信息分析课件.PPT

信息分析既离不开显性知识，也离不开隐性知识 隐性知识对信息分析的意义主要表现在： 能使信息分析人员在不完全认识部分或细节的情况下认识整体 隐性知识有利于信息分析人员从已有研究成果和自己的观察和实验中不断获得新的“暗示”，从而不断提出新问题，不断把研究向前推进 隐性知识的获得更多地靠个人的亲身实践，这提醒信息分析人员除了掌握信息分析相关的理论方法等显性知识外，还要通过职业实践亲身感悟和获取相关的隐性知识 要求信息分析人员高度重视团队的价值，重视核心成员的作用 * * 1.4.2 两类思维 发散性思维 非习常性、无规范甚至是无规律的思维形态：跳跃式的联想和想象、灵感、直觉等等 收敛性思维 指诸如逻辑推理、数学演算等，按一定规则归纳或演绎，有可靠的程序和步骤 信息分析既需要发散性思维，也需要收敛性思维 在解决问题时，往往先靠发散性思维得出各种各样的可能性假设或设想，再依靠收敛性思维进行具体的信息加工分析，得出明确的结果 收敛性思维进行常规信息分析的基本能力；而发散性思维则是发现新的目标，解决不常见的甚至是只偶然出现的特殊问题或重大难题的另一种能力 * * 1.4.3 两类方法 科学方法的运用趋势从定性奔向定量，又在更高层次上出现了定量到定性的回归 定量研究 理论基石是实证主义，强调在研究设计、数据收集、结果的处理与解释上必须具备严格的形式 强调对事物进行量化的测量与分析 强调对研究对象进行人为干预，创设实验条件 主要采取假设验证的研究方式 形成了包括严格的抽样技术（随机抽样）、量化的资料收集技术（调查、实验）与以数理统计为基础的资料分析技术（描述统计、推断统计）在内的一套完整方法体系。 * * 定性研究 哲学基础主要是后实证主义、批判理论与建构主义 在研究目的上，更重视对事实的解释性理解，强调“事实”本身必须通过研究者主观的诠释才可能揭示其意义 在研究情景上，更强调研究情景的自然性，主张在现有的环境下开展研究 在研究策略上，主张在研究前不对研究问题作详尽的假设，只提出大体的研究思路，在研究的过程中随时根据新问题与新信息调整方向，修订思路 在具体的研究方法上，更多地采用访谈、观察、档案分析等方法，强调在研究过程中研究者自身的体验，对文字化的描述进行以归纳分析为主的处理 在研究者与被研究者的关系上，反对定量研究的价值中立原则，主张研究者应当积极与被研究者交往，并认为这是研究不可缺少的部分 * * 1.4.4 必要的张力 信息分析需要科学（S）+艺术（A）的双重素质 S代表进行信息分析的“硬功夫”，包括良好的显性知识、收敛性思维和定量方法 A代表进行信息分析的“软功夫”，包括良好的隐性知识、发散性思维和定性方法 “软功夫”在信息分析中的作用至少体现在： 对信息分析问题的识别和方向判断 理论框架的形成 对方法、工具或模型的选择 需要背景知识和经验才能理解、解释所得到的数据或结论 研究过程中的团队合作 * * 相关链接1-2：罗兰贝格的行为规范 相关链接1-3：麦肯锡公司的用人之道 1.5.1 大数据的内涵 * * 1.5 大数据背景下的信息分析 1.5.2 大数据的内容框架 数据来源 科学研究产生的数据、web数据、企业应用中包含的数据、感知数据 基础设施 提供大数据分布存储和并行计算的硬件基础设施和平台: 基于普通商用服务器的集群、结合其他类型的并行计算设施一起工作、云计算平台 系统软件 分布式文件系统与数据查询管理系统，采用NoSQL的非关系型的数据管理查询模式 大数据并行计算模式和系统，目前主流的是Hadoop MapReduce技术 * * 分析方法 Paluo Goes教授认为大数据分析可包括可视化分析、探索性分析、解释性分析、预测性分析以及规范性分析几方面，常用的分析方法有聚类、社会网络分析、关联规则挖掘、统计学方法、计量经济学方法、机器学习等 江信昱等对大数据的方法进行了分类梳理，包括面向统计、面向挖掘、面向发现、面向预测和面向集成五个方面 并行化算法 已有机器学习和数据挖掘算法需并行化设计和改造 创新应用 * * 1.5.3 大数据对信息分析的影响 研究范式的演进 范式（paradigm）是一种对本体论、认识论和方法论的基本承诺，是科学家集团所共同接受的一组假说、理论、准则和方法的总和 美国计算机科学家吉姆·格雷认为，科学研究的范式经历了科学实验、模型归纳和模拟仿真的阶段，进入了第四范式，即数据密集型科学范式 数据密集型科学的研究对象是科学数据，将理论、实验和计算机仿真统一起来，数据由仪器收集或仿真计算产生，利用软件处理，依靠计算机存储，并利用数据管理和统计工具分析数据。数据密集型科学由三个基本活动组成：采集、管理和分析 作为典型的信息密集型研究活动，信息分析在大数据的背景下必将按照数