大数据时代的机遇与挑战论文1500字论文

大数据时代学术期刊的机遇与挑战_数据分析师考试在数字化再造并融合传统出版的大背景下，就学术期刊而言，其传播方式已经发生巨大变化，数字化、新媒体融合已成期刊传播新常态。在近日中国社会科学院图书馆(调查与数据信息中心)、国家期刊库(NSSD)举办的“大数据时代的学术期刊数字出版??机遇与挑战”研讨会上，学术期刊如何应对大数据时代的机遇和挑战，成为关注的主题。主动适应“大数据”时代据社科院图书馆数据网络部主任杨齐介绍，为适应“大数据时代”的需求，中国社会科学院国家期刊库项目组对643种学术期刊的网站建设进行了详细的调研分析，包含社科基金资助期刊195种，非社科基金资助期刊448种，并公布了调研结果。从调研数据中发现，目前大部分学术期刊在大数据时代的数字出版及开放获取意识有待提升，对于数字化和新媒体融合发展前景及方向还在探索之中。专家认为，从表面上看，“大数据”的概念及其价值更多的是为IT业和企业营销领域所关注，但从深层次看，传媒业将是受到大数据时代冲击较大的行业。在大数据时代，与学术期刊处于同一环境体系的学术创新模式、学术研究范式、知识形态、知识获取、知识交流及处理机制的改变，将直接影响着学术期刊的生存和发展。“大数据”深刻地改变着学术期刊的边界，使学术期刊面临新的挑战和机遇， “大数据”将造就新意义上的中国学术期刊。因此，各个学刊必须积极主动探索以学术期刊为纽带的大数据全产业链和新业态发展路径，应用大数据技术，跳出传统学术期刊的编辑出版流程局限，实现以学术期刊为纽带的学术研究全流程传播。数字化时代的诸多挑战当前，来自数字化潮流的挑战使得学术期刊正经历着一场革命。这场肇始于传播，继而扩展至整个编辑出版流程的革命，使学术期刊抛掉了纸本载体而实现了更为迅捷的网上编辑和传播，在传播流程中，数字化传播已成为学术期刊的主流渠道。学术期刊以综合性为主的结构和分散的布局导致以原期刊为单位的数字化传播意义不大，而经过汇集和重新编排后更能适应读者的需求，大型期刊数据库网站做的正是这样的工作。另外，当以综合性、分散性和内向性为特征的学术期刊遭遇来自学术国际化、评价数量化和传播数字化的挑战时，处境更是日益艰难，而自然科学期刊尤甚，每年以10万篇计的优秀稿源的流失，使得国内一些顶尖学术期刊也面临着前所未有的稿源荒，更遑论一般期刊了。优稿的外流必然带来学术前沿的失守和读者的流失，使得学术期刊在数字化时代面临着诸多挑战，急需创新观念，走出一条数字化发展的新路径。对此，中国社会科学院调查与数据信息中心副主任赵胄豪表示，通过高层次的文化碰撞，刷新旧有理念，加速学术期刊数字化、网络化的建设步伐；变革学术期刊投稿、编审、出版、传播及阅读的方式与途径；积极探索哲学社会科学领域学术期刊数字化转型、新媒体应用、开放获取及网络化建设等方面的问题，这是今后学术期刊适应数字化之路的重要途径。加快数字化转型步伐在如何探索学术期刊数字化转型上，中国科学院文献情报中心编辑出版中心主任初景利从数字出版环境与技术、学术期刊建设要素、期刊质量与影响力、传播能力的关系、数字出版平台建设、语义出版、开放获取出版等多方面详细介绍了科技期刊的经验，并提出六方面建议：一是期刊质量是期刊的生命；二是学术期刊编辑须承担社会责任与使命；三是采取综合措施提升期刊的传播力与影响力；四是重视数字出版与数字化刊群建设； 五是善于知识分析工具的开发与利用； 六是加强技术的研发和投入。以上是小编为大家分享的关于大数据时代学术期刊的机遇与挑战的相关内容，更多信息可以关注环球青藤分享更多干货

"大数据"是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。 "大数据"首先是指数据体量(volumes)?大，指代大型数据集，一般在10TB?规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量；其次是指数据类别(variety)大，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。接着是数据处理速度（Velocity）快，在数据量非常庞大的情况下，也能够做到数据的实时处理。最后一个特点是指数据真实性（Veracity）高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安全性。　　从所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析普遍存在的方法理论有哪些呢？　　大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。　　大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。　　大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。　　大数据分析广泛应用于网络数据挖掘，可从用户的搜索关键词、标签关键词、或其他输入语义，分析，判断用户需求，从而实现更好的用户体验和广告匹配。　　大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。 大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。　　当下我国大数据研发建设应在以下四个方面着力　　一是建立一套运行机制。大数据建设是一项有序的、动态的、可持续发展的系统工程，必须建立良好的运行机制，以促进建设过程中各个环节的正规有序，实现统合，搞好顶层设计。　　二是规范一套建设标准。没有标准就没有系统。应建立面向不同主题、覆盖各个领域、不断动态更新的大数据建设标准，为实现各级各类信息系统的网络互连、信息互通、资源共享奠定基础。　　三是搭建一个共享平台。数据只有不断流动和充分共享，才有生命力。应在各专用数据库建设的基础上，通过数据集成，实现各级各类指挥信息系统的数据交换和数据共享。　　四是培养一支专业队伍。大数据建设的每个环节都需要依靠专业人员完成，因此，必须培养和造就一支懂指挥、懂技术、懂管理的大数据建设专业队伍。