图书馆数字资源利用行为模型的构建与应用

谢宛珍,饶文星

(广西民族大学 图书馆, 广西 南宁 530000)

0 引言

随着数字化时代的到来,图书馆已经成为人们获取信息的重要渠道之一。数字资源作为图书馆服务的重要组成部分,对于提高图书馆的服务质量和效率具有重要意义。为了更好地满足读者的需求,图书馆需要了解读者的行为、喜好、需求以及利用数字资源的方式。因此,基于行为模型的数字资源利用研究,成了当前图书馆数字资源服务领域中一个重要的研究方向。本文旨在探讨基于行为模型的数字资源利用研究。文章开展了数字资源行为模型的构建方法和应用研究,期望有助于提高图书馆数字服务的质量和效率。

1 国内外研究现状及发展趋势

数字化时代,数字资源在图书馆中的作用越来越重要,对于提高图书馆的服务质量和效率具有重要意义。在数字化服务中,研究用户的行为和需求是提升数字服务质量和竞争力的必要手段。因此,构建数字资源利用行为模型,深入了解用户行为特征和需求,探索数字资源利用行为的规律及其在数字化服务中的应用,成为当前图书馆数字服务领域中的一个热门研究方向。

图书馆数字资源利用是指读者在图书馆使用数字化资源进行学习、研究和娱乐等活动的过程。数字资源主要包括电子书、数字报刊、数据库、音频、视频等,这些资源主要通过互联网进行传输和交流。与传统的纸质资源相比,图书馆数字资源利用具有几个明显的特征。首先,数字资源具有大量存储空间,可以通过网络实现无限制的存储和传递,而纸质资源则需要占用大量的实物空间,并且容易损坏和遗失;其次,数字资源易于获取,读者可以通过网络随时随地访问和下载数字资源,避免了传统纸质文献在时间、地点和数量方面受限的局限性;另外,数字资源具有高度互动性,数字化服务提供了更广泛的信息反馈渠道,读者可以通过网络交流、评论、分享,加强学术交流和合作;最后,数字资源能够实现个性化服务,其可测量性和个性化分析手段,使得图书馆能够更精准地为读者提供个性化服务,例如:基于读者行为模式推进的数字资源推荐等。

随着个性化服务的兴起,数字资源利用的行为模型研究已成为提高数字化服务质量和水平的关键。近年来,国内外学者在这方面开展了广泛研究,并提出了多种数字资源利用行为模型,主要从心理学、社会学、信息科学等角度入手,探索数字资源利用行为与人类行为心理的关系。国内学者则侧重于数字资源利用行为模型的构建和应用,以此为基础,通过数据挖掘、机器学习等方法,深入挖掘用户行为特征和需求,提供个性化的数字化服务。目前,该研究领域依然存在诸多问题有待解决,如缺少特定领域或主题的数字资源、电子书格式不兼容或阅读体验不佳、搜索结果不准确或信息不完整、用户对数字资源的不了解或不熟悉、阅读习惯和技巧欠缺、信息安全意识不足、数字资源服务质量评估缺乏科学性和客观性、数字资源的版权保护不力以及数字资源访问和使用的合规性存在争议等。因此,图书馆在数字资源利用行为模型的应用中,需制定具体措施和执行策略,提高数字资源服务的效能和价值。

2 数字资源利用行为模型的构建原理与方法

数字资源利用行为模型的构建是一项复杂的工作,需要考虑多种因素,包括用户画像、访问路径、个人兴趣等,基本原理和构建方法主要有5个方面。

在数据收集方面,数字资源利用行为模型的构建需要依赖大量、真实、全面、准确的数据,因此需要通过网络技术和人工手段收集数据。常用的数据来源包括日志记录、用户调研、问卷调查等。

在数据预处理方面,在进行数据分析前,图书馆需要对数据进行预处理,包括数据清洗、去噪、补全等。这些操作的目的在于提高数据的准确性和完整性,并且为后续的数据分析做好准备。

在特征工程方面,特征工程是数字资源利用行为模型构建的重要环节。图书馆通过采用机器学习、数据挖掘等方法,从大量的数据中挖掘出有用的特征。这些特征可以包括用户画像信息、访问频率、访问路径、访问时长、搜索关键词等。

在建立模型方面,图书馆根据数据和特征,建立数字资源利用行为模型。目前,常用的模型包括协同过滤模型、基于内容的推荐模型、深度学习模型等。不同类型的模型需要选择不同的算法和技术。

在模型评估方面,模型建立后,图书馆还需要对模型进行评估,包括精确度、召回率、F1值等评价指标。通过评估,可以更好地判断模型的优劣,并且对模型进行进一步的调整和改进。

在应用推广方面,数字资源利用行为模型构建后,图书馆可应用于数字化服务领域,进行个性化服务和数字化资源推荐,同时,还可以为数字化服务提供更多的数据支持和决策参考。

3 应用场景及效果评价指标

3.1 图书馆数字资源利用行为模型的应用场景

首先是数字化服务推荐应用场景。数字化服务推荐是指通过对用户的历史行为、兴趣和偏好等进行分析和挖掘,为用户推荐其可能感兴趣的数字化服务。数字化服务推荐基于机器学习、数据挖掘等技术,在传统图书馆服务的基础上,为读者提供更加个性化和多元化的数字资源服务。数字化服务推荐包括以下几个方面。推荐算法选择:常用的推荐算法主要有基于内容的推荐算法、协同过滤算法、混合推荐算法等。针对不同的业务场景和应用需求,选择适合的推荐算法;数据处理:数字化服务推荐需要处理海量的数据,包括用户历史行为、服务数据、内容信息等。图书馆需要采用数据清洗、去重、标注和转换等技术,处理出可用于推荐算法的数据集;特征提取:图书馆通过对数据的深度挖掘和分析,提取出用户、服务和内容的关键特征,用于推荐算法的训练和优化;模型训练和优化:图书馆根据不同的推荐算法,使用大量的数据进行模型训练和优化,从而预测用户的兴趣关注点,使得推荐服务更加符合用户需要;推荐服务实现:图书馆根据模型训练结果,实现数字化推荐服务,为用户提供个性化、多元化、高效率的数字化资源推荐服务。推荐服务可在网站、App、微信公众号等各种数字化服务平台上进行。

其次是个性化服务应用场景。个性化服务是将基于数字资源利用行为模型的用户画像与实际操作进行比对,实现进一步的服务个性化和用户需求识别,并为用户提供更加精准的数字化服务。在图书馆数字化服务中,个性化服务主要包括以下几个方面。个性化资源推荐:图书馆基于用户历史行为、阅读偏好等信息,为用户推荐个性化、有针对性的图书馆数字化资源,如电子书、电子期刊、数据库等;个性化服务指导:图书馆为用户提供更贴心、更有针对性的服务指导,例如为新注册用户提供引导教程、针对用户反馈提供问题解答等;个性化服务定制:图书馆为部分特殊用户或群体提供个性化定制服务,例如为需要特殊辅助阅读功能的用户提供相应服务,为残疾人提供无障碍服务等;个性化服务评估:图书馆为用户提供个性化服务评估,以便更好地了解用户需求和服务效果,并加以改进提高。总之,个性化服务的实现基于用户画像和行为特征,采用机器学习、数据挖掘等技术,通过对用户数据的挖掘和分析,提取出每个用户的偏好和需求信息。在实现个性化服务的过程中,需要考虑用户隐私保护和数据安全管理等问题。

另外是数据决策应用场景。图书馆数字资源利用行为模型的构建和应用需要采用数据决策来支持。图书馆作为一个大规模的信息服务机构,所拥有的数字资源数据量庞大、类型多样,需要通过数据决策来进行更加高效的资源管理和服务,从而对数字资源利用行为的各个方面进行分析和挖掘,其应用主要包括以下几个方面。资源配置决策:图书馆根据数字资源的使用情况和用户需求,进行资源的调整和配置,以满足用户需要和提高资源利用效率;服务质量评估:研究人员通过数据分析和挖掘,对数字资源的使用情况和用户评价进行监测和评估,以进一步提高数字资源服务的质量和用户满意度;决策支持系统建设:研究者根据数字资源利用行为的分析结果,建立决策支持系统,为图书馆的战略规划、管理决策等提供数据支持和参考;资源采购和投入决策:图书馆通过对数字资源利用行为进行数据分析和预测,为数字资源的采购和投入提供科学的依据和预测,以实现资金的最优分配和资源利用的最大化效益。

3.2 效果评价指标

图书馆对于数字资源利用行为模型的效果进行评价,主要指标有4个。准确率:模型预测结果的准确程度,即模型预测结果与实际操作结果之间的误差;召回率:模型能够准确预测到的操作数量,即模型预测的结果中与实际操作相符的数量;F1值:综合考虑模型的准确率和召回率,得出综合指标F1值,反映模型整体的准确性和预测能力;个性化服务质量评价指标:包括用户满意度、用户忠诚度等,衡量个性化服务的实际效果。

总之,对于图书馆数字资源利用行为模型的应用,需要选择合适的应用场景,建立合理的效果评价指标,对模型的性能和效果进行评估。这些指标不仅可以反映该模型的优劣,还可以为数字资源的推荐、个性化服务等提供精准支持和方向参考。

4 数字资源利用行为模型实证研究

4.1 实验设计与数据采集方法

数字资源利用行为模型的实证研究需要通过实验设计和数据采集方法来进行支持。实验设计是整个研究的基础,其目的是制定科学合理的实验方案、确定可靠有效的数据采集方法,从而保证实证结果的可信度。实验设计通常采用随机对照实验设计。该设计将实验对象随机分配到两个组中,一个是实验组,另一个是对照组。实验过程中对照组和实验组同时进行,不同的是实验组会接受一种特定的干预或处理,通过比较两组的数据,可以得出干预或处理对实验结果的影响。

在实验数据采集方面,根据实验需要,研究人员可选用不同的数据采集方法,如问卷调查、访谈、观察、实验测量等,例如通过问卷调查了解用户使用数字资源的行为、心理、态度等方面的信息。此外,对于数据采集,研究人员可采用多种方法。常用的方法是记录和分析用户使用数字资源的行为数据,例如:图书馆对用户在数字图书馆中的检索数据、浏览数据、下载数据等进行记录和分析,以了解用户对于不同类型数字资源的需求和偏好,进而优化数字资源的服务。同时,图书馆也可采用观察法,通过对用户在数字图书馆内的实际使用行为进行观察,并记录相关数据,例如:用户检索的搜索词、点击的链接、访问时长等,从中挖掘出用户行为的规律与特点。

4.2 数据分析过程和结果呈现

数字资源利用行为模型实证研究的数据分析过程主要包括数据清洗、数据探索、建模和验证等环节。在数据清洗阶段,图书馆需要对采集到的数据进行初步处理,如去除重复数据、缺失值填充、异常值筛除等操作,以确保后续数据分析的准确性和可靠性。在数据探索分析阶段,图书馆可使用多种技术和工具,如Python的Pandas、Numpy、Matplotlib等,来对数据进行可视化分析和统计分析,找出数字资源利用行为的规律和趋势,确定特定变量对用户行为的影响程度。随后,根据数据探索结果,研究者运用统计学和机器学习算法来构建数字资源利用行为模型,进行预测和分析。例如:图书馆可基于已有数据建立回归模型或分类模型,预测用户在特定时间、地点或社会群体中的数字资源需求,为数字资源服务的优化和管理提供参考依据。此外,还可通过因素分析、聚类分析等技术手段寻找数据变量之间的关联性,探究数字资源利用行为背后的深层次原因。此外,图书馆需要对构建的模型进行评估和验证。模型的预测能力和准确性可以使用交叉验证等方法来检验。例如:图书馆可将数据分为训练集和测试集,通过训练集得到模型,再利用测试集进行验证和评估。在结果呈现方面,研究者可采用表格、图表、报告等多种方式,直观地展示数字资源利用行为的特点和规律。

4.3 分析结果的解释和讨论

在数字资源利用行为模型实证研究中,研究者通常会针对数据进行分析,探索数字资源利用行为规律和趋势,并从中提取有价值的信息,以便优化数字资源服务。在分析结果的解释和讨论方面,研究者可根据具体研究内容和目的,选择相应的方法和手段,对结果进行深入分析和探讨。例如:基于用户需求的高校图书馆数字资源服务质量评价研究中,研究者通过对高校图书馆数字资源服务的用户需求进行调查研究,得出了资源类型、资源质量、资源方便性、服务态度等重要的评价指标,可结合这些指标,深入探讨用户对数字资源服务的需求特点和偏好,并提出相应的服务优化建议。另外,研究者还可通过收集和分析数据,比较分析结果和预期结果之间的差距,来说明研究结果的重要性和意义,并进一步讨论一些可能的实践应用或未来的研究方向。总之,数字资源利用行为模型实证研究中的分析结果的解释和讨论,研究者应根据具体研究内容和目的,选择合适的方法和手段,对结果进行深入分析和探讨,以便更好地发现问题、提出建议和推动研究进展。

5 图书馆数字资源利用行为模型的应用

5.1 数字资源推荐系统的建构

数字资源推荐系统可根据用户的历史利用行为和偏好,为其推荐相关的数字资源,从而提升数字资源的使用率和效果[1]。其建构一般可以分为数据收集、预处理、模型建立和推荐结果生成等环节。

首先,图书馆需要收集和整理用户的历史利用数据,探索数字资源利用行为的规律和趋势。其次,图书馆要进行数据预处理,如去除重复数据、缺失值填充、异常值筛选等操作,确保后续数据分析和推荐的准确性和可靠性。接着,图书馆根据用户历史利用数据和个人信息,建立数字资源利用行为模型,探索数字资源利用行为的规律和特点,并基于已有的数据建立推荐模型或分类模型,预测用户未来可能感兴趣的数字资源。最后,在推荐结果生成环节,图书馆将模型预测出来的数字资源推荐给用户。数字资源推荐系统可采用不同的推荐方式,如个性化推荐、热门推荐、相似资源推荐等。

5.2 图书馆数字化服务的改进

数字化服务的改进,图书馆可根据用户的需求和反馈,优化服务的内容、形式和效果,从而提高用户的满意度和利用率,具体的改进方向和方法需要结合具体的数字化服务和用户需求。例如:江西省图书馆在探索智慧图书馆建设的进程中,就充分利用现代信息技术,推出了一批数字化、智能化的公共数字创新服务[2]。为了更好地了解用户需求和借阅行为,该图书馆建立了一个基于数据挖掘和机器学习算法的大数据平台,从而实现对用户信息和数字资源利用行为的可视化和深度分析[3]。为了提高数字化服务的便捷性和效率,该图书馆还引入了RFID技术和智能物联网技术,推出了一项“无感借还”智慧流通服务,使用户可以通过自助借还机完成图书的借阅和归还,从而节省时间和精力[4]。此外,为了更好地呈现数字化服务的内容和形式,该图书馆还建立了一个基于屏幕和投影技术的服务数据智慧墙,可以展示图书、期刊、数据库等数字资源的主题、特色和利用方法,从而提高用户数字资源利用的效果。为了提高数字化服务的个性化和针对性,该馆引入了智能书架技术,推出了一项面向读者的个性化推荐服务,可以根据用户的个人信息和历史利用行为,为其推荐相应的数字资源,并通过用户反馈不断优化服务内容和效果。该馆为图书馆数字化服务的改进提供了一个很好的范例。

5.3 个性化数字阅读用户画像的构建

个性化数字阅读用户画像可以根据用户的历史阅读行为、个人偏好及反馈等信息,量身打造适合的数字阅读推荐服务,从而提升图书馆数字资源利用效果和体验[5]。数字阅读用户画像主要包括以下几个方面。用户基本信息主要包括性别、年龄、职业等;历史阅读行为是通过对用户历史阅读行为的分析,了解用户的阅读喜好;兴趣偏好方面是从用户借阅记录、关注标签、收藏书单等了解用户的兴趣偏好和阅读需求;阅读习惯方面则根据用户的阅读时间、频率等,了解其阅读习惯和特点。

基于个性化数字阅读用户画像,图书馆可以为每个用户提供更加个性化的数字阅读服务。例如:根据用户的兴趣偏好,提供相关领域的优质资源推荐;根据用户的阅读习惯,提供定制化的阅读建议和习惯养成服务;根据用户个人信息和历史数据,提供精准的阅读推荐和定制化的数字阅读体验等。

5.4 其他应用

此外,图书馆数字资源利用行为模型还有多种应用途径。例如:图书馆可以开展数字资源服务质量评估,基于用户对数字资源的评价、满意度等反馈信息。图书馆可以建立数字资源服务质量评估模型,并对数字资源服务的质量进行定量或定性评估,从而优化数字资源服务的质量和效果。图书馆可以将其用于活动策划和推广。图书馆通过对用户的借阅记录、搜索记录等数据进行分析,了解用户的阅读兴趣和需求,进而制定更加精准有效的图书馆活动策划和推广方案,促进数字资源服务的普及和推广[6]。图书馆可以进行数字资源版权管理,通过图书馆数字资源利用行为模型,对数字资源的版权利用进行管理和控制,保护数字资源的合法使用和传播。

总之,图书馆数字资源利用行为模型的应用范围广泛,可以在数字资源推荐、个性化数字阅读用户画像构建、数字资源服务质量评估、图书馆活动策划和推广、数字资源版权管理等多个方面发挥作用,实现数字资源利用的最大化效果和效益。

6 结语

图书馆数字资源利用行为模型的构建和应用能更好满足读者的需求,提高服务质量和效率。今后,图书馆可通过加强数字资源采购和更新、提供优质的数字阅读工具和平台、利用数据挖掘和机器学习技术、加强数字素养培训和教育等方式完善数字资源服务。同时,图书馆还可通过数字化元素的应用,如图表、动态模拟等,提高数字资源服务的可视化效果和吸引力,增强用户的使用体验。此外,图书馆也可以进一步推动学术交流和合作,积极与其他相关机构合作,共同发展数字资源服务,提供更加优质的数字资源服务。