茶卡小镇
穿越信息的觅食者之‘揭秘’
抽样阅读《转折点：创造性的本质》之一
- 作者生平
陈超美（外籍科学家）
陈超美(Chaomei Chen)，男，1960年9月生于中国北京，英国籍，是美国德雷塞尔大学 (Drexel University, Philadelphia, PA, USA) 信息科学与技术学院教授(终身教职)，大连理工大学长江学者讲座教授，Drexel– DLUT知识可视化与科学发现联合研究所美方所长。他的研究方向为信息可视化，知识可视化，科学前沿图谱，科学发现理论。
-
主要著述及观点
《CiteSpace：科技文本挖掘及可视化》一书全面细致地对当前使用广泛的科学文献可视化软件CiteSpace进行了系统性介绍。主要内容包含了四个大的模块，分别为软件简介和数据准备、软件界面功能及原理、软件功能模块详解和案例以及翔实的参考资料。能够使科学知识图谱爱好者在最短的时间内高效地认识、理解以及使用CiteSpace生成的科学图谱，有效地指导学习和科研实践。 -
人文品位＆科学素养
。。。。。(占位符，文献检索后补综述) -
观点验证与证据检索
。。。。。(占位符，文献检索后补综述) -
抽样阅读第四章【觅食】
可视化分析的信息理论视角
《纽约客》上曾发表过一篇有趣的文章，作者格拉德威尔（Gladwell）利用安然公司破产的故事将“谜”和“秘”进行了区分。他说，“解谜”需要的是准确而具体的信息，而“揭秘”需要的是提出正确的问题。
本书将抽样阅读五六七章，但五章上面这段话是我邂逅的第一次心跳。
开宗明义，信息分析的两个核心一语中的：信息的有效性和切入问题的视角，非常重要。
将散乱的信息联系起来，更像是揭秘而不是解谜。
信息分析和可视化，要完成的是通过蛛丝马迹论证出（可预见的）结论（标准和程度），而非通过信息推导出一堆假设。
揭秘是可视化分析推理中所面临的最具有挑战性的问题之一：也许所有我们所需要的信息都摆在面前，但是我们却一团乱麻，不明就里，这时候，能否提出一个正确的问题是接下来打开局面的关键。
当你头绪很多时，如果能提出一个有价值的问题厘清思路，正是决策效率和效果的关键。
陈超美教授认为：
我们需要的应该是一个可视化分析的通用框架，它应该基于信息论，并包含相关的分析方法和技术。
为了进一步说明信息变量的原理，教授娓娓道来信息论：
在信息论中，一个消息所携带的信息值有认知偏差，取决于收到消息前后的信息熵的差额。想要做到信息可视化分析，需要对信息有全局性宏观视野，还要有微观颗粒化解读。这里还提到信息熵，信息指数,K-L离散度等概念。
在搜索[信息指数]时，发现艰涩术语已经内隐，在科研分析中有大量鲜活应用案例，比如信息量与基因变异的测量
回到本书，既然信息检索像是觅食，怎样觅食能更有味更鲜美呢？
调查研究是分析推理的一个重要组成部分。意义构建通常包括两个积分和迭代的子过程：信息觅食和意义建构。
信息觅食理论有一个觅食者搜索行为的预测模型。穿越一个又一个信息簇，贪婪捕食（正是当下的我们）。
如饥似渴的捕食信息，我们曾不断修正搜索策略:
- 从百度不科学上网到科学上网
- 不断替换关键词
- 通过使用 [allinurl:]或[inurl:]限定搜索项，让Google返回精确匹配在URL中包含相应搜索项的结果
- 搜索引擎里没有的信息，我们去书店，批量买书
.....
通过对信息环境的资源重组和测试利用，我们在互联网（或线下）踩出一条长长的信息踪迹。
信息踪迹很重要呢，是关于信源的价值，成本或访问路径的可被感知的信号，可以用来估算一个斑块的潜在收益。当然，也可以评估和预测类似"911事件"呢。
什么是斑块？信息觅食具有适应性和可扩展性，我们四处围猎。但是将分散行为信息连接时，广度和强度重合最高的部分，就会出现一个斑块。斑块有时能帮我们找到正确的信息线索，它常常对最值得研究的信息簇里的足迹，呈现连接时间，新鲜程度，标签，热度等清晰的数据，观点现象。
信息踪迹还要与信息觅食的大背景联系才有意义。包括：搜寻目标（主题），分析师知识结构（你知道zotero的意义所在了吧），环境变量（数据测量）等等。这正是意义建构的外化。
现在，你对信息论和信息分析稍稍有了一点认识。遵循模型，故事和行动的智慧，可以开始尝试写第一份信息分析报告了。最小行动从模型开始，可参考结构：
-
核心观点拆解＆重新组块
-
信息可视化
。。。。。。(此处先放上占位符) -
知识可视化
。。。。。。(此处先放上占位符) -
科学前沿图谱
。。。。。。(此处先放上占位符) -
科学发现理论
。。。。。。(此处先放上占位符)
-
-
相关工具
-
相关文献
Changelog
- 20181007 快写1.5H
网友评论