數據驅動范式下的人文社科知識服務創新研究

劉雨農 是沁

摘? ?要：文章基于人文社科研究的特點，分析了人文社科知識服務在數據驅動范式下存在的現實性困境與訴求，進而從資源、功能、制度三個方面構建了知識服務框架，并對部分關鍵問題進行討論。研究認為，數據驅動下的人文社科知識服務應通過拓展數據源、引入大數據處理技術等方式，為人文社科研究者提供數據定制、技術指導、輔助分析、智慧推送服務，并在數據安全、數據產權和人才建設方面予以保障。

關鍵詞：人文社科;數據驅動;知識服務;服務創新

中圖分類號：G250.2;C3? ?文獻標識碼：A? ?DOI：10.11968/tsyqb.1003-6938.2019004

Abstract Focus on the characteristics of social science， this paper analyzes the dilemma and requirement of data-driven knowledge service， introduces a knowledge service framework from three aspects： resource， function and institution， and then discusses some key issues such as the role of service. Data is the core of knowledge services. It is necessary to expand the data source and adopt new technology to help researchers by providing customized data set， technical training， analysis assistance and smart recommendations. Issues such as data security， data property and human resources are also mentioned.

Key words humanities and social sciences; data-driven; knowledge service; service innovation

作為一次重大的時代轉型，大數據對人類生活、工作與思維方式產生了深遠影響[1]。近年來，隨著機器學習、云計算等相關技術走向成熟，基于海量異構性數據的深度挖掘和場景化應用正逐步成為現實。當前，大數據浪潮中的人文社科研究正處于全新的歷史機遇期，大數據驅動的“第四范式”在人文社科研究領域獲得了廣泛的推崇[2]。在此背景下，大數據環境不僅為人文社科傳統研究問題的驗證和解釋帶來全新思路，也為新現象、新規律的發現提供了更多可能。然而，由于特殊的學科特性，哲學、政治、歷史等人文學科在過去的研究中很少涉及定量數據，而經濟、管理等社會學科對復雜數據的處理相對陌生。面對日益復雜的大數據環境，人文社科研究人員難以獨自完成大數據的處理工作，急需從與數據科學相關的專業領域獲取外部支持。

過去對于此類面向科研的外部支持獲取途徑主要存在兩種思路：一是開展跨領域、跨學科的學術合作。學術合作在知識融合的深度和穩定性等方面具有較大優勢，但是在實際操作過程中需要科研機構和人員建立長期、穩定的關系。由于在一定程度上會受到機構組織形式和管理機制的制約，使得合作的廣度和深度存在較大限制;二是從第三方機構獲取相關的知識服務內容。傳統的知識服務指圖書情報等機構利用自身信息資源優勢，按照學科領域發展和信息需求規律提供的一種專業化服務。長期以來，知識服務通過不斷的完善創新滿足了不同學科研究者對于文獻、信息和知識的訴求。隨著大數據環境的不斷加深，面向人文社科科研的知識服務體系被寄予更高期望，即不僅要兼顧大數據的一般技術特征，更要扎根于人文社科本身的學科特點與應用場景。因此，探討適應數據驅動范式下人文社科研究需求的知識服務模式與內容創新具有緊迫性和現實性。

1? ?當前人文社科知識服務的現狀與新訴求

1.1? ? 傳統人文社科知識服務模式及其局限性

知識服務是在知識經濟與知識管理背景下提出的重要概念，作為獲取、加工、共享知識的一種服務方式，在人文社科研究中扮演著重要角色。總體來看，我國面向人文社科研究的知識服務主要包括以下兩種模式：

（1）以傳統圖書館為背景的文獻服務。在知識服務概念提出前的較長時間里，信息匱乏仍是困擾人文社科研究的主要原因之一。由于人文社科研究人員的需求主要集中于文獻方面，如何充分保障文獻資料的供給，成為了圖書館、情報所等相關服務機構著力解決的核心問題。20世紀80年代末，中國人民大學圖書館對全國文獻資源開展了一次全面調查，全國社科文獻資源調查與分布研究作為其重要的組成部分，明確提出了海外資源匱乏、學科分布不均、資源重復建設等問題[3]。對此，圖書情報界從不同角度展開研究，并提出了大量指導性意見[4-5]。作為文獻的主要儲藏和流通中心，傳統圖書館毫無疑問成為文獻資源服務的中堅力量。21世紀初，在《高校圖書館規程》的引導下，各圖書館以CALIS建設為契機，掀起了文獻保障系統建設熱潮[6]。文獻保障系統不僅促進了全國資源建設的統一和協調，也通過館際互借、文獻傳遞等服務推動了文獻資源的開放共享。

然而，21世紀以來，信息環境發生了巨大的變化，以解決“信息稀缺”為目標的知識服務模式呈現出愈發明顯的局限性[7]。一方面，信息中心的轉移使圖書館的認知度和存在價值有所降低，研究人員可直接通過搜索引擎提供的檢索功能在各類數據庫中尋找資源;另一方面，在信息爆炸的背景下，人文社科研究迫切需要從海量信息中獲取個性化、精確化的信息，而這種以圖書館傳統文獻資源為核心的被動式服務與人文社科研究需求的契合度不高，服務效果有限。

（2）以學科嵌入式為核心的信息服務。自1993年Michel Bauwens第一次提出“嵌入式”概念以來，嵌入式服務就在教學科研信息服務中得到動態展現[8]。嵌入式服務指以科研服務用戶為中心，無縫地、動態地、互動地嵌入到一線用戶的科研環境中，為研究人員提供直接、專業、個性化的服務[9]。隨著Web2.0等技術在人文社科領域的廣泛普及與人文社科研究人員在獲取信息的網絡化、數字化趨勢愈發明顯，這種服務理念受到了廣泛的認同，并得到了長足的發展[8]。2005年以來，國內外不斷對嵌入式服務的深度和廣度進行擴充，學術界甚至提出學科服務不僅要嵌入到科學研究中，更要嵌入到教學、生活以及社會活動中[10]。

然而，在數據驅動環境下，嵌入式服務模式仍然存在局限。第一，嵌入式服務模式建立在學科化分類的基礎上，與大數據背景下人文社科研究學科邊界日益模糊、跨學科合作研究的主流趨勢背道而馳;第二，以學科館員為核心的嵌入式服務模式始終受到館員自身學科背景和科研經驗的制約，使得服務內容多局限于信息資源檢索，服務深度較為有限。隨著數據驅動環境對人文社科研究在知識層面的要求逐漸升高，這種局限將被進一步擴大。

總體來看，隨著社會全面步入大數據時代，人文社科研究者信息需求多樣化與信息環境復雜化的矛盾更為突出[11]，對知識服務模式與內容的創新提出了更高的要求——即打破學科邊界，注重于數據本身的深度挖掘與加工，通過智慧化數據來驅動面向科研的知識服務。然而，當前面向人文社科的知識服務體系依然習慣性建立在圖書館系統的框架下，忽視了實際情況中人員、技術、經費等因素的限制，可操作性依然存在疑問。更為重要的是，相關研究鮮有對數據驅動范式與人文社科研究特殊性的綜合考量，知識服務創新的功能、模式等具體內容依然有待進一步挖掘。

1.2? ? 數據驅動下人文社科知識服務新訴求

數據驅動的人文社科研究改變了傳統人文社科研究的慣用邏輯，在研究范疇、研究重心和研究方法等方面呈現出重大變化。如直接面向總體的多維度分析而非基于局部樣本的抽樣調查、以大規模標簽化數據表示的量化研究而非理論論證為主的歸納性研究、基于海量實時數據挖掘的前瞻性預測而非靜態數據的回溯性解釋。這些變化為相應的知識服務提出了全新的訴求，需要通過知識服務創新來解決新環境下人文社科研究的關鍵性新問題。

（1）橋接人文社科數據資源“孤島”。人文社科領域的大數據多產生于各類社會活動中，要求研究者能夠從海量數據中發現新問題、探索新規律。然而，由于數據極大的開發價值和經濟效益，也涉及更多安全性問題，在數據資產私有化的背景下，真正意義的大數據仍集中于政府、銀行、互聯網公司等機構中，很少由研究人員和研究機構完整掌握。此外，人文社科的歷史性研究數據廣泛的分散于大量研究人員之中，由于缺乏統一有效的共享機制，難以實現有效協同。因此，對于人文社科研究來說，數據增長并未改變研究數據稀缺性的現實[12]，反而在數據獲取過程中進一步提高了經濟成本和法律、道德門檻。

科學研究數據的“孤島”現象對人文社科長遠發展十分不利，會使“數據驅動”淪為空談，無法解決實質性學術問題，更難在社會經濟建設中發揮作用。對此，需要面向人文社科的知識服務從資源層加大科研數據的建設力度，提供總量充足、涵蓋面廣、共享性高、適用性強、粒度可縮放、獲取門檻低的大數據資源供給服務，進而改善人文社科大數據資源的匱乏狀況。

（2）緩解人文社科數據技術壓力。數據科學涉及計算機科學、數學、信息科學、統計學等眾多學科知識的復雜協同，具有較高的技術門檻。大數據并非人文社科的傳統研究領域，近年來的研究多側重于理念解釋，尚未積累起太多成熟的實證經驗。考慮到傳統人文社科的學科背景和技術儲備，在短期內提升人文社科研究者的數據分析與處理能力，效果相對有限，獨自承擔數據驅動的研究工作必然承擔著一定的技術壓力。

盡管數據驅動的人文社科研究提升了數據的地位，提高了大數據相關技術的要求，但并未改變人文社科研究的重心。在本質上技術的進步最終要服務于對人類文化、社會、經濟等問題的洞察與規律的解釋。人文社科背景的學者不宜在單純的技術層面耗費過多精力，需要通過人文社科知識服務緩解數據驅動研究的技術壓力，尤其是從專業的數據挖掘、處理、分析的角度獲得充分的幫助和指導。

（3）服務人文社科數據場景應用。從數據驅動概念引入人文社科領域以來，許多研究者嘗試采用新的范式對人文社科問題進行研究。但在近期的研究過程中逐漸暴露出一個關鍵問題，即基于大數據的主流研究方法多擅長于發現不同變量間的相關性，而非發現變量間的因果關系。這就意味著對待現實性研究問題時難以對各類相關性現象進行有效解釋，在一定程度上動搖了研究的價值。如何明確數據驅動的人文社科研究價值，是對知識服務提出的重要訴求。

現實場景應用是人文社科研究成果重要的價值實現途徑。大數據來源于社會實踐的積累與探索，在數據驅動環境下將相關研究成果應用于實踐、并接受實踐檢驗是各界對人文社科研究的普遍性訴求。因此，需要知識服務提供方充分結合自身資源優勢和技術優勢，對人文社科多樣化應用場景進行構建或描述，進而實現數據驅動的人文社科研究成果實現與應用場景的對接。

基于上述訴求，本文結合數據驅動環境下人文社科研究的總體過程和特點，充分考慮人文社科研究者的現有條件和現實需求，提出創新型的知識服務的理論框架，以期為相關服務內容開展提供支持。

2? ?數據驅動下人文社科知識服務框架構建

對于數據驅動的人文社科知識服務框架，本文將從資源、功能、制度三個層面展開論述。其中，數據資源建設是開展知識服務的基礎和前提，具體功能實現是知識服務的核心和關鍵，而科學的制度安排則是知識服務落實的根本保障。

2.1? ? 資源層：基于“數據-科研”閉環的科學大數據管理框架

面向人文社科數據驅動研究的知識服務，核心問題在于大數據資源的組織與管理。大數據環境復雜性增加，數據流轉速率變大，知識服務應在總體上力求實現數據輸入、數據輸出、科研產出三方面的閉環（見圖1），即將與科研有關的大數據通過一系列清洗、存儲、挖掘過程，以智慧化的方式服務于科研活動，助力人文社科科研產出。同時將分散的高質量科研數據重新匯集和整理，作為新的數據源匯入數據管理周期，進而服務于其他的研究工作。

數據驅動的人文社科研究已不再局限于傳統意義上的學科邊界，數據來源極其廣泛，涉及社會經濟眾多方面，過去看似不相關的數據均可能在特定的人文社科研究中發揮重要作用。當前，與人文社科研究相關的數據涉及社會經濟眾多領域，增長速度空前，盲目地將所有具備潛在價值的數據全部收納顯然缺乏操作性。因此，在數據采集階段的重點任務應是打通數據輸入渠道，與不同數據源形成穩定數據接口，并根據科研用戶的具體需求提供定制化的數據輸入方案。

隨著大數據在社會生活中的全方位滲透，人文社科研究的數據來源呈現出多樣化的分布態勢。除一般性人文社科文獻數據庫、人文社科專題數據庫以及科研團隊主動發布的研究數據集外，與人文社科研究對象相關的內容理論上均可通過數字化表示而囊括在內。如廣泛分散在行業或政府部門的數據庫中的產業發展數據，企業經營信息，社會經濟指標等。尤其在移動互聯網高速發展的背景下，各類社會感知數據能夠通過遙感設備、可穿戴或移動傳感設備、Web社交媒體進行間接測度，這些數據在未來的人文社科研究中具有極大價值。顯然，數據的復雜來源進一步加劇了數據的異構性，對數據的規范化組織提出了更高的要求。相較于小數據的組織模式，大數據的清洗、存儲和挖掘工作更加復雜，需采取全新的技術策略進行應對。如云存儲技術的應用具有擴容便捷、管理成本低、安全性高的優勢，可以較好地契合大數據的量級特征。而機器學習等算法的實現有助于從價值密度較低的數據中挖掘出潛在價值，為智慧預測和智能推薦等服務的實施提供良好的基礎。

2.2? ? 功能層：面向科研全過程的知識服務內容

傳統人文社科研究多以理論和模型驅動，由于涉及數據量不大，統計方法相對簡單，研究項目僅需要少量研究人員和幾臺普通計算機即可完成。對于知識服務的需求主要集中于研究前端，如選題階段中根據文獻計量分析為研究者提供研究熱點發現，以及在模型構建過程中進行相關文獻支持，提供成熟的理論、經驗、方法供研究人員參考（見圖2）。

數據驅動的人文社科研究呈現出同過去截然不同的研究模式，由于涉及的科研數據數量激增、多源異構，導致技術門檻提高，處理難度增大。在既有條件下，人文社科科研人員很難輕易依靠小規模團隊完成復雜的研究工作，需要能夠涵蓋研究全過程的多元化外部支持（見圖3）。

（1）數據資源的提取和定制。根據研究人員的個性化需求，提供定制化的研究數據集或數據采集方案。對于來源不同的數據集，需要進一步清洗和整理，如統一存儲格式和內容結構化等。數據應能夠通過一致性和可信度檢驗，在質量上達到人文社科研究的基本要求。

（2）數據技術的推薦與指導。針對人文社科研究的一線研究團隊，開展一系列大數據研究培訓與講座，重點關注機器學習等大數據前沿研究方法的理論和實操，幫助研究者了解和掌握大數據相關研究范式與技術的適用范圍、優勢劣勢、發展趨勢。除特定服務對象外，還應面向人文社科普及數據素養教育，引導培育從數據中發現問題，從數據中驅動研究的新思路。

（3）協助大數據分析和處理。近年來，Rapidminer、Weka等窗口化機器學習工具的出現讓人文社科研究者能夠在不具備較強編程技術和算法理解的情況下開展各類大數據研究。然而，如果不了解工具的基本原理，很難針對特定科研需求調整算法，也無法獨自對可能出現異常情況進行調試。因此，在研究過程中，上述內容需要具備數據專業背景的專業人員參與，協助科研大數據的分析和處理。

（4）科研訊息的智慧推送。除服務于用戶研究外，也要充分發揮自身數據資源優勢，提供特色化服務。如基于有關科研工作者屬性、成果、行為、軌跡、網絡等海量數據，結合特定人文社科研究領域的內容與特征構建用戶畫像。進而以深度學習等算法為基礎，建立智慧化推送系統，為用戶推薦相關的科研成果、熱門研究方向和潛在科研合作者。

2.3? ? 制度層：基于人文社科發展戰略的機制化保障

知識服務不能僅僅著眼于數據驅動熱潮下的人文社科研究需求，應緊密結合大數據環境下人文社科研究的長期發展戰略，保障服務內容的持續、穩定和成熟。這就要求將大數據服務的保障措施上升到制度層面，包括安全保障、人力保障、產權保障等。

（1）數據安全制度。數據驅動的人文社科研究涉及大量與社會經濟領域相關的高價值數據，對特定利益相關群體具有較強的吸引力。在知識服務過程中，研究數據不可避免地出現集中存儲和高頻交換，必須采用相應的安全技術和機制降低數據泄露的風險。首先，應在知識服務提供方內部建立完善的保密制度，尤其是內網的數據輸出端口（如USB、打印設備等）應受到嚴格管理，防止敏感數據的內部泄露;其次，對于部分核心數據和敏感數據，在技術上可采取“數據沙箱”架構[13]，使人文社科研究者在不真正取走數據的前提下進行數據的分析與處理，做到數據不落地，既能提高數據安全性，又能減少數據平臺的維護成本。

（2）數據專員制度。面向大數據人文社科研究的知識服務除提供數據檢索等被動式服務外，還應通過數據專員制度，組織專業團隊以積極主動的方式深入到相關的人文社科研究中。本文認為，數據專員至少包括三個方面：數據科學專員，負責專項人文社科領域大數據的分析與挖掘;數據工程專員，負責數據平臺的構建、運維以及人文社科大數據的采集、組織和存儲;數據服務專員，負責外部數據源的協調、面向人文社科科研人員的咨詢、推薦和數據素養的培訓等。數據專員制度強調了服務過程中服務人員的主觀能動性作用，數據專員不僅需要掌握數據科學領域的專業性技能，熟悉數據驅動的研究范式，也需要在不同人文社科領域具備一定研究經驗和工作基礎，這與過去學科館員制度側重于文獻學背景有所區別。

（3）數據產權制度。大數據時代，數據資產的所有權歸屬問題在學界存在廣泛的爭議。在人文社科研究中，對于涉及大量個人隱私信息的社會大數據使用是否適用于知識產權法中的例外條款，目前尚未出現明確和權威的定論。在以大數據為中心的知識服務過程中，尤其要處理好數據供給者與數據使用者的關系界定。首先，對于互聯網企業、政府、數據庫等不同數據源，應簽訂多方數據許可協議，尤其要明確人文社科科研成果轉化過程中的數據資產問題;其次，對于涉及隱私問題、敏感問題的數據應在提供相關服務的過程中進行匿名化和模糊化處理，最低限度減少數據倫理爭端;最后，應借鑒相對成熟的學術引用體系，全面建立科學數據引用規范，充分尊重科研數據貢獻者的知識產權。

3? ?開展新型知識服務的若干關鍵問題

面向數據驅動人文社科研究的知識服務與傳統服務模式既有一定繼承，也存在較大差別，在講求服務創新的同時，應根據現有條件和實際需求采取針對性的措施，盲目地擴張服務內容反而會適得其反。本文認為，以下三個問題在具體的知識服務過程中應得到充分重視。

3.1? ? 準確定位知識服務角色功能

數據驅動范式下的人文社科知識服務涉及到眾多學科、資源、技術，過去單獨以圖書館為基礎，簡單地擴充服務內容的思路在實踐層面缺乏可行性。本文認為，知識服務的提供者需要匯集多方支持，包括但不限于圖書館、商業數據庫、公共部門、信息產業以及相關人文社科學科領域。這種知識服務模式應定位為人文社科科研數據服務平臺，該平臺并不意味擁有并存儲所有人文社科研究的數據集，也不要求在用戶使用層面實現絕對的開放和免費，而是作為人文社科研究大數據的集散中心和人文社科跨學科研究的孵化培育中心進行建設。即通過智能化的檢索、發現、推送系統，成為連接學科、數據與技術的橋梁和紐帶，實現研究者、數據集、工具包之間的三方對話。

3.2? ? 妥善處理服務與研究的關系

科研知識服務的本質任務是以用戶為中心，滿足用戶科研知識需求，幫助用戶解決特定的科研數據問題。服務模式的創新并不意味著越俎代庖，替代科研人員的研究工作。研究數據處理是人文社科研究中的重要組成，不僅需要數據技術支持，更需要特定人文社科學科背景的理論知識作為支撐。如果數據服務人員直接承擔部分研究工作，由于缺乏對研究場景必要的理解和經驗，容易陷入到“唯數據論”的陷阱中，反而對服務對象的科學研究造成一定程度的干擾和誤導。因此，知識服務應重點針對人文社科研究人員在數據獲取和分析技術方面的短板，數據使用與情景解釋等問題應由科研人員自身承擔。

3.3? ? 對傳統服務模式的科學揚棄

從文獻服務、學科服務、到數據服務，不同的服務模式順應了特定環境下人文社科研究的需求。在大數據時代，數據被提升到全新高度，圍繞大數據展開智能化的知識服務逐漸成為新的潮流。然而，這并不意味著過去文獻保障服務和嵌入式學科服務失去了意義。從人文社科研究的角度上看，當前數據驅動的研究范式對因果關系的解釋力不足、數據生成和采集過程中的“信號問題”、數據倫理和規范等問題[14]仍然存在較大的爭議，并非所有人文社科問題都適用于數據驅動研究范式，大量社會經濟問題依然需要采用過去較為成熟的方法和手段進行的研究。本文提出的知識服務模式并不能完全替代以往的圖書情報工作，應作為一種創新和補充服務于人文社科研究。

4? ?結語

數據密集型科學范式是對傳統科學研究的一次重大變革，需要創新性的知識服務進行支持。作為以數據資源管理出發的科學探索，本文結合數據驅動范式與人文社科學科特征，提出了以數據為核心的知識服務框架，并從資源建設、功能服務、制度保障層面分別展開了論證。

當前，數據驅動的人文社科研究已受到廣泛重視，已有圖書館、情報單位、研究機構在面向人文社科研究的大數據服務方面進行了針對性地探索。但在人文社科研究領域，由于人文社科具有學科特色鮮明、知識互相貫通的特征，不同研究者對大數據的理解和需求也存在較大差異，為知識服務工作規范化、體系化、標準化工作帶來巨大挑戰。針對普適性推廣不足的現實困境，亟需根據特定的現實條件和用戶需求，進行差異性的調適，形成具有針對性的精細化知識服務，以推進我國人文社科知識服務的整體性推進。因此，未來研究可在數據服務、合作協同、知識共享等方面進一步推進，進一步提高知識服務的效率和精準度，更好地服務于數據驅動下的人文社科研究工作。

參考文獻：

[1]? （英）維克托·邁爾·舍恩伯格，肯尼思·庫克耶.周濤等譯.大數據時代[M].杭州：浙江人民出版社，2012.

[2]? 鄧仲華，李志芳.科學研究范式的演化——大數據時代的科學研究第四范式[J].情報資料工作，2013（4）：19-23.

[3]? 孔令乾，胡廣翔，董焱.全國文獻資源調研分報告之五全國社科文獻資源調查與布局研究[J].圖書館學通訊（中國圖書館學報），1990（4）：40-43，93.

[4]? 馬繼剛，林平，劉柳.人文社科文獻保障與共建共享的現狀分析與發展策略[J].大學圖書館學報，2013，31（2）：26-30.

[5]? 王新才，王海寧.高校圖書館期刊文獻保障實證研究——以武漢大學為例[J].中國圖書館學報，2015，41（5）：4-15.

[6]? 盧章平，袁潤，王正興.發現服務：大學與研究機構圖書館的趨勢[J].中國圖書館學報，2014，40（3）：20-26.

[7]? Anderson R.The Crisis in Research Librarianship[J].The Journal of Academic Librarianship，2011，37（4）：289-290.

[8]? 劉芳.大數據時代高校圖書館信息服務創新研究[M].北京：光明日報出版社，2016.

[9]? 羅亞泓.廣州高校圖書館嵌入式學科服務的SWOT分析和策略研究[J].圖書情報工作，2015，59（7）：112-116.

[10]? 張紅琳，葉文偉.高校圖書館嵌入式學科服務的實踐與發展建議[J].圖書與情報，2015（2）：133-136.

[11]? 李桂華.基于美國大學參考咨詢提問的當代社會科學信息需求研究[J].情報學報，2015，34（10）：1079-1087.

[12]? 何勝，熊太純，周冰，等.高校圖書館大數據服務現實困境與應用模式分析[J].圖書情報工作，2015，59（22）：50-55.

[13]? 邊衛紅，單文.Fintech發展與“監管沙箱”——基于主要國家的比較分析[J].金融監管研究，2017（7）：85-98.

[14]? 王世偉，俞平，軒傳樹.國外社會信息化研究文摘[M].上海：上海社會科學出版社，2016.

作者簡介：劉雨農（1991-），男，南京大學信息管理學院博士研究生;是沁（1992-），女，南京大學信息管理學院博士研究生。