基于课表知识抽取的情报学课程设置启示研究

doi:10.3772/j.issn.1000-0135.2020.12.002

情报学报

2020, Vol. 39

Issue (12): 1253-1263 DOI: 10.3772/j.issn.1000-0135.2020.12.002

专题约稿

本期目录 | 过刊浏览 | 高级检索

基于课表知识抽取的情报学课程设置启示研究

沈思¹, 左明聪², 王东波², 纪有书², 刘浏², 谢靖³

1.南京理工大学经济管理学院，南京 210094
2.南京农业大学信息管理学院，南京 210095
3.南京中医药大学卫生经济管理学院，南京 210023

Research on Information Science Curricula Based on Curriculum Knowledge Extraction

Shen Si¹, Zuo Mingcong², Wang Dongbo², Ji Youshu², Liu Liu², Xie Jing³

1.School of Economics & Management, Nanjing University of Science and Technology, Nanjing 210094
2.College of Information Management, Nanjing Agricultural University, Nanjing 210095
3.School of Health Economics and Management, Nanjing University of Chinese Medicine, Nanjing 210023

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (2795 KB) HTML (101 KB)
输出: BibTeX | EndNote (RIS)

摘要情报学课程体系改革近年来逐渐成为研究的热点。在获取国外iSchool学校课程表的基础上，结合Bi-LSTM和BERT深度学习模型，构建课程名称的自动抽取模型，其中最优的BERT模型的调和平均值达到了92.92%。在该模型的基础上完成对所有课程名称的知识抽取，从而构建了相对全面和体系化的iSchool课程知识体系。在所抽取的知识基础上，从整体和类别的角度对国外iSchool课程的内容进行系统和深入的统计与分析；并在上述分析的基础上，对国内开设情报学相应的课程提供了切实可行的建议。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	沈思
	左明聪
	王东波
	纪有书
	刘浏
	谢靖

关键词 ：情报学课程, 深度学习, iSchool, 知识抽取, BERT

收稿日期: 2020-05-13

基金资助:国家社科基金“加快构建中国特色哲学社会科学学科体系、学术体系、话语体系”研究专项“新时代中国特色图情学基本理论问题研究”（19VXK09）。

作者简介: 沈思，女，1983年生，博士，副教授，博士生导师，主要研究领域为机器学习、信息检索，E-mail:shensi@njust.edu.cn；左明聪，男，1996年生，硕士研究生，主要研究领域为知识挖掘；王东波，男，1981年生，博士，教授，博士生导师，主要研究领域为自然语言处理与文本挖掘、信息计量；纪有书，男，1996年生，硕士研究生，主要研究领域为自然语言处理；刘浏，男，1989年生，博士，讲师，主要研究领域为自然语言处理、信息计量；谢靖，男，1981年生，博士，副教授，主要研究领域为基于信息技术的情报分析与评价、情报学学科建；

引用本文:

沈思, 左明聪, 王东波, 纪有书, 刘浏, 谢靖. 基于课表知识抽取的情报学课程设置启示研究[J]. 情报学报, 2020, 39(12): 1253-1263.
Shen Si, Zuo Mingcong, Wang Dongbo, Ji Youshu, Liu Liu, Xie Jing. Research on Information Science Curricula Based on Curriculum Knowledge Extraction. 情报学报, 2020, 39(12): 1253-1263.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2020.12.002 或 https://qbxb.istic.ac.cn/CN/Y2020/V39/I12/1253

1 苏新宁. 不忘初心、牢记使命展望情报学与情报工作的未来[J]. 科技情报研究, 2019, 1(1): 1-12.
2 周庆山, 黄国彬. 美国图书馆与信息科学学院信息科学专业本科课程设置的典型分析与启示[J]. 图书情报工作, 2009, 53(5): 15-18.
3 刘桂锋, 卢章平, 郭金龙. 美国iSchool图书情报学研究生课程设置与教学方式的特点与启示——以伊利诺伊大学香槟分校为例[J]. 情报资料工作, 2015(6): 97-102.
4 刘心静. iSchool院校图书情报硕士研究生的人才培养模式研究——以北德州大学信息学院为例[J]. 图书馆学研究, 2018(15): 25-33.
5 Hu S. Technology impacts on curriculum of library and information science (LIS) - A United States (US) perspective[J]. LIBRES, 2013, 23(2): 1-9.
6 魏雅雯. 美国高校Intelligence Studies课程调研与分析[J]. 竞争情报, 2018, 14(1): 33-39.
7 司莉, 赵洁, 陆伟, 等. 国外iSchools院校图书情报与档案管理研究生课程调研与特征分析[J].图书情报知识, 2018(5): 41-51, 40.
8 沙勇忠, 牛春华. iSchool联盟院校的课程改革及其启示[J]. 图书情报知识, 2008(6): 26-35, 55.
9 胡雅萍, 遇妍. 美国高校情报教育研究[J]. 情报杂志, 2016, 35(11): 5-9.
10 李乾炜. iSchools对中国情报学学科的启示[J]. 农业图书情报学刊, 2016, 28(2): 133-135.
11 Lieutenant E, Kules B. Are iSchools’ more adaptable than library schools? Analysis of LIS student engagement in programmatic changes and improvements[C]// iConference 2016 Proceedings. iSchools, 2016.
12 Zuo Z Y, Zhao K, Eichmann D. The state and evolution of US iSchools: From talent acquisitions to research outcome[J]. Journal of the Association for Information Science and Technology, 2017, 68(5): 1266-1277.
13 司莉, 姚瑞妃. 图书情报专业研究生数据素养课程设置及特征分析——基于iSchool联盟院校的调查[J]. 图书与情报, 2018(1): 28-36, 101.
14 鲁晶晶, 谭宗颖. 从博士论文看国内外情报学教育的现状与发展[J]. 情报科学, 2016, 34(3): 161-165.
15 Xue C X, Wu X Z, Zhu L, et al. Challenges in LIS education in China and the United States[J]. Journal of Education for Library and Information Science, 2019, 60(1): 35-61.
16 陈则谦, 王雪, 张鑫. 中美情报学教育的个性与共性——基于情报学硕士人才培养方案的调查与分析[J]. 图书与情报, 2018(6): 120-128.
17 Wang Q, Zhou Y M, Ruan T, et al. Incorporating dictionaries into deep neural networks for the Chinese clinical named entity recognition[J]. Journal of Biomedical Informatics, 2019, 92: 103133.
18 di Cicco V, Firmani D, Koudas N, et al. Interpreting deep learning models for entity resolution: An experience report using LIME[C]// Proceedings of the Second International Workshop on Exploiting Artificial Intelligence Techniques for Data Management. New York: ACM Press, 2019: 1-4.
19 徐啸, 朱艳辉, 冀相冰. 基于自注意力深度学习的微博实体识别研究[J]. 湖南工业大学学报, 2019, 33(2): 48-52.
20 iSchools member institutions[EB/OL]. [2020-07-24]. https://ischools.org/Directory.
21 Schuster M, Paliwal K K. Bidirectional recurrent neural networks[J]. IEEE Transactions on Signal Processing, 1997, 45(11): 2673-2681.
22 Devlin J, Chang M W, Lee K, et al. BERT: Pre-training of deep bidirectional transformers for language understanding[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2018: 4171-4186.