知識圖譜 用戶畫像 知識服務 體系建構 倫理反思

【中圖分類號】G230 【文獻標識碼】Ａ 【文章編號】1003-6687（2024）7-045-08

【DOI】 10.13786/j.cnki.cn14-1066/g2.2024.7.006

2022年5月，中共中央辦公廳、國務院辦公廳印發《關于推進實施國家文化數字化戰略的意見》，要求統籌推進國家文化大數據體系、全國智慧圖書館體系和公共文化云建設，增強公共文化數字內容供給能力，提升公共文化服務數字化水平。智慧知識服務是國家文化數字化戰略的重要組成部分，在知識服務智慧化形態轉化過程中，大數據提供了堅實的技術支撐，但也在社會文化、技術、學術等領域帶來諸多挑戰。因此，部分學者開始在大數據的狂熱浪潮之下，冷靜思考小數據對知識服務的重要價值。清華大學人工智能研究院院長、中國科學院院士張鈸等學者指出，人工智能已經邁向第三代，其發展的思路是把第一代的知識驅動和第二代的數據驅動結合起來，利用知識、數據、算法和算力等要素，構造更強大的AI，[1]而知識圖譜是第三代人工智能的核心技術。本文從小數據思維出發，將用戶小數據特點同知識服務過程相結合，以知識圖譜為引擎、用戶畫像為核心，重構小數據視角下的知識服務體系，并對其中存在的倫理問題進行審思，以期增強知識服務系統的魯棒性和可解釋性，提升知識服務的智慧化、個性化、多樣化水平，推動智慧知識服務平臺建設與發展。

一、用戶小數據

隨著大數據得到廣泛關注和應用，關于大數據的研究逐步興盛，數據科學、數據思維滲透到人們學習和生活的方方面面。小數據被看作是與大數據相對的概念，關于小數據的研究伴隨著大數據的興起而發展。2013年Estrin正式提出“小數據”概念，指出小數據是全部關于“我”的數據，認為從用戶數據中提取的具有個性化特征的數據，將有效揭示用戶行為模式和規律。[2]從這一觀點出發，我國學者陳臣、馬曉亭提出圖書館小數據是以讀者個體為中心開展的數據采集、處理、分析和決策活動。[3]曹霞綜合多位學者的定義，認為小數據是一種基于個人或單個團隊的新興數據，是具有選擇性的、可靠的、可控的、增值的數字化信息。[4]小數據具有關聯性大、真實性高、操作性強三大特點。[5]相對于大數據重預測、感知及相關性的特征，小數據更強調精準、個體和因果關系。[6]大數據分析普遍規律，小數據分析獨特個性；大數據解決普遍問題，小數據解決個性問題。[7]目前對小數據的研究遍及理、工、農、醫以及教育學、圖書館學、情報學、新聞傳播學、經濟學、管理學等領域，本文主要探討小數據在知識服務領域的創新研究與應用，以期闡釋和厘清認知智能時代小數據的發展新方向。本文認為，小數據思維和 “以人為本”的知識服務理念相契合，在新一代人工智能的驅動下充分挖掘用戶小數據的價值，將進一步推動知識服務走向個性化、精準化、智慧化。

1. 小數據用戶的類型

知識服務的關鍵是發現用戶的個性化需求。作為面向社會大眾的公共機構，知識服務機構需要充分了解用戶群體，才能在后續提供的服務中增強與用戶間的黏性。本文根據用戶不同程度的知識需求，結合生命周期理論，將知識服務用戶分為潛在期知識用戶、成長期知識用戶、成熟期知識用戶和衰退期知識用戶。

（1）潛在期知識用戶。這類用戶通常表現為沒有明確體現出知識需求或未采取相關的知識行動，但他們具有利用公共機構設施的資格、使用知識資源的能力以及潛在的知識需求。[8]潛在需求和潛在用戶存在的原因是多方面的，或是用戶對獲取渠道或信息質量存在顧慮，或是用戶本身沒有意識到自己的潛在需求等。這類用戶具有較大的開發潛力，是知識服務機構不能忽略的潛在服務對象。

（2）成長期知識用戶。這類用戶通常對自己的知識需求會采取一定的行動，并產生相應的檢索、瀏覽、借閱等動態數據。根據McClure提出的用戶生命周期模型，獲得用戶之后需要先激活用戶，潛在期用戶被激活后會從被動獲取信息逐漸發展為主動搜索的成長期用戶。一般來說，成長期用戶是知識服務用戶類型中占比較高的一類，他們往往會主動參與到知識活動中，并在此過程中保持一定的信息交流行為。

（3）成熟期知識用戶。這類用戶通常會積極滿足自己的知識需求，同時產生較多的互動數據，具有一定的穩定性。他們是知識服務中最有活力和生命力的一類用戶，具有較強的信息需求，能夠熟練利用資源和服務。他們在各自的社交圈層內具有一定的影響力，會直接或間接為知識服務平臺帶來新用戶和新價值。

（4）衰退期知識用戶。這類用戶通常表現為對知識服務的興趣衰退、熱度驟降，在知識服務過程中信息活躍行為有所減少或停止，在連續一段時間內保持沉默狀態。他們在心理上不再積極期待新功能和新服務，甚至產生一定的負面情感，在行為上表現為節制、停止、替代、抵制。[9]導致用戶興趣衰退并出現流失現象的原因不僅包含用戶個人的主觀因素，也包括資源、系統、服務、環境等客觀因素。

2. 用戶小數據的特征

與大數據不同，小數據鮮明的個體獨特性、高度的實時動態性和適度的數據可控性，能夠解釋用戶行為背后的驅動因素，包括人們的態度、決策過程、使用體驗等，有助于更精準更深刻地挖掘用戶潛在需求，提升個性化知識服務效率，實現知識服務智慧化轉型。

（1）揭示個體獨特性，便于精準把握用戶。小數據以個體為中心，圍繞不同個體采集有關人的思想、行為、個性、偏好等的個性化特征數據，[10]開展數據處理、分析和決策活動。在小數據的支持下，平臺可以通過個人行為數據發現和預測個人需求特征，破解服務精準程度不足的難題。[11]在知識服務智慧化轉型過程中，基于小數據視角進行數據采集、挖掘、分析、融合等，有助于深入理解用戶的獨特性，發現用戶細粒度特征，更精準地繪制個體用戶畫像，構建小而精的知識圖譜，實現個性化資源推薦、適應性路徑規劃等功能，從而提供更加個性化的服務或產品。此外，處理小數據的用戶量較少，在隱私泄露方面的風險較低，有助于識別、分析和預測個體用戶可能面臨的風險，及時采取干預措施，降低用戶和系統的潛在風險。

（2）重視實時動態性，實時感知用戶需求。因小數據規模較小，平臺可以實時或近實時地處理數據，數據挖掘與分析效率較高。用戶的閱讀興趣具有突發、動態變化和受外界環境變化影響等特點，[12]只有確保用戶興趣、偏好等挖掘得準確、實時，才能精準地描摹用戶畫像輪廓乃至全貌。這需要圖書館等知識服務機構動態反饋信息并控制、優化和完善個性化服務。小數據的獲取和收集需做到實時更新和動態存儲，實現具體人物具體分析、具體事件具體更新，實時感知對象變化著的信息需求。[13]通過對動態小數據進行挖掘分析，可以揭示用戶的閱讀需求、行為特征和活動規律之間的因果關系，真正實現知識服務個性化定制和實時推送。[10]在知識服務智慧化轉型過程中，小數據有助于更好更快地了解用戶的需求、行為模式和偏好，快速響應用戶需求，構建動態用戶畫像，動態更新知識庫，及時調整決策方案，適應性推送知識服務資源，更高效地滿足用戶個性化需求，優化用戶的知識服務體驗，提高用戶滿意度和忠誠度。

（3）具有適度可控性，避免資源成本浪費。與大數據相比，小數據的數據量更為可控，數據質量更高，對軟硬件的要求相對較低，數據的采集、存儲、管理、分析、處理更加便捷和高效。小數據分析所需要的數據量有限，采集、計算和決策的成本較小。在數據2.0時代，小數據可以通過移動閱讀終端、傳感器技術、可穿戴設備、物聯網技術、讀者登記等簡單方式被用戶獲取和使用。[14]在知識服務智慧化轉型過程中，相對于需要Hadoop、Hadapt、HPCC等高尖端設備平臺支撐的大數據，小數據不需要投入巨大的硬件和軟件資源，可簡化算法，節約算力和人力成本，大大降低了系統處理與資源消耗的成本，具有較強的靈活性、可控性和可操作性，在人力、物力、財力、算力有限的情況下，更加實用、經濟。

3. 用戶小數據的結構

數據的產生、收集、存儲、分析、挖掘、發布與銷毀都是智慧圖書館等知識服務機構必不可少的運作環節。[15]小數據關注單個獨立的用戶，以個體為中心進行數據采集研究，對數據的精確描述要求較高。[16]用戶小數據包括結構化數據、半結構化數據和非結構化數據，也可以分為靜態數據、動態數據和第三方共享數據（見表1）。靜態數據指存儲于用戶信息管理系統的基本讀者數據，包括用戶的ID、性別、年齡、職業、教育程度等，這些靜態數據可以形成用戶畫像的基本輪廓，方便對讀者進行初步識別和判斷。[17]動態數據指用戶在搜索、下載、瀏覽、互動等閱讀活動過程中產生的數據，可以在服務監控設備、信息管理系統或閱讀終端上獲取。此外，借助第三方社交軟件也可以進行數據采集，如一些知識服務平臺可以將授權賬戶與微信平臺綁定，通過微信平臺采集相關小數據痕跡。

二、小數據視角下知識服務的體系建構

在知識經濟環境下，傳統圖書館等知識服務機構的服務內容和手段已經很難滿足用戶的需要，[18]存在用戶需求多元化和服務模式單一化的矛盾。靜態化的知識資源缺乏社交互動功能和情景化功能，面臨被動態的互聯網知識資源取代的挑戰。知識服務須直面這些挑戰，緊緊圍繞用戶的知識需求，著重體現人本主義精神，重視人的價值。[19]本文在分析中融入小數據思維，將用戶小數據特點和知識服務過程相結合，融合知識圖譜，以用戶畫像為核心，提出小數據視角下的知識服務體系，主要包括數據處理、資源管理、服務應用三大模塊（見下頁圖1）。通過采集信息管理系統、服務監控設備、智能傳感設備、第三方平臺中用戶的屬性小數據、行為小數據、互動小數據和情景小數據，精準構建不同類型的動態用戶畫像，并對畫像進行評估；通過知識的抽取、融合、加工、更新等生成知識圖譜，構建各類知識服務領域的知識庫，提供個性化、動態化、社交化、情景化和智慧化的知識服務應用；各類應用融入知識服務循環過程，接受用戶的有效反饋，完善小數據管理全生命周期的各環節，形成知識服務的良性循環。這在一定程度上能夠擺脫以往固定和簡單的信息服務模式，提供智慧化、精準化的認知知識服務。

1. 融合多模態數據，提高用戶畫像的精準性

基于小數據的知識服務需要融合多模態數據，構建精準的動態用戶畫像，并根據不同類型的畫像為用戶提供個性化知識服務。小數據視角下知識服務體系中的數據處理模塊分為采集層、處理層、數據層、畫像層，通過軟硬件設施分別采集用戶的靜態數據、動態數據和第三方數據；所有數據經過清洗和處理，全部轉換為結構化數據后，通過構建相關標簽體系，結合信任機制形成用戶小數據庫。在數據層，用戶屬性小數據可以用于判別用戶的基本特征，行為小數據可以用于挖掘閱讀行為、知識需求、知識偏好等信息，互動小數據可以用于發現用戶之間的關聯互動，情景小數據可以用于分析如何給用戶提供合適的知識服務情景。同時，小數據庫結合相關動態模型，可以做到實時更新，動態記錄用戶知識需求、知識偏好的變化。如陳臣等設計的讀者閱讀興趣發現模型，可以識別讀者閱讀的長期興趣和短期興趣，從而提供個性化定制服務；[8]通過算法設計、數據建模、搭建標簽體系等途徑構建精準化動態性的用戶畫像。

用戶畫像是小數據視角下知識服務體系的關鍵技術和重要基礎，而數據的采集和處理技術是構建用戶畫像的關鍵技術支撐。知識服務用戶的數據是多模態的數據，包括文本、圖片、視頻、音頻等。首先，可利用移動設備、物聯網傳感器、攝像頭、無人機等感知用戶物理空間數據，通過數據挖掘技術采集用戶人機交互過程中產生的、存儲在云計算設備或者邊緣計算設備中的互聯網應用數據。其次，可應用向量機模型、卷積神經網絡模型、注意力機制等機器學習技術對用戶多模態數據進行特征提取、建模融合，利用知識圖譜等自然語言處理技術實現跨媒體語義表達和信息融合，增強用戶畫像的泛化能力、可解釋性和魯棒性。最后，可運用最新的大語言模型從用戶文本數據中挖掘和分析用戶偏好等行為信息，提取有用信息。大語言模型對用戶隱性信息、可疑信息和未知信息等具有強大的理解作用，可以增強用戶畫像建模能力，提高用戶畫像的精準性。

2. 以知識圖譜為引擎，促進知識管理的認知性

基于小數據的知識服務需要融合知識圖譜，開發知識服務平臺的認知智能，促進知識管理的認知性。小數據視角下知識服務體系中的資源管理模塊包括用戶畫像評估和知識管理層。很多用戶在使用知識服務平臺時留下的行為數據并不完整，一些關鍵性行為數據的缺失會影響畫像的清晰度，所以構建用戶畫像后需要先進行質量評估，畫像合格后再進入用戶畫像應用和知識管理循環。畫像質量的評估指標主要包括準確率、時效性、覆蓋率等。準確率是用戶畫像最核心的指標，指被打上正確標簽的用戶數量占被打上標簽用戶總數的比例；時效性要求不同類型的標簽需建立合理的更新機制，以保證標簽的有效性；覆蓋率指被打上標簽的用戶數量占用戶總數的比例。此外，用戶畫像的可解釋性和可擴展性也是畫像評估需要考慮的重要指標。如果畫像評估指標達到了知識服務的要求，則可以將畫像結果傳輸到知識管理環節；如果評估結果未達到應用要求，則應分析畫像結果偏差的具體原因，通過返回控制操作，選擇性優化和完善小數據處理過程，保證用戶畫像真實、動態、可用和經濟。[2]

知識管理過程由知識生產加工、知識傳播、知識再利用的大循環組成。[20]知識服務以信息知識的搜尋、組織、分析、重組為基礎。平臺要想提供高質量的知識服務，需要在海量的信息資源中做好知識發現工作，并基于知識圖譜對知識進行組織、融合、推理和學習等。[21]知識服務平臺中海量的信息資源需要進行知識發現、知識清洗、知識抽取、知識融合、知識加工等步驟才能構建優質的知識圖譜，生成可用、易用、可視化的知識內容，從而不斷豐富知識服務平臺的知識庫，為用戶提供高質量的知識產品。知識傳播是整個知識服務過程的核心，知識服務平臺以用戶畫像和知識圖譜為基石，分析不同類型用戶需求以及各個知識、用戶間的關系，為用戶提供知識檢索、知識導航、知識問答、知識應用、知識推送、知識共享等智能化知識服務與傳播手段。知識服務平臺中的各類數據會隨著時間的推移而不斷變化更新，知識庫也需要通過知識循環加工不斷進行知識更新，消除無用或質量低劣的知識，使知識庫保持動態更新和管理，從而更好地實現知識再利用。

3. 堅持應用為王，增加知識服務的多樣性

基于小數據的知識服務需要堅持應用為王，開發集成化、智能化、多元化和國際化的優質知識服務應用，構建線上線下相結合的知識服務模式，不斷豐富和優化知識庫，增加知識服務的多樣性。小數據視角下知識服務體系中的服務應用模塊包括知識產品層和服務層。開展知識服務形成的“知識產品”既不是一個簡單的結論或數據，也不是一堆現成文件資料和數據的堆積，[22]而是經過知識挖掘、整合重組、深度加工等多環節形成的高質量成果。知識服務領域包括學科知識服務場景、參考咨詢服務場景、情報服務場景、教育培訓服務場景等。[20]知識服務商需要根據用戶需求開發各類場景的平臺、小程序、APP、人工智能助手等知識服務應用，在知識產品層面分別形成學科知識庫、咨詢知識庫、情報知識庫和教育知識庫，并根據用戶畫像分析知識產品，迭代優化知識服務應用，動態更新知識庫，優化用戶體驗，構建線上線下融合的知識服務模式，最終促進知識服務個性化、動態化、社交化、情景化和智慧化轉型。同時，知識服務平臺要實時跟進知識服務整體過程，動態收集用戶反饋，構建用戶和知識產品等的評價指標體系，對知識服務各環節進行評價，從而不斷改進各模塊各層次的結構和內容。

知識服務機構可以根據潛在期、成長期、成熟期、衰退期不同類型的用戶畫像提供個性化多元化的知識服務。首先，知識服務平臺需要利用多樣化的用戶渠道，加強宣傳引導，消除潛在期用戶的信息顧慮，增強其對平臺的信任感，鼓勵和激發潛在用戶參與到知識服務活動中。其次，對于成長期用戶，要優化用戶體驗，通過多種途徑推廣多樣化知識服務，立足用戶的實際知識需求，增強用戶的閱讀興趣及激活率。再次，在激活用戶后需注重用戶留存率，向成熟期用戶提供全面、優質、豐富的知識服務，以高質量知識傳播提高用戶的滿意度。最后，對于衰退期用戶，一方面可以建立用戶激勵機制，擴展互動渠道，及時優化用戶體驗；另一方面可以探索新型服務模式，加強口碑營銷，推動用戶自傳播，在提高用戶留存率的基礎上吸引更多新用戶。[23]

4. 重構用戶與知識的交互關系

（1）重構用戶至上的服務理念。早在2017年，學者初景利就指出，圖書館需要重新打造知識服務的能力，重新認知“以用戶為中心”的服務理念，重新構建“用戶在哪里，服務就在哪里”的服務精神。[24]知識服務的核心目標是針對性滿足用戶的知識需求。雖然現有研究構建了各類用戶畫像和服務模式，但大數據的多樣性、異質性及龐大的數據規模等都給具體實踐帶來極大挑戰，[25]用戶畫像、知識生產和知識服務的有效性并沒有得到充分驗證，存在的問題也無法及時反饋。從大數據中延伸出來的小數據微觀思維，有助于知識服務機構更好地應對大數據時代的挑戰，契合“用戶至上”的服務理念。

（2）提升個性化知識服務的精準性。小數據具有獨特性、動態性、可控性優勢，通過采集用戶靜態、動態小數據，結合相關模型實時更新用戶數據庫與知識庫，可以提升個體畫像的細粒度。同時，在小數據的支持下用戶的知識需求被放大，知識服務機構能更清晰地了解用戶實際需求，針對性地開展服務工作。知識服務平臺可以根據用戶屬性小數據、行為小數據、互動小數據、情景小數據細分用戶的知識興趣與需求，從而定義潛在期、成長期、成熟期、衰退期用戶的特征。只有掌握用戶深層次需求，為不同類型、不同層次、不同需求的用戶提供個性化服務，才能推動知識服務不斷向精準化發展。

（3）提高知識服務創新的主動性。傳統的知識服務模式強調服務方的主動性，用戶作為接收方多是被動地接受服務內容。如今，知識服務用戶處于泛在化的知識環境中，一方面他們的知識需求層次與復雜化程度在不斷提高，另一方面知識再創新的需求愈加強烈，用戶不再單單滿足于獲取知識，而是希望通過知識創新知識。[26]從PGC到UGC，用戶已經主動參與到知識創新體系中，知識服務模式需要提供交互創新的渠道。在小數據視角下的知識服務模式中，用戶可以主動參與整個知識服務體系的優化進程，通過服務層進行有效反饋，幫助平臺針對性完善知識生產加工、傳播、再利用等環節，更新知識庫，形成服務創新的良性循環。

（4）促進知識服務數據互聯互通。在這場“小數據革命”中，用戶小數據將為知識服務帶來多方面的變革，產生順應新趨勢、促進圖書館等知識服務機構智慧化的新亮點。[27]學者程煥文將智慧服務視作智慧圖書館的終極目標，主張智慧服務的發展程度依賴于智慧服務體系的設計和運轉。[28]因此，知識服務平臺應做好小數據的價值挖掘工作，促進數據庫不斷完善和更新，利用用戶小數據實現面向個體的精準知識服務，[5]消除大數據時代知識服務體系的弊端。小數據視角下的知識服務更注重個體用戶的特征和反饋，有利于動態調整知識服務功能，規范服務模式。用戶小數據和大數據相互融合之際，整體數據的價值密度將得到提高，各類知識服務平臺將被打通，形成萬物互聯的數據中心，真正實現互聯互通互應用。

三、小數據視角下知識服務的倫理反思

從過去簡單地為用戶提供信息檢索服務，到如今個性化、智能化、多元化的知識服務，數智時代下人們信息獲取渠道和方式的改變，給圖書館等知識服務機構帶來諸多倫理挑戰。知識服務機構提供的知識服務是否符合倫理規范，對其自身、社會和公眾有著深遠影響。因此，有必要審視小數據視角下知識服務帶來的倫理問題。

1. 價值觀：工具理性和價值理性

智慧圖書館的理想狀態應該是工具理性和價值理性的合理呈現，[29]知識服務亦是。馬克斯·韋伯筆下的工具理性是一種以技術崇拜與利益優先為取向的信息價值觀，價值理性則關注行動本身的價值，追求更合理而有意義的實踐路徑。在小數據變革知識服務的過程中，也會出現工具理性凌駕于價值理性的現象，因此建立數據價值觀尤為必要。知識服務除了滿足有用性的要求外，還要顧及用戶在本能層、行為層、反思層三個層次的體驗，包括用戶感官體驗、用戶操作體驗和用戶情感體驗。[30]在小數據視角中追求知識服務與用戶需求精準匹配的同時，讓用戶在享受服務的過程中有更好的體驗，形成更具社會公共性、人文關懷的服務模式，是當下數據運用泛濫之下價值理性回歸的訴求。

樹立小數據視角下知識服務的正確價值觀需要處理好四組關系。一是用戶中心主義與利潤最大化的關系。用戶中心主義強調以用戶為中心，高度重視用戶的實際需求，充分運用新技術、新理念、新模式，為用戶提供優質的知識服務。利潤最大化提倡以追求經濟利益最大化為目標，可能會忽視用戶的真實需求，損害用戶的合理權益。知識服務機構應秉持用戶至上和可持續發展的理念，平衡好經濟效益與用戶體驗之間的關系。二是規模化與個性化的關系。規模化主張為不同用戶提供趨向同質化的產品和服務，主要目標是擴大用戶范圍、追求用戶規模。個性化主張尊重用戶的不同個性、文化、風格和喜好，根據用戶需求特征為用戶提供個性化服務。知識服務機構應堅持規模化和個性化相統一，在擴大知識服務規模的同時，充分考慮用戶的個性化需求。三是服務效率與服務多元化的關系。服務效率主要需考慮利用技術手段提高用戶獲取知識的便捷性和快速性，但容易忽視用戶獲取知識的主觀能動性和服務需求的多樣性。服務多元化以充分調動用戶的主觀能動性為目的，便于用戶主動尋求多樣性的服務。知識服務機構應在提供算法推薦等服務提高用戶獲取知識效率的同時，引導用戶主動獲取多樣性信息。四是個人發展與社會進步的關系。知識服務機構設計知識服務平臺和模式時應以馬克思主義為指導，在促進個人全面發展的同時，引導其承擔社會責任，追求長遠社會利益，促進個人發展與社會進步相統一。

2. 正義觀：權利保障和服務平等

亞里士多德將正義劃分為總體的正義和具體的正義，具體的正義又包含分配正義、回報正義和矯正正義。[31]隨著人工智能的發展，由于算法設計的偏差、決策的黑箱性和社會文化因素等的影響，基于小數據的知識服務出現了算法歧視和數據殺熟等不良現象，導致數據主體在享受知識服務的過程中遭受了不公平的待遇，還面臨個人隱私泄露、版權侵害等問題，違背了總體的正義。從用戶視角看，應加大對小數據服務的宣傳和解釋力度，讓用戶能夠理性客觀地評估小數據的利弊。從知識服務平臺視角看，在小數據采集處理環節應和用戶、第三方平臺達成合作協議，避免對用戶隱私的泄露和濫用。此外，保證知識資源和服務平等惠及每一個用戶，讓他們都能享受小數據帶來的福利，是遵循分配正義和回報正義的基本要求。對于非自愿授權數據的用戶，知識服務機構要采取一定的補償服務措施，履行矯正正義的原則。

正確樹立小數據視角下知識服務的正義觀需要加強三個層面的建設。一是監管層面的建設。政府和機構要制定相應的法律規定，對智能技術的應用進行規范與管理，從法律政策上約束算法等技術的使用行為和場景，公平分配信息資源與服務，設立相關的監測機構，制定保護措施和應急方案，實時動態監測和預警各類知識服務平臺的信息安全風險。二是研發層面的建設。知識服務機構要高度重視信息安全、數字版權保護等工作，加強相關人才培養和引進，加大資金投入，推進區塊鏈等技術在隱私保護、數字版權保護等領域的研發和應用，提高知識服務平臺算法透明度和信息安全等級。三是宣傳層面的建設。相關機構和部門要加強個人隱私保護、數字版權保護等方面的宣傳力度，充分運用數字化技術，多舉措多渠道提升用戶數字素養，縮小用戶數字鴻溝，建立健全數字素養評價體系，提升全民數字素養與技能。

3. 自由觀：閱讀限制和知識自由

知識自由作為知識服務平臺的核心理念，是一種人與知識關系的合理呈現。隨著知識服務機構的服務意識普遍提高，用戶選擇知識渠道的自由度也在逐漸提升。然而，維護社會穩定和發展、促進個體全面健康發展、保護文獻和知識權利離不開必要的閱讀限制。[32]一方面，知識自由和閱讀限制相輔相成，為體現服務的最大公共性和保障公眾安全，在運用小數據引導用戶使用知識資源的過程中需保持適當的閱讀限制。另一方面，用戶信息素養不均衡也會產生閱讀限制，新技術導致的數字鴻溝不僅影響小數據采集的范圍和精確度，也影響用戶獲得個性化知識服務的能力和效度。[33]

樹立正確的小數據視角下知識服務的自由觀需要遵循兩個原則。一是算法推薦與自由選擇相統一。個性化推薦、用戶畫像、知識圖譜等技術的應用一定程度上緩解了學習迷航、信息孤島等問題，提升了知識服務的效率，但也造成了信息繭房效應，限制了用戶獲取信息的廣度和自由度。知識服務機構在研發知識服務平臺和提供知識服務時，要充分保障用戶自由獲取多元化和泛在化知識的能力，從平臺、技術、模式、路徑等方面為用戶提供多樣化的服務選擇，確保用戶能自主使用和共享其個人信息，完善其在知識服務平臺自由進出的通道。二是用戶廣度與閱讀深度相統一。閱讀推廣是知識服務的重要舉措，圖書館、學校、社區、出版社等機構要積極開展圖書角、閱讀節、讀書分享會、閱讀競賽等活動，利用互聯網和新媒體平臺打造線上線下相結合的閱讀推廣模式，增加用戶群體的廣泛性，保障知識服務的多樣性。同時，知識服務機構要把提高閱讀質量放在首位，以用戶體驗為核心，以用戶隱私保護、知識產權保護、信息安全等為底線，秉持綠色發展、可持續發展的理念，保障用戶閱讀的深度，促進知識服務業高質量發展。

結語

在大數據時代，從小數據視角思考知識服務是落實國家文化數字化戰略的創新舉措，對推進國家文化數字化建設和知識服務生態體系構建具有重要意義。如今，知識服務的數據量和服務能力已不再是影響用戶獲取知識的效率和閱讀滿意度的關鍵因素，準確、實時、動態地實現智慧化知識服務，才是保證平臺和用戶之間黏性的有效措施，才能加快知識服務的智慧變革與服務創新，助力新質人才培養。小數據的特征、結構和價值，勢必對我國知識服務體系構建帶來不容小覷的變革力量，但受技術、制度、主觀精神等因素的影響，在小數據采集、處理、挖掘、分析過程中，也存在著一些倫理問題，需要知識服務機構高度重視、時刻警醒，在遵循價值觀、正義觀和自由觀準則的基礎上最大化發揮數據價值，促進知識服務的個性化、動態化、社交化、情景化和智慧化發展。面向未來，隨著第三代人工智能的成熟，AI從感知智能邁向認知智能，在數據與知識的雙輪驅動下，在日漸盛行的大語言模型的支持下，知識服務將更具安全性、穩定性、精準性、主動性、可擴展性和可解釋性。

參考文獻：

[1] 張鈸，朱軍，蘇航. 邁向第三代人工智能[J]. 中國科學：信息科學，2020，50（9）：1281-1302.

[2] Estrin D. Small data， where n= me[J]. Communications of the ACM， 2014， 57（4）： 32-34.

[3] 陳臣，馬曉亭. 基于小數據的圖書館用戶精準畫像研究[J]. 情報資料工作，2018（5）：57-61.

[4] 曹霞. 國內圖書館界小數據研究進展[J]. 圖書情報工作，2020，64（14）：145-151.

[5] 張陽. 基于讀者小數據的“智慧圖書館+”精準服務分析[J]. 江蘇科技信息，2022，39（20）：20-22.

[6] 阮光冊，夏磊，周萌葳. 跨媒體智能視角下的知識服務探析[J]. 情報理論與實踐，2021，44（7）：79-85.

[7] 牛勇. 基于小數據的圖書館知識社區構建研究[J]. 圖書與情報，2016（2）：58-61.

[8] 何靜，周彤. 長尾理論與公共圖書館潛在用戶需求的對接研究[J]. 圖書館，2011（6）： 26-28.

[9] O4MojvdkatPoeFCv6PGeCF8WPxny9u7xIzo9GNzzm+8=馮齡萱，魏群義. 高校移動圖書館流失用戶畫像模型構建[J]. 國家圖書館學刊，2021，30（1）：14-24.

[10] 馬曉亭，陳臣. 基于可信小數據的圖書館butwkS3FVPqmbHAp6akuY5fFiIvuRXpZIXWjKhGHEoI=個性化服務研究[J]. 圖書情報工作，2015，59（4）：70-75.

[11] 張鳳斌. 高校圖書館學科服務小數據系統的構建與優化[J]. 圖書館，2021（11）：64-68.

[12] 陳臣，李強. 基于小數據決策的讀者興趣發現與預測[J]. 情報科學，2017，35（5）：75-80.

[13] 宮長瑞，軒宣. 從大數據到小數據：思想政治教育精準發展的新思考[J]. 思想教育研究，2021（1）：26-31.

[14] 王欣，張冬梅. 大數據環境下基于高校讀者小數據的圖書館個性化智能服務研究[J]. 情報理論與實踐，2018，41（2）：132-137.

[15] 陸康. 數據圈背景下的智慧圖書館數據匯聚研究[J]. 現代情報，2019，39（10）：102-109.

[16] 周欣. 大數據環境下基于“小數據”挖掘的學科知識服務研究[J]. 高校圖書館工作，2020，40（6）：66-69，84.

[17] 晁明娣. 面向圖書館精準服務的用戶畫像構建研究[J]. 圖書館學刊，2019，41（4）：106-111，130.

[18] 陳臣. 基于大數據挖掘與知識發現的智慧圖書館構建[J]. 現代情報，2017，37（8）：85-91，97.

[19] 吳智勤，柳益君，李仁璞，等. 基于社交網絡的高校圖書館用戶畫像構建研究[J]. 圖書館學研究，2018（16）：25，26-30.

[20] 徐國娟. 淺析人工智能背景下圖書館的知識服務模式[J]. 文山學院學報，2019，32（6）：105-108.

[21] 柳益君，李仁璞，羅燁，等. 人工智能+圖書館知識服務的實現路徑和創新模式[J]. 圖書館學研究，2018（10）：42，61-65.

[22] 龐素琴，王煥竹. 淺談圖書館知識服務的特點及模式[J]. 內蒙古科技與經濟，2009（1）：145-146.

[23] 朱雅彬. 高校移動圖書館App用戶流失實證研究[J]. 圖書館學研究，2020（10）：39-45.

[24] 初景利. 數字化網絡化與圖書館服務的戰略轉型[J]. 圖書與情報，2017（1）：98-104.

[25] 高廣尚. 用戶畫像構建方法研究綜述[J]. 數據分析與知識發現，2019，3（3）：25-35.

[26] 劉雙，錢澄澄，周聰. 圖書館轉型背景下的社區知識服務模式研究[J]. 圖書館理論與實踐，2022（3）：123-128.

[27] 梁艷妃，于興尚，梁榮賢. 小數據在智慧圖書館中的價值評估和應用研究[J]. 圖書館理論與實踐，2023（2）：71-76.

[28] 程煥文，鐘遠薪. 智慧圖書館的三維解析[J]. 圖書館論壇，2021，41（6）：43-55.

[29] 柏忠賢，夏如意，趙磊，等. 元宇宙視域下智慧圖書館學習空間構建：原則、模型、特征與挑戰[J]. 圖書館理論與實踐，2023（3）：86-93.

[30] 諾曼. 情感化設計[M]. 付秋芳，程進三，譯. 北京：電子工業出版社，2005：5.

[31] 宋希仁. 西方倫理思想史[M]. 北京：中國人民大學出版社，2004：74-76.

[32] 沈光亮. 知識自由與閱讀限制[J]. 圖書館建設，2010（7）：26-29.

[33] 陶海柱. 基于小數據的圖書館個性化服務倫理問題研究[J]. 圖書館建設，2020（6）：57-62.

System Construction and Ethical Reflection of Knowledge Services from Perspective of Small Data

BAI Zhong-xian1，2， JI Cheng-jun3（1.Jing Hengyi School of Education， Hangzhou Normal University， Hangzhou 311121， China; 2.Information Technology Center， Communication University of Zhejiang， Hangzhou 310018， China; 3.China Educational Modernization Institute， Hangzhou Normal University， Hangzhou 311121， China）

Abstract： Knowledge service intelligence is an important part of the national strategy for the digitalization of education and culture. In the midst of the big data technology boom， there is an urgent need to think dispassionately about the value of small data. Firstly， the article analyzes the four user types of small data in the potential， growth， maturity and decline periods， explains its individual uniqueness， real-time dynamics and moderately controllable characteristics， and summarizes the three types of small data sources and their structure， including static data， dynamic data and third-party data. Secondly， under the guidance of the third-generation artificial intelligence driven by both data and knowledge， it constructs the knowledge service system from the perspective of small data. It takes knowledge graph as the cornerstone and user profile as the core， proposing that the new knowledge services need to integrate multimodal data to optimize the accuracy of user profile， promote the cognitive nature of knowledge management using knowledge graph as the engine， and insist on the principle of viewing application as the king to enhance the diversity of knowledge services. Finally， it analyzes the interaction reconstructed by small data between users and knowledge， and reflects on the ethical challenges from the viewpoints of values， justice and freedom.

Key words： small data; knowledge graph; user profile; knowledge service; system construction; ethical reflection