大数据在管理学中的应用范文
时间：2023-10-09 17:11:28
导语：如何才能写好一篇大数据在管理学中的应用，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
1.江苏省信息中心 南京 210013 2.南京邮电大学 南京 210023
随着互联网、物联网、云计算等信息理论和技术的迅速发展，人、机、物三元世界的高度融合引发了数据规模的爆炸式增长和数据模式的高度复杂化，世界进入了网络化的大数据时代。“大数据”时代的步伐悄然而至，高校也身在其中。大数据时代的到来，不仅改变着高校师生的生活与思维方式，也给高校学生管理工作带来了巨大的影响。在这时代背景下，应该如何发掘大数据理论在高校学生管理工作中的重要价值，如何应对大数据时代对高校学生管理工作创新提出的挑战，并提出相应对策，成为我们需要深入思考和充分实践的重要课题。
一、大数据理论的内涵
（一）大数据的定义
大数据的概念近两年被热炒，但是对大数据的定义始终没有形成统一的意见。维基百科对大数据（Big data）的定义是所涉及的数据量规模巨大到无法通过人工，在合理时间内达到截取、管理、处理、并整理成为人类所能解读的信息。麦肯锡全球研究院将大数据定义为“无法在一定时间内使用传统数据库软件工具对其内容进行获取、管理和处理的数据集合”。加特纳(Gartner)于2012年修改了对大数据的定义：“大数据是大量、高速、及/或多变的信息资产，它需要新型的处理方式去促成更强的决策能力、洞察力与优化处理。”1因此我们可以认为，大数据是一种海量的形式多样的非结构化数据。
（二）大数据的特征
一般来说，业界普遍认为大数据具有4个显著的特征，也就是通常所说的4v特征：第一，高容量（Volume），从TB级别跃升到PB乃至EB级别，数据总量不断增长；第二，多样性(Variety)，相对于以往便于存储的以文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求；第三，速度(Velocity)，大数据要求更快地满足实时性需求，这是大数据区分于传统数据挖掘的最显著特征；第四，价值 (Value)，通过对海量数据进行分析、处理和集成，找出原本看来毫无关系的那些数据的关联性，把似乎没有用的数据变成有用的信息，最终形成大数据的价值——获得洞察力和价值。
（三）大数据的价值
海量数据正在成为一种资源、一种生产要素，渗透至各个领域，而拥有大数据能力，即善于聚合信息并有效利用数据，将会带来层出不穷的创新，从某种意义上说它代表着一种生产力。2003年，埃齐奥尼根据大量的飞行记录创建了机票价格预测系统（Forecast），帮助人们节省了大量资金；2009年，谷歌（Google）基于搜索数据和历史信息，成功预测甲型H1N1流感爆发，都是大数据成功应用的典型范例。全球著名的咨询公司麦肯锡研究报告指出，大数据是创新、竞争和生产力的下一个前沿领域，将在政府公共服务、医疗服务、零售业、制造业、以及涉及个人位置服务等领域得到广泛应用，并产生巨大的社会价值和产业空间，预测到2020年，大数据应用市场规模将达到近2600亿美元。在高校学生数据分析中，2013年非常著名的是，通过对最近几年清华和北大本科生的所属地域对比分析发现，来自农村的学生所占比例相比10年前大大落后。这些数据从一定层面上反映出深刻的社会问题，值得全民关注。
二、大数据时代对高校学生工作管理创新提出全新挑战
清华大学信息化技术中心袁芳指出，高校也正面临着大数据所带来的挑战与机遇：“随着互联网应用的丰富，每个学生和老师每天都在生产着各种各样的数据，当数据量达到一定级别后，就可以进行很有意义的分析挖掘工作。”
（一）大数据对高校学生工作管理创新理念形成极大冲击
大数据带来的最直观变化，就是高校学生工作管理创新理念的转变，高校学生管理正从人工的定性、单项管理逐渐向着信息化的定量、综合、科学管理转变。信息技术管理专家、《大数据》一书作者涂子沛认为，随着信息存贮量的增多，人类在实践中逐渐认识到，通过数据的开放、整合和分析，能发现新的知识、创造新的价值。2在国外高校管理中，大数据已成为提升高校管理质量与水平的一种有力工具。如美国学校能够以85%的精确度去预测学生的升学率，从而把注意力集中在辍学风险比较大的学生身上。而在国内高校管理中的应用则有待于人们去深入地研究。大数据带来的不仅是技术变革，更是一场管理变革。很大程度上，大数据就是高校管理现代化的一条技术路径，具有催生管理革命的效果，也必将给高校学生工作管理创新理念带来新气象。
（二）大数据对高校学生工作管理创新模式构成巨大挑战
随着大数据时代的到来，以电子商务、即时通讯和搜索引擎为主要内容的互联网无时无刻不在产生大量的数据，各个高校不再是校内外数据的唯一生产者和拥有者。各个高校数据的分散化，为高校数据资源的整合和学生工作管理创新提出了更高的要求。同时，各个高校对本校数据资源的分割和垄断，制约了高校之间的协同管理水平、服务效率和应急响应能力。而在大数据浪潮下，许多高校开始建立了各式各样的数据中心，标准不一、重复建设，势必造成资源浪费，同时也为下一步整合带来了新的难题。
（三）大数据对高校学生工作管理创新手段提出更高要求
以各个高校的学生信息统计为例，工作环节一般包括：报表设计——报表布置——报表受理——数据采集——数据加工——录入汇总——信息审核（复核）——信息上报——信息公布。而高校内学生信息数据产生速度快、更新时间短、体量容积大，对数据的时效性、数据的形式、数据的内容提出了更高的要求。如何将这些学生基本信息数据进行结构化处理，以更好、更快、更新的方式展现在高校的教学、行政部门以及学生面前，是摆在各个高校大数据建设面前的另一重大课题。
（四）大数据对高校学生工作管理创新人才需求日益凸显
高校进行大数据建设需要专门的数据分析方法、使用体系和高端专业人才，要求他们不仅精通技术，也要熟悉校园网业务。目前各个高校对大数据环境下的理论研究、使用标准等都存在空缺，大数据应用的核心环节——数据处理与价值挖掘，尚停留在学术研究层面。高校内鲜有带有行政管理职能的院校研究机构成立，其功能定位、研究范畴和研究方法与国外院校的研究相比，尚有较大差距。更重要的是，缺少专业的计算机、统计、管理等方面的技术人才和管理人才，也使得高校学生管理工作面对大数据的挑战难以做出迅速的反映与决断。
三、大数据在高校学生工作管理创新应用中面临诸多问题
（一）学生数据采集问题
大数据使学生数据来源呈现多元化、多层化和非结构化的特点。首先，在高校学生信息采集的广度和深度上，数据量将激增，采集包括学生的个人基本数据、家庭数据、成绩数据、实践能力数据等，全面地覆盖与学生在校期间相关的各项数据，是一项浩大的工程。其次，由于缺乏统一的数据标准规范，致使一些需要共享的学生信息资源因格式、标准不一致，不同的学生信息管理系统需要采集不同的信息，造成多次、重复采集学生信息，加大了高校大数据采集的工作量。最后在数据共享、采集的协调工作当中，学生利益和高校各部门利益的冲突、信息共享与信息安全的考量，数据责任与管理维护的问题，往往成为高校大数据应用的阻碍。
（二）学生数据融合问题
缺乏数据交换标准，信息共享难度大。目前，各高校的学生信息应用系统都是依据各自的具体业务按照各自的标准建设实施和管理的，系统大都互相独立，软件系统和数据库各不相同，其应用范围仅在各高校少数应用部门内部或特定区域。这些独立的、异构的、封闭的系统彼此之间难以实现互联互通。同时，这些学生数据库由于更新时效或维护管理存在差异性，从而产生学生数据重叠、矛盾等现象。
缺少学生信息资源共享平台，学生信息共享方式自动化、实时化程度低。不同的应用系统之间普遍缺乏标准化的数据接口定义，不同的应用系统之间成为彼此隔离的信息孤岛，学生信息资源纵强横弱、条块分割，如大部分高校学生处使用奥蓝学生管理系统，教务处使用正方学生管理系统，分布在不同系统内的学生信息不能直接互联交换。系统查询效率很低。从而导致即使是本校教师也需要同时打开或登录多个学生数据系统才能查看相关的学生信息或处理相关事宜。
（三）学生数据质量问题
高等教育大众化带来的高校急速扩招，致使国内很多高校辅导员配比一般都无法达到教育部的规定和要求。大学生的招生管理、学籍管理、宿舍管理、党团活动管理、后勤医疗管理、社会实践管理、奖贷勤补管理、就业管理等众多管理活动，经常处于“人少活多”的尴尬境地，过程中会伴随产生大量非结构化数据。目前很多高校仍采用文件夹存放数据的普通管理方式，结果造成文件夹数量众多，存放路径杂乱无序，逻辑性缺乏，学生信息数据质量水平不高。比如，同一高校不同部门针对同一项目给出的学生数据不一致。事实上，学生数据质量不单是高校处理学生数据的技术问题，更是高校内部的管理问题。高校内部的业务部门需要利用学生数据来处理业务工作，意味着要为学生数据完整性、完备性、准确性给出定义和语义层次上的解释。
（四）学生数据安全问题
随着校园大数据的进一步集中和数据量的急剧增长，对海量数据进行安全防护变得更加困难，学生数据的分布式处理也加大了学生数据泄露的风险，核心通信设备国外技术垄断和国际厂商的市场垄断的格局也存在一定隐患，隐私保护和数据安全成为制约校园大数据发展的瓶颈。大数据时代下的高校学生管理工作同时具备学生信息公开和保密的双重特性，对学生隐私保护和学生数据安全的要求更高。因此，必须高度认识校园大数据可能带来的信息风险，避免认知风险、学生数据质量风险和学生数据安全风险。
三、以大数据理论推动高校学生工作管理创新的对策建议
各高校应当立足实际着眼长远，转观念、转思路，谋划布局“校园大数据战略”，充分利用大数据时代的信息优势，主动将大数据应用于高校学生管理工作中，尽力创造良好的校园大数据生态环境。
（一）高校学生管理工作中融入大数据理念
大数据时代要求高校在提供学生工作管理服务时转变传统理念，将大数据思维融入到实际工作中。第一，“用数据说话”，要重视学生数据的搜集和积累。具体工作过程中，重视学生数据的采集与挖掘，及时跟踪数据变化，分析数据变化背后的深层次原因，为学生工作管理决策做好数据支撑。第二，“用数据决策”，把大数据价值观融入学生工作管理理念，从依靠个人经验转向覆盖更广泛、涉及更多人的大数据分析，用更全面的学生数据分析辅助管理决策，提升学生管理工作决策的科学性和有效性。第三，“用数据团结”，转变高校传统学生工作管理模式中不同部门之间的“小团体”意识，打破原有的高校内部数据信息割裂状态，增强学生数据共享与融合。
（二）创造良好的校园大数据生态环境
1、注重顶层设计，打破条块分割
首先加强顶层设计。由于高校信息化工作涉及面广， 对各高校人力、物力、财力的投入要求高，为了避免重复建设以及无效投入，并进一步提升投入产出比，高校学生工作管理信息化应遵循顶层设计原则，兼顾整合性、系统性、综合性因素，对总体规划、投入、建设和管理实施统一标准，以学生综合管理系统为设计重点，推进主要学生事务流程信息化，全面考虑学生需求特点，系统性地开发学生工作管理信息化系统，避免重复建设和资源浪费。其次，打破数据条块分割状态，消除“信息孤岛”。建设校园大数据系统的目的之一就是信息共享，这是改变现阶段高校管理工作中“信息孤岛”现状的有效手段之一，也是贯穿高校学生工作管理信息化重构过程的重要原则。学生信息共享的最终目的是为了满足学生成长成才、全面发展的客观需要。在进行高校学生工作管理信息化重构时，应建立一个综合性学生数据服务中心，方便学生分享使用，有利于高校相关部门对接学生管理工作，不断提升高校学生管理服务的质量和效益。
2、统一数据标准，促进共享融合
各高校需要建立统一的数据平台，和统一的元数据标准体系，制定数据标准体系，便于数据的无缝隙统筹整合。一方面，一是要推动高校部门之间信息的交换和共享。在促进大学生心理健康，助力学生多元化评价，关怀大学生生活以及指导大学生个性化就业方面发挥重要作用，从而提高高校学生管理工作水平。二是构建以云计算为基础的学生信息共享平台，为各高校提供高效的服务器资源、海量的存储空间、高速的网络带宽和安全的网络环境，支撑各高校的应用发展，创造一个信息共享、资源共用、运维共管的新局面。另一方面，促进高校、互联网、物联网三元空间信息资源的有效融合和利用。建立高校学生数据中心，负责高校学生信息资源的管理和综合利用，加强与互联网信息的收集与利用，通过数据挖掘、数据分析等技术加强对校园大数据的组织、分析，充分发挥学生数据的价值。在学生的学习成长过程中，将会积累大量的结构性、非结构性数据，例如每次考试的成绩、学习的速度、在哪方面有特长、曾经获得过哪些奖励、参加过哪些社会活动等，成长轨迹非常清晰，高校招生只需要看这些过程化的数据，选择适合自己学校的学生。
3、搭建支持平台，引进专业人才
应加强各高校的引导作用，为校园大数据技术研发和应用搭建平台。一是要在高校设立校园大数据发展的专项资金，重点支持大数据研发与应用项目，建立起校园大数据中心，制定校园大数据应用规则，明确校园大数据采集和使用所涉及的包括数据隐私、准确性、可获取性、归档和保存等问题在内的应用规则，厘定学生信息使用权限和职责，确保学生数据依照规则规范使用。二是建立政府投入为引导，企业投资为主体的校园大数据投融资体系，鼓励国内外大数据知名企业、科研机构参与校园大数据信息感知、传输、安全技术研发与应用，政府发挥财政支持作用，同时建立起考核评估机制。三是制定校园大数据人才引进和培养计划，培养和引进一批促进校园大数据发展的专业人才，既可以维护校园大数据中心平台的运转，同时也有助于促进校园大数据产业发展，营造起有利于校园大数据人才成长和发展的良好环境。
注释
1Big data in little NewZealand[EB/OL].(2012-09-06).
篇2
关键词：大数据；经管类专业；课程体系
大数据时代给社会经济发展带来了机遇和挑战，社会各行各业对数据分析需求大幅上升，需要借助数据分析实现数据的增值，挖掘数据背后的潜在价值，为其经营管理决策、投资决策提供智力支持。随着社会经济发展对具有数据管理和数据分析能力的应用创新型经济管理人才的需求逐渐攀升，也引发了对高校经管类专业学生能力的更高要求。面对纷繁复杂的社会经济环境，经管类专业学生必须能够广泛应用定量分析技术，能够从海量数据中获取有效数据，运用科学的方法从这些数据中提取出有用信息，建立相应的模型，作出最优决策。统计学是培养经管类专业学生定量分析能力的一门重要课程，是众多高等院校经管类专业的专业基础必修课，是以后深入学习相关定量方法类课程（诸如计量经济学、管理运筹学、市场调查与预测等）的基础。因此，统计学课程体系设置是否合理，将直接影响到学生获取有效数据和分析数据应用能力的培养，进而影响学生定量分析能力的培养。
一、经管类专业统计学课程体系存在的问题
1.课程教学定位模糊。
我国高等院校经管类专业统计学教学中的最大弊端在于一直按照前苏联划分方式将其归类为一门偏重于简单数据整理课程，而将相应的统计分析所采用方法和理论归为数理统计，因此在教学中不重视对后者的学习。然而，西方发达国家的统计学课程是同时包括这两个部分内容的，尤其是后一个部分内容是定量分析的重要基础。因此，在传统统计学教学定位下，学生只认识了基本理论与概念，却掌握不了处理和分析数据的能力，这与经管类专业应用型人才培养目标相背离，难以适应大数据时代社会各领域对经济管理人才素质的新需求。
2.课程体系有待完善，与经管类专业融合不够。
目前，大多数高等院校经管类专业统计学课程设置只涉及理论统计学这一领域，未将统计分析方法与相关经管类专业知识有机结合。在这样的课程体系安排下，学生虽然掌握了统计基本理论和方法，但难以体会到统计在本专业学习中的应用价值，当面临现实的经济、管理问题却无能为力，不会运用所学统计方法，结合专业知识对实际问题进行定量分析。这种状况与经管类人才定量分析能力培养目的相违背，难以实现具有创新能力的经管类人才的培养目标。因此，如能结合经管类专业特点，对统计学的课程体系进行优化建设，势必能够培养出具有定量分析技能，满足社会需求和企业需求，符合大数据时代人才素质要求的经济管理人才。
二、大数据时代经管类专业统计学课程体系构建
1.明确课程教学定位。
目前，统计学教学中偏重于统计学基本概念、基本模型和基本方法的理论知识学习，系统性较强，有利于学生全面了解统计学的知识体系，但是对统计思维能力的培养和统计方法的应用重视不够，这不仅会让学生望而生畏，从而失去学习的主动性与积极性，更为重要的是学生不能够学以致用，在自己本专业深入学习过程中不会运用统计学知识来解决实际的经济管理问题，而在教与学中出现的这些问题源头在于教学定位不够准确。因此，本文提出新的课程教学定位：以应用创新型人才培养为导向，提高经管类专业学生定量分析能力为目标，结合经济学科和管理学科的特点，通过统计学的理论教学、案例分析、课程设计、实验（践）等教学环节，培养学生统计思维能力和统计应用能力，具备运用统计学理论与方法，研究社会经济管理领域有关数据收集、整理、分析等解决实际问题的综合能力，以适应大数据时代对经济管理人才的新需求。
2.课程体系优化建设。
根据新的教学定位，统计学课程体系优化建设的基本思路：一是课程体系设置要强调基础知识、注重灵活应用、突出定量分析的教学理念和教学目标；二是课程结构上，突出专业针对性，强调统计学科和经济学科、管理学科的有机结合，使课程特色化；三是建立实践教学体系，加强学生实践能力的锻炼，为学生提供综合素质和能力提高的实训平台；四是将统计分析软件的运用融入到课程体系之中，加强统计分析软件的技能培养。因此，本文将运用模块化系统集成思想，根据经济与管理类各专业的要求，提出按专业分模块，按模块分层次，按层次定内容的改革方案，构建“课程体系课程子系统课程模块具体内容”的递阶控制结构模型。在统计学课程体系优化建设中，我们运用系统科学的方法构建出模块化、层次化集成的课程体系在整体功能上达到了最佳状态。课程基础子系统是统计学理论基础和统计思维培养阶段，由统计学基本原理和基本理论构成，体现了“厚基础”的功能。课程应用子系统和课程案例子系统是统计分析能力训练阶段，首先结合认知性案例模块系统介绍统计分析方法，让经管类专业学生了解统计分析方法的基本原理，其次进一步结合专业特色案例模块和统计分析软件模块，通过分专业教学方式，使不同专业学生能够体会到统计学在本专业中的应用，增强学生的学习兴趣，体现了“强能力”的功能。课程实践子系统是统计应用能力实践阶段，是培养大数据时代应用型经管人才的重要环节。课程实践主要包括课堂实践和实验室模拟，课外实践主要包括社会实践活动、实训实习和相关竞赛，通过课程实践和课外实践两大平台训练学生运用所学统计调查、统计整理和统计分析等知识解决实际问题的综合能力。课程选修子系统是统计应用能力扩展阶段，该阶段在学生掌握统计学相关知识的基础上，通过选修统计预测与统计决策两大模块，进一步培养学生的定量分析能力。
三、结束语
大数据时代经管类专业统计学课程体系构建，应注重强化基础理论，突出知识的实用性和创新性，做到统计知识与实例分析相结合，与软件应用相结合，理论教学与实践教学相结合，与实际应用相结合。根据经管类各专业特色，以“知识+能力+应用”模式进行模块化、层次化课程体系设置，从本质上提升学生的数据素养和信息素养，提高解决实际问题的定量分析能力，以适应大数据时代对人才素质的新需求，使具有数据管理和数据分析能力的经济管理人才在就业市场上更具有竞争力。
参考文献：
[1]孙根年.课程体系优化的系统观及系统方法[J].高等教育研究，2001，（2）.
[2]曾五一，肖红中、庞皓，朱建平.经济管理类统计学专业教学体系的改革与创新[J].统计研究，2012，（2）.
[3]姚寿福.经济管理类本科专业统计学课程教学改革思考[J].高等教育研究（成都），2012，（3）.
[4]朱怀庆.大数据时代对本科经管类统计学教学的影响及对策[J].高等教育研究（成都），2014，（3）.
[5]姜钮，姜裕，吕洁华.高校经济管理专业统计课程教学改革探讨[J].教育探索，2014，（6）.
篇3
从资本市场与企业的业务经营变化来看，商业模式经历了从线下转向线上之后，进入了业务数字化和智能化阶段。现代信息技术对商业模式的影响日益深广，对财务人才的知识结构和技能提出了重大挑战。尤其是2020年高招过程中，清华大学停招会计学本科专业、安徽大学停招财务管理专业更是引发了社会对财会人才培养和专业建设的反思。
我国财务管理专业建设在信息技术的冲击下正在发生重大变化，浙江大学、山东财经大学等高校已经新开设了智能财务专业，而其他部分高校亦加强了智能财务实验室建设，开设有关大数据分析、人工智能、区块链技术及应用等课程。而国外高校也逐步加强了财务管理专业与信息技术专业的复合型人才培养。在理论研究中，学者已经对财务管理智能化、智慧财务、智能财务等进行了探讨，指出了财务会计转向管理会计的发展趋势，但未对专业本身的建设进行探讨。因此，本文对现代信息技术对财务管理专业建设的影响进行初步探讨，梳理我国高校财务管理专业建设的新变化，提出相应的政策建议，旨在引发数字经济时代财务管理专业建设的反思与改革。
1人才培养模式的比较与反思
从英国大学商学院专业设置来看，会计学与金融学作为传统优势商科专业一直处于重要地位，这也是海外留学的热门专业。但在对金融学、财务管理专业的理解上，我国与英国存在很大的分歧。随着海外留学人才回国任教人数的增加，这种分歧正在逐渐减少，从而促进了人才培养目标共识的达成。
1.1财务管理专业人才培养模式的比较
1.1.1我国现行主要做法
改革开放之后，金融人才的培养成为经济学院或者经济系的重要使命。为此，金融学专业是设置在经济学院或者经济系，课程设计主要以货币银行学和国际金融而展开。而会计学专业作为商科专业设置在商学院或者管理学院。随着市场经济的深化，商学院在培养人才方面也意识到，培养体系缺乏金融人才培养这一重要环节。为此，商学院亦通过设置财务管理专业的方式，与会计学专业一同成为商科主要专业。因此，我国高校商学院在设置财务管理专业上形成了以下格局:要么在设置会计学专业的同时，由会计系下设财务管理专业;要么仅设置会计学专业。毫无例外的是，在商学院设置财务管理专业的同时，经济学院或经济系也开设金融学专业。
在这种专业设置的格局下，财务管理专业培养目标是比较模糊的，基本上是在会计学和金融学专业之间游移。当然，这里的金融学专业是指我国以宏观金融为核心而构建的专业培养体系。随着我国金融学专业建设的推进，以公司金融和证券投资学为核心的微观金融逐步受到重视，公司金融、投资学、金融市场、金融衍生品、金融工程等成为金融学专业的基础课程，但传统宏观金融课程仍然占据重要地位。正因为如此，高校近年来进行专业学科改革中亦停止了财务管理专业的招生，通过开设计算金融或者会计学(智能财务)专业，强化微观金融方向的专业知识和技能的培训。值得注意的是，厦门大学财务管理专业人才培养和课程设置体现了欧美商学院会计与金融本科专业的特点，提供了传统会计学和流行金融学专业的核心课程。除财务会计、管理会计、审计与鉴证、税收等会计课程之外，亦开设了公司财务(金融)、证券投资学、固定收益证券、衍生金融产品、金融工程等必修课程。在培养方向上设定了公司理财和证券投资两个方向，这与英国商学院会计与金融专业培养模式是相通的。
1.1.2英国会计与金融专业模式
从国外来看，会计学专业也发生了很大的改变。英国会计学专业设置极具特点。从《泰晤士报》(TheTimes)和《卫报》(Guardian)公布的2020年会计与金融(accountingandfinance)排名前10的大学名单来看，除利兹大学、伦敦政治经济学院、巴斯大学、华威大学、拉夫堡大学、思克莱德大学这6所大学均入榜之外，根据《卫报》和《金融时报》的评价标准，8所大学出现了较大波动，仅进入其中一份榜单。入围两份榜单前10的这14所大学中，仅思克莱德大学、贝尔法斯特女王大学设置了会计学专业(accounting)，其他12所大学的商学院均设置会计与金融专业(accountingandfinance)(思克莱德大学亦同时设置了会计与金融专业)。值得注意的是，巴斯大学和华威大学商学院只设置了会计与金融专业，没有其他会计学、金融学专业设置。即使利兹大学、伦敦政治经济学院、约克大学设置了多个金融方向的专业，但与会计学有关的专业仅有会计与金融专业。与英国会计与金融学专业设置相比较来看，我国高校的财务管理专业实际上类似英国流行的商科专业———会计与金融，在强化财务会计、管理会计知识和技能的同时，加强公司金融、金融市场、投资分析与组合管理知识和技能的训练。
1.2现代信息技术对人才培养目标带来的挑战
大数据、区块链、人工智能等信息技术对财务管理人才的知识和技能结构产生了影响，企业中传统的大量重复性的日常业务会被智能系统所替代，对日常财务管理人才的需求数量会减少。甚至企业将日常财务业务外包给专业化的财务管理咨询公司，由其利用财务信息技术进行集约化管理。与此同时，现代信息技术凸显了财务管理人才的重要性。公司财务管理人才发挥着财务信息与其他企业信息的归集与分析中枢的角色，尤其是在企业数字化转型中，财务管理人才提供的企业信息的准确性和全面性直接影响着企业发展的重大决策。这就要求公司财务管理人才具备对实时、大量的财务数据和其他数据的挖掘能力和分析能力，要求公司财务人员必须掌握计算机科学与技术、数据科学与大数据技术等专业知识和技能。因此，财务管理人才培养目标应定位于掌握金融学、会计学的基础理论和方法，在企业价值创造、财务决策、风险管理等领域具备较强的数据分析、数理工具运用的能力。
为此，财务管理专业作为会计与金融(accountingandfinance)的复合型专业，应当在财务会计、管理会计、公司财务、资产定价和投资组合管理知识和方法的基础上，通晓数据挖掘与分析的知识和技能。我国部分高校已经进行了积极探索，在专业课程体系与专业学位建设上进行了改革。
2专业课程体系的调整
商学院在财务管理专业课程体系设置方面已经加入了数据分析与大数据技术方面的课程，部分高校甚至设置了专门的智能财务专业。2.1我国大学课程体系的改革
在财务管理与会计学专业建设过程中，部分高校利用其在大数据分析方面的教学科研优势，鼓励财务管理等商科专业选修信息技术类课程，甚至作为必选课程，这在理工类大学商学院得到了积极回应。南京理工大学经管学院智能会计专业的建设过程中，设置了大量开放式选修课程，例如《Excel高级数据分析与可视化》《大数据分析》《财务共享服务与智能财务》《商业智能分析》《大数据财务决策》《大数据供应链成本管理》《IT审计》等。山东财经大学智能会计专业开设了《机器学习与数据挖掘》《智能财务共享》《大数据与智能财务决策》《Python数据分析》核心课程，并加强《智能会计概论》《智能会计信息系统》《智能财务共享》《智能财务决策》《智能财务分析可视化》等智能会计系列教材的建设。而作为面向内地提供复合型、国际化人才的香港中文大学(深圳)经济管理学院，会计学专业课程包括《会计与金融中的文本分析》《会计分析中的数据挖掘》《会计数据库和数据可视化》《计算机科技导论:程式设计方法》《计算机实验》《数据分析导论》《数据挖掘技术》等，并且部分课程是与金融学专业共享的。
2.2智能财务专业的开设
除了智能会计专业之外，浙江大学、长沙理工大学在智能财务专业建设上进行了积极探索。浙江大学管理学院于2019年在竺可桢学院开设智能财务专业，鲜明地体现了“公司财务+人工智能+大数据”的深度融合，开设《人工智能导论》《深度学习理论及应用》《智能机器人原理与技术》《数据编程》《数据管理与数据挖掘》《数据建模与数据可视化》等课程。相较而言，浙江大学智能财务专业更重视人工智能创新能力的培养。浙江大学管理学院鼓励学生辅修计算机、数学等交叉课程，而这一做法在英国亦是普遍做法。上海财经大学会计学院已经开设了财务管理(智能化)专业，开设课程包括《程序语言(Python)》《SQL数据库基础》《智能财务前沿专题(区块链、机器学习)》《大数据分析与数据挖掘》。而长沙理工大学财务管理(智能方向)，以及南京理工大学和山东财经大学智能会计专业则更侧重大数据分析及运用。值得注意的是，即使没有设立智能财务或者智能会计专业，部分高校亦加强了智能财务实验室建设，通过与科技公司的合作推进产学研的协同发展。例如，云南财经大学、西南财经大学、上海财经大学等以成立智能财务与大数据研究院或会计智能化教学改革研究中心等形式，推进财务数智化人才的培养。
2.3英国大学的做法:以选修课程为主的模式
英国商学院在应对信息技术对商科教学体系的挑战时，主要采取了两种教学改革模式:一是在会计与金融专业的选修课程中增加大数据分析方面的课程;二是开设计算机与商科交叉类专业。为了适应信息技术的快速发展，部分大学商学院鼓励学生辅修第二学位或提供双学位教育。英国商学院提供双学位教育的一个便利条例是课程的数量不多，这也是为鼓励甚至要求学生接受双学位教育的前提条件。会计与金融专业的核心课程上基本上包括4门，即《财务会计》《管理会计》《公司财务》《投资学》，其他课程均是在此基础上进一步演变为初级和高级课程，以及专题课程。伦敦政治经济学院在选修课程组上提供了信息系统课程模块，开设了创新数字系统与服务、信息系统发展与管理、信息交流技术、数字创新研究项目、软件工程等课程。利兹大学、华威大学、杜伦大学、巴斯大学、爱丁堡大学均开设了计算科学与商学专业(ComputerScienceandBusiness)。在接受数据科学基础、算法与数据结构等课程基础上，选择商科类课程等。整体而言，英国商学院在会计与金融专业课程数量上并不多，但难度也不低。从伦敦政治经济学院提供的会计与金融专业课程介绍来看，斯蒂芬·罗斯等的《公司金融》、理查德·布雷利等的《公司金融原理》、伯克等的《公司金融》、滋维·博迪等的《投资学》成为资产定价、金融市场、公司金融、投资学课程的指定教材。这几本经典教材采取了“搭积木”的内容模式，可以根据不同授课对象和学分选择不同的内容。这意味着，在核心专业课程之外，学生会有更多的时间选修其他领域的课程，甚至是双学位课程。
篇4
刘士余说，为促进发挥市场在资源配置中的决定性作用，建设大宗商品国际定价中心，必须从国家战略的高度进一步促进期货市场加快发展。要坚持期货市场服务实体经济的根本宗旨，提升市场运行质量和防范风险的能力，积极稳妥扩大对外开放，统筹好期货市场改革发展稳定工作。
期货交易所应强化市场的枢纽地位，落实和服务好国家战略，加强市场一线监管，筑牢防范风险的第一道防线，真正成为期货市场安全运行与健康发展的“中枢神经系统”；期货经营机构应树立正确的发展理念，强化合规风控，恪守市场规则与业底线，积极参与交易所法人治理和市场建设，共同维护市场良好环境。
中国经济学家鞠建东被提名诺贝尔经济学奖
据新媒体报道，从多方确认，江苏南通如皋籍经济学家鞠建东被提名诺贝尔经济学奖。鞠建东于1963年出生于南通如皋，为清华大学经管学院经济系教授，清华大学国际经济研究中心主任，上海财经大学国际工商管理学院教授，教育部长江学者特聘教授。现任上海财经大学国际工商管理学院院长。鞠建东创造性地将宏观国际经济学中的动态跨期模型和微观国际经济学中的结构分析模型相结合，建立动态结构分析方法，并将之应用到国际收支理论（与哥伦比亚大学魏尚进教授、香港中文大学施康教授等合作），提出新兴国家（比如中国）的国际收支顺差是发达国家和新兴国家之间经济结构差别的均衡现象；将之应用到产业动态结构理论（与世界银行林毅夫教授、香港科技大学王勇教授等合作），提出产业升级与经济结构调整的动态模型。此外，鞠建东提出通过贸易改革提高社会福利的充分必要条件（和宾州大学Krishna教授合作）。在各国通用的Feenstra教授所著的国际贸易研究生教材中，这个条件被称之为“Ju-Krishna定理”。
清源投资刘建云：智能制造有这三类投资机会
在深圳举行的“发现顺德・全球路演――创新深圳对接产业顺德”峰会，清源投资总裁、执行合伙人刘建云站在投资机构的角度，对智能制造的现状和未来投资机会进行了解读。
刘建云认为，中国必须抓住智能制造的历史机遇，同时也有必须要实现智能制造升级的挑战。对于投资机构来说，智能制造领域的投资机会大概有三类：第一类是智能工厂；第二类应该是解决方案公司，就是集成商，它能够把软件、硬件、服务这三项打通；第三类是垂直的技术供应商，包括工业物联网、大数据、云计算、3D打印、工业机器人、工业网络安全、知识工作自动化、虚拟现实、人工智能。
篇5
当前“大数据技术”充满了新的机遇和挑战，其在企业IT基础架构、数据管理、分析和服务这些关键规划领域的应用，将会对社会经济发展带来长远深刻的影响。大数据指的是从各种各样的数据中快速获得有价值信息的能力，具有数据量大、种类繁多、价值稀疏、处理速度快的特征，这些特征对目前社会各个行业的信息架构、系统的冲击非常大。大数据技术对整个社会经济发展来说既是机遇也是挑战。
（一）必要性
根据IDC在2011年6月的《数字宇宙》（DigitalUniverse）研究报告，2011年全球新建和复制的信息量超过1.9ZB（1.8万亿GB），五年时间增加了近九倍。随着数据量的指数级增长、数据源种类（包括结构化数据源和非结构化数据源，如社交媒体、富媒体文件以及地理空间信息）的飞速增加，以及数据产生速度的加快（如实时传感器数据），传统的数据库和架构无法处理、管理和分析如此庞大的数据集。政府、金融、电信、互联网等大数据应用的行业先锋目前均面临大数据的问题。不仅如此，随着物联网、云计算、移动互联网、车联网、智能手机、平板电脑的飞速发展，大数据技术拥有了更为广泛的数据资源。因此，IT产业界及行业用户都亟需针对大数据设计和优化大数据存储、管理和查询平台，来替代传统关系型数据库平台。在技术发展的前沿阶段进行实验平台建设对我学院师生具有重要意义。该实验平台能够为学生提供一个了解最前沿技术的机会，不仅能够提高学生学习兴趣、自学能力，还为学生就业、更好地规划未来的职业发展提供了机会。大数据技术的机遇与挑战带来了很大的人才缺口，目前大数据技术平台开发、方案实施人才紧缺；由于云存储、大数据技术带来的信息安全问题，也亟需大量信息安全领域的人才；由于大数据技术在物联网、电子商务、移动互联方面的应用，对了解大数据技术的电子商务专业人才也更青睐。通过本实验平台的培养，感兴趣的优秀学生还可以尝试考取与大数据技术密切相关的Hadoop专业认证———ClouderaCertifiedDeveloper/AdministratorforApacheHadoop，为学校、学院在该领域带来正面影响，增加更多合作和就业的机会。该实验平台能够为信息系统专业试点班培养计划的很多核心课程（包括管理统计学中的业务报表与分析、商务智能方法与应用、商务智能实践、数据挖掘和BA综合实训等）形成较好的前后衔接关系，能够丰富实践教学环节，深化教学大纲的内容，从建设更合理的课程建设体系来说具有很大的必要性。近几年学生就业压力越来越大，迫切需要对教学内容和实践环节不断突破创新，才能具备持续发展能力。因此在原有课程体系和实践教学环境的基础上增设本实验平台非常必要。
（二）可行性
教学计划中的相关程序设计课程为学生学习云存储技术、熟悉大数据开发平台、了解最新大数据技术的发展、进行大数据平台基础上的开发、实现对大数据的分析、可视化演示打好了基础。英特尔ApacheHadoop平台是目前大多数大数据处理的技术基础，目前该技术已经发展成熟，并随之产生很多基于该平台的大数据处理工具，可供实验室建设实验平台使用。
二、建立大数据实验平台的基本构想
（一）实验平台人员
实验平台人员负责实验平台的建设、维护，实验设计与指导人员由在大数据相关领域、课程建设以及实践教学方面都有着丰富的经验的教师与实验室工作人员构成，同时与大数据企业进行合作，获得其核心技术人员的支持、培训和大力配合，可以共同组成一个经验丰富、精炼实干的建设团队。
（二）软件调研
大数据的特点为4个“V”：第一，“Volume”，指的数据量大，包括大的数据块，或数据总量巨大，从TB跃升到PB；第二，“Variety”，指的是数据种类繁多，包含大量非结构化数据，例如网络日志、音频、视频、地理信息等；第三，“Value”，价值稀疏性，大量数据中有价值数据很少；第四，“Velocity”，指的是处理速度快，这与传统数据挖掘有很大区别。选择有数据分析基础、在业内发展领先的企业进行调研并选择适合高校规模的合作企业是建立实验平台的重要工作。很多公司给出了可供使用的大数据平台：IBM誖InfoSphere誖BigInsightsTMBasicEdition是一款基于开放源码ApacheHadoop的分析平台，用于分析大量本机格式的非常规数据，支持结构化、半结构化和非结构化内容，以实现最大程度的灵活性；IBM誖InfoSphere誖Streams是一个高级计算平台，帮助用户开发的应用程序快速摄取、分析和关联来自数千个实时源的信息；惠普公司Vertica分析平台6.1，能够通过Hadoop分布式文件系统连接器来优化大数据；ClearStoryData大数据分析新创公司，通过Clearstory，公司客户可以将自身的数据与行业的公共数据融合，寻找统计上的新视角，目标是取代目前市场上的主流数据可视化工具，包括QlikView和Tableau等老牌工具；Informatica9.1提供首款Hadoop编译器Hparse，这是一种针对Hadoop而优化的数据转换环境，该软件支持灵活高效地处理Hadoop里面的任何文件格式，为Hadoop开发人员提供了即开即用的解析功能，以便处理复杂而多样的数据源；Datameer：Hadoop海量数据分析平台允许用户在缺乏技术知识的情况下能够分析大量数据；Infochimps平台以其完备的基础设施和专业知识，为客户提供端到端的大数据解决方案，Infochimps是一家位于美国德克萨斯州奥斯丁的创业公司，2012年2月从数据市场转型为大数据平台提供商后获得谷歌投资；甲骨文大数据机———OracleBigDataAppliance集成系统融入了Cloudera的DistributionIncludingApacheHadoop、ClouderaManager和一个开源R；微软SQLServer新增PDW功能，可以帮助客户扩展部属数百TB级别数据的分析解决方案；亚马逊将MapReduce作为一项服务，其弹性MapReduce编程是一项能够迅速扩展的Web服务，运行在aws的亚马逊弹性计算云和亚马逊简单存储服务上；Teradata是企业级数据仓库（EDW）的领导者，在结构化数据、半结构化数据和大部分非结构化数据领域几乎没有很大成果，因此收购了AsterDa-ta———一家提供SQL-MapReduce框架的公司。AsterData是高级分析和管理各种非结构化数据领域的市场领导者和开拓者，为Teradata带来了大数据分析市场商机。
（三）方案实施
实验平台的设计同时立足于大数据技术的发展的前沿性与本学院学生专业特点，与学生前序的理论、实践课程均有良好的衔接，符合人才培养计划，深化了教学大纲的内容，并针对不同专业学生设计实践学时、内容和难度。本实验平台可以同大数据行业中的公司科研部门共同合作建设，双方确定在人才培养、师资培训、共建实验室和实训基地、推动大学生校外实习和社会实践活动的开展等方面开展全面、广泛、长期、深入的合作。该实验室建设将丰富实践教学体系，也可推动学院科研项目立项、新课题研究、专项基金申请和联合开展商用项目开发等；该实验室使师生能接触高新大数据开发平台，了解最新大数据技术的发展，进行大数据平台的开发，实现对大数据的分析、可视化演示，增强学生的动手能力并提升就业质量；与此同时，提升了教师的项目管理能力和教学能力。
三、结论
篇6
关键词：农经专业；数据分析；教学改革
2019年12月，农业农村部、中央网络安全和信息化委员会办公室关于印发《数字农业农村发展规划（2019-2025年）》的通知，部署了用数字化引领驱动农业农村现代化，加快农业农村生产经营、管理服务的数字化改造的发展战略，将全面提升农业农村生产智能化、经营网络化、管理高效化、服务便捷化水平作为农业农村发展的目标[1]。农业农村的数字化建设离不开专业人才的培养。农林经济管理专业毕业生的就业方向主要有农业经营单位、面向农业农村的政府管理部门、事业单位、科研院所等。随着农业农村数字化发展战略的推进，给传统的农经人才培养带来了一系列的挑战[2]。在数字经济和智慧农业的时展背景下，数据分析能力是农经专业学生重要的核心竞争力。如何提升农经专业学生数据分析能力，是农经专业人才培养中面临的重要课题[3]。
1农业农村数字化发展战略给农经人才培养带来的挑战
1.1对农经人才的数据思维的更高要求
在大数据时代，无论是农业生产经营活动，还是农村的行政管理中都有大量的数据资源。农业企业、农业合作经营组织、农产品产销数据、农产品溯源数据为农业经营者提供了生产、物流、销售环节大量的数据资源。经营者需要认识到数据是一种新的生产要素，要调动数据作为生产要素的属性，让数据分析为管理决策服务[4]。在数字中国的建设进程中，各级政府部门工作人员通过各级各部门的行政管理智能，收集了大量省、市、区、县级的区域经济社会发展数据。社区网格化管理下收集了微观层面的农业经营单位数据、农村常住人口数据、医保数据、扶贫数据、农村小额信贷数据。这些数据资源是政府提高行政效率、提高政务服务质量的宝贵资源。
1.2对农经人才的数据分析能力的更高要求
在大数据时代，每天都有海量数据生成，如何能更好地利用这些数据，让数据能发挥其为管理决策服务的功能，与数据使用者的数据分析能力是密切相关的。例如，农业经营单位在农业生产环节的农业投入数据、农产品销售数据、电商平台的客户反馈评论、农产品库存的动态数据，如何整合分析这些数据，要求农业经营者系统掌握数据分析、数据挖掘、文本分析等多元化的数据分析方法。政府管理部门掌握的农业人口的迁移数据、农村常住人口网格管理数据、农村居民医保数据、扶贫数据等，数据类型丰富，数据量庞杂，如何实现数据库的整合，要求政府部门工作人员掌握数据库管理、大数据分析技术。
2农经专业数据分析课程群建设中存在的问题
2.1课程之间连贯性不足
以笔者所在的高校为例，为农经专业本科生开设的数据分析类课程，见表1。数据分析课程群包括了通识教育、专业教育和实践教育。从目前的课程设置来看，涵盖了数据库、统计学、经济计量学、多元统计、大数据分析等领域，内容丰富。数据库应用由计算机学院开设，是一门通识教育课程，在授课时教师往往将其视为一门计算机类的入门课程，在教学中没有针对农经专业学生的特质，将数据库的教学与其在农经领域的应用结合起来。学生在学习中往往会觉得该课程与专业联系不够紧密，教学内容枯燥，缺乏学习兴趣。
2.2学生学习的软件种类繁多，但不够深入
在统计学和多元统计课程中，学生将学习EXCEL、SPSS或者R语言的应用，在经济计量学课程中学生将学习Eviews或STATA的应用，在数据挖掘与大数据分析课程中学生将学习Python语言的应用。在每一门课程中学习的软件都不同，对于软件的学习缺乏连贯性和延续性，虽然学生接触的软件种类多，但是由于学时所限，每一种软件都只是入门级的介绍，无法进入到深度学习。
2.3与专业课学习联系不够紧密，缺乏应用机会
学生缺乏在专业课学习中运用数据分析类课程所学知识的机会。数据分析类课程主要介绍数据分析方法和软件的应用，但大部分都安排在第5学期和第6学期。学生在学习了数据分析方法后，缺少在专业学习领域里运用这些方法的机会。例如学生若要完成产业经济学、农业技术经济学、农产品国际贸易学的专题研究、课程论文，需要用到统计学、经济计量学、大数据分析的方法，但在第2-4学期开设大量专业课的学期，数据分析类课程还没有开设。若能将数据分析类课程尽量靠前安排，学生可以在后续的专业学习、课题研究中运用所学的方法，一方面夯实数据分析技能，另一方面也可以增加学生对专业课的学习兴趣。
2.4排课不够科学
在大三阶段，学生可以选修多元统计、数据挖掘与大数据分析、Python语言三门选修课。但到了大三，学生专业课的学习任务重，选修课种类考虑繁多，学生选课可能出于兴趣、学分安排或者准备考研保研考虑，并不是每一位同学都会选修上述课程。尤其是计算机能力不太强、对数学类课程感到困难的同学，会倾向于选择难度小的课程。
3基于项目驱动式教学理念的数据分析课程群改革
3.1开展项目驱动式教学的意义
项目驱动教学法是基于行动导向的探究式教学方法，是将真实的或模拟的项目转化为教学项目，结合课程内容将项目分解为若干工作任务，创设工作情境，引导学生完成任务，进而实现项目教学目标的教学活动[4-5]。项目驱动式教学法最显著的特点是“以项目为主线、教师为主导、学生为主体”，改变了以往“教师讲，学生听”被动的教学模式，完善了学生主动参与、自主协作、探索创新的新型教学模式。与传统教学方法相比，教学实施过程中，学生的目标更清晰明确，可避免传统课堂教学的被动性，进而提高学生学习知识的兴趣和主动性[6]。在数据分析课程群中引入项目驱动教学，一方面能让学生运用所学的数据分析方法分析现实问题，创设数据分析情境，加深对所学方法的理解和运用，激发学习兴趣，培养自主学习能力；另一方面也可以有针对性地创设围绕“三农”问题的数据分析项目，让学生从数据分析中加深对“三农”问题的感性认识，培养对农经专业学习的兴趣，提升对农经专业的认同度。具体来讲，可以从以下方面开展对数据分析课程群的改革[7]。
3.2统筹规划教学内容，加强课程间的连贯和递进
农经专业数据分析课程群目前主要包括必修课数据库应用、统计学和经济计量学，选修课多元统计、数据挖掘与大数据分析，以及实践课R语言与统计应用、Python语言。统计学教学的重点在于对基础性的统计方法的运用，经济计量学教学的重点在于让学生掌握经济计量分析的范式，如何利用经济计量模型开展实证分析。多元统计强调对复杂多维数据信息的提炼。数据挖掘与大数据分析教学的重点在于大数据时代数据挖掘方法的应用。此外，针对于目前学生所学的软件门类过多，软件操作不够熟练，建议在统计学、多元统计、数据挖掘大数据分析中统一采用R语言进行教学，让学生通过几门课程的学习，能够熟练掌握一种统计分析软件。
3.3基于项目驱动对教学内容进行整合及优化，调动学生主动参与
例如统计学课程介绍了基础性的统计分析方法，在后续课程经济计量学、多元统计、数据挖掘与大数据分析中引导学生运用基础性统计分析方法，对数据进行初步的统计分析和整理，为经济计量分析、多元统计、数据挖掘做好数据处理上的准备，让学生体会到关联课程中所学知识的联结。鼓励学生积极参与“三下乡”活动，开展田野调查实践，围绕“三农”开展调研，运用统计和计量方法对调研数据进行分析，鼓励学生参与到教学中来，培养学生的学习兴趣，学以致用。
3.4建设“项目驱动”实践教学模块
结合农经专业课程体系，建设数据分析课程群“项目驱动”实践教学模块。在农经专业的课程体系中开设的农业经济学、农产品贸易、农村社会学等专业性课程对大量的“三农”问题进行了探讨，这类课程中涉及的城乡差异问题、收入和消费问题、农产品价格波动、农产品贸易等现实问题的研究，都离不开基于现实数据的定量分析。因此，在农经专业的数据分析课程群中可以结合教学内容引导学生对专业课学习中热点问题的研究，围绕课程教学大纲，建设“项目驱动”实践教学模块，理论联系实际，让学生在研究项目中运用所学的数据分析方法，加深对专业知识的理解。
4农经专业数据分析课程群优化方案
在大数据时代，数据分析能力是学生的核心竞争力之一。数据分析类课程在建设中要强调理论与实践的结合，不能只是将教学停留在课堂上，引入体现专业特色的实践教学环节。可以从以下几方面开展数据分析课程群的优化：第一，数据分析基础类必修课安排在大一学年。在第1学期，可以安排R入门、Python入门、数据可视化课程，让学生尽早接触当前主流的数据分析软件，激发学生对R或Python的学习兴趣，让学生自我拓展学习空间。R入门、Python入门、或者数据可视化课程都属于数据分析的基础课程，无需其他先修课程。在这一时期，让学生开始接触数据分析软件，学习数据可视化的分析工具，有利于培养学生的数据思维、数据意识和软件实操能力。第二，将与农经专业课有关的专业必修课统计学、经济计量学安排在第3-4学期学习。统计学课程需要学生先行修读高等数学和概率论课程，经济计量学需要学生先行修读微观经济学、宏观经济学，因此可安排在第3-4学期。让学生在掌握了一定经济管理专业知识后，可以更好地体会统计学、经济计量学方法论学科的应用价值。第三，将数据分析进阶类选修课多元统计、大数据分析、数据挖掘、机器学习等课程安排在第5-6学期。为高年学生提供丰富的数据分析类选修课，让学生结合自己的兴趣、未来的发展规划学习更加多元化的数据分析技术。鼓励学生能在专业论文习作、学科竞赛中有更多的机会运用自己所学的数据分析方法，增加学生的收获感和成就感，挖掘学生的学习潜力。第四，改革课程考核评价体系，采用项目式管理和评估的思路，由学生自主开展一个数据分析项目，从收集数据、提出问题、分析数据到提炼研究结论，开展小组团队成员互评。教师跟踪学生的项目开展过程，从学生的学习态度、投入程度、数据分析质量等综合评价学生的学习效果。
5结束语
将项目驱动教学引入到农经专业数据分析课程群的建设，让学生参与到教学中去，突破传统教学中“教师教学生学”的局面，让学生通过参与项目，运用数据分析方法解决项目中的实际问题，激发学生的学习兴趣和潜能，让学生体会到所学知识的应用价值，让学生不再对数据分析类课程望而生畏。本文的研究对于农经专业学生数据分析能力的培养有重要的意义，强调理论与实践的结合，提高学生数据分析的高阶能力，也能为同类课程开展项目驱动教学提供借鉴。
参考文献：
[1]农业农村部中央网络安全和信息化委员会办公室关于印发《数字农业农村发展规划（2019-2025年）》的通知[EB/OL].（2019-12-25）[2020-4-14].
[2]李虹贤.农业经济管理专业人才培养模式创新研究与实践[J].智慧农业导刊，2022，2（7）：110-112.
[3]冯开文，陶冶.农业经济管理专业实践教学改革———以中国农业大学经济管理学院为例[J].教育现代化，2017，4（23）：54-56+63.
[4]杜洪燕，陈俊红.乡村振兴背景下中国数字农业高质量发展路径研究[J].南方农业，2021，15（21）：213-214.
[5]金娥.基于项目式学习的《现代教育技术应用》课程学习框架的设计与实践研究[D].武汉：华中师范大学，2021.
[6]胡静，王昌凤.基于应用型本科人才培养目标的项目式教学模式构建[J].教书育人（高教论坛），2022（9）：59-64.
篇7
【关键词】信息时代;医学信息化;发展前景;研究
1.引言
随着现代信息技术的发展与广泛应用，加快了人类信息社会的建设步伐，信息化、数字化已经逐渐进入到医学的各领域中，成为医学界不可或缺的重要工具与手段。信息技术的高速发展正改变着医学的教学、研究、医疗服务等的诸多传统方式，并随着现代信息技术的不断发展而不断推陈出新。但是，我们不能否认，现代信息技术在医学方面的应用不仅为医学的认知带来了新的渠道，转变了医学的思想观念与工作方式，同时也为医学界带来了一些问题，例如：新的伦理问题等。因此，在医学信息化建设迅速发展的今天，如何才能更好的将信息技术运用到医学中，医学信息化的发展前景如何？对医学界具有十分重要的现实意义与长远意义。
不可否认，医学信息化的建设是长期的，只有符合医学发展的信息化才具有生命力。在医院中，我们随处可见的CT、彩超等大型的数字化医疗设备、计算机网络的各种医疗收费系统、医疗信息处理系统等，还有在医学教学、科研领域，都逐渐开始使用现代信息技术的辅助来提升教学与科研的水平。信息技术在医学中的应用与改造与创新，使得医学的教学、科研、临床、管理、药品、医学器械的研制等都在借助信息技术来加快自身的发展，很难想象没有现代信息技术、计算机技术、网络技术的医学院校或者医院将会使什么模样。
2.信息时代医学信息化所面临的新挑战
2.1 数据的共享问题
美国在医学信息化数据的共享方面比较开放，美国的国立生物技术信息中心中存储大量的数据信息，这些数据信息对科学家是无偿提供研究的。但是，在我国的生物医学研究部门或者是医疗机构中，已经积累了大量的科研与临床数据，这些数据目前大多数仍处于独立使用的状态中，各机构之间缺乏数据共享数据孤岛现象严重制约着我国生物医学的研究与发展，同时也为我国社会医疗健康保障体系的建立带来了困难。在实际中，这些医疗机构之间由于存在各种利益关系，一般都对自己所持有的医学科研数据及诊疗数据资料保密，不愿意向同行与社会提供数据共享的服务。
2.2 数据标准化的问题
美国的著名劳伦斯伯克利国家实验基因租的科学部主任表示，最理想的状态就是能够建立统一的电子医疗系统，这些医疗病历系统应该具有统一的标准。但是，在我国的医学现实中并非如此。各医院存储的各种数据标准不同，不同的系统在存储的信息方面也不一样，目前，医疗系统与医疗科研机构之间的信息数据标准很难实现统一。究其原因主要是由于各种医疗设备的生产厂家、医疗系统的软件开发商之间的技术标准各不相同造成的。例如：不同的医院对信息管理系统中的电子病例数据信息的记录格式、标准不同，而信息中心的数据存储设备在构架上也不相同，这就造成各医院之间的医疗数据信息无法实现交流沟通、共享。如果同一个病人想在不同的医院进行治疗，就必须在不同的医院分别再做一次相应的检查，这不仅增加了病人的经济负担，严重的更影响了病人的最佳治疗时期。因此，要想在医学领域实现信息化就必须先打破各医院之间的技术壁垒，解决信息化的标准化问题。
2.3 医学信息化综合应用型人才严重匮乏
目前，医学信息学是建立在生物医学、信息技术、统计学、管理学等多学科基础上的一门交叉性的学科，在实际中，真正了解并掌握、精通信息科学知识的专业人才非常少。为了真正实现医学信息化并促进多学科的研究与教学，于2009年美国的特拉华大学创立了生物信息学与计算机生物学中心，这一中心集中了来自美国的5个学院的60多名知名教师，并创立了负责多个生物信息学教育的研究项目。纵观我国高校的现状，还尚未成立专门的医学信息专业，或者是生物医学与信息学相交叉的学科专业。在生物医学研究领域中的一些复合型研究人才大部分是由学生自己自学而成的，或者是由不同学科的导师共同培养而成的。这种状况就造成我国医疗信息化应用人才的严重匮乏，并为我国医疗信息化人才的培养带来了阻碍。不过我们坚信，在不久的将来，我国的医学教育界一定会认识到这一问题。
3.信息时代医学信息化的发展前景
3.1 医学信息化正朝着远程医疗与区域医疗的信息化发展
早在上世纪90年代，我国就曾经提出过实现远程医疗的发展，很多偏远地区的医院与大城市中具有实力的综合医院之间建立了远程医疗咨询会与会诊联系，但是由于当时采取的是调制解调器的电话网络或较高成本的卫星传输信息，在实际应用中很难得以实现，因此也就未在全国范围内进行推广。进入信息时代，随着互联网技术的发展与计算机技术的进步，网络音频技术、视频会议技术等在医学界得到广泛的推广，并实现了远程医疗教育，从而推动了我国医学影像信息的异地远程传输，进一步推动了我国的远程医疗发展。随着医学界对信息共享、电子病历等问题的探讨与研究，我国医学信息化逐渐向着区域医疗卫生信息化的方向发展。
3.2 数字化医院是医学信息化发展的必然趋势
目前对于数字化医院的定义至今还尚无定论，从一般意义上来看，它与医学信息化所寓意的实质性内容并不存在本质上的区别。目前，我国以病人为中心的HIS建设还处于初级阶段，虽然已经在很多方面发挥了重大作用，但是还远远不能满足病人、医护人员、管理者实现方便、低廉、高效、安全的就诊环境与模式，因此，数字化医院的发展还需要建立信息化条件下合理的诊疗流程与复合业务的需求。总之，实现数字化医院在研究、开发、应用方面还存在很大的发展空间。
总之，目前我国医疗领域信息化应用还属于起步阶段，还存在一些问题。但是我们坚信，在不远的将来，在我国政策的推动下、在信息科学技术的不断发展下，信息时代医疗信息化的发展将不断深入，将在我国生物医学领域中得到不断地发展与进步。
参考文献
[1]许德玮，桑梓勤.基于云计算的医疗卫生位置服务平台研究[J].医学信息学杂志，2013（6）：8-13.
篇8
关键词：学分银行；终身学习；学习成果；兑换和积累；工商企业管理
“学分银行”概念是在终身学习发展过程中产生的。我国高职院校基于“学分银行”的管理制度刚起步，发展较为空白并且阻碍较多。未来企业发展离不开知识技能复合型管理人才，企业管理人才的学习认可如果仅靠学校期中期末考核综合所得学分评判显得“纸上谈兵”，不能反映出管理者在社会、经济等环境不断变迁下的管理能力，工商管理专业是一门终身学习课程包括书本知识、经验积累和个人应变能力等，随着时间和环境的变化学习内容是动态调整的。
1“学分银行”制度和功能
1.1“学分银行”制度的含义
学分银行借用“银行”一词，说明它应当具备银行的储蓄和兑换功能，它兑换的是学历或资格。它能实现各高等学校和各种教育形式之间的学分通兑，未来甚至在国际上流通。它打破了学历壁垒，让非学历教育与学历教育享有同样资历，为社会上渴望通过学习实现理想的成员提供了终生学习机会及认证。
1.2“学分银行”制度的功能
“学分银行”制度在大数据和信息化发展不断推进背景下具有调节教育机构、企业招聘单位、学习者和社会等利益相关者的有效终生学习管理机制，缓解了社会和招聘单位关于受聘者学习成果真实认证信息不对称问题。教育机构结合区域产业结构和调整设置服务于企业的教育模式和目标，根据教学内容设置合理学分。学习者可以灵活规划学习内容，选择自己感兴趣的课程进行学习并获取一定学分。企业招聘单位可通过学分银行制度提供的国家认可具有统一标准的学习成果认证对受聘者进行评价从而决定录取决策。
“学分银行”制度是国家终身教育构建的基石，它将原本隔绝和无法衔接的学习成果有效结合起来，让学习成果认证体系具有透明性、可比性和可转换性。打破学习在空间和时间上的界限，让学习本质不再有校内校外、正规与非正规之分，学习者可以随时随地进行学习，学习社会化逐渐形成。
2“学分银行”制度对工商企业管理专业的作用及难点
2.1“学分银行”对工商企业管理专业的作用
2.1.1为企业管理者终身学习搭建“立交桥”
企业管理者所拥有的知识直接关系到企业的发展，对于工商企业管理专业的学生来说，他们毕业之后很有可能成为企业管理层中的一员，在学校中的学习是有限的并且不可应对将来环境的变化，所以管理专业的学习是终生性的，学分银行制度为他们搭建了终生学习“立交桥”。此外，随着管理学的发展，专业界限越来越模糊，它属于跨学科专业，涉及经济学、心理学、国际贸易、市场营销和统计分析等，传统校内学习已经不能满足现代企业管理者必备知识素质，终生学习理念将让这些管理者通过不断的跨学科和跨界学习掌握更多知识，学分银行则将他们的这些学习成果连续保存下来。学分银行将零散的学习活动转化成了连续的过程，让管理者在工作过程中仍有接受教育的机会，这些学习机会具有横向延伸、纵向衔接和多样化特点，教育学分的积累和转化可实现不同类型学习成果的互认和衔接。
2.1.2提供丰富、开放的选课体系
工商管理主要是通过研究企业经济管理理论包括经营战略制定和内部行为管理进行有效的企业管理和经营决策，确保企业的生存和可持续发展。工商管理专业应用性很强，涉及多学科知识包括管理学、经济学、会计学和国际贸易等，特点在信息科技、大数据和新零售的发展下，通过数据分析进行管理决策也成为管理人才必备技能。学生可以随时随地制定学习计划，选取自己感兴趣、扩充知识面的课程，通过学习获取学分并存入学分银行，例如工商管理专业的学生可以选择学习数据分析应用课程，学生的选课对教师也会提出一些要求，教师结合学生的工商管理背景调整课堂内容，具体教学中突出数据分析在企业管理中的决策应用，所以学分银行制度对学生和教师两者都具有监督和激励机制。
2.2“学分银行”对工商企业管理人才的难点
2.2.1学分认定主体不清晰
学分银行没有学位授予、资格评定和颁发证书的权利，它不是学分认定的主体，学分认定标准不同导致学分认定没有太大意义。目前部分地区成立的学分银行虽然借鉴了银行的汇率结算思想，认为在不同教育类型下学习成果可以根据一定标准兑换成学分，但是学分认定工作难以实施导致这些学分的价值不明显。
2.2.2学分兑换和折算率没有统一标准
构建“学分银行”的一个基本要素是制定科学合理、统一标准的学分通兑和折算系统，才能确保学分在不同教育形式、地区和学校之间的互认。工商管理专业所涉及学科较多，不同时间、地区和学校对工商管理专业的培养目标有所差异。例如，10年前大数据不是时代热潮，数据分析与应用课程对于管理专业学生来说并不是重点，但是在今天这门课程却至关重要，这就意味着10年前毕业的管理专业学生在当时的合格成绩折算到今天并不一定合格，他们需要继续进修让自己保持合格成绩，但是如何设置合理的折算办法具有较大难度。通兑标准更难制定，系数计算所涉及因素较多范围更广，测算难度很大，并且需要整个教育体系的支持和认可，否则就是无效的，另外还需要强有力的监管体制，否则会出现通兑率不合理的情况，所测算出的学分影响用人单位的正确评判。
2.2.3教育者的管理难题
学分银行制度在工商管理专业人才培养中的推行过程中存在管理难题。学分银行制度的成功推行，意味着管理者的工作大大增加，从传统的以专业和班级为单元进行管理变成以学生个体为管理单元。这就意味着，学籍管理档案和选课方式依托于学生间的差异将细致化，管理难度和工作量都会大大增加。
2.2.4政策执行力度不够
篇9
关键词：金融学研究；文本大数据；数据挖掘；深度学习
在针对金融学领域进行实证研究时，传统研究方法通常选择结构化数据作为研究依据，常见类型如股票市场数据、财务报表等。大数据技术发展后，计算机技术逐渐成熟，在实证研究中可获取更加多样化的数据，非结构化文本大数据得到应用，例如：P2P网络借贷文本、财经媒体报道、网络搜索指数、上市公司披露文本、社交网络文本等。本文探讨了相关文本可读性、相似性、语气语调与语义特征等。
1.在金融学研究中文本大数据的挖掘方法
传统研究方法通常采用人工阅读方法对文本信息进行识别，因为文本数量庞大、信息构成复杂，人工识别效率较低，而且信息识别质量不稳定，信息识别效果受到阅读者专业素养、理解能力等多方面因素影响。计算机技术发展后逐渐被应用于分析文本大数据，利用计算机技术获取语料，对文本资料进行预处理、文本表示、抽取特征等操作。完成上述步骤后，在研究分析中使用文档特征，从而开展深入分析[1]。在分析文本大数据时，主要采取如下流程：（1）从众多信息来源中获取语料，对语料文档进行解析，明确文本定位，清洗数据，获得文本分词，标注词性，将其中停用词清除。（2）构建词云、词嵌入、词袋模型与主题模型。（3）分析文本情绪、可读性、相似性，分析语义关联性。（4）监督机器学习、词典语法处理[2]。
1.1获取语料
获取语料的方法主要分为两种：（1）人工获取；（2）利用网络工具爬取或抓取。其中人工获取语料投入成本较高，耗时较长，需要投入大量人力，因此网络抓取的可行性相对较高[3]。网络抓取方法可有效应对大量文本量，在一定程度上降低文本大数据获取难度。在网络抓取语料时，需要借助编程语言，通过直接抓取或爬取的方法获取文本大数据。采用此种语料获取模式具有两方面显著优势，不仅获取文本信息耗时较短，效率较高，而且可直接使用编程语言整理内容和规范形式，为后续文本分析工作奠定基础[4]。
1.2预处理环节
获取目标语料后，前期需要预处理文本，解析、定位文本，清洗数据，标注分词与词性，最后去除停用词。金融市场通常要求企业采用PDF格式作为信息披露文档格式，文本预处理中首先需要解析富格式文档，获取文档信息。定位文本和清洗数据环节中，利用计算机程序定位文本信息[5]。在该类研究中，MD＆A研究热度较高，使用正则表达式进行财务报告正文MD＆A定位首尾信息部分，提取上述信息。此外，文本信息中除核心内容结构外，还包括超文本标记语文、脚本语等代码信息、图片信息、广告信息等，该类信息在文本分析中属于噪声内容，需要删除和清洗相关信息，从文本中筛选有价值的核心内容[6]。文本分词处理与文本语言密切相关。英文文本使用空格划分单词，即自然存在分词形式，也可采取提取词干、还原词形等方法划分单词。中文文本中不使用空格分词，根据中文语言习惯，词语为最小语言单位，可独立使用。基于此种背景，分析文本时需要专门分词处理中文文本，例如：使用Python开源“jieba”中的中文分词处理模块处理文本，股票论坛帖子文本、年度业绩说明会以及企业财务报告均可使用该类工具处理，完成分词。在针对中文文本进行分词处理时，其中实施难度较高的部分是识别新词、歧义词与控制切分颗粒度。在处理歧义词时，需要科学选择分词方法，采用“jieba”针对文本进行分词处理时，选择分词模式是否科学直接影响分词精准度。分词处理新词时，需要用户在相应模块中自行添加新词，完善自定义词典，从而使分词软件识别新词[7]。语义信息被识别的关键依据是词性等语法特征，词语切分后标记词语词性操作被称为词性标注。词性标注操作可帮助计算机进行词语种类识别，避免词语歧义，对语法结构进行有效识别，从而促进计算机顺利进行语义分析。词性标注时，中英文操作方法不同，词性划分英文单词要求比较严谨，利用词尾变化反映词性变化。在英文词汇中，许多固定词尾可提示详细词性信息。在处理中文词语中，并无明确词性指示，词性识别依据主要为语法、语义等。简言之，英文词性识别标记注重形式，汉语词性标记以语义为主。在处理文本信息时，需要将文本信息中停用词去除，从而保证文本挖掘信息具有较高精度。所谓停用词，即自身词义表达有限，然而对于句子语法结构完整性而言非常重要的词语。停用词导致文本数据具有更繁琐维度，导致分析文本的成本较高。英文中动词、连词、冠词均为常见停用词。中文处理方法比较复杂，必须结合语言习惯分析停用词，不仅需要处理特殊符号、标点符号，还需要处理连词、俚语。除此之外，应根据具体研究内容确定停用词。在进行文本情绪研究时，特定标点符号、语气词等会影响文本表达的情感信息，对于此类信息需要予以保留，从而保证文本情感程度得到准确分析。
1.3文档表示环节
文本数据为高维度数据，具有稀疏特点，使用计算机处理文本数据时难度较高，预处理实施后，必须通过特定方式表示文档信息，通过此种处理降低后续计算机分析和人工研究难度。词云、词嵌入、词袋模型、主题模型均为核心表示方法[8]。词语技术具有可视化特点，是文本大数据技术之一。所谓本文可视化，即使用视觉符号显示复杂内容，展示文本规律。根据生物特性，人们习惯于通过视觉获取文本信息，实现文本可视化可提高信息提取效率。使用词云技术可有效描述文本中词汇使用频率，采用醒目形式显示高频词汇。词袋模型的构建基础是无严格语序要求的文字词组存在[9]，以此种假设为前提，文本相当于众多词语集合，采用向量化方法表达文本，在此过程中只计算各个词语出现频率。在词袋模型中含有两种构建方法：（1）独热表示法；（2）词频-逆文档频率法。前者的应用优势是可行性较高，操作难度较低。例如：现有如下两个文档：（1）文档一：“经济学中文本大数据使用”；（2）文档二：“金融学中文本大数据使用”。以文档一、文档二为基础建设词表，根据词序实施词袋化处理，确定词袋向量。对于出现的词，以“1”表示，未出现的词以“0”表示。但是在实际操作中，不同词语在文档中出现频率存在差异，通常文本中高频词数量较少，许多词汇使用频率较低。为体现文档中不同词语的作用，对单词词语赋予权重。TF-IDF是计算文档定词语权重的有效方法。含有词语i文档数描述为dfi，集合中文档总量描述为N，逆文档频率描述为idfi，第j个文件中词语i频率描述为tfi,j，第j个文档内词语数量描述为aj，第i个文档内词语i权重描述为tf-idfi,j，则公式应表示为[10]其中，的前提条件是不低于1，0定义为其他情况。较之独热表示法，TF-IDF方法的特点是对每个单词赋予不同权重。在赋予其权重的基本方法时文本中该词汇出现频率越高，其重要性越高，与此同时语料库中该词汇出现频率越高，则其重要性相应降低。词嵌入处理中，主要是在低纬度连续向量空间嵌入指定高维空间，该高维空间维数包括全部词数量。在金融学领域中进行文本研究时，词嵌入技术通常采用Word2vec技术，该技术中主要使用CBOW技术与Skip-Gram神经网络模型，针对神经网络进行训练，促使其有效捕获词语中包含的上下文信息，对词语进行向量化映射，得到的向量语义信息更加丰富，信息密度更大，信息维度更低。主题模型中应用频率较高的是LDA模型，应用此种模型进行文本分析属于无监督机器学习法，通过此种方法才能够大量集中语料中提取主题信息。在应用该方法时，将生成文档的过程分为两步，首先假定各文档具有对应主题，从这些主题中抽取一个主题，然后假定文档具有对应词汇，对比之前抽取的主题，从词语中选取一个与主题对应的词语。完成上述迭代后，将其与文档中各词语拟合，从而获得各文档主题、主题中词语分布情况。LDA模型主要优势是，与手动编码相比，该模型性能更完善，可有效分类大规模文档。该模型做出的文本主题分类支持复制，准确性较高，而采用人工手段分类文本时较易受到主观性影响。此外，使用此种模型时，无需人工分类进行关键词、规则设定。LDA模型的缺点是在主题预设个数时，受到研究者主观因素影响，选择主题个数的数量受此影响显著，因此生成主题过程与归类文本主题时较易受到相关影响。
1.4抽取文本特征的方法
文本特征是指文本可读性、相似性、文本情绪以及语义关联性。其中文本可读性即读者在阅读文本时是否可较容易地理解文本信息。在编辑文本时应保证文本具有较高可读性，保证投资者通过阅读文本可有效理解文本信息，即确保文本对投资者投资行为产生积极影响。有研究者在文本分析中使用迷雾指数，该类研究认为，迷雾指数与年报可读性呈负相关。年报文本字数、电子文档规格也是影响年报可读性的重要因素。在使用迷雾指数评价文本可读性时，常见的问题是，随机排序句子中词语将导致文本难以理解，然而正常文本和经过随机排序处理的文本在分析计算时，显示相同迷雾指数。不仅如此，在进行商业文本测量时采用迷雾指数作为依据具有显著缺陷，例如，当对企业披露信息进行可读性分析时，难以有效划分年报可读性与该企业实际复杂性。基于此种背景，在针对年报文本可读性进行评价时，需要结合企业业务复杂性等影响，提出非文本因素[11]。在提取文本情绪时，通常采用有监督机器学习法与词典法进行提取操作。词典法即在文本情绪、语气语调研究中使用情绪词典辅助分析。词典确定后，该类研究即支持复制。不仅如此，建设词典时还需要融合大量金融学专业知识，从而使词典与金融文本分析需求一致。使用现有多种类词典、文献等分析媒体报道情绪，针对财务报告进行语气语调分析，以及进行电话会议等进行语气语调分析等。中文大数据分析时，通常是以英文词典、词库等为模板，构建中文情绪词典。使用该类词典辅助分析股票成交量、收益率，评估股市崩盘风险高低。在词典法应用中需要结合加权法进行文本情绪分析[12]。有监督机器学习法包括支持向量机、朴素贝叶斯等方法。采用此类方法时，重点环节在于对分类效果进行检验和评价。交叉验证法是常见检验方法。有监督机器学习法的缺点是必须人工编码设置训练集，工作量较大，并且人工编码较易受到主观因素影响，分类效果鲁棒性较差，并且研究难以复制。其优点是分类精确度较好。
2.文本大数据分析
大数据分析主要是进行财务报告等公司披露文本信息、搜索指数、社交网络文本以及财经媒体报道等进行分析。通过文本挖掘从海量文本中抽取核心特征，分析其可行性、相似性、语义特征、语气语调等，然后分析股票市场行为与文本特征等相关性。分析披露文本信息时，主要是利用文本信息对企业财务、经营、管理层长效经营信息等进行研究。在进行此类研究时，重点是分析文本可读性、相似性，以及分析语气语调。披露文本可读性较高时，有利于投资者有效获取公司信息，影响投资行为。迷雾指数理论认为，财务报告具有较高可读性的企业通常具有更长久的利润。此外，有研究者提出，财务报告可读性直接影响盈余预测离散性和可靠性。财务报告可读性较低时，公司为减轻此种消极影响，可采取自愿披露措施缓解消极影响。管理者通过控制财务报告可读性可对投资者行为做出影响[13]。在针对企业发展情况和股票市场发展趋势进行分析时，披露文本语气语调具有重要参考价值。相关研究认为，MD＆A语气内含有增量信息，该类信息为企业长效经营能力进行预测，同时可根据该类信息分析企业破产风险。管理者情绪状态可表现在电话会议语气中，此种语气分散情况与经营决策具有相关性，同时语气对投资者感知、分析师评价产生影响。分析财经媒体报道时，主要关注媒体情绪，分析媒体报道着眼点，针对经济政策进行分析，了解其不确定性，此外还需要研究媒体报道偏向信息、假新闻等。进行社交网络文本研究时，主要是分析策略性信息披露情况与文本情绪。搜索指数研究方面，主要通过搜索指数了解投资者关注度。
结语
篇10
关键字：大数据 嵌入式服务 信息服务
中图分类号： G252 文献标识码： A 文章编号： 1003-6938（2014）01-0030-05
Analysis on Model of Information Services Embedded Process of Scientific Research in Big Data Environment
Abstract In this paper the requirements on which information services of scientific research process are explored， and the connotation and elements of information services which supporting data-intensive scientific research are discussed. On this basis， it summarizes the typical characteristics of model of information services embedded process of scientific research. And then， the new challenges are analyzed.
Keywords big data； embedded service； information service
1 引言
如今，大数据这个术语已是耳熟能详，它通常是海量的、形式多样的、非结构化数据的代名词，是信息化、网络化快速发展下要经历的必然过程[1]。与此同时，在现代科学研究过程中，数据量的生成呈现指数增长也是显而易见，不管是由于高通量的科学试验，还是千万亿次的科学计算，高分辨率的传感器，以及错综复杂的网络科学研究环境。
因此，在大数据环境下，科学研究人员的信息需求和科学研究模式发生了显著性的变化，而嵌入科研过程的信息服务在科学研究的整个流程中，始终坚持以科研人员为中心的原则，从其课题选定到结束的整个过程提供具有广度的信息展示，个性化的信息推送和深度的信息互动。而科学研究的本质是信息的整理和分析[2]，鉴于此，为顺应科研环境的转变，如何为科学研究人员提供高效的数据管理和新型的信息服务模式，是值得思考和探讨的。
2 科学研究过程中信息服务的需求分析
2.1 科学研究模式的转变
科学研究正在进入一个崭新的阶段，在信息与网络技术迅速发展的推动下，大量从宏观到微观、从自然到社会的观察、感知、计算、模拟、传播等设施和活动产生了大量的数据。同时，学科的发展逐渐呈现交融化、协同化和复杂化，研究人员逐渐把数据作为科学研究的对象和工具，基于数据来思考、设计和实施科学研究，因此促进了数据密集型科学的兴起，使密集型数据成为科学研究活的基础，并逐步总结形成了科学研究第四范式的研究模式[3]。
从科研人员的原始数据，相关数据到科技文献的产出，研究过程中的数据和信息既是研究创新活动的参考资源和知识创造工具，又是新的研究的起点，科研人员必须在此基础上依赖资源的数字化、交流手段的网络化、科研工作的协同化以及科研数据的共享化来把握科学的发展规律，洞悉海量数据背后的信息和知识。然而科研人员研究对象和环境的转变，使其对信息的发现和分析能力愈加欠缺，直接导致在数据的挖掘和信息的管理方面面临着挑战。以数据为驱动的数据密集型科学研究改变了科研人员的信息行为模式，同时也产生了新的信息服务的需求。
2.2 大数据环境下科学研究用户的信息需求
当前，密集型科学数据作为大数据的重要组成部分，在具备大数据特征的同时，在数据分析和管理方面有更高的要求[4]，必然导致科研人员对研究过程的个性化、专深化、集成化和协同化的信息需求不断增强。
（1）大数据环境下科学研究对象的虚拟化，导致科研人员拥有更强的数字化交互式的信息管理能力需求。网络快速传播迅速产生的海量科学数据以及大量来自互联网的数据和信息成为科学研究的主要组成对象，使得研究转变成以网络为基础的高度协作性活动，如何对海量虚拟化的数据和信息进行有效管理，成为科研人员必须面临的问题。
（2）大数据环境下科学研究需求的深度知识化，导致科研人员拥有海量数据实时的分析挖掘需求。一方面，以网络为基础的数字信息资源改变了科研人员的研究行为，数据的获取不是问题的关键，而关键在于数据背后的深度知识挖掘；另一方面，科研人员需求泛化的同时，更加专深化。如何根据每个科研人员独特的研究特征进行数据的跟踪、比对和分析，使专业化和针对性的知识实时获取，成为科研人员必须面临的问题。
（3）大数据环境下科学研究交流方式的便捷化和多样化，导致科研人员拥有科学数据融汇和多学科协同的信息资源共享需求。在数据密集型的科学研究学术交流过程中，交流方式随着信息技术的不断深入，而愈加便捷，但是对于整合所有科学数据和文献，形成一个具有全球开放获取的互操作世界，仍有相当大的差距[5]。如何使科研人员在查看文献的同时能够找到文献的所有原始数据，并可以在此数据基础上，重现作者的分析过程，成为科研人员必须面临的问题。
3 嵌入科研过程的信息服务模式的分析
3.1 嵌入科研过程的信息服务模式的含义
模式通常被解释为某种事物的标准形式或使用人可以照着做的标准样式[6]。即模式是将解决某类问题的方法总结归纳到一定的理论高度，并用来帮助指导人们设计优良的解决方案和完成某类任务的方法论。因此，模式是方法的抽象概括和总结，是解决某一类问题的方法论。而信息服务，在传统上认为的是以信息资源为基础，利用各种方法或技术手段对信息进行收集、整理、使用并提供相关信息产品和服务的一种活动[7]。并且伴随着科研用户需求的多样化，逐渐转变成通过研究用户，以用户的需求为导向来收集相关的数据和信息，进行信息组织和分析后，将有价值的信息传递给用户最终帮助用户解决问题，来实现信息增值。从这种意义出发，服务主体、服务客体、服务方法和服务内容是信息服务模式的主要组成部分，这些要素及其相关关系成了区别不同模式的主要依据。
另外，嵌入式理论提倡把事物的产生、发展和特点与其周遭环境联系起来，放到更大的背景中去考察[8]。而嵌入科研过程就是融入科学研究的整个细节和流程中，考虑科研用户需求的产生与发展，从课题选定到结束的整个过程中提供满足科研人员的具有全局性和个性化的信息与知识需求。将嵌入式理论应用到科研信息服务中，在一定程度上满足了在网络环境下科研人员面对的数据量体量大、结构多样化、生成速度快、价值密度低的研究问题的个性化服务需求。
因此，嵌入科学研究过程的信息服务模式将数据管理与信息服务融入到科研用户一线，嵌入到用户科研环境和科研过程，是以专业的信息服务人员为基础，采用先进的计算机技术（如云计算、语义网和Web3.0等），构建具有强大的资源整合能力、海量信息分析能力、大数据挖掘能力和多维度信息可视化能力的集成平台，以科研用户需求环境和需求趋势为导向，是一种面向用户发现问题、分析问题、解决问题和提供解决问题决策的信息展示、交互和推送的服务模式。
3.2 嵌入科研过程的信息服务模式的要素
信息服务模式是对信息服务活动的组成要素及这些要素之间相互关系的概况[9]。基于此，笔者将大数据环境下科学研究过程中的服务需求，组成嵌入科研过程的信息服务模式的服务主体、服务客体、服务方法及服务内容四个要素相结合并逐一进行分析。
3.2.1 服务主体
嵌入科研过程的信息服务模式的服务主体是信息服务活动的实施者，即信息服务人员，其根据科研人员的需要，采取相应的服务策略，提供满足研究者需要的信息服务产品。在嵌入科研过程服务的环境下，一方面，服务主体要求嵌入科研人员情景中，并作为研究团队成员，通过现场交互（包括现场和网络渠道），来把握知识需求、组织知识环境、定制知识工具和提供服务成果[10]。另一方面，服务主体提供的信息服务产品具有实时性、多样性、针对性和易用性的特点，更加注重将科研人员自身的知识背景，研究工具、研究领域的实时动2态以及研究目标与信息服务产品的有机结合。
鉴于此，嵌入科研过程服务的提供者应需要包括：①具有对信息内容强大而灵活的分析能力的信息分析师；②具有支持信息资源知识化处理能力的知识建构师[11]；③具有精通各种发现、分析和组织知识的方法与工具的检索与组织专家；④具有对特定领域深入了解的情报分析专家和学科专家。这样通过其之间的合作与互补，将大量跨领域科研人员、海量密集型的科学数据、信息内容和分析过程有机地融汇起来，促进科研人员高效推动成果的创新。
3.2.2 服务客体
嵌入科研过程的信息服务模式的服务客体是指信息服务的需求者，在一个特定的项目实施过程中，服务的需求者可根据应对研究问题的规模和复杂程度的人员数量进行划分，包括了科研团队群体需求者和单一科研人员需求者。
而鉴于嵌入科研过程的信息服务模式对于服务主体、服务方法和服务内容有更严格的要求，其成本也是相对较高的。因此，对于服务客体也有特定的要求，其中主要应包括以下两个方面的科研人员：一方面，对于攻克涉及多学科，跨领域的重点研究项目的研究团队，其面临的课题更具开放性与不确定性，研究过程中随之而来会遇到更多复杂的技术、方法等方面的难题，对于多学科的深层次信息服务拥有更强烈的需求；另一方面，对于引导学科发展方向的先驱，其面临的课题更具专深化与前沿性，研究过程中随之而来的是以战略眼光审视研究问题，对于特定性的实时动态信息服务拥有更强烈的需求。这样，嵌入科研过程的信息服务模式对于跨学科、跨国界和跨领域的重大科研项目以及具有前沿战略性的研究工作无疑是一种值得考虑的服务模式。
3.2.3 服务方法
嵌入科研过程的信息服务模式的服务方法是针对科学研究的信息服务手段，其主要是为服务主体完成信息服务行为提供有效的工具。服务方法随着科学研究方式的转变而不断变化，如今，现代科学研究朝着数据化和计算化的方向发展，从计算科学中逐步分离出了数据密集型科学，所有资源对象都被信息化、数字化表征，海量科学数据被迅速和大量创造，并经过网络快速传播。这样，促使了新型的信息服务方法根据研究人员的研究场景，将研究过程中的信息或知识深度地嵌入到解决科学问题的各个过程，促使科研人员的知识发现和知识创造。基于嵌入式理念，在总结传统信息服务方式的文献代查、专题报告总结的基础上，笔者进一步深化了嵌入科研过程的信息服务模式的服务方法。
通过对研究问题的处理流程进行分析，在此将嵌入科研过程的信息服务模式的服务方法从四个方面进行展开：①嵌入科学研究过程的语义关联的信息资源发现服务，在各类数字资源中嵌入语义导航体系，并融入科研人员与系统交流，构建关联主题图，触发知识的偶然发现；②基于用户情景的开放式信息资源获取服务，采用模块化组装思想，进行信息关联与协同化组织管理，根据科研人员当时当地具体情境自适应地提供获取服务；③集成信息资源云平台的大数据交互式的挖掘服务[12]，科研人员针对个人分析问题、解决问题的独特方式，借助云平台中开放的分析挖掘工具进行相关的大数据深度分析，对于潜在问题进行定向分析；④融于可视化技术的动态多维信息资源呈现服务，从科研人员体验入手，支持图像界面、语音界面和触摸屏界面，以构建、传达和表示复杂信息或知识，通过丰富的数据观察方式帮助科研人员识别隐性信息。
3.2.4 服务内容
嵌入科研过程的信息服务模式的服务内容是确定的信息产品，是服务主体交付给服务客体的最终成果或其享受到的各种信息服务。其主要保障科研人员在研究过程中项目的顺利推进以及促进科研人员的自主创新和交叉融汇创新。在项目处理生命周期中嵌入科研过程的信息服务内容（见图1）。
（1）评价与预测性信息推送。在识别问题的基础上，服务主体一方面通过当前现状的调查和相关问题的数据集分析挖掘，向科研人员提供其研究发展前沿与趋势的预测性研究成果；另一方面，分析国内外当前类似项目组的科研状况与进展，评价其优势与劣势，为项目的选定提供参考性和建设性建议。
（2）方案规划信息参考咨询。将服务主体嵌入到项目规划中，不仅有助于服务主体能对项目在一定程度上有整体性和全局性的把握，而且有利于服务主体与服务客体的沟通，形成优势互补。同时，服务主体以用户需求为导向，通过多层次的探讨，采用相应的工具，提供个性化的参考咨询，保证项目规划的科学性。
（3）过程管理与信息重构。数据密集型科研环境下实施项目，必须利用海量信息分类聚类、抽取要点和发现关系，来分析揭示隐藏的知识结构。而通过对信息网络的重构，进行趋势分析、问题鉴别和路径探索是服务主体的优势。利用这一优势可以减轻科研人员的负担，使其能够集中精力于自己的研究领域。同时，在实施过程中遇到的困难，服务主体将实施情况与规划对比，关注偏差，实时采用相应的服务方法帮助科研人员分析原因，提供可借鉴的解决方案。
（4）专题信息关联性管理。在项目结题过程中，服务主体一方面依据数据生命周期全面分析整理并记录科研用户的数据处理情况，另一方面依据研究生命周期细致总结各阶段研究成果，并将相关的数据、信息和知识进行关联、回溯与保存。
4 嵌入科研过程的信息服务模式的特征
嵌入科研过程的信息服务模式是以信息服务为轴心，以科研用户为中心，以数据资源为核心，以科研用户需求为导向，以嵌入式信息服务团队为重心开展工作。信息服务是嵌入科研过程的信息服务团队提供的工作内容，服务团队的工作是围绕信息服务这一根本而展开的。满足服务客体的实际需求和潜在需求是嵌入式信息服务团队工作的最终目标，而为了达到这一目的，嵌入式信息服务团队需要掌握核心的数据资源技术，以便能够在课题查新、文献检索、隐性知识挖掘方面提供个性化、专业化的服务。
4.1 覆盖协同多领域
科学研究是一个创新的过程，其需要具备的信息亦是多样的，这样嵌入式信息服务团队对于科研的促进作用也是显而易见的。一方面，学科的交融，科研项目的合作紧密化，科研用户除了需要本学科研究的信息外，还需要大量交叉学科的知识，嵌入式信息团队中的学科专家能够采用辅助或合作的形式为科研用户提供满足其需求的个性化相关学科的信息或知识；另一方面，多领域科研用户的合作，必须保证科研团队间的目标协同和科研资源的组织协同，嵌入式信息服务团队能够与科研用户加强交流互动，与用户建立长期稳定的协作关系，并构建协同工作机制，来保证服务内容的有效性和针对性，服务方式的准确性和高效性。
4.2 贯穿科研全过程
科学研究是在现有的研究基础之上来对未知事物的探索性活动，这就导致了科研用户的研究活动具有动态的信息需求，在科研项目的选定阶段，嵌入式信息服务团队能够以伙伴合作型方式推送课题项目的研究背景、研究综述和研究进展；在科研项目的规划阶段，嵌入式服务团队能够整体和全局地把握课题项目所使用的相关技术或研究计划方案；在科研项目的实施阶段，嵌入式服务团队能够根据用户的需要，跟踪国内外研究进展和动态信息，对海量信息进行深入分析，对隐性知识进行全面挖掘；在科研项目的结题阶段，嵌入式信息服务团队能够根据信息的生命周期，将信息进行归类、关联与保存。
4.3 情景感知个性化
科学研究的主体是科研用户，而科研用户情景是指用于表征与交互环境相关的实体状态的信息集合，包括用户位置、所处时间、用户情绪、心理状态及其相互关系等[13]，能够实时动态地获取科研用户情景信息，把握其具体需求，是科学研究活动高效推进的重要保障。与之对应，情景感知是对用户情景的获取与应用[14]，嵌入科研过程的信息服务模式通过以下两个方面的用户情景感知来提供个性化服务：一方面，科研用户与系统的交互，嵌入式信息服务团队通过监控用户在学科社区、博客和学科群等挖掘科研用户偏好和相关隐性信息需求；另一方面，嵌入式信息服务团队通过与科研用户协同交流，及时感知获取用户的长期目标和短期目标，根据科研用户的潜在需求来组织信息环境、定制信息工具、提供个性化的推送服务。
5 嵌入科研过程的信息服务模式所面临的挑战
数据密集型科学下的科研范式，更加强调科研人员在网络环境下的协同交流、资源开放、信息共享、智能关联与协同应用。嵌入科研过程的信息服务模式在促进现代科学研究创新的同时，也面临着一系列的问题和挑战，寻求合适的标准规范和技术对策有助于切实推动新型信息服务模式的转变，促进科研过程的推进与创新。
（1）嵌入到用户科研过程并且根据用户研究背景提供个性化信息推送对情报研究人员的挑战。一方面，大科学的兴起，科研人员的研究课题通常会涉及多学科和多领域的研究，这就要求情报研究人员具有跨学科的综合分析和信息获取能力，从多视角、多层次为科研用户提供信息服务；另一方面，将情报研究人员嵌入到科研过程，其必须具有战略性的眼光，对研究的整个过程有全面的认识，明确每个阶段为科研人员提供的信息服务类型，通过自身的优势提供其所需的信息资源，必要时能够进行科研项目的管理，以情报分析的严谨性来引导科研过程的科学性。
（2）新型技术的应用对密集型科学数据的全面整合与共享的挑战。首先，大数据时代的到来，使科学研究正在被大量密集型的数据所淹没，在数据的分级、归档、备份和保护的问题上对数据共享的性能提出了挑战[15]；其次科学研究大数据集涵盖了各类学科、各类层次研究人员或团队、各个研究阶段以及各类来源的数据集合，这些数据集合的多样性与复杂性对其整合提出了挑战；最后科学研究范式发展成为以数据为驱动的研究模式，强调将科研数据集合长期保存，并且将数据与关于数据的文件集合成一体，数据的流动、交互、融合、引用和回溯都将记录并保存下来，这对数据资源的整合与共享提出了又一新的挑战。
（3）研究环境的变化以及相应信息服务方法的转变对数据分析挖掘能力的挑战。一方面，密集型数据分析挖掘成为信息服务必不可少的支撑点，而密集型数据在具备大数据特性的同时，必然使传统的分析挖掘工具和算法面临着挑战；另一方面，嵌入科研过程的信息服务模式的服务主体需要利用数据对科研创新合作过程及交互型信息服务过程将要发生什么进行分析和预测，以便为服务客体实时提供相应的辅助决策，这种综合性和多维性的预测对数据实时与深度挖掘提出了挑战。
6 结语
大数据不仅仅是数据量的剧增，也不仅仅是信息技术的飞跃，而是人类对客观世界认知飞跃的前奏[16]，科学研究已进入数据密集型科学知识发现，因此，研究构建对科学数据、模型工具以及大数据挖掘平台，支撑跨区域、跨学科和跨团队的协同研究，满足现代科学研究需求的信息服务模式，对于促进科研创新是非常重要和迫切的。
另外，深层次的嵌入科研过程的信息服务模式由于成本、技术和人员素质要求等限制，只能针对特定的有高度需求的科研人员或群体。但是，一方面对于嵌入科研信息服务模式的服务主体学科背景知识、新型技术的运用能力、嵌入服务意识、沟通能力和协作能力提出了更高的要求；另一方面，对于不同的科研人员和工作环境如何采用多样化的服务方法来提供个性化的服务内容，促使其提升科研效率，也面临着极大的挑战。毫无疑问，面对全新科研范式带来的强大动力，利用信息服务模式的转变来推动科学研究的不断创新和发展将是大势所趋。
参考文献：
[1]刘明，李娜.大数据趋势与专业图书馆[J].中华医学图书情报杂志，2013，22（2）：1-6.
[2]王凭慧.科学研究项目评估方法综述[J].科研管理，1999，20（3）：18-24.
[3]王学勤，Amy Stout， Howard Silver.建立数据驱动的e-Science图书馆服务：机遇和挑战[J].图书情报工作，2011，55（13）：80-83.
[4]Delserone L M. At the watershed： Preparing for research data management and stewardship at the University of Minnesota Libraries[J].Library Trends，2008，57（2）： 202-210.
[5]Tony Hey.潘教峰译.第四范式：数据密集型科学发现[M].北京：科学出版社，2012.
[6]中国社会科学院语言研究所词典编辑室.现代汉语词典[M].北京：商务印书馆，2005：301-302.
[7]张树华，王京山，刘录茵，等.数字时代的图书馆信息服务[M].北京：北京图书馆出版社，2005：1-9.
[8]秦铁辉.嵌入性理论对情报学研究的启示[J].图书情报工作，2009，（12）：1-3.
[9]刘媛筠，李志民.当代图书馆的三种信息服务模式[J].图书馆杂志，2013，（1）：26-31.
[10]张晓林.研究图书馆2020：嵌入式协作化知识实验室[J].中国图书馆学报，2012，38（197）：11-20.
[11]张晓林.走向知识服务：寻找新世纪图书情报工作的生长点[J].中国图书馆学报， 2000，（5）：32-37.
[12]樊伟红，李晨晖，张兴旺，等.图书馆需要怎样的“大数据”[J].图书馆杂志， 2012，（11）：63-68.
[13]万亚红，黄樟钦，陈旭辉，等.基于主动推理的情景感知系统框架[J].计算机工程，2004，30 （12）：8-9，70.
[14]KM S W， PARK S H， LEE J B. Sensible Appliance： Applying Context-awareness to Appliance Design [J].Personal and Ubiquitous Computing，2004，8（3）：184-191.
[15]Science Staff. Challenges and Opportunities[J]. Science Special Issue： Dealing with Data，2011，（331）：692-693.
