杜偉 張靜

[摘 要] 分析數(shù)據(jù)出版遇到的挑戰(zhàn)，介紹用知識螺旋模型出版數(shù)據(jù)的簡單過程，并探討數(shù)據(jù)存儲庫如何采集高質(zhì)量數(shù)據(jù)。

[關(guān)鍵詞] 科學(xué)研究數(shù)據(jù) 數(shù)據(jù)出版 數(shù)據(jù)獲取

[中圖分類號] G237 [文獻(xiàn)標(biāo)識碼] A [文章編號] 1009-5853 （2013） 06-0086-04

[Abstract] Analyze the issues faced by data publication，introduce the simple data publication process based on the knowledge spiral model，and expound how data repositories collect and store high-quality scientific research data.

[Key words] Research data Data publication Data acquiring

不僅 “大科學(xué)”有所謂的海量數(shù)據(jù)現(xiàn)象，所有學(xué)科都有產(chǎn)生大量原生數(shù)據(jù)和派生數(shù)據(jù)的趨勢。在科學(xué)技術(shù)飛速發(fā)展的今天，科學(xué)研究數(shù)據(jù)的作用越來越大，在數(shù)據(jù)發(fā)揮核心作用的所有研究中，對數(shù)據(jù)可驗(yàn)證性的期望不斷增加[1]，而且為了進(jìn)行進(jìn)一步的研究，對現(xiàn)有數(shù)據(jù)集進(jìn)行重組或重新利用的需求也在不斷增加[2]。世界范圍內(nèi)的科學(xué)數(shù)據(jù)共享勢在必行，要實(shí)現(xiàn)共享就要做好科學(xué)數(shù)據(jù)的出版工作。國內(nèi)對此也有研究，王萍等提出基于網(wǎng)格技術(shù)的科學(xué)數(shù)據(jù)存儲與共享[3]。但是，目前數(shù)據(jù)出版還處于發(fā)展階段，數(shù)據(jù)文獻(xiàn)的狀況在各研究領(lǐng)域和各個學(xué)科有著很大差別。

1 數(shù)據(jù)出版中的問題

和傳統(tǒng)的文字出版物相比，數(shù)據(jù)出版更具有挑戰(zhàn)性。每當(dāng)人們談及學(xué)期論文或畢業(yè)論文時，考慮的幾乎都是文字出版物的類型，比如期刊論文、書籍等，很少會想到數(shù)據(jù)。而數(shù)據(jù)出版作為新生事物，在以下諸多方面都面臨著亟待解決的問題。

1.1 文件格式

文字出版物的格式，如TXT、HTML、RTF、Word、OpenOffice、PDF、LaTeX等，已經(jīng)被全世界所有學(xué)科的研究人員廣泛使用。

科學(xué)研究數(shù)據(jù)也有幾種格式，如XML、電子表格、二進(jìn)制格式等，要根據(jù)某一領(lǐng)域的需要選擇所需要的格式。個別格式用標(biāo)準(zhǔn)工具不能打開，需要安裝專門的分析和可視化軟件。

1.2 內(nèi)容特征

科學(xué)研究數(shù)據(jù)比純文字研究論文的目的性更強(qiáng)。研究論文具有主觀性特征，因?yàn)閷懻撐牡哪康木褪莻鞑ブR。為此，作者建立了具有邏輯性和引導(dǎo)性的結(jié)構(gòu)，突出重要方面，解釋數(shù)據(jù)，使用表格、數(shù)字和圖片來進(jìn)行具體陳述。

而數(shù)據(jù)文件往往直接或間接由計(jì)算機(jī)或儀器產(chǎn)生。一般情況下，對文件有嚴(yán)格的標(biāo)準(zhǔn)要求，并由計(jì)算機(jī)輸出和進(jìn)行優(yōu)化處理。因此，數(shù)據(jù)文件客觀而清晰，一般情況下不需要人工檢查。

1.3 科學(xué)質(zhì)量保障

文字性出版物的科學(xué)質(zhì)量保障，一般以同行評審方式來實(shí)現(xiàn)。對一篇論文來說，編輯主要審閱作者的主張、邏輯性及對其他出版物的引用。同行評審即審閱人，其往往是同一領(lǐng)域的專家，要對主題有深刻理解。此外，由于論文是為了讓讀者閱讀，所以要對其進(jìn)行優(yōu)化，并且還對頁碼有限制。

比較而言，數(shù)據(jù)是龐大的，而且數(shù)據(jù)存儲方式不可能優(yōu)化到使讀者都容易接受的程度。所以，多數(shù)情況下，數(shù)據(jù)的科學(xué)質(zhì)量保障不能做到完全使人滿意，而且一般都要依賴于計(jì)算機(jī)的幫助。怎樣對數(shù)據(jù)進(jìn)行科學(xué)質(zhì)量保障還不是很明確。此外，數(shù)據(jù)的科學(xué)質(zhì)量保障在很大程度上還要看數(shù)據(jù)類型及其所屬的研究領(lǐng)域。而除了原始數(shù)據(jù)本身，還需要對元數(shù)據(jù)進(jìn)行審核?？傊?，科學(xué)數(shù)據(jù)的審閱人員必須具有相應(yīng)的能力和軟件工具使用技能才可能進(jìn)行質(zhì)量控制。由于上述困難，對數(shù)據(jù)質(zhì)量的控制往往不是靠同行評審，而是靠作者自己。

1.4 版式質(zhì)量保障和技術(shù)質(zhì)量保障

文字性出版物的版式質(zhì)量保障主要集中在處理文字、排版和結(jié)構(gòu)方面。一般來說，這個過程審閱人不需要對內(nèi)容有更深的理解。它是科學(xué)出版物質(zhì)量保障的一小部分內(nèi)容。

對于數(shù)據(jù)文件，應(yīng)該稱為技術(shù)質(zhì)量保障。這個過程要對數(shù)據(jù)進(jìn)行驗(yàn)證，確保數(shù)據(jù)從源頭到目標(biāo)位置的無差錯傳輸。在此過程中，評審員要檢查數(shù)據(jù)是否完整，是否有異常。

1.5 瀏覽和檢索

研究論文直接包含檢索詞，而且有明確的元數(shù)據(jù)，分類和索引過程相對簡單。數(shù)據(jù)庫支持所有前面提到的文本文件格式。

如果數(shù)據(jù)文件格式不能被搜索引擎識別，或者數(shù)據(jù)本身非常大，那么數(shù)據(jù)文件的索引就必須限制在給定的元數(shù)據(jù)中，因此，數(shù)據(jù)文件的元數(shù)據(jù)是瀏覽和檢索的關(guān)鍵。

1.6 存儲地址

純文字文獻(xiàn)，即使是綜合出版物也可以保存為單個文獻(xiàn)，并存儲在倉儲中。因此，倉儲可作為長期存放地址，直接滿足用戶獲取論文的需求。

數(shù)據(jù)文件處理時，面對的往往是千兆字節(jié)或萬兆字節(jié)的龐大數(shù)據(jù)文件。文件的大小帶來存儲空間、帶寬、備份系統(tǒng)及成本方面的問題。通常情況下，文本庫不能滿足管理龐大數(shù)據(jù)文件的需要。數(shù)據(jù)文件允許鏈接到外部資源，但伴隨著打不開鏈接及同步發(fā)展等問題[4]。

2 數(shù)據(jù)出版過程

2.1 知識獲取

知識獲取是全人類特別是研究人員不可或缺的。知識以隱性知識和顯性知識兩種形式存在。這兩種形式通過社會化、內(nèi)部化、外部化及其融合進(jìn)行轉(zhuǎn)化。就出版物而言，有內(nèi)部化和外部化兩個相關(guān)轉(zhuǎn)化。內(nèi)部化描述從顯性知識到隱性知識的轉(zhuǎn)化。外部化是用顯性知識表達(dá)隱性知識的過程。對研究人員來說，可以把閱讀出版物和觀看演示從而接受各種信息并從中學(xué)習(xí)稱為內(nèi)部化。外部化指個人的信息傳播，例如會議中的演示或出版學(xué)術(shù)論文等。

從公眾角度來看，一些研究人員的內(nèi)部化狀態(tài)和其他研究人員的外部化狀態(tài)可以相互產(chǎn)生作用。這種情況出現(xiàn)在某一研究人員的需求正好是其他研究人員提供的信息產(chǎn)品的場合。

Nonaka等強(qiáng)調(diào)知識創(chuàng)新的關(guān)鍵在于隱性知識的調(diào)用和轉(zhuǎn)化，并提出著名的知識螺旋模型。知識的獲取被比喻成旋轉(zhuǎn)的螺旋。假設(shè)在每一個繞組中，研究人員首先處于內(nèi)部化狀態(tài)，在此狀態(tài)下，他必須學(xué)習(xí)，如通過讀書或聽報告（和其他人員的外部化輸出相對應(yīng)）；然后轉(zhuǎn)移到外部化狀態(tài)，在這種狀態(tài)下，研究人員寫文章或作演示[5]。

2.2 數(shù)據(jù)出版周期

Andreas Hense等根據(jù)上面提到的螺旋單繞組，得到一個簡化的數(shù)據(jù)出版過程，即：內(nèi)部化——搜索和瀏覽、審核和學(xué)習(xí)、實(shí)驗(yàn)；外部化——解釋和注釋數(shù)據(jù)、執(zhí)行質(zhì)量保障、出版和展示數(shù)據(jù)（如圖1所示）[6]。

圖1 數(shù)據(jù)出版周期

2.2.1 搜索和瀏覽

新的研究往往開始于對相關(guān)數(shù)據(jù)的檢索和瀏覽。研究人員的出發(fā)點(diǎn)和工具取決于研究人員的研究領(lǐng)域和個人習(xí)慣。使用特定數(shù)據(jù)庫，最明顯的取舍標(biāo)準(zhǔn)是數(shù)據(jù)庫收錄條目的質(zhì)量和數(shù)量，這直接決定數(shù)據(jù)庫的質(zhì)量。研究人員是否給數(shù)據(jù)存儲庫提交研究成果，取決于存儲庫是否有吸引力，而存儲庫是否有吸引力很明顯取決于其質(zhì)量，如功能、設(shè)計(jì)、性能、穩(wěn)定性、易用性等，但同時也受使用參數(shù)、可接受性和社會聲譽(yù)等因素的影響。

2.2.2 審核和學(xué)習(xí)

獲取數(shù)據(jù)后，研究人員審核數(shù)據(jù)及處理數(shù)據(jù)，包括熟悉及學(xué)習(xí)數(shù)據(jù)的各種活動。這是內(nèi)部化階段的基本程序，因?yàn)樵谶@一階段有一個明顯的隱性知識向顯性知識轉(zhuǎn)化的過程。

2.2.3 實(shí) 驗(yàn)

研究人員在此活動中，把新學(xué)到的知識應(yīng)用于新的研究。這可以通過開展新型實(shí)驗(yàn)或從不同角度處理數(shù)據(jù)來完成。因此，研究人員可能會獲得新數(shù)據(jù)，并展開新研究。

2.2.4 解釋和注釋數(shù)據(jù)

這項(xiàng)活動涉及數(shù)據(jù)公布的準(zhǔn)備工作，因此是外部化階段的首個活動。由于數(shù)據(jù)文件非常簡單，研究人員需要對這些數(shù)據(jù)進(jìn)行解釋或注釋，以吸引其他科研人員。這個工作可通過編寫一個數(shù)據(jù)文件來完成，要強(qiáng)調(diào)有意義的部分。為了將來使用或者在存儲庫中能夠檢索，必須增加元數(shù)據(jù)。

2.2.5 執(zhí)行質(zhì)量保障

質(zhì)量保障最簡單的方式是由作者自己執(zhí)行，但眾所周知，作者很難發(fā)現(xiàn)自己的錯誤。更高級的方式是同行評審，一個或多個研究人員審查文章和數(shù)據(jù)，如果不能達(dá)到格式或科學(xué)的質(zhì)量標(biāo)準(zhǔn)，可以拒絕接受。這種方法被多數(shù)存儲庫和科技期刊采用。對于要出版的數(shù)據(jù)文件來說，可以延伸為對數(shù)據(jù)及其元數(shù)據(jù)的質(zhì)量控制。

2.2.6 出版和展示數(shù)據(jù)

數(shù)據(jù)文件及其元數(shù)據(jù)和附加文件的質(zhì)量得到保證后，就要出版或者存儲這些數(shù)據(jù)?！俺霭妗敝复鎯υ谝粋€公眾共享并可長期利用的空間，并分配一個可長期使用的標(biāo)識符號，如DOI或URN等。而“展示”指的是上傳到搜索引擎或存儲庫目錄中，并能夠被檢索。數(shù)據(jù)出版后想改變數(shù)據(jù)雖然說在技術(shù)上是可行的，但常用的做法是這些數(shù)據(jù)會被鎖定（具有不變性），只能再發(fā)布新版本的修正數(shù)據(jù)。此項(xiàng)活動結(jié)束后，另一個研究人員可以開始新的數(shù)據(jù)出版周期，再次從“搜索”和“瀏覽”開始。

3 數(shù)據(jù)存儲庫如何采集高質(zhì)量數(shù)據(jù)

數(shù)據(jù)存儲庫怎樣才能獲取高質(zhì)量的研究數(shù)據(jù)？首先存儲庫要對研究人員有吸引力，包括在內(nèi)部化和外部化階段都應(yīng)如此。只有存儲庫能吸引足夠的研究人員提交高質(zhì)量的研究數(shù)據(jù)，才會有越來越多的研究人員利用這些數(shù)據(jù)集。存儲庫是否有吸引力有賴于下面3個因素：聲譽(yù)，如果一個存儲庫擁有研究數(shù)據(jù)質(zhì)量高的聲譽(yù)，其出版的數(shù)據(jù)將獲得很高的知名度，對研究者來說就具有很高價值?？煽啃?，如果存儲庫的運(yùn)營得到機(jī)構(gòu)資助并有著悠久的傳統(tǒng)，研究人員會相信它們的數(shù)據(jù)存儲是安全和長期的。過程，如果提交數(shù)據(jù)的過程和質(zhì)量保障過程有據(jù)可查，并且用戶界面友好，并能降低數(shù)據(jù)提交者的工作量，研究人員就會產(chǎn)生信任。

根據(jù)前面提到的數(shù)據(jù)出版周期，高質(zhì)量的數(shù)據(jù)采集主要發(fā)生在外部化階段，所以下面主要介紹“解釋和注釋數(shù)據(jù)”“執(zhí)行質(zhì)量保障”“出版和展示數(shù)據(jù)”三個環(huán)節(jié)的工作。

3.1 解釋和注釋數(shù)據(jù)

首先要考慮研究人員是否愿意公開自己的研究數(shù)據(jù)。有些研究人員對數(shù)據(jù)公開的意義還不是很明確，但不久的將來，在以數(shù)據(jù)為中心的學(xué)科，對其研究人員的評價將不僅通過他們的文字出版物也要通過數(shù)據(jù)出版物以及相應(yīng)的引文來進(jìn)行[6]。

很多研究人員往往不知道在哪里可以永久存儲數(shù)據(jù)，數(shù)據(jù)出版對他們來說是困難和昂貴的。著名的澳大利亞研究協(xié)作服務(wù)（Australian Research Collaboration Service， ARCS）項(xiàng)目提供了成功的案例。該項(xiàng)目旨在給澳大利亞研究人員提供數(shù)據(jù)存儲、傳輸、訪問和共享的工具和服務(wù)。其中 “數(shù)據(jù)組織” 服務(wù)提供免費(fèi)的數(shù)據(jù)存儲功能，數(shù)據(jù)還可以共享。這項(xiàng)服務(wù)旨在盡快把數(shù)據(jù)存儲在“數(shù)據(jù)組織”中以優(yōu)化協(xié)作，減少數(shù)據(jù)冗余，并避免滯后傳輸增加的步驟?！皵?shù)據(jù)組織”還有一個顯著特點(diǎn)即操作系統(tǒng)集成，并可在其他網(wǎng)站上進(jìn)行數(shù)據(jù)備份[7]。太陽能、地球物理及相關(guān)的環(huán)境數(shù)據(jù)可存儲在“世界數(shù)據(jù)中心系統(tǒng)”（World Data Center System，為WDC）。這些學(xué)科的研究人員可以進(jìn)入該數(shù)據(jù)中心。中心分布在世界各地，提交的數(shù)據(jù)可長期存檔[8]。

除了數(shù)據(jù)存儲以外，還要用元數(shù)據(jù)對原始數(shù)據(jù)進(jìn)行注釋。為了避免出現(xiàn)錯誤，應(yīng)盡可能早地捕獲元數(shù)據(jù)，即在原始數(shù)據(jù)收割時就加入元數(shù)據(jù)。

3.2 執(zhí)行質(zhì)量保障

科學(xué)數(shù)據(jù)的質(zhì)量保障有科學(xué)質(zhì)量保障和技術(shù)質(zhì)量保障之分。其中技術(shù)質(zhì)量保障程序通過技術(shù)規(guī)范，如可接受的文件格式或具體的XML架構(gòu)來執(zhí)行。技術(shù)質(zhì)量保障是一個系統(tǒng)化的程序。科學(xué)質(zhì)量保障需要計(jì)算機(jī)支持，特別是批量或大量數(shù)據(jù)的處理。原始數(shù)據(jù)的質(zhì)量保障一般主要靠作者自己。這個過程中作者可借助軟件工具，例如檢查數(shù)據(jù)工具、可視化數(shù)據(jù)工具及數(shù)據(jù)的異常提示工具等。

由德國研究基金會（German Research Foundation，DFG）資助的研究項(xiàng)目“環(huán)境數(shù)據(jù)公布”（Publication of Environmental Data），在實(shí)施過程中開發(fā)了獨(dú)立的審查氣象數(shù)據(jù)的軟件包。該軟件包根據(jù)用戶參數(shù)對異常數(shù)據(jù)和其他偏差進(jìn)行檢測，然后經(jīng)過分析撰寫XML報告。這個報告和數(shù)據(jù)一起提交到可長期存放的存儲庫中，這就是保障科學(xué)質(zhì)量的措施[9]。

核查元數(shù)據(jù)是科學(xué)質(zhì)量保障的另一個重要組成部分。上述研究項(xiàng)目也涉及這個問題。一個基于萬維網(wǎng)的軟件從相關(guān)長期存放庫中讀取現(xiàn)有元數(shù)據(jù)，并以一系列主題分化的形式呈現(xiàn)元數(shù)據(jù)，用戶可以逐步跟進(jìn)，其功能類似于一個軟件安裝向?qū)А?/p>

3.3 出版與展示數(shù)據(jù)

數(shù)據(jù)的出版過程即數(shù)據(jù)的存儲和識別，數(shù)據(jù)的展示過程即在存儲庫儲存后用搜索引擎可以查詢。澳大利亞“國家數(shù)據(jù)服務(wù)”（Australian National Data Service，ANDS ）旨在幫助研究人員發(fā)布、挖掘、訪問和利用研究數(shù)據(jù)。有些特殊服務(wù)如“發(fā)布我的數(shù)據(jù)（Publish My Data）”服務(wù)，幫助研究員用元數(shù)據(jù)出版研究數(shù)據(jù)；“注冊我的數(shù)據(jù)（Register My Data）”服務(wù)，協(xié)助研究人員和研究機(jī)構(gòu)宣傳他們的研究數(shù)據(jù)；“識別我的數(shù)據(jù)（Identify My Data）”服務(wù)，給研究人員的數(shù)據(jù)提供永久標(biāo)識符[10-11]。

科學(xué)是無國界的。這也正是幾個國家機(jī)構(gòu)于2010年1月聯(lián)合建立國際性的DataCite的原因。DataCite是一個不以盈利為目的的機(jī)構(gòu)，如果組織注冊研究數(shù)據(jù)集，就將分配到一個永久標(biāo)識符。這將減少基礎(chǔ)設(shè)施成本，更好地整合國家基礎(chǔ)設(shè)施和先進(jìn)的搜索功能，以改善研究人員的數(shù)據(jù)集意識。

4 小 結(jié)

科學(xué)數(shù)據(jù)出版在我國還是一個嶄新的研究領(lǐng)域。我國科學(xué)數(shù)據(jù)出版和共享在實(shí)踐中還存在許多問題。針對科學(xué)數(shù)據(jù)重復(fù)生成、投入大，科研單位輕視科學(xué)數(shù)據(jù)的出版和管理，科學(xué)數(shù)據(jù)流失嚴(yán)重，科學(xué)數(shù)據(jù)獲取困難等問題，本文介紹了一個簡單的數(shù)據(jù)出版過程，并指出數(shù)據(jù)存儲庫是科學(xué)數(shù)據(jù)存儲和獲取的一種重要方式。

注 釋

[1]Steve Androulakis， Ashley M Buckle， Ian Atkinson， et al. Archer — e-research tools for research data management[J]. The International Journal of Digital Curation，2009（1）：22-33

[2]Plale B， Gannon D， Alameda J. Active management of scientific data[J]. Internet Computing， IEEE， 2005，9（1）：27-34

[3]王萍，趙丹陽，王玉超. 基于網(wǎng)格技術(shù)的科學(xué)數(shù)據(jù)存儲與共享[J].圖書情報工作，2011（13）：63-66

[4]Andrew Treloar， David Groenewegen， Cathrine Harboe-Ree. The Data Curation Continuum： Managing Data Objects in Institutional Repositories[J/OL]. [ 2012-10-20]. http：//www.dlib.org/dlib/september07/treloar/09treloar.html

[5]Nonaka Ikujiro， Toyama Ryoko， Noboru Konno. SECI， Ba and Leadership： a Unified Model of Dynamic Knowledge Creation[J].Long Range Planning，2000，33（1）：5-34

[6]Andreas Hense， Florian Quadt. Acquiring High Quality Research Data[J/OL]. [ 2012-11-20].http：//www.dlib.org/dlib/january11/hense/01hense.html

[7]ARCS. Data Services Overview[EB/OL]. [2012-12-01].http：//www.arcs.org.au/index.php/services/data-services

[8]ICSU. World Data System[EB/OL]. [2012-03-01].http：//www.icsu-wds.org/

[9]Andreas N Hense. Publication of Environmental Data[EB/OL]. [2012-12-08].http：//misc.jisc.ac.uk/vre/projects/publication-environmental-data

[10]Adrian Burton， Andrew Treloar. Publish my data： A composition of services from ANDS and ARCS[C].In 2009 Fifth IEEE International Conference on e-Science. United Kingdom： Oxford， 2009 ：164-170

[11]Stefanie Kethers， Xiaobin Shen， Andrew E， et al. Discovering Australia's Research Data[C/OL].[2012-10-01].http：//andrew.treloar.net/research/publications/jcdl2010/jcdl158-kethers.pdf

（收稿日期：2013-03-23）