信息生态视域下大学生数据可视化素养评价研究

侯雪林　应峻　宋士杰

关键词：数据可视化素养；评价指标；大学生；数字素养；信息素养；信息生态理论

DOI：10.3969/j.issn.1008-0821.2023.07.011

[中图分类号]G254 [文献标识码]A [文章编号]1008-0821（2023）07-0109-13

我国正加快向数字强国迈进，这一进程的推进离不开全民数字素养和技能的提升。与此同时，数据可视化应用日益普及，从而对公众的数据可视化感知和应用能力即数据可视化素养也提出了更高的要求。作为数字素养的一部分，数据可视化素养被认为与数字素养、文本素养同等重要，因此，在提升全民数字素养的热潮中，有必要将数据可视化素养作为单独议题进行研究，以应对大数据时代视觉文化的兴起。图书馆作为培养信息素养的主阵地，如何抓住全民数字素养与技能提升的重要契机开展数据可视化素养培育，值得深入思考。

大学生是国家未来发展的主力军，他们的数据可视化素养不仅与我国数字素养培育成效息息相关，而且还会影响国家高端数字人才储备以及数字经济发展，因此，大学生的数据可视化素养培育问题应优先被提上日程。构建数据可视化素养评价指标和评价模型，可为测量大学生数据可视化素养水平提供评价标准和量化评测工具，实现“以评促建”“以评促用”“以评促强”，因此，本文将重点探讨大学生的数据可视化素养评价问题。

作为新兴的研究领域，目前数据可视化素养的理论研究和实践探索均处于起步阶段，缺乏易于操作且可靠成熟的评价工具。国内外学者主要在概念解析的基础上，借助心理学、教育学等理论形成可视化素养评估工具，然后采用问卷调查、訪谈、实验等方法评估非专家群体对特定测试任务的反馈情况，以了解他们的数据可视化理解能力。例如，Boy J等基于IRT理论（项目反应理论）提出了一组测试项目（如寻找最大值等）用于评估个人的可视化素养水平。在此基础上，Lee S等采用心理学和教育学方法开发了可视化素养评估工具（ VLAT），共涉及12种不同类型的数据可视化作品，包含8个可视化任务，53个测试项目。目前该工具还被用于特定可视化素养（如Treemap Literacy）的评估。与此同时，部分学者还基于不同实践场景（如教学、参观等）研究了用户对数据可视化呈现的了解及认知程度。大学生群体的数据可视化素养虽然受到部分学者的关注，但尚未开发出完善的评价工具，仍需构建系统全面、简单易用的大学生数据可视化素养评价指标及评价模型。例如，Maltese A V等仅从认知角度研究了STEM领域的大学生新手和专家群体如何阅读并解释可视化呈现。吴晓伟等虽然基于KSAO模型提出数据可视化素养评价框架，并面向大学新生设计数据可视化素养评价量表，但评价维度仅涉及数据可视化知识、技能、通用能力、其他特质四大方面，测量内容有限。综上可知，已有成果为开展大学生数据可视化素养评价研究提供了有益参考，但在评价维度的全面性、工具的实操性及易用性等方面仍值得进一步探索。具体而言：①在评价内容方面，已有研究主要为面向特定任务的绩效评价，涉及的可视化形式单一，任务类型及评价维度有限，且未区分不同维度指标的重要性；②在评价维度方面，学者主要从消费者视角评价了个体的数据可视化阅读、理解等低层次能力水平，较少关注数据可视化应用、创造等高层次能力要求；③已有研究对评价主体将概念维度转化为量化指标的能力提出了较高的要求，一定程度上影响了数据可视化素养评价工具的推广应用。基于此，本文将在已有研究的基础上，进一步探讨适合我国的大学生数据可视化素养评价工具。

数据可视化作为人机数据交互的手段，数据可视化素养与人、信息环境、信息技术等多种要素息息相关。因此，大学生数据可视化素养也是多个要素综合作用的结果，有必要将其置于数智社会中整体测量。信息生态理论以信息生态系统为对象，可全面反映信息人与其他要素之间的相互联系、相互影响，从而较好地揭示数据可视化素养的内涵及外延。因此，本文将借助信息生态视角，从信息人、信息、信息环境、信息技术协同发展的角度，构建大学生数据可视化素养评价指标和评价模型，并通过实证研究探讨影响大学生数据可视化素养的内外部因素，以期形成稳定、平衡的数据可视化素养信息生态系统，促进大学生数据可视化素养提升。研究结果不仅丰富了数据可视化素养的理论研究，而且为考察大学生数据可视化素养现状提供了理论指导和实践指南，有助于推动和创新数据可视化素养培育工作。

1信息生态视角下大学生数据可视化素养概念

信息生态理论（Information Ecology）最早可追溯至20世纪60年代，经过不断发展，目前该理论已在经济、政务、图书情报等多领域得以广泛应用。信息生态理论借鉴自然生态概念，以信息生态系统为研究对象，通过分析并调节系统内各要素的相关作用，以实现信息资源的合理利用。按照不同的视角和标准，信息生态理论构成有“二要素”“三要素”“四要素”3种观点。由于“四要素”的构成划分更为细致，因此，本文借鉴该观点将信息生态系统划分为信息人、信息、信息技术、信息环境4个要素。信息人是系统的核心要素，根据角色不同可细分为信息生产者、信息传递者、信息消费者等。信息是信息生态系统的关键要素，可与系统中的其他因素相互作用，信息能否得以合理配置会直接影响该系统的生态平衡。信息技术是保障系统正常运行的重要条件，会随着社会发展不断更新。信息环境指与人类信息活动密切相关的政治、经济、文化等外部环境要素，以及时间、空间、制度等内部环境要素。具体至信息系统领域，信息生态理论常被应用于系统设计、信息服务、信息传播等方面的优化研究。围绕素养评估与提升，学者从信息生态视角解析了素养概念的内涵及外延，将微观层面的素养概念与宏观信息环境建立有机联系。基于此，张长亮等借助信息生态视角，以信息人为评价主体，从信息、信息技术和信息环境3个维度构建了新媒体信息素养评价指标。代磊等基于该理论提出了大学生信息素养测度指标，包括信息生产素养、信息传递素养、信息消费素养、信息分解素养4个方面。马腾等引入信息生态视角构建了大学生数据素养评价指标体系。

综上所述，信息生态理论从生态系统角度研究了人类意识、活动、环境等多种要素的相互作用及相互影响，有助于宏观地考察和分析大学生的数据可视化素养，因此，本文将引入信息生态视角来构建大学生数据可视化素养评价指标体系。

数据可视化素养（Data Visualization Literacy）萌芽于视觉素养（Visual Literacy），承传于可视化素养（Visualization Literacy），发展于大数据时代和读图时代，被认为是信息素养、数字素养、数据素养的延伸与发展。虽然学界尚未对数据可视化素养的概念及框架内容形成共识，但已有研究成果相互补充不断推动着数据可视化素养的理论研究。学者从生产者和消费者双重视角提出了数据可视化素养涵盖的能力素质，包括对数据可视化进行阅读、理解、解释、提炼的消费能力，和创建、建构数据可视化呈现的生产能力等。正如素养概念的开放性和发展性，数据可视化素养的内涵也在不断丰富。Solen M提出可视化素养不应局限于解释与建构两个能力诉求，还应涉及可信性、参与度等战略意识层面的内容。由于理解和应用数据可视化是一项复杂的多层次活动，因此，数据可视化素养也应是一个动态、多维的能力集合，不仅要求个体具备数据可视化意识，遵守相关伦理规范，而且应了解基础知识，掌握数据可视化生产及消费技能等，属于综合素质能力范畴。

随着数字技术和可视化技术的广泛应用，当代大学生需具备良好的数据可视化素养，以应对视觉时代和后真相时代的可视化陷阱、数据迷失等问题。具体而言，身处信息生态系统中的大学生应具备敏锐的数据可视化意识，能够将数据可视化活动融入学习、生活、创新等实际应用场景；了解数据可视化伦理规范，树立正确的价值观，能够合理合法获取数据并进行数据可视化传播与交流；掌握数据可视化基础知识，熟悉数据可视化工具的操作技能，能够创造、分享、应用数据可视化成果；善于挖掘和利用不同来源的可视化资源与服务，能够基于社会生活环境不断提升自身的数据可视化素养水平。

2信息生态视角下大学生数据可视化素养评价指标选取

数据可视化素养信息生态系统由信息人、信息、信息技术和信息环境构成，这些要素相互依存、相互影响。信息人作为生态系统的核心要素和行动主体，一方面能动地适应和改造其他要素，另一方面也受到其他要素的规范和约束。具体来说，信息既是数据可视化实践的客体，也是影响数据可视化活动质量的基础性要素：信息技术可为数据可视化活动提供技术支撑和实践平台，但缺乏信息技术能力则会影响数据可视化实践的成效；信息环境在为数据可视化活动提供外在保障的同时，也会引发内部因素变化，进而影响数据可视化实践的效率。本文借鉴信息生态视角，从信息人与信息、信息技术、信息环境和谐发展的角度，以信息人即大学生作为评价主体，基于信息人—信息要素、信息人—信息技术、信息人—信息环境间的关联，通过测量大学生在信息、信息技术、信息环境3个维度上的认知水平和实践能力形成数据可视化素养评价维度，如图1所示。基于三大维度，立足我国高校实际情况，遵循“目的性、系统性、可操作性”原则，通过梳理数据可视化素养的相关文献，构建大学生数据可视化素养评价指标，如表1所示。其中，一级指标是对数据可视化素养在信息、信息技术和信息环境维度上的具体划分和阐释，二级指标是对一级指标的纵向延伸和细化。

2.1信息维度

信息是由信息内容和信息载体构成的实体，数据可视化作为信息的表达形态和内容来源，对应生态系统中的信息要素，因此，信息维度主要评价大学生对数据可视化的感知和认知程度，具体可从数据可视化意识、数据可视化知识、数据可视化伦理道德3个方面衡量。其中，数据可视化意识隶属于认知范畴，它是驱动个体进行数据可视化实践的先决条件，直接影响到需求判定和数据获取的自觉程度，以及将数据映射成可视化呈现的丰富程度。不同层次的群体（如：新手和专家）对数据可视化的认知程度存在差异。按照意识内容不同，可将数据可视化意识划分为数据可视化价值意识、应用意识、评价意识和安全意识。它要求大学生具备良好的数据敏感度，能够洞察和判断数据价值，并认识到数据可视化的重要性、适用性及局限性；具備较强的实际应用意识，能够实现具体问题与数据可视化任务之间的自由转换；具备批判性阅读、理解、评价及利用数据可视化的意识；具备良好的安全意识，能够通过数据加密等多种方式确保数据呈现正确可靠。

数据可视化知识主要测量信息人对数据可视化的了解程度，只有具备扎实的知识积累，才能高效地阅读和创作数据可视化作品。这不仅要求大学生应具备基本的数据知识，能够辨析和处理不同类型及形式的数据，而且应掌握可视化方面的知识，可以根据任务场景恰当地选择并运用图形符号、图形变量等。两方面知识缺一不可，它们的融通联动是进行数据可视化活动的基础。

伦理道德是数据可视化素养培育的方向标，它贯穿数据可视化活动生命周期，要求大学生必须遵守数据可视化相关法律法规及伦理规范，尊重他人数据成果，不侵犯他人数据隐私，确保数据安全及数据可视化呈现真实可靠，努力营造一个健康文明的数据环境。

2.2信息技术维度

人类的数据可视化活动离不开信息技术的支撑，他们对信息技术的掌握程度会影响数据可视化实践的效果。基于信息人与信息技术的依存关系，信息技术维度着重考察身为数字产品消费者或生产者的大学生掌握和运用数据可视化技术与工具的能力，这是数智时代大学生生存生活的基本素养要求。根据数据可视化的活动流程，可将信息技术维度划分为数据获取与分析、可视化呈现与交互、可视化理解及利用3个环节。数据获取与分析环节强调大学生能够在需求分析的基础上，使用计算机、互联网等数字平台及工具检索、获取、处理、分析数据，它是数据可视化素养的先导性、基础性能力要求。具体而言，数据获取与分析能力包括3个层次的内容：①需求表达与转换能力是数据可视化活动的出发点，它要求大学生善于运用数字化手段解决学习和生活中的实际问题，并将其转换为数据可视化任务；②数据获取环节要求具备数据检索能力和数据获取能力。良好的数据可视化素养要求大学生熟悉搜索引擎、数据库等不同数据源的收录范围及检索方法，可运用检索技巧快速准确地从海量资源中获取所需数据。当二手数据无法满足需求时，能够借助问卷调查等方式获取一手数据；③数据处理与分析能力，强调个体对数据的过程化操作及洞察分析能力，对后续实践活动有重要影响。这要求大学生要熟悉常用的数据分析工具及方法，能够针对不同类型的数据进行规范化处理、多角度分析、全面解读，并适时调整分析策略。

可视化呈现与交互是将“复杂”数据映射为“简洁”可视化展示的关键步骤，体现出数据可视化素养的社会交流特性。该环节要求大学生能够基于数据分析结果，选择合适的图形符号、交互方式进行数据可视化的表达和交流分享，不仅要保证数据的准确传达，还要注重可视化呈现的直观与美观。大数据时代，数字技术重塑了青年人的学习和生活方式，大学生应善于利用数字工具表达自己的想法与成果，因此，可视化呈现与交互应纳入大学生数据可视化素养指标体系。

可视化阅读及利用旨在从消费者视角衡量大学生能否准确、完整、有效地获取数据，洞察数据动态变化及因果关系，实现对数据的活学活用和创新发展。按照参与程度不同，可视化阅读及利用可分为以下3个层次：能够阅读、理解并提炼简要数据等；基于可视化呈现分析数据变化趋势，挖掘数据关系等；通过批判性思考和辨识将数据转化为信息、知识，并用于解决实际问题或支持决策的高层次能力。

2.3信息环境维度

数据可视化是复杂的社会活动，大学生在利用、改善信息环境的同时，信息环境也会制约大学生数据可视化活动的范围，影响数据可视化实践的效率和效益。鉴于此，信息环境维度主要测量大学生借助内外部环境（如学校、互联网等）理解和创造数据可视化的能力和效率，可从数据可视化基础设施、数据可视化服务两方面进行评价。数据可视化活动离不开计算机、工具软件、数据源等基础设施，因此，基础设施的可及性会影响大学生的数据可视化实践，进而影响大学生的数据可视化素养水平。此外，数据可视化服务作为提升大学生数据可视化素养水平的有效途径，他们能否根据专业学习需要明晰自身需求，并针对性地寻求帮助开展数据可视化学习，也会直接影响该群体的数据可视化素养水平。针对已有服务内容，大学生能否进行正确、客观的评价和反馈，不断提升高校及其他平台的数据可视化服务水平，在一定程度上也体现了他们的数据可视化素养。

3基于BP神经网络的大学生数据可视化素养评价模型构建

基于上述指标体系，本文借助BP神经网络构建了大学生数据可视化素养评价模型。BP（Back Propagation）神经网络是目前使用最广泛的神经网络模型之一，它是一种模拟人脑信息处理方式的非线性系统，具有结构简单、网络训练快、容错性高等特点，可减少传统评价中人为主观因素影响，从而为综合、动态及模糊评价工作提供科学依据。由于大学生数据可视化素养受到自身能力和外部环境等诸多要素影响，其评价工作也无法借助简单的线性运算完成，属于典型的非线性复杂问题。而BP神经网络仅需少量训练样本就能有效拟合非线性函数，可准确、客观地反映实际情况，因此，本文将采用BP神经网络来构建大学生数据可视化素养评价模型。

3.1 BP神经网络原理

20世纪80年代.Rumelhart D E和McClelland两位科学家首次提出BP神经网络算法。BP神经网络采用多层前馈神经网络结构，典型的BP神经网络结构由输入层、中间隐含层和输出层组成，拓扑结构如图2所示。它的学习过程包括信号的正向传播和误差的反向传播两部分。正向传播时，输入信号经隐含层处理向前传输至输出层，输出层收到刺激后返回最終结果。当最终结果和期望结果间的误差值未达到预期设定精度时，则转入误差的反向传播过程，误差沿着原路返回逐层修正神经网络中的权值和阈值，直至误差信号最小，从而完成学习过程。

3.2 BP神经网络模型训练步骤

构建BP神经网络需经过数据预处理、确定网络结构、设置参数等一系列操作，而MATLAB集成了人工神经网络工具箱，为BP神经网络应用提供了便利，因此，本文将借助MATLAB2022a构建BP神经网络，具体操作流程如下：

1）样本数据获取与处理。由于样本数据介于1～5之间，为提高BP神经网络的学习效率，加快收敛速度，本研究采用MATLAB自带函数Mapmin-max对样本数据进行归一化处理，将数据转换至[0，1]之间。

2）确定输入层、输出层、隐含层神经元数量。输入层和输出层神经元数量由输入值和输出值的特征数决定。隐含层神经元数量的确定尚未有统一规定，通常可采用经验公式、试凑法等选取均方误差精度最小时的隐含层节点数作为BP神经网络隐含层神经元个数。

3）设定训练函数和训练参数。在设置初始化权值和阈值的基础上，通过不断迭代调试设置合适的训练函数及训练参数。

4）训练BP神经网络。输入大学生数据可视化素养的训练数据，经过隐含层处理得到实际输出值。对比实际输出值和期望输出值，当两者间的误差满足设定误差要求时，训练结束；否则重复3）步骤，通过反复调整训练参数，直至实际输出值逐渐逼近期望输出值，误差达到设定要求，然后停止训练。

5）仿真模拟。将检验样本输入训练好的BP神经网络模型，检测该模型的准确性及有效性。

3.3 BP神经网络模型训练

1）数据获取。为了解大学生数据可视化素养水平，根据表1构建的评价指标体系设计调研问卷进行实证调研。调研问卷包括两部分，第一部分为大学生基本信息，包括性别、学历、专业，第二部分采用李克特5级量表考察大学生针对23个数据可视化素养指标的自评分数，指标下设“非常同意”“同意”“不确定”“不同意”“非常不同意”5个选项，依次对应1～5分。最后，调研对象需要对自身的数据可视化素养进行等级评估（差、中、好），对应赋分1、2、3，如表3所示。问卷调查于2022年7月—9月开展，排除作答时间过短、选项重复率过高等不合格问卷，剩余有效问卷共计91份。对问卷统计分析发现，如表2所示，调研对象对数据可视化有一定了解，且性别、学历、专业分布较为平衡，样本具有一定的代表性。

3） BP神经网络训练。将样本指标数据作为输入值，数据可视化素养自评结果作为输出值。借助MATLAB2022a读取并使用Mapminmax函数对数据进行归一化处理，然后按照8：2的比例将样本数据随机分为两组，系统取整后选取72份样本数据为训练集，18份样本数据为测试集。其中，训练集数据用于训练BP神经网络模型，通过不断调整训练参数，寻找输入值与输出值之间的非线性关系，从而确定最佳的网络模型；测试集旨在验证训练好的BP神经网络模型的泛化能力。依次代入隐含层神经元个数，并选用训练函数trainlm、traingdm和traingbr进行模型调试，对比后发现，选用trainbr函数时的训练误差最小。据此，本文设置隐含层传递函数为tansig函数，输出层传递函数为purelin函数，学习函数为默认的learngdm函数，训练函数采用贝叶斯归一化trainbr函数，初始阈值和权值为系统默认值，其余设置为缺省值。主要训练参数设置如下：

net.trainParam.epochs= 1000;%允许最大的迭代训练次数

net.trainParam.lr=0.01;%学习速率

net.trainParam.mc=0.9：%附加动量因子，避免局部最优和过拟合

net.trainParam. goal=0.001;%训练目标最小误差

4）仿真模拟。调用上述训练参数对72份样本数据训练神经网络模型，训练结果如图3所示（横坐标为训练次数，纵坐标为均方误差）。由于数据量较少，本文所构建的BP神经网络在运行迭代38次后即达到目标误差0. 001的要求停止训练，可用于仿真模拟。使用Sim函数对18份测试数据进行模拟仿真，将预测结果进行反归一化处理并据此划分分类等级，且与期望值对比计算误差率，以此检验所构建的BP神经网络模型的准确性。如图4所示，根据检验样本期望值与实际输出值对比图可知，检验样本的实际输出值与期望输出值误差较小，误差率小于6%，达到了理想预测精度。从图5可知，训练样本的期望输出值与实际输出值之间的相关系数为0. 98272，拟合度较高。数据说明，本文所构建的BP神经网络模型仿真效果较优，权值和阈值恰当，能够较好拟合数据可视化素养指标和数据可视化素养水平之间的复杂非线性关联，可用来准确预测大学生的数据可视化素养水平。

综上所述，利用BP神经网络构建大学生数据可视化素养评价模型具有较强的可行性和实用性，而且通过自主学习获得的权重和阈值可有效避免人为赋予指标权重时的主观性，提高了评价的客观性及准确性。

4大学生数据可视化素养评价模型应用

将91份数据可视化素养指标数据输入BP神经网络评价模型，得到大学生数据可视化素养等级，结果发现，超过一半（58%）的大学生数据可视化素养仅为中等水平，24%的处于较低水平，只有18%的大学生数据可视化素养水平较高。数据说明，大学生数据可视化素养仍有较大提升空间，亟需开展素养培育工作。

数据可视化素养并不是孤立存在的，从信息生态视角来看，大学生的数据可视化素养水平是信息人即大学生、信息、信息技术、信息环境等多要素综合作用形成的内在个性品质，体现了大学生对数据可视化资源及工具的驾驭能力，受其信息素质、信息技术能力以及信息环境利用程度等因素的影响。本文通过分析调研对象在信息、信息技术和信息环境维度上的指标得分，如表4所示，探讨影响大学生数据可视化素养水平的内外部因素。从表4可知，大学生作为数据可视化的生产者、消费者和传递者，他们的信息素质、信息技术能力和信息环境利用程度均有待提高.特别是信息技术及信息环境维度，其指标得分远低于信息维度指标。多维度能力的欠缺或不足一定程度上制约了大学生在数据可视化信息生态系统中的生态位宽度，降低了他们在数智时代的生存竞争能力。

信息技术能力是数据可视化素养的核心要素，大学生的信息技术能力越强，对数据可视化的应用创新和吸收利用效率就越高，反之则越低。对应数据可视化生命周期，信息技术能力主要包括数据获取与分析能力、可视化呈现与交互能力和可视化理解及利用能力。根据表4数据可知，大学生的信息技术能力最为薄弱，其中可视化生产与消费的核心技能即可视化呈现与交互能力（2.79）、可视化理解及利用能力（2.73）尤为不足，二级指标可视化交流能力得分仅为2.91。可视化呈现与交互是将数据映射为可视化呈现的必经环节，可视化理解及利用是数据可视化实践的终点，上述能力不足影响了大学生的数据传播效率和消化吸收效果，应引起高度重视。数据可视化是基于数据分析的可视化活动，数据收集与处理是数字化活动的前提和关键。研究发现，大学生的数据获取与分析能力并不强，得分仅为2.60，而二级指标数据分析能力、数据处理能力则低至2.75、2.71。大数据时代，数据成为新的引擎与动力，缺乏扎实的数据获取与分析技能会大大削弱大学生的数字创新能力。

信息环境要素是信息生态系统的外在支撑，数据可视化实践离不开时间、空间、资源、人员等条件保障。调研发现，大学生对时空资源等要素的占有情况与利用能力并不好，表现在数据可视化基础设施特别是硬件基础设施薄弱导致必备条件缺乏，以及因数据可视化服务体系不健全而引起的服务需求及评价意识淡薄。上述环境因素以不同强度综合作用于大学生，一定程度上削弱了他们进行数据可视化活动的意愿以及实践效果。

信息维度指标主要衡量大学生对数据可视化的敏感程度、知识储备水平以及伦理道德修养，它们会影响信息生态系统的稳定性及持续性。大学生的信息素质越高，数据可视化意识越敏锐，知识和经验积累越丰富，数据可视化判断及选择就会越容易，整个生态系统的流转效率也越高。分析调研数据发现，虽然大学生的数据可视化素养信息维度指标得分相对较高，但整体素质特别是数据可视化伦理道德（2.37）方面仍有较大提升空间。数据可视化伦理道德作为数据可视化活动的准则，大学生虽然具备了模糊的伦理道德观念，知晓合理获取和使用数据、确保数据可视化可靠的重要性，却缺乏一定的伦理知识储备（数据可视化伦理知识平均得分仅有2. 62），不利于大學生形成科学、系统的伦理道德观。数据可视化知识主要考核大学生对数据可视化原理、方法及原则等内容的掌握情况，它关乎大学生能否理解和认识数据流转的本质，是维持信息生态系统正常运转的基础要素，因此，大学生仍需加强数据及可视化知识的系统学习。相较信息维度的其他一级指标，大学生的数据可视化意识得分最高（2.26），但二级指标数据可视化应用意识、评价意识及安全意识得分却显著低于价值意识，这说明大学生已经意识到数据可视化的重要性，具备了一定的数据可视化素养基础，但在具体应用、评价及安全方面却有待加强。

5分析与讨论

数据可视化素养信息生态系统并非静止不动，而是处于持续演进状态，只有不断优化内部要素，才能增强信息生态系统功效，提升大学生数据可视化素养。本文立足于高校图书馆，基于信息生态视角下大学生与信息、信息技术以及信息环境因素的关系探讨，以功效导向为原则，通过构建信息生态系统的内部提升体制和外在保障机制提出大学生数据可视化素养培育重点。

5.1提升大学生信息素质

信息是联结信息生态系统各组成要素的纽带，信息的流转形成了信息生态系统的信息通道，保障了信息生态系统的稳定运行。为保障数据可视化素养信息生态系统的良性循环，大学生必须具备良好的信息素质，这不仅是理解数据科学的必备条件，也是衡量大学生数据可视化素养的首要方面，决定着行动实践的视野和高度。本文从信息维度考察了大学生的数据可视化意识、数据可视化知识、数据可视化伦理道德水平，结果发现，大学生的信息素质有待提高，特别是在数据可视化伦理道德方面。作为数据可视化活动的准绳，伦理道德是维护信息生态系统平衡的内在力量。随着数据时代信息自由程度越来越高，数据可视化行为自律显得尤为重要，而自律机制的建立离不开数据可视化伦理道德体系构建，以及信息人的伦理道德自律养成。为此，图书馆应注重数据可视化伦理道德教育，积极创设伦理道德意识的养成环境，帮助大学生补齐伦理知识短板，使他们在数据可视化实践中能够自我约束、自我保护、自我监督，从而维护整个系统的生态平衡。数据可视化知识是可视化实践创新的基础，大学生只有掌握数据可视化方面的基础知识，才能更好地进行数据可视化实践，推动生态系统进化，因此图书馆应注重专业知识教育，不断完善大学生知识结构，提升大学生在数智时代的适应能力。数据可视化意识作为先导性要素，图书馆应注重数据可视化应用意识、评价意识及安全意识方面的培养。大学生只有从思想层面认可数据可视化的价值，采用批判性眼光看待数据，理解数据安全、准确的重要性，才可以更好地运用可视化解决实际问题，提升数据可视化素养水平。简言之，图书馆应着重培养大学生的价值敏感性、道德想象力，帮助大学生完善专业知识体系，这是数据可视化素养培育的首要要求，也是保障信息生态系统稳定的根基。

5.2增强大学生信息技术能力

信息流转是信息生态系统正常运转的必备条件，它通过数据可视化的生产发布、传递流动及消化吸收环节实现，而这些都离不开信息技术的支持。作为信息生态系统的重要生态因子，大学生生产和消费数据可视化的技术应用能力不仅关系到他们对信息的整合及利用效率，甚至会影响整个生态系统的价值实现。数据调研发现，目前大学生的数据可视化信息技术能力最为欠缺，其中可视化呈现与交互能力最低，其次为可视化理解及利用能力、数据获取与分析能力。可视化呈现与交互作为将数据转化为可视化呈现的关键环节，该环节能力不足直接影响大学生对数据可视化成果的展示及扩散交流。此外，随着可视化技术的广泛应用，大学生在实际学习生活场景中经常充当“读者”角色，因此数据可视化理解及应用能力决定了大学生能否批判性地获取、利用数据，反映出他们的知识创新能力。然而研究发现，目前大学生的数据可视化理解及利用能力尚有较大提升空间，这在一定程度上影响了大学生对数据的有效利用。数据获取与分析作为数据运用的基础环节，大学生的数据获取与分析能力仍相对较弱，这不仅影响了后续的数据可视化实践活动，还制约了他们在数字环境下处理实际问题的能力。

图书馆作为数据可视化素养培育的主导机构，如何促使大学生成为优秀的数据采集者、生产者、传递者、利用者，是图书馆面临的核心问题。为此，图书馆应在摸清大学生需求及环境现状的基础上，制定系统性实施方案，通过开展内容丰富、形式多样的培育服务，增强与大学生的服务链接，改善数据可视化信息生态链结构及质量，以提升大学生数据可视化流转能力。在内容方面，图书馆要构建分层次分类别的数据可视化素养培育体系，既要围绕可视化全生命周期教授普适技能，也要面向不同专业、年级、层次的学生群体提供个性化培育内容；既要注重培养数据可视化意识，夯实专业知识积累，也要着力提升大学生对数字工具的使用水平，以及对数字技术的运用能力。在服务方式上，图书馆应开展线上线下一体化的数据可视化服务模式，除保留参考咨询等传统服务方式外，还应结合讲座、培训、工作坊以及专业课程等多种服务形式。

5.3营造良好的培育环境

在信息生态系统中，信息人与信息环境相互依存，相互作用。信息环境在为数据可视化活动提供信息资源及环境空间等要素的同时，大学生也通过学习等方式不断适应和改造周围环境，从而锻造了数据可视化素养。良好的信息环境是数据可视化素养实践的外在驱动力，而信息环境失衡则会制约大学生数据可视化素养发展。研究发现，数据可视化素养服务、数据可视化基础设施特别是硬件基础设施是影响大学生数据可视化素养的主要环境因素。数据可视化素养培育需要与实践紧密结合，因此，图书馆要不断完善数字化环境，加强数字化基础设施建设，积极引入虚拟现实与增强现实、大数据、云计算、人工智能等先进数字技术，建设多样化实践空间，配备可视化软硬件设施（如高端图形处理器等），为大学生实践探索与科技创新提供良好的环境保障，防止“木桶效应”引发的生态系统失衡。数据可视化服务作为提升数据可视化素养的有效手段，可增强大学生对信息生态环境的适应能力。为此，图书馆应努力打造一支高素质的服务队伍，以提升数据可视化服务水平。一方面要积极引入数据可视化馆员，加强对馆员专业技能、知识结构、服务能力等方面的培养和提升；另一方面应充分发挥自身优势，协同企业、院系等不同机构组建开放共享的服务共同体，以弥补高端專业人才短缺的困境。图书馆只有创造人人皆学、处处能学、时时可学的数字化学习环境，确保每个人能够及时找到适合自己的资源及服务，才能保障大学生能够从容应对数字社会变革。

大学生作为数据可视化生态系统的关键节点，其信息素质越高、信息技术能力越强、环境利用程度越高，就越善于整合及运用内外部资源进行数据可视化实践创新，从而提高整个信息生态系统的运转效率，提升自身的数据可视化素养水平。图书馆作为信息生态系统中的重要服务主体，应以提升信息生态系统功效为目标，密切关注信息人、信息、信息技术、信息环境的发展变化，通过不断优化信息生态系统结构要素，调动多元主体的参与积极性，保障数据可视化素养信息生态系统的正常运行。

6结语

大学生是数字经济的主要利用者和积极创造者，其数据可视化素养不仅关乎我国高端数字人才培养，甚至会影响数字经济的发展现状和未来前景，因此，数据可视化素养培育逐渐成为数智时代图书馆的新担当和新职能。数据可视化素养评价作为数据可视化素养培育的首要工作，可以量化大学生数据可视化素养培育的成效与不足，便于针对性、系统性制定实施方案，因此，高校特别是图书情报机构应重视大学生数据可视化素养评价工作。

本文以信息生态理论为视角，以“大学生”作为评价主体，从信息、信息技术和信息环境和谐发展、动态平衡的视角，通过梳理已有研究形成了基于信息生态理论的大学生数据可视化素养评价指标体系（包括8项一级指标和23项二级指标），并借助BP神经网络进行实证研究，构建了数据可视化素养评价模型，形成了从理论研究到实践探索的闭环。在理论层面，本研究将数据可视化素养评价纳入数智时代背景，基于信息生态系统内外部要素的关联互动，构建了大学生数据可视化素养评价指标。这不仅推动了数据可视化素养的评价研究，而且为数据可视化素养理论探索提供了新的思路。在实践应用层面，利用BP神经网络构建大学生数据可视化素养评价模型，不仅为图书馆等培育主体评测大学生数据可视化素养水平提供了可操作性的评价体系与评价方法，也为上级机构制定相关标准提供了政策依据，还为设计师等供应端主体开展效用分析、完善数据可视化设计指明了方向。

然而，本文主要借助社交媒体滚雪球方式向大学生发放问卷，研究对象的数量及覆盖范围有限，造成研究样本存在一定的局限性。在未来研究中，将进一步扩充研究样本，并针对不同类型群体开展分类评价研究，以进一步优化评价指标体系，增加评价方法的普适性。此外，还将尝试应用和对比不同的评价方式，以寻找更加科学和实用的数据可视化素养评价方法。