摘要：[目的/意义]深入探索档案馆在数字人文浪潮下的发展路径,是档案界在人文研究与数字技术交融互动的时代背景下作出的积极回应。[研究设计/方法]通过分析数字人文与档案馆的关系脉络,厘清数字人文对我国档案馆职能定位、业务工作和人员发展的影响,从服务观念、工作体制、资源建设、业务内容、人员结构五个方面指明新时期我国档案馆的发展方向。[结论/发现]提出我国档案馆应树立用户细分的档案人文服务理念,确立"跨界合作式"档案馆数字人文项目开展机制,搭建以"档案文献"为核心的数字人文仓储,设计"贴合文化认知需求"的档案用户界面,培养或引进"数字人文型"档案馆馆员。[创新/价值]较为全面系统地探讨档案馆与数字人文的本质关联,一定程度弥补图情档学科下档案领域参与数字人文理论、实践研究的缺位。

摘要：[目的/意义]研究突发公共卫生事件下的数据共享路径,对于促进相关主体间的数据共享和协同合作,提高突发公共卫生事件防控能力具有重要意义。[研究设计/方法]通过文本分析对中美两国相关法律政策中涉及的数据共享场景、共享主体、共享内容及其流向、共享特点和共享条件等多方面内容进行了分析。[结论/发现]研究发现中美突发公共卫生事件下数据共享路径现状和异同点,并从建立常设突发公共卫生事件应急指挥机构与应急管理体系、建立垂直管理的突发公共卫生事件监测预警系统与快速响应体系、建立健全数据共享制度、加强国际数据共享与系统合作等四方面提出了完善我国突发公共卫生事件数据共享制度的建议。[创新/价值]为相关主体有序开展数据共享,提升突发公共卫生事件防控能力提供参考。

摘要：在调查研究与信息资源开发利用工作相关测度方法的基础上,分析信息资源开发利用测度方法所遵循的设计原则、理论框架、变量选择、权重设计和有效性分析方法,探讨数据获取、标准化处理、数据估算、预测、溯源和结果分析方法。在此基础上,进一步深入分析信息资源开发利用测度方法的基本特点和发展趋势,并预测信息资源开发利用工作的变化趋势。

摘要：在应对数字转型所带来挑战的背景下,针对目前我国数字档案资源整合与服务研究缺少多视角、多维度、多层次和多方面的顶层设计思想的研究现状,从理论框架建构、协同创新机制框架建构、信息基础架构实施、绩效评估与持续改进方案制定4个方面提出研究框架构想,用于解决数字转型背景下我国数字档案资源整合与服务面临的适应性、复杂性、不确定性和长效性问题,旨在支持我国国家信息化能力及其可持续发展能力的整体提升。

摘要：以信息资源开发利用为研究对象,从模型设计、数据处理、结果分析3个层面,深入分析了信息资源开发利用指数(iRUC)设计所遵循的设计原则、理论框架、变量选择、权重设计和有效性分析的方法,探讨了数据获取、标准化处理、数据估算、结果值的预测、结果值的回溯和结果分析方法。在此基础上,结合2009—2012年度统计数据的测度结果,分析我国信息资源开发利用工作的发展特点,并提出了对策建议。

摘要：[目的/意义]明确定义数据故事化的内涵与特征,正确理解数据故事与文学故事的区别,实现数据故事化的自动生成和工程化研发是推动数据故事化这一新研究领域的关键所在。[方法/过程]首先,在调查分析数据故事化领域的研究现状的基础上,提出了数据故事化的内涵与特征;其次,采用数据科学与数据工程方法提出数据故事的自动生成流程;最后,运用软件工程方法设计出数据故事的工程化研发的参考架构。[结果/结论]数据故事的自动生成流程的提出对于数据故事化领域的理论研究具有重要借鉴意义,而数据故事的工程化开发参考架构的设计为研发数据故事产品组件及培育产业生态系统具有较大的参考价值。

摘要：在界定协同创新概念的基础上,从主体、活动和客体三个角度对该概念进行了解析,明确了协同创新和一般创新的区别;明晰了协同创新体和协同创新体能力构建的概念,提出了协同创新体能力构建中的3个难题,即主体诚信问题、活动可持续发展问题、客体网络联接问题。针对上述问题,从3个方面提出了知识管理方案设计思路,包括知识创新多元化主体联盟、多维度活动联通、多层面客体联接。

摘要：【目的】在调查分析全球数据科学课程建设现状的基础上,提出数据科学课程的共性特点、主要挑战及解决对策。【方法】采用实证研究方法和内容分析方法调查分析国内外数据科学课程的建设现状、成功经验与存在问题。【结果】提炼出全球数据科学课程的共性以及数据科学与其他相关课程之间的差异性。【局限】对数据科学人才培养的讨论主要聚焦于课程建设层面,而对专业层面的讨论不多。【结论】本文提出数据科学课程建设中的10个核心问题及其解决方案。

摘要：[目的/意义]数据驱动时代面临数据认知困难、解释结果晦涩难懂以及模型决策可信度不足等诸多挑战。融合可解释性结果的数据故事化方法,为应对上述挑战、增强数据利用价值提供理论支撑和解决方案。[方法/过程]梳理模型无关局部可解释性技术的解释形式、数据故事的叙事结构以及目前数据故事化研究中采用的方法,基于可解释性理论与数据故事化实现模式构建“析出—重组—叙事”的数据故事化模型,利用定义的要素元组给出数据故事映射流程,明确实现故事化模型设计的关键技术。[结果/结论]在数据故事化模型设计的理论指导下,提出面向解释结果的“扇形”故事化实现路径和融合解释结果与故事化模型要素的交互框架,并通过案例研究验证数据故事化方法在结果解释方面的实用价值。通过构建基于可解释性结果的数据故事化方法体系框架,为扩展具备数据感知与认知、可辅助智能决策功能的故事化路径提供新思路。

摘要：[目的/意义]针对人工智能应用中表现出的偏见和歧视,本文从数据、算法和系统运维出发,分析了AI治理中公平性的影响因素和评价方法,为AI的公平性治理提供解决思路。[方法/过程]基于人工智能治理流程和AI的公平性治理机制两个维度,本文首先遵循“顶层设计—技术攻关—产业实践”思路,提出AI的公平性治理框架;其次,在AI治理公平性技术攻关层面提出了GovAI-FDevOps框架并从偏见角度出发探讨了公平性影响因素和量化评价指标;最后以信贷数据集German为例,对信用评分卡模型在性别、国籍、年龄等敏感属性上的表现进行了公平性检测和评价。[结果/结论]从本文研究来看,AI治理中的公平性是一个具有相对性的复杂概念,不存在满足各群体、各统计意义上的绝对公平。AI治理公平性的实现需要政策、法律和技术的多方协同努力。