開放科研數據中的數據價值提升策略*

顧立平，陳新蘭，張瀟月，劉金亞

1 研究背景、問題及意義

1.1 研究背景

數字經濟時代，數據已成為創造和捕獲價值的新經濟資源[1]。在第十九屆四中全會上，我國首次公開提出將數據作為一種生產要素按貢獻參與分配[2]，這表明數據可同傳統生產要素一樣，創造價值并產生收益。開放數據增加了數據透明度，人們利用開放數據資源創造新的產品和服務，從而增加經濟價值[3]。英國《開放數據白皮書》[4]就曾討論利用開放數據解鎖經濟潛力的方式。科研數據作為一種重要的數據資源也被認為能夠創造更大的價值，讓盡可能多的科研數據發揮盡可能大的價值有助于推進開放科學的發展[5]。

1.2 當前問題：科研數據流失現象未能有效解決

為實現科研數據透明公開、可發現、可獲得和可使用[6]，人們越來越多地將科研成果通過數據共享基礎設施開放和傳播，然而仍有許多科研數據因為環境、條件等原因嚴重流失。我國科研數據流失有3種主要情形：(1)大量科研數據因投稿和發表存儲在國外數據平臺[7-12]，所有權和控制權流失，且在國內數據實體并未得到很好的管理，也未對國內研究人員第一時間共享。(2)過去我國很多科研大數據(如生物學和遺傳醫學領域)沒有經過檔案等級監管，或任人取用，或在合作之中無形泄露[13-14]。(3)許多國家先于我國頒布數據監管政策或建立數據監管機構[15-19]保障其數據隱私和安全，我國因數據獲取不對等導致數據流失。目前我國已充分重視上述現象并出臺若干法規政策應對(如《科學數據管理辦法》[20])，這些問題正逐漸得到解決。

但是，目前我國最嚴重且還沒能有效解決的科研數據流失問題是社會科學、自然科學，尤其是STEM(Science，Technology，Engineering，Mathematics)以及交叉科學領域里一些小科學中的暗數據、小數據、無數據問題。通過概念辨析有助于更好地理解這些數據流失現象(見表 1)。

表1 暗數據、小數據和無數據概念辨析

這些數據都沒有明顯的結構和規律、未被或無法被高效利用，且可能蘊含一定的潛在價值。發掘其價值需做到：確保數據處理和保護規范統一；以某種權責機構或法律法規可追溯的主體來要求、監督、實施和管理數據；讓研究人員能在需要的時候較容易地發現和使用盡可能完整的數據。

1.3 研究意義

緩解數據流失、促使數據價值顯現的實質是使數據具有結構、可發現、可使用和可分析，而組織與管理工作需要一定的權責主體和特定的解決方案。圖書館可為妥善高效地組織和管理科學數據提供解決方案。第一，對館藏資源進行組織與管理是其基本工作內容與業務特點之一。第二，圖書館可最大限度和范圍地協助科研人員開展各項研究工作。第三，圖書館也亟待從實踐調研中尋找可解決其治理體系和治理能力等發展瓶頸的方案。事實上，圖書館界也一直積極參與數據資產管理，歐盟[26]、美國[27]和我國[20]已出臺相關政策，促進科學數據管理工作的落實。因此，本研究將從圖書館業務實踐出發，構建科研數據的價值提升策略。數據價值研究的理論意義在于厘清數據價值不顯現的原因，探索數據價值提升要素，為數據價值提升提供理論指導；現實意義在于緩解數據流失現象，促使數據價值提升、外溢和衍生，找尋可監管、追蹤和實施的權責機構作為數據價值提升工作的主要執行者、推進者和宣傳者，促進知識傳播交流和科研生態體系的發展。

2 文獻綜述

2.1 數據價值研究現狀

當前關于數據價值的研究較集中于大數據領域。Joao認為，利用云計算、移動服務等開放技術處理數據，可使開放數據創造更大的價值[28]。李旭暉等認為，大數據的價值源于其中蘊含的各種知識關聯，發現大數據價值的核心在于對知識關聯進行刻畫、揭示和利用[29]。由此可見，數據管理與服務技術的進步，為數據價值的提升創造條件。當前科研人員主要從處理技術、組織方式層面關注大數據的價值開發，針對科研具體學科領域探討數據價值提升的研究較少。也有學者討論開放政府數據(OGD)的價值提升策略，Petr等認為提高可發現程度和提供高質量的描述性元數據，可提升數據價值[30]。Song等認為，可通過識別與聚合OGD在質量、完整性、要素分解、時效性、透明度與開放程度等多方面的特征，促進新興公司實現在環境、經濟、社會方面可持續發展的價值[31]。這表明通過聚合與關聯數據的多維度特征，借助新興數據處理技術，能夠滿足特定主體的價值創造活動。此外，醫學領域[32-33]、多媒體領域[34]、交叉學科領域[35-36]也有研究涉及數據價值的提升策略。現有研究中的數據價值提升策略涉及幾個重點：(1)高質量元數據。提供高質量元數據，可對數據做豐富的注釋，從而找到數據之間的相互聯系，為數據發現和重用提供保障。(2)知識關聯 。 將 經 刻畫、揭示和描繪的、可交互的數據關聯起來，有望發現其潛在的深層的更具價值的信息。(3)智能化手段。利用計算機科學、軟件科學領域的先進技術，可使數據以新的形式滿足人們的需求。

2.2 數據價值提升概念辨析

結合現有文獻中的數據價值提升重點與本研究的目的，本文對數據價值提升工作給出專門定義：通過著錄和標引數據實體，深層揭示數據屬性和數據結構，并使用統一受控詞匯規范化描述數據，進而對數據建立各類知識關聯并形成一系列新數據的過程。數據價值提升工作可使雜亂、未經組織管理、不可見的、未關聯的、使用率過低的數據，變成被規范組織和管理的、可發現的、相互關聯的和可重用的形態，可將其中隱含的更宏觀、更完整、更有意義的信息發掘出來，為人們創造更大的科研價值。本文所討論的數據價值(data value)與數據加值(data added value)和數據監管(data curation)不同。數據加值是指將原始數據或者原生數字資源經過一定程度的處理和加工，形成衍生數據或者數據產品的過程[37]。數據監管指在科學數據的整個生命周期內，通過主動的活動(如對數據標注、評價、選擇、轉換)使數據增值，最終目標在于使這些數據可以方便地被人們應用或重用[38]。三者雖有相似之處，卻又各不相同(見圖1)。數據價值提升后，被眾多主體利用的可能性與傳播能力增強了，當數據經過多次“流轉”和再利用，它所能創造的價值也隨之產生“乘數效應”。

圖1 數據價值提升、數據加值和數據監管的異同

2.3 數據價值研究觀測要點

基于前述已有研究與概念辨析，本文以數據實體、元數據和數據描述3個觀測要點，結合文獻分析歸納的數據價值提升策略的重點，作為后續實證調查研究的線索，搜集數據價值提升解決方案。

(1)加工原料——數據實體。很多科研數據都具有重大科學價值，應當被妥善保留。某些科研數據由于缺乏組織和利用，正逐漸“失去價值”，而長期保存不斷增長的科研數據會導致物質、人力及財力等成本逐年上升，這促使人們思考如何緩解雙方的失衡。因此，在保留數據內容、性質和形式的基礎上，使現有數據創造更多價值的思路是本文的調研重點之一。

(2)核心工具——元數據。元數據可以揭示數據的結構和規律、描述數據的屬性和特點，而且，經過元數據著錄的數據資源也更容易控制、組織和管理。因此，使用元數據作為數據價值提升主要工具的解決方案也是本文的重點調研對象。

(3)關鍵工作——數據描述。對數據進行標準化描述可使數據具有可控性和一致性。而通過標識符、屬性描述、關系描述、引用數據、元數據等建立的知識關聯和推薦，即一系列新數據(索引、摘要和模型等)，有望提升數據價值。所以，以數據描述作為凸顯數據價值工作重點的解決方案也是本研究的觀測要點。

3 現有解決方案及其數據價值提升要素

3.1 案例分析

科研領域中對數據價值的提升尚乏較系統的方案，且針對科研數據價值提升的實例過少，不利于分析和歸納。而在對數據技術發展較為敏感的企業中，已開始根據自身業務發展需要，開展數據價值提升工作。大型科技機構能很好地將項目型的小、散、亂數據收集起來，且它們在從數據中推演意義并基于此采取行動方面取得的成果比較顯現[41]。因此，對企業界已有經驗的梳理，能夠啟發圖書館等機構的工作人員針對科研數據中暗數據、小數據、無數據等問題制定可行的服務方案。與本研究密切相關的是這些數據知識庫為提升數據價值非常有可能考慮的幾個重點：元數據提取和管理；統一數據格式，建立數據規范；建立數據關聯。因此，本文選擇國內外幾大科技領先機構，從天地數據(衛星和地圖)、社交數據、物流數據、辦公數據、個人終端數據5個領域，找到它們通過處理數據實體、利用元數據和關聯數據以創造更多價值的實例，并將這些案例分類整理，如表2所示。企業界確有不少方案與本文觀測重點強相關，也與文獻調研歸納的要點相符合。但是，它們對數據價值的討論相對比較簡單，實質上它們大多都采用少量指標來描述其數據產品的生產、管理和運營，且通常都借助計算機和軟件領域的先進技術手段輔助其實現數據價值的提升。

表2 國內外數據價值提升方案

3.2 現有解決方案中數據價值提升要素

上述科技機構為提升數據價值所采取的策略和施行的工作各有側重卻也有相似之處，本文從現有解決方案中歸納出以下數據價值提升要素。

(1)建立數據目錄。面對體量龐大、結構繁雜的數據，眾多機構想到的最簡單易操作的解決方案就是建立數據目錄，如AWS Glue[43-44]、百度Dayu[48]。這類解決方案通過建立數據目錄的方式對數據中包含的關鍵信息進行描述，讓數據更易于被檢索和發現，增加了數據的可見度和使用頻率，加大了數據發揮價值的可能性。

(2)元數據驅動服務。日益累積起來的非結構化的數據資源雜亂無章，既不利于管理也不能體現利用價值。而元數據可幫助很多機構解開此難題。Facebook分析圖像元數據并結合其他實踐來進行真實性審查[42]、Amazon幫助人們發現非結構化數據的含義及關系并從媒體文件中提取有價值的元數據[45-46]、百度Dayu[48]通過管理元數據促進數據發現和使用等。

(3)聚集小數據建立關聯。機構數據通常按工作模塊獨立保管，為提供更好的公眾服務，部分機構從業務流程角度考慮，將各工作環節和業務往來機構的相關數據關聯起來，讓原本孤立的數據共同發揮出更大的價值，如基于谷歌地圖建立的血庫地圖[52]、微軟與Qualanex 合作以節省藥物回收成本[47]、蘋果為癲癇患者編寫的EpiWatch 程序[56]、華為打造的區域人口健康信息平臺[57]。此類方案的目的是將一些看似沒有關聯或還未關聯的數據聯系在一起，讓它們共同發揮更大的作用、提供更優質的服務。而且，這些服務都比那些數據在未關聯之前，各自獨立提供的服務創造出更大的價值。

圖2 數據平臺常見結構

(4)建立數據平臺。為集中組織與管理大量數據，并使它們創造更多價值，百度Dayu[48]、騰訊 Tbase[51]、 華 為 FusionInsight[50]和 微 軟PowerApps[58]等數據平臺，基于提取的元數據以及組織和關聯后的數據，推出一系列數據服務，增加數據可見度與使用率，體現數據重要性與價值。這類平臺的常見結構如圖2所示。

上述要素再次印證，科技機構提升數據價值的重點離不開數據實體加工、元數據提取和管理、數據規范化與關聯，這些要素都建立在大數據技術、人工智能、機器學習、移動服務和云計算等先進手段的基礎之上。而我們無法回避的事實是，科研數據很難直接采用這種模式簡單描述或封裝為數據產品[59]，且這些技術和方案不完全適用于我國當前的科研數據流失問題(如在心理學領域，科研數據存儲類型多樣且處理方式多元，數據還多為零散的小數據)。因此，本文通過提煉并借鑒它們的數據價值提升思路，結合圖書館業務實踐，重新設計規劃出更適用于科研數據的解決方案。

4 科研數據價值提升方案

4.1 理論框架

文獻調研結果顯示，高質量元數據、知識關聯和智能化手段是提升數據價值的重要因素；案例調研結果顯示，建立數據目錄、提取關鍵元數據、聚集小數據和建立數據(監管)平臺是數據價值提升方案的關鍵要素。因此，本文認為科研數據的價值提升策略重點應當集中在元數據提取、數據規范化和知識關聯3個方面。首先，元數據和小數據可以讓零散的數據具有結構和意義，它們還可以聚集類似的數據資產，人們可通過管理數據來增加其價值；其次，經過格式統一和規范處理的數據，更利于組織和管理；再者，零碎的數據經過組織變得可發現便有了價值，而存在領域間隔的數據只有進一步建立知識關聯，才有望實現價值外溢。

從利用元數據標引數據實體、規范化描述數據和建立知識關聯的實際操作來看，這幾項工作與圖書館業務實踐最為契合：作為重要存儲機構，圖書館保存著大量科研數據；數據著錄標引和數據描述兩部分工作需要圖書館專家來完成；圖書館持續引進和融合新興數據技術，可基于科研數據提供多元化產品與服務；圖書館可最大范圍和限度地服務科研人員。有鑒于此，本文結合前述分析結果及圖書館基礎業務工作，提出一種更加適用于科研數據的價值提升方案(見圖3)。其工作流程包含4個步驟：(1)對各個獨立的數據/數據集進行著錄和標引，形成一系列元數據；(2)使用統一標準的受控詞匯對數據/數據集加以規范化描述；(3)對經過著錄標引和規范化描述的數據建立各種形式的關聯，形成多種新數據(如索引數據、摘要數據、數據模型)；(4)使用新數據提供新數據服務或新數據產品。

圖3 數據價值提升方案理論框架

該理論框架更適用于科研數據的原因：(1)元數據強大的揭示功能。元數據增加了數據的可見度，某些特殊領域(如遺傳醫學和心理學)中不易傳輸的數據，可以通過元數據著錄，只將對人類具有重大研究價值的信息揭示出來，隱去一些私密的個人數據。同時，元數據可揭示數據的結構和屬性，有助于人們組織和控制數據。而且，無論是大數據還是小數據，元數據都可以將其著錄。(2)數據描述讓數據“可交流”。采用統一的數據描述體系，對所有科研數據進行規范化描述，使得各類數據涵蓋在統一的標準體系中，可以幫助人們快速發現數據之間的異同與潛在的聯系，各數據之間也可進行轉化，從而增加了數據的可見度和利用率。(3)知識關聯創造更大價值。經過元數據標引和數據描述，數據更易于組織和聚類，再結合專業知識和智能化技術將數據進行加工整理，建立多樣化的知識關聯便可形成各類新數據，進而創造全新的數據產品和數據服務。當數據經過多次“流轉”和再利用，有望打破數據壁壘，跨越領域間隔，最大化釋放其價值[59]。

4.2 數據價值的評估

完成上述數據價值提升工作后，數據就處于一種被精心管理的、可被發現的、相互關聯的和可重復使用的狀態。為檢驗數據價值提升效果，需要對數據價值進行評估——若無量化評估方式或者任意制造評估標準，就缺乏討論價值含義與保存策略的現實意義。在商業領域，商品價值可用貨幣來估算，但數據價值在大多情形下是不能用金錢直接衡量的，需從其他角度入手：商品價值轉化成貨幣，貨幣在流通中產生了價值；相似地，數據則在不斷流轉和被使用的過程中提升了價值。為此，筆者參考期望效用理論(Expected Utility Theory)[60]，提出一個用以計算數據價值期望效用的公式。期望效用函數認為，如果某個隨機變量X以概率Pi取值xi(i=1，2，…，n)，而某人在確定得到xi時的效用為u(xi)，那么，該隨機變量給他的效用便是U(X)=E[u(X)]=P1u(x1)+P2u(x2)+…+Pnu(xn)，其中，E[u(X)]表示關于隨機變量X的期望效用。接著，引出本文中數據價值期望效用函數V(X)=(1+∑Pi·ki)T+et，式中各項指標說明如表3所示。

表3 科研數據價值期望效用函數指標說明

數據價值期望效用函數可以解釋為：如果以某隨機數據X在某時間節點的價值(包括科學價值、歷史價值、社會經濟價值等)為單位1，此時對其實施價值提升操作，并在經過時間t以后對其價值增量進行評估，周期t內該數據共流轉T次，那么，該數據的價值增量就等于數據初始價值與數據價值提升工作量∑Pi·ki乘以T，再加上該數據的社會效益e與數據流轉周期t的乘積。其中，數據著錄標引工作可量化為元數據條目數量，數據描述工作可量化為由非規范描述調整為規范描述的數據屬性、數據關系或引用數據等的數量，知識關聯工作可量化為關聯程度等級(如按分類分組、摘要大綱、層級劃分、概念抽象化、可視化分為1～5的等級)。各項工作的權重可結合圖書館專家和數據所屬領域專家的經驗，以及工作量等來確定。

假設數據集X的價值提升工作量及各部分權重分別為：著錄30條元數據且著錄工作占整體工作的權重為0.3、規范化15條數據描述且描述工作權重為0.4、關聯等級為4 且工作權重為0.3，10年后該數據集共流轉100次，且它具有積極社會效益，效益等級為3，則10年后數據X的價值為V(X)=(1+30*0.3+15*0.4+4*0.3)*100+3*10=1750。

數據價值評估的目的與作用，除了實現最基礎的數據分析和數據價值的衡量，以及對圖書館在科研數據價值提升方面的工作效果進行評估外，還可將有關信息提供給數據用戶或管理者幫助其改善決策，以及輔助一些以數據價值為基礎的管理工作(如創造更大收益、創造更多業績、提升工作效率、提升用戶滿意度)的開展。

5 結論與建議

5.1 研究結論

當前我國科研數據領域存在暗數據、小數據、無數據等嚴重數據流失問題，緩解數據流失現象的實質是凸顯這些數據的價值。經文獻與案例的調研分析，本文認為，提取元數據、數據規范化和建立知識關聯是提升數據價值的關鍵。從業務實踐角度看來，圖書館可作為權責主體為相關工作提供業務支持：經由圖書館專家著錄標引數據、描述數據和建立知識關聯，并由圖書館采用可供利用的工具和技術提供多元化產品與服務。這樣，以盡可能低的人力和經濟成本“變廢為寶”，實現讓“沉默的數據”顯現價值、外溢價值，最終衍生價值的轉變。面對不同類型的數據流失問題，應在上述數據價值提升理論模型的基礎上，根據具體情況各有側重。

(1)暗數據的價值提升工作，基本符合理論框架中的主要工作流程。由于暗數據無法直接用于分析或商業化產生利益，可以運用豐富的元數據將此類數據進行深層揭示和刻畫，并采用同一描述框架規范數據。當數據量累積到一定程度時，就較容易發現其中隱藏的數據關系，通過分析這些數據關系存在的深層原因，也可能會有全新發現。

(2)除作為描述和管理數據的小數據(元數據)外，其他類型的小數據(如主體零散的、項目型的數據)的價值提升工作也基本符合理論框架，處理過程和暗數據相同。

(3)無數據是一種較為特殊的情形，雖然目前還無法解決數據不存在的問題，但是數據找不到和不可用的問題，還是有望通過該框架得以緩解。遵循上述暗數據和小數據的處理流程，對無數據建立關聯，便可增加其可見度和可發現性，進而促進其使用和重用。

數據價值不同于商品價值，不易估量和定價，且受到多重因素的共同的影響。期望效用函數提供了一個思路，通過多個變量指標的運算來量化表達人們對數據價值的期望值，也可對數據資產長期保存工作和數據價值提升工作效果作評估。具體到科研數據的價值評估，可以將科研數據的價值折算為某科研人員或團隊的學術影響力、學術貢獻、科研信譽積分，可能也會有一部分可以轉換為物質形式。

5.2 研究建議

(1)元數據質量和標引適度。①確保元數據準確完整。準確性和完整性代表了元數據的高質量，而高質量的元數據可以讓科研數據更具有價值潛力。②適度標引。元數據可以像都柏林核心集(Dublin Core，DC)一樣簡單，也可以像MARC21那么復雜。如果使用DC(15個字段)著錄一份數據可能還不足以顯示出它與其他眾多數據之間有何種潛在的關聯，因而需要對其更深層次地揭示。如若將這份數據用MARC21 逐字段著錄(幾百條)，一定可以將數據的各種屬性和性質非常細致地揭示出來，但所耗費的人力和時間成本可能已遠遠大于數據本身的價值，因此，需要根據實際情況在二者之間找到平衡。③希望通過眾多科研管理機構、科研資助方等的共同努力，頒布相關激勵政策，以促進科研人員向圖書館提交研究數據，并鼓勵其提交較完整的元數據(可通過調研確定不同學科領域的元數據規范)。

(2)學科差異。上述數據價值提升理論框架中所涉及的各項具體業務工作均不可避免地存在學科差異問題。例如，不同學科中的科研數據由于格式、類型、研究方法的不同，在使用元數據著錄標引時，應針對不同領域數據具體分析，適當擴充或刪減元數據。

(3)“睡美人”數據集。在使用數據價值期望效用函數計算數據價值時，需注意一種例外情況，即“睡美人”數據集。這類特殊數據應根據它“睡醒”后的流轉次數、社會效益等級等，靈活考慮是否有必要將其“沉睡時期”納入流轉周期。

(4)合理確定科研數據價值期望效用函數中涉及的加權項目及其比重。具體可參考國內外對數據價值內容的相關研究，而流轉次數可通過Altmetrics等平臺獲取。

(5)數據獲取途徑。圖書館應積極宣傳推廣數據價值提升方案，調查訪問并聯系亟待解決數據流失問題的科研機構，與其簽署合作與保密協議，獲取相關數據并輔助其相關工作的開展。