教学课程资源库 更多>>

关键词： 自媒体   大学生   思政教育   信息资源  

摘要： 本文阐述自媒体时代大学生的特征,针对自媒体时代对大学生思政教育带来的影响,提出自媒体时代大学生思想政治教育工作的有效路径:构建新时代自媒体思想政治教育队伍,提升思想政治教育的效率;主动占领自媒体阵地,以正确舆论引导大学生;提升大学生自主意识,调动大学生的主观能动性;加强大学生的理想信念教育,化解自媒体多元文化价值观念的冲击;开展网络化思想政治教育活动,以优秀传统文化引领思想教育。

关键词： 机器学习   特藏文献   信息资源建设   人工智能   推荐系统  

摘要： 针对我国每年出版图书五十多万种造成图书馆特藏文献资源建设难发现、难收全的现实问题,从图书馆特藏文献建设的“智慧化”发展需要、基于机器学习理论的解决途径、在特藏文献建设领域引入机器学习的创新性与可行性、基于机器学习特藏文献推荐系统的开发与实践四个方面,论述机器学习在特藏文献资源建设中的应用,为机器学习在图书馆资源建设工作中的全面应用探索解决方案。

关键词： 技术接受模型   数字信息资源   使用行为   影响因素  

摘要： [目的/意义]旨在研究民族地区高校大学生使用数字信息资源行为意向的影响因素及不同民族大学生在使用行为上的差异。[方法/过程]基于技术接受模型,对国内外相关研究进行定性研究并在此基础上构建了民族地区高校大学生用户使用数字信息资源行为意愿模型并对此进行了结构方程路径分析,由以民族为分组变量对汉族大学生和蒙古族大学生两个群体进行了特定群体分析。[结果/结论]结果显示,感知有用性、屏幕设计、感知易用性、相关性、信息内容质量、自我效能等因素对汉族大学生使用数字资源有正向影响。而感知易用性、相关性、领域知识、自我效能感对蒙古族大学生的数字信息资源使用行为意向有显著的影响。

关键词： 后疫情时代   跨境电商实务   线上教学   信息技术   信息资源  

摘要： 随着现代信息技术的不断发展和创新,互联网与教学的融合成为未来教育的新常态。后疫情时代,教师要充分利用信息技术和信息资源,构建科学合理的线上教学体系。文章提出“一体三翼”的线上课程教学方案,即以科学合理的教学过程设计为主体,以专业互动的网络教学平台和丰富的数字化教学资源为支撑,以灵活多样的教学活动为保障,通过恰当运用现代信息技术和教学媒体,实施科学合理的教学过程,以期达到最优化的教学效果。

关键词： 档案   信息资源   开发利用  

摘要： 随着市场经济的迅速发展,企业需要大量的信息资源,档案部门如何充分利用现有的档案资源来为企业做好服务,需要我们档案管理人员在现有档案的基础上结合企业的自身特点不断挖掘创新或者汇集汇总相关信息资源,为企业的发展出谋划策。

关键词： 知识管理   档案信息资源管理   档案管理   公共服务  

摘要： 作为影响社会发展进程的重要生产要素,知识在社会生产过程中所发挥的作用日益突出。知识管理这一新兴概念诞生于20世纪90年代,知识管理实现了从海量无序信息到有序数字化知识的加工和转换。创新档案管理体系,对有效发挥信息资源的价值具有重大的现实意义和深远的历史影响。将知识管理应用至档案信息资源获取、加工、存储、利用等方面,对解决档案信息资源管理面临的现实挑战、挖掘“沉睡”的数据信息、实现档案信息资源价值的最大化具有重大的意义。

关键词： 算法   平台   技术中介歧视  

摘要： 算法日益辅助甚至代替编辑进行信息分发,算法歧视成为亟待探讨的问题。基于对34个省级行政区937个提示词的内容分析,发现百度的提示词引导用户更多关注中部地区人群的素质品性和西部地区人群的身体特征,所建构的地域形象也更加负面。数字平台算法系统的局限性和不完美应由人进行纠偏。

关键词： “十四五”规划   医学图书馆   信息资源   信息服务  

摘要： “健康中国战略”为我国“十四五”时期医学信息服务和医学科技信息资源建设提供新的发展机遇,同时也提出更高要求。本文在分析中国医学科学院医学信息研究所/图书馆“十四五”期间面临的机遇和挑战的基础上,基于图书馆数字化信息资源建设、多元化信息知识服务方面长期发展积累,提出图书馆“十四五”规划的三大要点:强化多维医学科技信息知识基础设施;构建情报工具平台服务;集成信息技术提升智慧图书馆用户体验。

关键词： Social media   Tourism forecasting   Baidu index   Big data predictors   Elastic net   Lasso regression  

摘要： Purpose - This paper aims to compare the forecasting performance of different models with and without big data predictors from search engines and social media. Design/methodology/approach - Using daily tourist arrival data to Mount Longhu, China in 2018 and 2019, the authors estimated ARMA, ARMAX, Markov-switching auto-regression (MSAR), lasso model, elastic net model and post-lasso and post-elastic net models to conduct one- to seven-days-ahead forecasting. Search engine data and social media data from WeChat, Douyin and Weibo were incorporated to improve forecasting accuracy. Findings - Results show that search engine data can substantially reduce forecasting error, whereas social media data has very limited value. Compared to the ARMAX/MSAR model without big data predictors, the corresponding post-lasso model reduced forecasting error by 39.29% based on mean square percentage error, 33.95% based on root mean square percentage error, 46.96% based on root mean squared error and 45.67% based on mean absolute scaled error. Practical implications - Results highlight the importance of incorporating big data predictors into daily demand forecasting for tourism attractions. Originality/value - This study represents a pioneering attempt to apply the regularized regression (e.g. lasso model and elastic net) in tourism forecasting and to explore various daily big data indicators across platforms as predictors.

关键词： Result caching   Temporal query behavior   Temporal search   Result cache performance  

摘要： A commonly used technique for improving query response time in retrieval systems is storing query-relevant information in a fast access memory storage such as a result cache. The effectiveness of the result cache heavily relies on giving correct admission and eviction decisions, which require careful analysis of query and stream characteristics. Due to anonymous and global user access patterns, search engines are often considered time-invariant architectures: query characteristics are frequently collected globally, and assumed to be unchanging for long periods of time. However, the highly distributed nature of the modern search engine framework consequently led to noticeable temporal changes in user access patterns through short periods of time for each of the data center within the distributed network. The work presented here attempts to evaluate temporal variations in query submissions and exploit them in order to improve the result caching performance. To this end, query logs are analyzed in order to verify the availability of such variations and a new caching framework that facilitate these changes is proposed. The proposed framework partitions the result cache into three segments: a static segment that stores the most frequent queries in an offline fashion, a newly introduced semi-static segment on top of the state-of-the-art Static-Dynamic Cache (SDC) that changes content during different periods of the day, and a dynamic segment that is maintained in an Least Recently Used (LRU) fashion. Conducted experiments demonstrate that the proposed caching framework improves the hit rate of a search engine result cache up to 3.31% and query response time up to 7.27% with respect to the state-of-the-art techniques.