AI信息科学指南

从Dewey分类到PageRank。检索/组织/元数据全覆盖。

核心能力

1. 信息科学入门

• 信息科学=研究信息的学科：信息的组织/检索/存储/传播/使用
• DIKW金字塔：Data数据→Information信息→Knowledge知识→Wisdom智慧/上层需要下层/但理解和解释才能使信息变成知识
• 三大传统：图书馆学(馆藏组织)/文献学Documentation(Otlet/互联网预言家)/计算机科学(检索算法)
• 核心问题：用户有信息需求→怎么匹配到相关信息？/这是最难的问题之一
• 信息爆炸vs注意力稀缺：信息多≠知道的多/筛选>存储/信息素养=现代必备能力

2. 信息检索IR

• 倒排索引Inverted Index：词→文档列表/所有搜索引擎的核心数据结构
• 布尔模型：AND/OR/NOT/精确匹配/但没排序(都在结果里/但不知道哪个最相关)
• 向量空间模型VSM：文档和查询都看作向量/余弦相似度=相关度排序/TF-IDF(词频×反文档频率=找到能区分文档的那些词)
• 概率模型(BM25)：比VSM好/考虑文档长度/至今是文本检索的标准baseline
• PageRank(Google的秘密)：不是看内容而是看链接/被链接越多=越重要/民主投票思想
• 现代搜索=混合：BM25+PageRank+机器学习Learning to Rank+神经网络+dense retrieval(embedding)
• 评价指标：查全率Recall(找到多少)/查准率Precision(找到的有多少相关)/F1/NDCG/MAP

3. 知识组织

• 分类法Classification：按学科把知识放进层级/DDC杜威十进(最广泛/美国)/UDC国际十进(欧洲)/CLC中国图书馆分类法/A-Z
• DDC十大类：000计算机→100哲学→200宗教→300社科→400语言→500自然科学→600技术→700艺术→800文学→900史地
• 叙词表Thesaurus：控制词汇=同义词统一(爱/爱情/恋爱=都统一成一个)/层级关系(猫<猫科<哺乳动物<脊椎动物)/相关关系
• 本体Ontology：比分类和叙词表更强/用逻辑描述概念+关系/OWL/RDF/用于语义网+生物医学+AI
• 分面分类Faceted Classification：Ranganathan的冒号分类法/不是一棵树/而是多个维度同时分类
• 标签vs分类：用户自己打标签(自由/混乱)→图书馆严格分类(标准/精确)/Tagging=民间分类Folksonomy

4. 元数据

• 元数据=关于数据的数据：谁写的？什么时候？什么格式？主题是什么？
• Dublin Core都柏林核心：15个基本元素(题名/创建者/日期/主题/格式...)/最简单最通用
• MARC机读目录：图书馆元数据/极复杂/一个记录几百字段/诞生于1960s/至今未死
• 元数据三类型：描述型(找它→作者标题)→管理型(用它→版权技术条件)→结构型(它怎么组成→书的章节)
• 关联数据Linked Data：URI给每个东西一个地址+HTTP+语义/让机器也能理解/不是给人看的网页/是给机器看的网页

5. 数字图书馆

• OAIS开放档案信息系统：数字长期保存的参考模型/摄入→存储→管理→获取/500年后还能读
• 长期保存的两大问题：硬件过时(3.5寸软盘？Zip盘？)→格式过时(WordStar？Lotus 1-2-3？)
• 保存策略：迁移(转新格式)/仿真(仿真旧环境)/技术博物馆(留老硬件)/打印出来放纸上(最后的保险)
• 开放获取Open Access：学术论文免费/绿色OA(作者自己存档)→金色OA(期刊开放)/Plan S(欧洲强推)
• 掠夺性期刊Predatory Publishing：假期刊/收钱就发/没审稿/污染科学/Beall's List(已停止维护)

6. 情报学与文献计量

• 竞争情报Competitive Intelligence：合法收集/分析竞争对手/不是商业间谍
• 文献计量Bibliometrics：用数学研究文献/布拉德福定律(核心期刊)/洛特卡定律(少量作者产出大量论文)
• 引文分析：被引次数=影响力/Sci-Hub让知识获取公平→也暴露了付费墙的荒唐
• 影响因子Impact Factor：期刊平均被引/越高越"好"/但被游戏化/不应衡量单篇论文
• h指数：有h篇论文至少被引h次/衡量单个研究者/比总数合理
• 科学计量/Altmetrics：不只是引用/还包括社交媒体/新闻/政策文件中的提及/更快但更嘈杂

7. 信息搜寻行为

• 经典模型：Kuhlthau的ISP(开始不确定→选择→探索→形成→收集→呈现/情绪过山车!)
• Berrypicking采莓模型：不是一次搜完/而是在搜索过程中不断发现新线索/改变查询方向
• 信息偶遇Information Encountering：意外发现/"我在找A/却发现了B/B改变了一切"/青霉素=信息偶遇
• 信息规避Information Avoidance：人有时主动不去看信息/病情/气候/因为引起焦虑
• 信息焦虑：太多信息/不知怎么处理/关闭通知/信息节食
• 搜索vs浏览：你知道要什么→搜索/你不太确定→浏览/两者交替

8. 信息伦理与素养

• 信息伦理：隐私/数据所有权/算法偏见/数字鸿沟/审查/监视
• IFLA的声明：图书馆=思想自由/知识自由/不审查/保护用户隐私
• 假新闻与信息素养：评估信息来源(谁写的/为什么/什么时候)/横读Lateral Reading(开其他标签验证)
• 算法气泡：搜索/推荐让你只看到你已信的→越来越极端
• "被遗忘权"：欧盟GDPR/你可要求搜索引擎删除过时/不相关/不准确的个人信息

使用方式

描述需求，例如：

• "搜索引擎到底怎么找到相关网页的？"
• "DDC分类法和中图法有什么不同？"
• "开放获取的几种模式是什么？"

适用人群

• 图书/情报
• 学术研究
• 数据管理
• 搜索引擎理解