作者简介：黄海瑛，女，武汉大学信息管理学院博士后，研究方向：语言学，信息资源管理，E-mail:[email protected]；肖兰，女，武汉大学信息管理学院硕士研究生，研究方向：信息咨询、知识产权，E-mail:[email protected]；王冰洁，女，武汉大学信息管理学院本科生，研究方向：信息咨询，知识产权，E-mail:[email protected]；冉从敬，男，武汉大学信息管理学院教授，武汉大学信息资源研究中心博士生导师，研究方向：知识产权，专利情报，信息咨询，E-mail:[email protected]。武汉 430072

内容提要：随着大数据时代的发展，数据管理问题已经引起了学者关注。本文以iConference 2017会议中与“数据管理”主题相关的22篇文章为研究对象，并结合近年来国内外相关研究文献与实践进展，从数据管理的战略导向、角色差异与应用趋势展开介绍，揭示数据管理领域近年来的研究进展与动向。数据管理已上升至治国战略，其中主权安全与开放共享是重中之重；政府、企业、高校与科研机构在数据管理上存在角色差异，分别侧重政务公开与归档、知识协同与共享、数据收集与知识库建设；数据管理的应用趋势体现在资源融合与集成管理、决策支持与事件预测、知识发现与个性推荐三方面，涉及云计算技术及感知风险、临床决策支持、疫情态势预测、知识共享与个性推荐系统等课题。

关 键 词：iConference 数据管理 数据战略 数据管理角色 集成管理 决策与预测 研究热点

标题注释：本文系教育部人文社科规划项目“云环境下信息消费的知识产权风险与对策研究”(14YJA870008)的成果之一。

[中图分类号]G252 [文献标识码]A [文章编号]1003-2797(2017)05-0022-08

国际顶级信息学院联盟年会iConference 2017于2017年3月22～25日期间在武汉召开。会议主题是“影响·拓展·提升：跨越信息社区的全球合作”，致力于通过跨学科交流不断扩展信息科学的研究视野。其中，与“数据管理”相关的文献主要来源于“开放数据和电子政府”(3篇)、“档案管理与服务”(3篇)、“分析，交流与管理”(3篇)、“数据管理与服务”(2篇)和“数据科学与分析”(2篇)等分论坛以及海报(9篇)，研究主题包括政府数据开放与共享、数据分析、数据服务、数据人才培养、大数据产业等，涉及管理战略、大数据技术、数据开发利用等领域共22篇文献。

经统计，与“数据管理”相关的22篇文献中，第一作者的所属单位主要有中山大学(3篇)、匹兹堡大学(3篇)、谢菲尔德大学(2篇)、武汉大学(2篇)以及南开大学(2篇)等国内外高校。中国是本次会议“数据管理”领域发文量最多的国家，以11篇之量占本领域总文献的50%，其次为美国(7篇)、英国(2篇)以及日本(1篇)和新加坡(1篇)。文献共使用55个互不相同的关键词。被频繁使用为关键词或与其他词语组配成关键词的词语有数据(data)、信息(information)、管理(management)、档案(archive)、共享(sharing)、分析(analysis)等，其中包含“数据”的关键词达11个(如表1所示)；包含“信息”、“管理”的关键词分别为6个和5个(如表2所示)。

结合表1、表2可知，大数据、政府数据、科研数据、企业数据是数据管理的重要对象，信息服务、信息质量、信息披露是数据管理的重要内容。因此，本文将以iConference 2017会议中与“数据管理”主题相关的22篇文献为研究对象，并结合近年来国内外相关研究文献与实践进展，以战略导向为线索，分析数据管理在政府、企业、高校与科研机构三个方面的角色差异，并关注数据管理的应用趋势。

1 数据管理的战略导向

数据管理不仅是一种先进的管理技术和方法，而且是一种全新的理念[1]。在大数据时代，数据管理体现在数据采集、组织、集成、保存、挖掘、利用等各个生命周期。面对海量异构的大数据，如何管理和利用大数据，并使其最大程度发挥价值成为近年来各国关注的焦点，特别是网络空间成为大国间进行政治、经济、外交、安全博弈的新空间和新战场，将国家间的博弈维度从海、陆、空、太空进一步扩展到第五维度。战略导向的数据管理与利用成为学界研究的热点。

1.1 数据保护：个人隐私与主权安全并重

自2012年3月奥巴马政府公布“大数据研究和发展倡议”以来，国内外政府相继将大数据上升至国家战略地位，无论是改革数据保护法规还是通过新的数据立法、网络安全法，各国政府旨在形成有关大数据和国家安全战略保障的系统性战略举措。网络主权是国家主权在网络空间的体现和延伸，欧盟委员会试图通过立法对欧盟境内的云服务提供者和社交网络产生直接影响，俄罗斯公民个人数据必须保存在俄罗斯境内服务器上。通过立法限制数据流动范围，是“云”服务时代提升数据控制力、保护主权安全的重要一环。

与此同时，各国政府在个人数据隐私保护方面也不遗余力。日本通过《个人信息保护法》修正案，规定企业必须对处理个人数据的从业者进行监督；英国发布报告《大数据与数据保护》，提出企业应当对数据匿名化及后续利用的隐私及信息安全进行风险评估；欧盟委员会在《个人数据保护指令修正案》中提出的“被遗忘权”为个人信息隐私保护提供了法律依据。通过立法规定个人数据被匿名处理、允许个人信息被遗忘，是大数据时代个人保护隐私的有力武器。

1.2 开放共享：政府部门与数据中心联动

自2009年美国建立Data.gov网站以来，公众可获取的数据集已经由47个增加到18万以上。2011年，40多个国家和地区加入了“数据开放联盟”[2]。国内政府数据开放建设已卓有成效，如广州市政府数据统一开放平台目前开放的数据集共339个[3]，北京市政务数据资源网共开放378类数据集，数据记录共计160余万条[4]。然而与国际相比，我国开放水平仍有待提高。据“Open Knowledge International”网站可查的最新数据，2015年全球开放数据索引(Global Open Data Index)中，中国开放数据指标由2014年的第58位下降到2015年的第93位，开放率由37%下降至18%，与英国、丹麦等国还有较大差距[5]。

在“数据治国”的新形势下，政府数据开放与共享面临前所未有的挑战。国务院办公厅、国家发改委等部门相继印发重要通知，提出完善部门信息共享机制，完善公共数据开放制度，建立统一的公共数据共享开放平台体系，探索构建国家数据中心体系。相关会议、论坛也将“数据开放共享”和“政府管理”置于核心地位，如2017数博会中“数据共享与开放”版块的核心论坛即“数据开放共享与政府管理创新论坛”[6]，在一定程度上也反映了未来十年中国信息化发展路径，政府部门需加强数据中心建设或与数据中心合作，依靠数据开放共享提供服务，数据中心需依靠政府部门提供、协调、并服务于数据管理全过程。

2 数据管理的角色差异

政府掌握着大量公共信息资源，跟随大数据的时代转型来变革政府数据管理模式，利用数据资源提供决策支持与公共服务是政府这一角色重要的价值体现[7]。企业围绕企业管理、产品经营、业务流程等产生一系列庞杂的服务类和管理类数据，按数据管理成熟度来看有5个层次的差异[8]，旨在提高企业效率和收益。高校及科研机构等科研数据管理者，因科研数据的专业性，承担的角色主要是协调科学数据管理、组织和管理元数据、长期保存科学数据、监控数据质量等[9]。

2.1 政府：政务公开与归档

在中共中央办公厅、国务院办公厅印发的《关于全面推进政务公开工作的意见》的指导下，运用大数据、云计算、移动互联网等信息技术，提升政务公开信息化、集中化水平，加快推进“互联网+政务”[10]，是近年来政府努力的方向，也是学界研究的热点之一。有关政府数据开放、政府信息公开等的理论研究与具体实践并行，成果较多集中在对国外政府数据开放政策的分析与借鉴、国内政府数据开放建设的现状、进展、问题与探索[11，12]。本次会议收录的有关论文也在此框架下寻找了新角度，并取得了突破。

政务公开方面，各国颁布的有关政策和文件仍是重要的研究对象。美国、英国、加拿大等国均发布了综合性或专门性的开放政府政策文件，如美国的Freedom of Information，英国的Open Document Format(ODF)：Guidance for UK Government，加拿大的Open Government License-Canada。根据国内外政策文件性质、内容、质量要求，有关文献构建了开放政府数据的基本价值框架及其细分指标[13]，讨论了数据开放的范围、管理机构、格式标准[14]，通过解读文件对信息内容质量、信息组织质量、信息获取质量等属性进行了语义归类[15]。这些内容是政务公开的重要研究基础，有助于提高政府的数据管理意识，对明确数据获取权限及权责、解决开放数据复用问题、提升开放数据价值、保障信息公开质量具有重要作用。

随着社交媒体在政务工作中的普及，社交媒体文件很大程度上记录了政府公民的互动情况，由此衍生的归档问题是电子政务时代政府面临的难题。目前学者对政务微博档案化模式的归纳已有初步进展，如按照主导主体划分，将政务微博档案划分为政府部门主导、档案馆主导、第三方平台主导三种模式[16]；总结了国外政务社交媒体文件归档工作的流程与管理制度[17]，尝试从政策指引、社会合作、法律保障等不同层面探索可行的归档策略[18]。但相比国外已渐趋成熟的政务社交媒体归档工作，我国的相关工作还未得到足够重视。在涉及社交媒体归档平台架构方面，还未形成系统性研究。周文泓提出的落实政务微博的长期保存与开发利用的具体构想，实现对微博内容形成、办理、传输、保存、利用、销毁等的“全过程管理”目标[19]，为探讨互联网背景下的数字文件管理问题提供了新的研究思路。

2.2 企业：知识协同与共享

企业数据管理研究主要包括数据管理技术[20]、系统开发与应用[21]、数据安全[22]等主题，面向共享的企业数据管理则涉及人、系统、数据、业务等层面，是一个更为复杂的生态。本次会议收录的论文中，主要是从知识共享的角度对企业科研数据管护角色、客户资源数据、项目经理关键知识进行研究。知识共享被普遍认为是企业加强员工沟通，优化知识分配，将个人隐性知识外在化并转化为竞争优势的重要活动。通过研究数据管护角色分工和影响协同、共享知识的因素，达到创造、创新的目的，是信息转化为生产力的重要方式，也是本领域的重要研究内容。

企业科研数据管护，主要是针对创新型企业而言。数据管护(Data Curation)可以促进科学数据共享，提高科学研究的质量[23]。国内主要集中在有关理论、概念模型的探讨，鲜有涉及具体情境理论适用性与效果评价的研究。樊振佳等人另辟蹊径，结合东软集团的业务流程、业务逻辑，将管护主体分为数据生成者、数据主管、数据管家、数据运维人员、数据用户五类角色，并对各角色及角色间的关系进行了明确的定位[24]。同样采用基于真实业务情境研究方法的Ning Zhang等人以西安关爱成长留学中介为案例，采访各部门员工，收集主要数据并了解服务行业中中国企业使用客户资源管理系统(CRM)的好处与存在的问题[25]。

企业范围内知识协同与共享的影响因素研究方面，目前已经论证了知识共享意愿、知识存量、知识转移能力、激励制度[26]、技术知识壁垒属性、知识共享平台[27]等因素，涉及企业间共享和企业内部共享、供应链企业和孵化器企业等不同类型与规模。有关企业知识协同与共享影响因素的研究动辄上千篇，但却仍未有普遍适用性的概念框架。而Li开发出的CKSS概念框架[28]，可以用作知识领域识别、KS技能开发、影响因素分析以及改进KS实践的战略决策的系统工具，可以被应用到更广泛的知识管理实践中，其研究成果较好填补了现有研究的空白。

2.3 高校及科研机构：数据收集与知识库建设

近年来，针对科研数据管理的研究成果逐年增多，从数据管理的横向角度来看，主要集中在数据联盟[29，30]、数据管理项目[31]、数据管理风险[32]、数据管理政策[33，34]与模式[35]等方面，从数据管理的纵向角度来看，涉及数据需求[36，37]、数据保存[38]、数据共享[39]等不同生命周期。

国内外高校及各类型科研机构越来越重视科研数据的收集，并着手构建专门的科研数据知识库。机构科研数据知识库(Institutional Research Data Repository，IRDR)和机构知识库(Institutional Repository，IR)不同，前者收集的数据范围是机构内科研人员的研究数据集，目的是促进科研数据的共享和利用，后者收集的数据范围是机构内科研人员的学术成果和学术资源，如已发表的论文。两者都属于高校科研数据管理的范畴。但是国内有关科研数据知识库的研究成果远少于机构知识库。以“知识库”为关键词的论文，中国知网共收录4702篇，“机构知识库”1643篇，而以“科研数据知识库”为关键词的论文，仅有4篇，分别研究化学领域的科研数据知识库[40]、国外通用型数据库[41]、高校图书馆科研数据联盟[42]、科研数据知识库的注册机制[43]。

收集科研数据并用于建设科研数据知识库，是未来高校与科研机构等科研数据持有者的重点方向。未来我国研究人员应重点关注IRDR理论研究的系统化、平台的建设与管理、面向科研人员服务的开展、知识产权研究的深入以及联盟机制的探索[44]。

3 数据管理的应用趋势

大数据5V特征之一就是数据类型多样，数据管理则不可避免地需要面对异类数据兼容的问题，以实现数据的统一化和批量处理。健身社区数据[45]、网页文本数据[46]、地理空间数据[47]等都成为了本次会议论文的数据采集和分析对象，但更多与会学者聚焦于数据集成与数据管理的应用，包括大数据与资源集成、大数据与优化决策、大数据与个性化推荐等。

3.1 资源融合与集成管理

信息时代背景下，网络结构化数据、半结构化数据和非结构化数据并存，各类非规范化、非标准化的数据形成了大量分散、异构的信息孤岛。数据管理过程中所忽视的信息化建设的兼容性、可维护性和机密性，直接造成了信息资源开发效益低下，浪费资源重复建设，并阻碍了信息资源的有效共享。实施标准化战略、强化资源整合、实现系统集成并发挥协同效应，成为了提高数据管理整体效益的关键。

在资源集成管理的平台架构研究中，陈标宗[48]考虑到学校资源的特殊性、复杂型和多重性，以Hadoop分布式文件系统和Mamenode编程为例，构建了基于云计算的数字化校园体系结构，提出云层-中间层-应用层的三层体系。其作用分别是云层提供系统调度使用的各类存储资源、计算资源等；中间层提供面向数字校园的支撑服务如统一认证管理、资源管理等；应用层则主要是软硬件虚拟化，如教务管理系统等。其虚拟化技术和数据管理技术的应用，实现了数据融合和学校信息资源的共享，为各种校园服务提供了集成平台。在档案学领域中，作为云计算与档案馆融合的关键领域，数字档案馆云平台是将多种类型的档案馆数字资源统一于平台，根据用户需求实现数据查找与检索的虚拟档案馆。中山大学学者[49]梳理了数字档案云平台的管理风险、归档及服务流程，并对数字档案云平台进行了特点分析和功能设计，提出了自上而下的应用层、管理层、数据库层、虚拟架构层和基础架构层等五个层次的云平台系统架构。提供了数字档案资源共建共享的新路径，并实现了数字档案馆的集约化发展。

在技术更迭换代、网络资源融合、平台互利共赢的今天，信息安全成为数据管理与合法利用的一大敏感话题。信息资源安全是指在信息的采集、传输、加工、存储和利用的整个过程中，防止未经授权者或偶然因素对信息资源的破坏、更懂、非法利用或恶意泄露，以实现信息的保密性、完整性和可用性。于平台而言，密码技术、防火墙、防病毒技术与信息伪装技术等成为数据集成管理中必不可少的信息资源安全保障技术；于用户而言，由于越来越多地需要在网上获取服务或产品，因而面临着披露敏感和个人隐私泄露的问题。佛罗里达州立大学学者研究云技术采用的隐私问题和感知风险，以用户是否接受在线分享个人信息以换取特定服务或产品的风险为出发点，探索了隐私关注、感知风险和信任的概念，并结合影响因素和计划行为理论提出了一个用户决策的行为模型[50]。

3.2 决策优化与事件预测

根据西蒙的决策模型，管理决策需要依靠准确、完整、及时的信息和数据，在此基础上寻找优化方案或者满意解。大数据管理的应用，从支持决策到事件预测，由于数据来源维度的拓展，使得决策过程得以在更多维度空间下优化，不仅包括主体行为偏好等特征，还考虑了微观领域和技术过程、宏观环境和系统因素。

大数据可以帮助我们在更大的检索空间和优化空间内寻求案例匹配、相关结果以及优化方案。比如对自闭症报刊因果知识的挖掘，通过机器阅读技术自动提取自闭症新闻中的因果关系[51]；通过使用Yelp收集的餐厅数据分析评分分数的时间序列，应用主成分分析(PCA)来检测异常时间点，确定食品或服务质量变化、用户偏好和垃圾邮件审查等潜在原因并优化餐厅服务[52]；人机分工中提出问题，大数据系统基于检索和优化能力提供答案；打车软件竞赛中，推动乘客、车辆、公路等交通资源的配置优化，也推进了出租车产业治理的优化。

预测则是在时间序列和周期运行基础上，在相似情景下外推应用模式的过程。基于社交的预测和医疗预测成为两大研究主流：利用电子病历(EMR)数据集中的社交网站健康相关内容(特别是Facebook，PatientsLikeMe和Inspire)的数据，实现虚拟患者模拟器的半自动化[53]；基于维基百科知识库，提出一种自动诊断预测方法，以增强临床决策支持系统的检索[54]；从Twitter获取数据，生成编码器可靠性统计，研究并预测埃博拉疫情爆发相关议题等[55]。

3.3 知识发现与个性推荐

人脑是典型的大数据处理装置，ICT技术实现了对人脑的高级模仿，IBM Watson就以其在“危险边缘”节目的出色表现，提供了人类与机器模型相互模仿、相互学习、相互协同的典型案例。大数据集成5V数据，帮助寻找、分析和发现模式，在知识发现的基础上，对数据和人群分类，并进一步划分目标用户群体提供个性化推荐服务。

匹兹堡大学学者进行了一项课程知识发现的研究，提出一种通过过滤一般搜索引擎的搜索结果来识别课程网站的方法[56]；谢菲尔德大学也提出了针对项目经理的关键知识共享技能(CKSS)框架，以支持其知识发现和共享实践[57]。对于个性推荐系统的研究，基于当代学生将MOOCs和SNS用于学习课程的现状，日本山口大学提出了基于Twitter的推荐系统，通过检测Twitter上与课程相关的意见、问题或印象等，结合标签云呈现推荐页面排名，以学习与社交交互的方式进行个性化课程推荐[58]。此外，基于社交网络中位置的移动签到，加州大学伯克利分校分析了一个大型的移动键入数据集，并使用辐射模型模拟日常消费，以根据日常移动轨迹进行消费推荐[59]。基于大数据整合的顾客消费行为与生活数据，企业可以更好地提取顾客模式，提供个性产品和精益服务，以提高顾客忠诚度；针对潜在顾客进行精准营销，并进行消费倾向管理，使其转化为企业真实客户。

随着技术的进一步升级，内存计算、大容量存储、Hadoop及宽带无线网络的支撑，大数据管理在数据收集与分析技术上不断突破，数据库、数据仓库、数据挖掘和知识发现等形成数据管理技术的进阶之路，而分类、决策、预测等应用，也将与日常生活结合更加紧密，并与个人行为相互渗透。

4 总结

本文围绕数据管理的战略导向、角色差异与应用趋势三个方面，对本次会议论文与相关文献进行了分析和评述，iSchool的成员院校及相关学者的成果显示出图书情报领域与信息时代社会需求的接轨。对有关文献的研究特点，可从调研方法、数据处理与分析方式两个方面进行总结。

从调研方法上来看：iConference2017论文的研究主要用到了实验数据、问卷访谈数据、网络爬虫数据等，尤以第一种街头实验的调研方式居多。在社会科学领域调研中，随机样本采集数据以其获取方式容易、样本具备一定代表性的特点较受广大学者青睐，而偏重于计算机科学的研究则较为侧重数据获取的科学性，一般采用计算机自然语言或脚本获取。

从数据处理及分析方式上来看：用到了贝叶斯等统计建模、机器学习、文本检索、信息检索、web信息分析、自然语言处理及图像识别处理、数据分析、信息提取与优化等方法。未来大数据分析的发展，将进一步用到数据同化法、插补法技术、时间空间识别及变化分析、高维空间的构造探索及模型化、多样信息整合而来的个性化技术、社会信息网络的知识发现、隐藏关系的检出、因果推论的实现等。

参考文献：

[1]Jin B.Data Management and Archival Information Service[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[2]刘叶婷.盘点全球前五的数据开放国[J].信息化建设，2014(4)：54-55.

[3]广州市工业和信息化委员会.广州市政府数据统一开放平台[EB/OL].[2017-05-12].http://datagz.gov.cn/data/catalog/.

[4]北京市经济和信息化委员会.北京市政务数据资源网[EB/OL].[2017-05-12].http://www.bjdata.gov.cn/index.htm.

[5]Open Knowledge International.Global Open Data Index[EB/OL].[2017-05-12].http://2015.index.okfn.org/place/.

[6]数博会组委会.2017数博会分论坛数据共享与开放板块核心论坛确定[EB/OL].[2017-04-26].http://www.bigdata-expo.org/news.php?id=1467361362.

[7]于浩.大数据时代政府数据管理的机遇、挑战与对策[J].中国行政管理，2015(3)：127-130.

[8]薄璐.中小型金融机构数据平台建设探讨[J].电子测试，2013(8)：172-173.

[9]史艳芬，刘玉红.基于科学数据管理生命周期的高校图书馆服务角色定位研究[J].新世纪图书馆，2016(4)：35-39.

[10]中共中央办公厅国务院办公厅印发《关于全面推进政务公开工作的意见》[EB/OL].[2016-02-17].http://www.gov.cn/xinwen/2016-02/17/content_5042791.htm.

[11]胡小明.从政府信息公开到政府数据开放[J].电子政务，2015(1)：67-72.

[12]赵需要.政府信息公开到政府数据开放的嬗变[J].情报理论与实践，2017(4)：1-9.

[13]Huang RH,Li BY,Zhou LH,et al.Exploring the Value on Open Government Data in China[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[14]Hu YF.Government Open Data Policy and Legislation of Canada[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[15]Tang Q,Su SS,Chen RH,et al.Chinese Local Government information Quality Dimensions：A Study on Provincial Government' Open Government Information Policy Based on Content Analysis[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[16]宋香蕾.政务微博档案化模式研究[J].档案学研究，2017(1)：51-56.

[17]王焕.国外政务社交媒体文件归档研究[J].档案学研究，2015(6)：99-105

[18]王宁，曲春梅.美英澳政务社交媒体文件归档的经验及启示[J].北京档案，2017(4)：41-44.

[19]Zhou WH,Li XG,Jia XS.The Current Situation and Prospect of Archive Preservation in Government Microblog[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[20]周芳.基于元模型的信息资源管理技术研究[D].大庆石油学院，2006.

[21]郝楠.企业数据管理系统的设计与实现[D].华北电力大学，2014.

[22]王毅，赵淑梅.国有企业技术创新与档案大数据管理安全战略研究[J].档案学通讯，2014(2)：63-67.

[23]王芳，慎金花.国外数据管护(Data Curation)研究与实践进展[J].中国图书馆学报，2014，40(4)：116-128.

[24]Fan ZJ,Zhang X.Roles in Enterprise R & D Data Curation from perspective of Data Governance[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[25]Zhang N,Nunes M.Information Resource Management in CRM:A Case Study of Xi'an Guan Ai Cheng Zhang Study Abroad Agency[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[26]和暄.在孵企业间知识共享影响因素研究[D].天津商业大学，2015.

[27]张旭梅，张映秀，陈伟.供应链企业间知识共享影响因素的实证研究[D].重庆大学，2009.

[28],[57] Li SY,Peng AGC,Martins J(2017).A Framework of Critical Knowledge Sharing Skills(CKSS) for Project Managers[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[29]Rombouts J.3TU.Datacentrum:3 Universities Joined Forces to Support Research with Data-labs and Archiving[EB/OL].[2014-11-01].http://www.jisc.ac.uk/media/documents/programmes/mrd/28and29March/02B-Rombouts-3TU-DC.ppt.

[30]孟祥保，叶兰，常娥.高校图书馆科研数据联盟建设策略——以荷兰3TU.Datacentrum为例[J].图书情报工作，2015(2)：31-37.

[31]许丽丽.英国高校科研数据管理研究[J].图书与情报，2015(4)：123-127.

[32]王静，都平平，郭太敏，等.基于四螺旋模型的高校图书馆科研数据知识服务风险管理研究[J].图书馆，2015(3)：79-81.

[33]周晓燕，宰冰欣.澳大利亚高校科研数据管理政策制定研究[J].图书馆建设，2017(2)：63-70.

[34]魏悦，刘桂锋.英国高校科研数据管理政策内容调查及启示[J].图书情报研究，2016(4)：35-44.

[35]钱鹏，郑建明.基于生命周期的高校科学数据组织研究[J].情报理论与实践，2011，34(11)：83-86.

[36]迟玉琢，王延飞.国外高校科研数据服务需求识别模型特点与启示[J].图书情报工作，2016，60(4)：37-43.

[37]张萍，周晓英.高校科研数据管理的需求评估方法研究[J].情报杂志，2015(11)：188-192.

[38]王琼，曹冉.英国高校科研数据保存政策调查与分析[J].中国图书馆学报，2016，42(5)：102-115.

[39]邢文明，吴方枝，司莉.高校图书馆开展科研数据管理与共享服务调查分析[J].图书馆论坛，2013，33(6)：19-25.

[40]陈秀娟，吴鸣.学科领域科研数据知识库调研与分析——以化学领域为例[J].图书情报工作，2015(9)：111-118.

[41]刘晶晶，顾立平，范少萍.国外通用型数据知识库的政策调研与分析[J].现代图书情报技术，2015，31(11)：4-11.

[42]孟祥保，叶兰，常娥.高校图书馆科研数据联盟建设策略——以荷兰3TU.Datacentrum为例[J].图书情报工作，2015(2)：31-37.

[43]顾立平.呈现科研数据知识库：re3data.org注册机制[J].现代图书情报技术，2014，30(3)：26-34.

[44]Si L,Zeng YL.Research Progress on Institutional Research Data Repository Abroad[C]//Proceedings of iConference2017,Wuhan,China,2017.

[45]Li Z,Zack W,Emma S.Let's Workout! Exploring Social Exercise in an Online Fitness Community[C]//Proceedings of iConference2017,Wuhan,China,2017.

[46]Organisciak P,Capitanu B,Underwood T,et al.Access to Billions of Pages for Large-Scale Text Analysis[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[47]Lim-Wavde K,Kauffman R,Seong Kam T,et al.Location Matters:Geospatial Policy Analytics over Time for Household Hazardous Waste Collection in California[C]//Proceedings of iConference2017,Wuhan,China,2017.

[48]陈标宗.云计算平台上的数据管理技术与应用[J].电脑知识与技术，2017，13(8)：31-36.

[49]Song LL,Li HT.The Research on the Construction of Big Digital Archives Cloud Platform[C]//Proceedings of iConference2017,Wuhan,China,2017.

[50]Booth CL,Ho SM.Does the Cloud have a Silver Lining? Privacy Concerns and Perceived Risk in Cloud Technology Adoption[C]//Proceedings of iConference2017,Wuhan,China,2017.

[51]Zhai YJ,Sun SJ,Ding Y.Mining Causal knowledge from Autism Newspapers[C]//Proceedings of iConference2017,Wuhan,China,2017.

[52]Li L,Lu Z,Zhang DC,et al.Toward Understanding Causes of Anomaly in Dynamic Restaurant Rating[C]//Proceedings of iConference 2017,Wuhan,China,2017.

[53]Jonathan E,Taylor M,Dmitriy B,et al.Leveraging Social Media to Generate Narrative for Virtual Patient Simulations[C]//Proceedings of iConference2017,Wuhan,China,2017.

[54]Zhang DC,He DQ,Zhao S Q,et al.Wikipedia Based Automatic Diagnosis Prediction in Clinical Decision Support System[C]//Proceedings of iConference2017,Wuhan,China,2017.

[55]Ahmed W,Demartini G,Bath P.Topics Discussed on Twitter at the Beginning of the 2014 Ebola Epidemic in United States[C]//Proceedings of iConference2017,Wuhan,China,2017.

[56]Meng R,Zhao ZX,Chi Y,et al.Automatic Course Website Discovery from Search Engine Results[C]//Proceedings of iConference2017,Wuhan,China,2017.

[58]Wang YY,Maruyama N,Yasui G,et al.A Twitter-based Recommendation System for MOOCs based on Spatiotemporal Event Detection[C]//Proceedings of iConference2017,Wuhan,China,2017.