面向学科的高校图书馆数据素养教育研究
中图分类号： G250.7；G252 文献标识码： A DOI：10.11968/tsyqb.1003-6938.2016066
Research on Data Literacy Education of the University Library based on Discipline
Abstract Data literacy is an ability of objective and scientific management of data， is also a basic prerequisite of university teachers and students in the big data era. Articles firstly summarize the origin and multi-dimensional representation of data literacy， and then introduce the typical practices of data literacy education of Britain and America. The emphases of article are analysis and research on the characteristics and modes of data literacy education faced on data-oriented disciplines Library.
Key words University library； Data literacy； Embedded discipline service； Big data
大数据时代的到来和数据密集型科研环境的形成，使得产生于社交网络、移动终端、移动网络和科学实验等信息行为的数据成指数增长，掌握一定的数据管理和应用技能，并使之成为一种适应社会发展需求的特殊素养即数据素养便如同信息社会具备一定的信息素养问题一样成为大家关注的问题。如同国家、组织将数据资源和数据竞争力视为其核心竞争力一般，特殊素养即数据素养也成为了大数据时代个人竞争力的重要组成之一。对高校图书馆的主要用户师生来说，产生于科研过程的数据具有多种存在形态、多源收集过程和复杂的挖掘分析等特征，为了实现对科学研究所产生的数据即科学数据的规范化管理，如科学数据的机构知识库存储、科研成果共享实现的数据关联等，师生既需掌握一定的学科科研知识与研究方法，也需掌握一定的数据管理技能与素养及数据素养。基于此，他们迫切需要一个能够为他们掌握数据素养提供帮助的机构来实现对所获科学数据的科学管理。高校图书馆无疑是这类机构最好的选择，这一方面是因为图书馆在信息时代一直是师生信息素养教育的主要教育组织机构，它积累了丰富的师生信息、知识管理与操作技能，同时，在目前的大数据时代，英美一些发达国家的高校图书馆在数据素养教育领域已经进行了积极尝试并取得了受利益相关方称赞的先进经验；另一方面，高校图书馆一直是文献、知识、信息的存储和开发、利用机构，也是大数据时代科学数据的存储、管理与组织开发机构，高校图书馆员特别是已在许多高校图书馆新设的数据馆员掌握着较其它人员更加专业的数据素养。基于此背景和需求，去探寻大数据时代的高校图书馆数据素养教育方法、途径，将更加具有实践意义。
1 数据素养的源起与认识
1.1 数据素养的产生源起
2007年JimGrey首次提出以数据密集型计算为基础的科学研究“第四范式”概念和2009年《第四范式：数据密集型科学发现》一书的出版[1]，以及2012年美国白宫政府大数据国家战略“大数据研究与开发计划（Big Data Research and Development Initiative）”[2]的提出，标示着人类进入到了一个以数据驱动社会发展、以数据挖掘寻求更大价值发现的大数据时代。在这一时代背景下，图书馆界也审时度势的对其所从事的服务及教育变革、环境及发展等做出了新的规划与指导，将围绕数据的相关改革倡议、工作要求与实践指导作为适应时代需求的主旋律，并在一些白皮书、发展规划、研究报告中得到了极致体现。如《不断生长的知识：大英图书馆2015-2023战略》就指出我们正处于一个以数据为中心的大数据时代，数据管理服务能力成为了大数据时代的核心竞争力之一[3]；美国大学与研究图书馆协会（ACRL）也在其《2015年环境扫描》白皮书报告中指出数据馆员要积极主动的参与到信息素养对话与学习之中，并学习新的知识、技能与策略，以做出专业贡献[4]；等等。通过这些表述可以清晰看到，对大数据环境下特别是数据密集型科研环境下的高校图书馆而言，适应用户需求去为用户提供创新、特殊的技能、素养成为事业发展的一大趋势，能在更大范围、更多层次、更高水平去概括、凝练这一需求的无疑就是在多个机构官方文本中出现的“data literacy”，即“数据素养”。如2014年12月联合国发布的文件、2011年美国教育部发布的《教师礼仪数据影响教学的能力：挑战与保障》报告、美国学校图书馆员协会（AASL）制定的《共同核心州立标准》等文件报告中都使用了“data literacy”一词。ACRL在为其制定的《美国高等教育信息素养能力标准》（ILSHE）所出台的一系列学科信息素养标准中，也间接的围绕“data literacy”而设置了新的标准要求[5]。 1.2 对数据素养的多维度认识与表述
尽管业界对数据素养产生的源起背景即大数据时代和数据密集型科研环境的到来并不具争议，但由于数据素养的定义维度、审视视角、潜在需求等不同，普通科研工作者、数据管理从业者如数据馆员、业界管理决策者因其需求不同可能存在理解视角的差别。孟祥保等学者在纵览国内外相关数据素养研究成果后，认为目前对数据素养内涵的认识可分为数据管理和数据利用两大视角，而在对数据素养概念的定义进行表述时，国内外相关学者则主要根据数据生命周期及管理流程来对其概念加以表达，如对数据的收集、加工、管理、评价和利用等[6]。典型的定义代表有：张晨（2014）认为的“数据素养就是对数据的辩证认识能力和对数据的综合应用能力”[7]；秦健认为的“数据素养是指科学研究中收集、加工、管理、评价和利用数据的知识与能力”[8]；沈婷婷认为的“数据素养就是对数据的‘听、说、读、写’能力，也是对数据的理解、交流、获取和运用的能力”[9]；张艳梅认为的“数据素养就是数据行为主体在符合社会道德和伦理基础上所具有的对数据辩证、科学、正确的认识、管理和操作能力”[10]。对这些概念表述的时间和全面性、辩证性以及伦理进行考量，笔者更加认同张艳梅所持有的观点，因为该表述既有传统视角下数据、信息获取的信息伦理维度，也有对数据从产生之后的价值认识到数据管理周期过程中的数据管理与应用（操作）维度，高校图书馆在开展数据素养教育时也可以借鉴该概念表述进行相关课程的设置与技能的实践训练。
2 高校图书馆的数据素养教育实践与经验
在大数据时代和数据密集型科研环境下，顺应师生用户的需求和数据社会发展的潮流，开展数据素养教育如进行师生的数据管理培训是高校图书馆的基本职能和责任，而许多高校图书馆特别是一些英美发达国家的高校图书馆已经在数据素养教育方面做出了积极地尝试。如普渡大学图书馆、康奈尔大学图书馆、俄勒冈大学图书馆、明尼苏达大学图书馆联合开展的数据信息素养培训DLL项目、雪城大学信息学院的科学数据素养项目、剑桥大学图书馆的DataTrain数据管理培训项目等。这些积极实践不但为图书馆界数据素养教育开创了先河，也为我国高校图书馆的数据素养教育积累了借鉴经验。
（1）美国普渡大学等四所大学的数据信息素养DIL 项目[11]。美国普渡大学、康奈尔大学、明尼苏达大学和俄勒冈大学是最早开展数据素养教育的图书馆，其开展的数据素养DLL项目主要是在博物馆与图书馆服务协会（ IMLS） 的资助下，由不同学科的教师或研究员合作，实现开展对研究生和教师的数据素养教育工作。教育内容主要包括对师生有效管理和监护数据所需的技能如数据监管与再利用、数据转换与互操作、数据可视化与表达等进行培训与学习，并对不同学科、不同需求的师生在数据操作、数据管理过程中等存在的问题进行了访谈调研，以为未来的数据素养教育制度计划提供基础参考数据。
（2）雪城大学的通用型科学数据管理本科生课程（ SDL） [8]。由现雪城大学教授、武汉大学校友秦健女士和雪城大学John D’Ignazio于2007发起的通用型科学数据管理本科生课程（ SDL）项目，是在对科学、工程、数学等学科师生调研的基础上，主要为师生开设相关课程的信息素养教育项目。主要内容为根据分析调查获取师生信息素养教育需求，为不同学科、不同年级的本科学生和教师开设“科学数据管理”等课程，以提高师生的数据收集、处理、管理、评价、使用操作性能力[12]。
（3）剑桥大学图书馆的数据素养教育[13]。2010年，剑桥大学受英国联合信息系统委员会（JISC）资助，开展了一项旨在开发面向不同学科的数据管理培训模型的数据管理培训项目。该项目以提高剑桥大学师生科研数据管理水平、为其他图书馆开展数据素养教育积累经验和资源为目标，将剑桥大学考古学专业和社会人类学专业的研究生作为教学对象，通过综合采用传统授课模式和研讨会模式建立了一套面向不同学科的DataTrain数据管理培训课程模型。值得称赞的是，剑桥大学图书馆为了该模型的完善与普使性还对其设有课程反馈与模型评估流程[14]。
纵观上述三大实践项目，尽管其之间存在差异，但仍可从中总结出数据素养在其它高校图书馆开展的借鉴之处，如数据素养教育的对象范围广阔，既有教师，也有图书馆员特别是数据管理员；既有博士生，也有研究生乃至低年级的本科生；既有单一学校的独立教育，也有多所学校的联合与协作教育。其次，面对不同需求、不同学科、不同层次的用户，图书馆并未设置单一、相同的培训课程，三个教育项目基本都开展过每一领域、每一群体、每一学科的教育需求调研工作，这既对当前图书馆数据素养教育课程体系的设置提供了原始参考资料，也对未来图书馆数据素养的长期教育规划的颁布制定及单一学科的用户教育积累了经验与资料，值得我国高校图书馆的借鉴。
3 面向学科的高校图书馆数据素养教育特征与模式
3.1 面向学科的高校图书馆数据素养教育特征
由于面向学科的高校图书馆数据素养教育用户相较于泛在意义上的高校图书馆所有用户而言有着其独特的特征，因此掌握面向学科的高校图书馆数据素养教育特征有助于在实践过程中制定出科学、合理的计划与课程体系。
首先，面向学科的高校图书馆数据素养的需求水平不高，主要以一般性的数据管理和利用为主。面向学科的高校图书馆数据素养教育的用户主要是在校师生，可能存在的其它用户如面向社会开放的社会读者用户、面向企业竞争情报服务的企业团体用户等均不在这一范围内，而从事于教学与科研的师生因学科建设及科学实验的需求，或重视数据的收集，如考古专业；或重视数据的管理，如工程设计专业；或重视数据的应用分析，如化学专业。但总体而言以一般的数据管理和应用为主，如对数据挖掘和分析要求较高的数据科学工程、信息分析计算等专业，由于其学科本身就设置了一定的专业课，所以其参加图书馆数据素养教育的需求不会特别旺盛。 其次，面向学科的高校图书馆数据素养教育的短期性、功效性和应用性较强。在大数据时代和数据密集型科研环境下，师生极易在数据管理或数据共享、数据引用与规范等具体的数据行为过程中遇到一定的困难与障碍，这也可能成为其参与图书馆数据教育的一大根本原因。图书馆需清晰地看到这种需求的短期性、功效性和实用性特征，因此在课程设置、教育方式、培训学时等方面需要灵活设计，如开发一种基于嵌入式学科服务的数据素养教育模式，让数据素养教育无缝嵌入到师生的科研项目之中。
3.2 面向学科的高校图书馆数据素养模式
从传统的视角来审视已有的英美高校图书馆的数据素养教育，可将其分为数据素养理论教育与实践教育。如上述案例中雪城大学设置了“科学数据管理”等课程就是典型的理论教育，哈佛大学的讨论与考古学师生数据管理操作就是典型的实践教育。这种分类固然能让国内外高校图书馆易借鉴，但不易从学科的视角去划分教育用户的差异与个性化，故笔者根据已有的教育实践，认为面向学科的高校图书馆数据素养教育可分为数据管理导航模式、理论课程教育模式和专项素养教育模式，可根据需求与实际对三种模式交叉和综合应用。
（1）数据管理导航教育模式。数据管理导航模式是基于数据生命周期而产生的一种教育模式，类似于互联网环境下的网页一二三级标题划分导航及大类分类导航。数据管理导航模式由于将对数据的收集、管理与应用进行模块化划分，使得用户可以灵活选择自己无法具备的数据管理环节课程，进而完善自己的数据管理知识结构，最终提升用户的数据素养水平，所以数据管理导航模式对已具有一定数据素养的师生来说是一种最佳导航教育模式，这种模式的另一大优势是适合基于网络的数据素养教育，图书馆可将相关的文字、视频及Q&A等教学内容通过官方或教育网站、数据管理平台等实现资源共享，其理念与传统的网站导航相类似也使得用户不易存在较高操作障碍，易实现教育的网络化、移动化和互动化。这类教育模式也已在数据素养教育领域有了实践，麻省理工大学图书馆就是通过开辟Data Management guide[15]服务而实现读者用户的数据管理服务的。
（3）数据素养理论课程教育模式。通过理论课程是目前绝大多数高校图书馆都在采用的教育模式，信息素养教育如此，数据素养教育亦如此，上述所述的三个案例都设置了相关理论课程。只是在具体实践中，这种理论教育模式随着网络和MOOC、微课堂等教育模式的出现而不仅仅局限于传统的课堂教学、讲座及互动讨论等方法。这一教育模式易被大家所接受，也有利于对数据管理水平较低或欲系统、全面掌握相关技巧的师生，系统性较强。同时，对于集中面向某一学科的教育而言，因为可根据需求而集中教育并灵活调配讲解、讨论内容而成为一种值得选择的模式。
（3）专项素养教育模式。对于高校师生而言，其尽管可能已具备一定的数据素养或已经参加过相关教育培训，但由于在科研及教学过程中出现新困难、新问题而不得不求助于数据馆员等专业的数据管理人员，面对这种情况，不管是基于网络的数据管理导航教育模式还是传统的理论教育模式可能都无法及时解决，这就需要图书馆设计一种专项素养教育模式，如上文提及的嵌入式学科素养教育。通过数据馆员嵌入到师生的科研项目或其他相关数据行为之中，在工作、科研及教学中实现对用户相关科学数据的操作而实现对该团队、学科及领域用户的隐形知识转移教育，提高他们的数据素养。部分学科图书馆员已在这方面做出积极尝试，如在SPOCs嵌入式学科服务模式下，图书馆员不仅需向用户提供信息检索、版权保护等方面的服务，还需根据用户的需求提供半结构数据、非结构化数据的统计与分析等[16]。
