美国高校图书馆员数据素养研究

美国高校图书馆员数据素养研究

摘要：本文根据既有研究成果和高校图书馆的数据需求，归纳和总结出高校图书馆员数据素养评价框架。通过研究先行者，美国相关机构和学者对高校图书馆图书馆员数据素养的要求，完善框架。依据评价框架调查美国高校图书馆员的实际数据素颜情况，对我国高校图书馆员数据素养提升提供参考。基于调查的实际情况，提出我国高校图书馆员数据素养提升的建议。

关键词：数据素养；美国高校图书馆；图书馆员；评价框架；

Abstract:Thispaperputsforwardaframeworkforevaluatingthedataliteracyofuniversitylibrarians,bysummarizingandsupplementingexistingresearchresults,basedthedatarequirementsofuniversitylibraries.Perfectedtheframework,throughthestudyofrequirementsoflibrarylibrarians'dataliteracyfromrelevantinstitutionsandscholarsintheUnitedStates.Accordingtotheevaluationframeworktoinvestigatetheactualsituationofthelibrarians'dataliteracyofcollegesanduniversities,toprovidesreferenceforimprovingthedataliteracyofuniversitylibrariansinChina.Basedontheactualsituationofinvestigation,putforwardsomesuggestionsonimprovingthedataqualityoflibrariansincollegesanduniversitiesinChina.

Keywords:dataliteracy;Americanuniversitylibrary;librarian;evaluationframework;

引言

研究背景

数据体量的飞速膨胀，数据流通机制的逐步完善，以及数据处理能力的提升，使得数据价值的逐渐凸显。2009年，数据密集型科研范式随着《第四范式：数据密集型科学发现》一书的出版，最终确立。其显著特点是科研流程建立在数据基础之上，全流程的数据相关能力和数据伦理成为科研人员的重要素养[[]Hey,Tony,StewartTansley,andKristinM.Tolle.Thefourthparadigm:data-intensivescientificdiscovery[M]Redmond,WA:Microsoftresearch,2009.

]。诸如计算社会学（ComputationalSociology）、数据新闻（DataJournalism）、数字历史（DigitalHistory）、数字人文（DigitalHumanities）、文化组学（Culturomics）等研究前沿悄然兴起。这些领域与数据素养有着无可争议的关系。

馆员的数据素养与信息素养

部分学者认为信息素养包括数据素养。但本文认为从客体关系和定义来看，数据素养更应该被认为是信息素养的拓展和延伸，而非其子集。

从素养客体的关系来看，“数据中蕴含着信息，但需要通过加工和处理才能将其提取出来”[[]戴维·赫佐格,沈浩,李运.数据素养:数据使用者指南[M].北京:中国人民大学出版社,2018:7-9

]，那么数据和信息应当是原料与产品，上游和下游的关系。从定义来看，无论是美国图书馆学会在1989年和2015年给出的定义，还是我国李克东和徐福荫教授的定义[[]陈泉,郭利伟.信息素养与信息检索[M].北京:清华大学出版社,2017:21-22

]，信息素养均不涉及信息的创造和提取，更多的是从信息消费者的角度进行诠释。因此，数据素养更应该被认为是信息素养的拓展和延伸，虽然两者的构成形式较为类似。

现在，我们与数据的关系发生着巨大变化：研究人员曾经管理着离散的、可控的知识结构，现在他们必须应对庞大的数据量，这些数据自相矛盾地为不断增长的科学产出提供能量，同时也在通过其巨大的体量不断挤压研究人员[[]Informationanddataliteracy:theroleofthelibrary[M].CRCPress,2016.3-4

]。

司莉等人撰写的针对科学数据专家的图书馆要求显示，为科学研究和数据管理提供参考服务的频率很高，它被认为是图书馆科学数据专家的核心职责之一，同时指出为了培养用户的数据素养，图书馆需要向用户提供指导和培训，包括帮助他们理解科学数据管理的重要性，并掌握各种工具在数据处理，数据分析和数据统计方面的使用[[]LSi,WXing,WGuo,etal.Thecultivationofscientificdataspecialists[J].LibraryHiTech,2013,31(4):700-724.

]。为了能够有效提供高校图书馆用户所需的各种直接和间接的数据服务，馆员高水平的数据素养将是一个必要条件。此外，随着数据采集、存储、计算等技术的不断完善，通过数据驱动提升高校图书馆的既有服务成为可能和重要趋势。为了能够在数据时代的变革中保持图书馆的价值和竞争力，也要求图书馆员具备相当水平的数据素养。

结合数据素养与信息素养的关系，以及高校图书馆内外部的数据需求，馆员仅凭借原有的信息素养显然是不够的，提升馆员的数据素养势在必行。

研究思路

首先，本文将根据国内外既有研究成果，经过归纳和补充，提出高校图书馆员数据素养的评价框架。随后将主要依据“美国图书馆协会”的分部，“美国大学及研究图书馆协会”（AssociationofCollege&ResearchLibraries，ACRL）的相关标准和倡议；同时参考部分学者的研究成果和其他机构提出的标准和倡议，在上文提出的评价框架中，总结美国高校图书馆员的数据素养要求。最后将根据数据素养要求进行调研，探究美国高校图书馆员的实际数据素养，并对我国高校图书馆员数据素养的提升提供建议。

数据素养的研究及成果

数据素养研究的起源和发展

目前从多个数据库搜索的结果显示，最先明确提出“数据素养”这一概念的是1995年发表的《提升教区管理人员的数据素养》（Improvingdata-literacyamongdiocesanadministrators）一文[[]FKScheets.Improvingdata-literacyamongdiocesanadministrators[J].TheJurist,1995,55(1):369-380.

]。可以在“谷歌学术”中发现，该文献被《教区管理手册：牧师、行政人员和其他教区领导人的实用指南》引用，但由于文献发表时间较早，没能在网络上找到该文献的全文，所以暂不可知当时对数据素养的认识和研究情况。

数据素养（dataliteracy）是个体有效且合法地采集、评价和利用数据的一种意识和能力。数据素养也通常被称作统计素养（statisticalliteracy）或量化素养（quantitativeliteracy），而在英国会根据数据素养的特性，称之为数字素养（numeracy）。

图1中英文相关文献发表年度趋势

本文分别以“数据素养”（精确检索）和“dataliteracy”（必须包含完整字句）为主题词，在CNKI和谷歌学术中进行检索，并按照论文发表年份绘制图1（由于英文检索条件更为苛刻，文献结果数相对偏少，但并不影响对研究趋势的判断）。可以发现从2002年起，就有部分国外学者开始对数据素养的进行研究，但研究成果相对较少，从2011年开始，每年新研究成果的出现速度逐步提升。而我国数据素养相关研究的起步相对较晚，但成果增速很快。随着数据价值的凸显，于2015年形成拐点，成为近两年的细分研究热点。

数据素养的定义

2007年,EStephenson和PSCaravello从评价与利用的角度给出数据素养的定义[[]EStephenson,PSCaravello.Incorporatingdataliteracyintoundergraduateinformationliteracyprogramsinthesocialsciences:Apilotproject[J].ReferenceServicesReview,2007,35(4):525-540.

]；2010年,JianQin和JohnD'Ignazio从管理方面提出数据素养的定义[[]JQin,JD'Ignazio.LessonsLearnedfromaTwo-YearExperienceinScienceDataLiteracyEducation[C]//2010.

]；2011年，CarlsonJ等人提出数据素养是包括理解数据意义，理解图表所反映的信息，根据数据得出符合事实的结论，以及当数据被不当或不合适的方式使用时可以辨别[[]JCarlson,MFosmire,CCMiller,etal.DeterminingDataInformationLiteracyNeeds:AStudyofStudentsandResearchFaculty[J].PortalLibraries&theAcademy,2011,11(3):257-271.

]；2011年，KHogenboom等提出数据素养是一种阅读、理解、分析、批判地思考统计数据，并利用统计数据作为证据的能力[[]KHogenboom,CMHPhillips,HensleyMK.ShowMetheData!PartneringWithInstructorstoTeachDataLiteracy[J].2011.

]。2013年，EBMandinach与ESGummer主张数据素养是了解和使用数据的能力，能够有效地利用数据来帮助决策制定[[]EBMandinach,ESGummer.ASystemicViewofImplementingDataLiteracyinEducatorPreparation[J].EducationalResearcher,2013,42(1):30-37.

]。2015年，Koltay将数据素养定义为一系列与获取研究数据，理解，解释，管理，批判性评估和道德使用相关的技能和能力。管理包括保存和监护[[]TKoltay.Dataliteracy:insearchofanameandidentity[J].JournalofDocumentation,2015,72(2):401-415.

]。

国内的观点：学者张静波提出数据素养是个体在数据的采集、组织和管理、处理和分析、共享与协同创新利用等方面的能力，以及在使用数据的全过程中的道德与行为规范[3]。缪其浩教授则从更加广义思维对于数据意识和素养进行了定义，认为两者具有一定的统一性，意识来源于思维认知，追求的是数据本身的意义和带来的价值，并且指导管理好坏能带来不同的结果，而数据素养的主要意义是理解本专业数据产生的问题，是数据素养中重要的组成部分，对于信息素养也同样重要[[]缪其浩.大数据时代：趋势和对策[J].科学,2013,65(4):25-28.

]。

数据素养的评价框架

2013年，J.Carlson等通过访谈，确认了数据素养能力的内涵，将数据处理与分析、数据可视化与表示、数据伦理规范、数据管理与组织、数据质量控制、数据清洗与加工、数据存储与再利用、元数据与数据描述、数据的发现与获取、数据库技术与数据格式知识、数据文化实践能力、数据保存12项作为评价数据素养能力的核心内容，并以问卷的方式进行检验[[]JCarlson,LJohnston,BWestra,etal.Developinganapproachfordatamanagementeducation:areportfromthedatainformationliteracyproject[J].Theinternationaljournalofdigitalcuration,2013(1):204-215.

]。

2015年，美国的E.B.Mandinach等人将数据素养评价认知框架概况为陈述性问题知识体系、概要性问题知识体系、过程性问题知识体系、策略性问题知识体系[[]EMandinach,EGummer.Asystemicviewofimplementingdataliteracyineducatorpreparation[J].Educationalresearcher,2013(1):30-37.

]。他们并以此为基础将问题的探寻、问题的阐述、对数据的运用、从数据中分析获取信息、用信息调整决策、评价这6个部分作为数据素养的评价测度模型[[]EGummer,EMandinach.Buildingaconceptualframeworkfordataliteracy[J].Teacherscollege,2015(4):1-22.

]。

2015年，沈婷婷将数据素养归纳为如下能力：数据的基本能力、获取能力、评估能力、管理能力、使用能力和表达能力[[]沈婷婷.数据素养及其对科学数据管理的影响[J].图书馆论坛,2015,35(01):68-73.

]。2016年，李青提出了教师数据素养能力分层模型,具体分为教学探究层；教学实践层；知识技能层；意识态度层[[]李青,任一姝.教师数据素养能力模型及发展策略研究[J].开放教育研究,2016(6):65-71.

]。（ACRL认为图书馆员作为教师的一部分发挥作用，应当被授予教师地位[[]ACRL.ACRLFrameworkforAcademicLibrarianEmploymentandGovernanceSystems[DB/OL].

/acrl/sites/.acrl/files/content/standards/ACRL%20Framework%20for%20Academic%20Librarian%20Employment%20and%20Governance%20Systems%20DRAFT%20JUNE%202017.pdf

.2017

]。）2017年，董薇等人通过对数据素养能力的分析,将其划分为数据意识、数据获取能力、数据分析处理能力、数据转换能力、数据评价能力、数据伦理6个维度[[]董薇,姜宇飞,张明昊.基于灰色多层次评价模型的数据素养能力评价研究[J].图书馆学刊,2017,39(11):22-29.

]。

高校图书馆员数据素养的评价框架

根据ACRL发布的《高等教育图书馆标准》[[]ACRL.StandardsforLibrariesinHigherEducation[DB/OL].Chicago,IL:ACRL,2018./acrl/standards/standardslibraries

]，图书馆员在应用数据并洞察数据集中蕴藏的知识，以提供数据服务和提升图书馆既有价值的同时，也承担着数据源采购、数据保存、数据管理等责任。既有研究成果更多着眼于数据应用，因此，直接地借鉴前人研究成果并不妥当。

根据对已有研究成果的归纳和补充，我们认为高校图书馆员的数据素养评价框架应该包括五个部分：

数据意识。数据意识是人作为数据活动的主体对于给定数据集的自觉反应[[]徐刘靖,沈婷婷.高校图书馆员数据素养内涵及培养机制研究[J].图书馆建设,2016(5):89-94.

]。没有数据意识，其他数据素颜将无法被唤起，所以可以将其认为是数据素养的先决条件。具体而言，包括数据主体意识、数据获取意识、数据应用意识、数据共享意识、数据更新意识、数据安全意识等。

数据知识。数据知识是数据素养的基础，用于指导相对显性的数据技能和数据管理能力。包括数据的特征和类型、数据的效用、用于描述数据的数理知识、用于加工数据的算法知识、数据的传播和展示规律等。

数据技能。数据技能是提供直接数据服务，和通过数据提升图书馆社会影响力的主要依靠。具体而言，包括使用开放数据工具（获取）、数据编程（处理和再创造）、数据分析工具（利用）、数据可视化（交流和展示）、数据信效度指标（评价）等工具或技术的能力。

数据管理。数据管理主要帮助图书馆持续高质量地提供数据资源，包括能有效管理数据准确使用和维护元数据，保证数据安全且持续可用，保证数据的时效性，并制定数据采购和分类管理策略[16]。

数据伦理。数据伦理是指个体在采集、存储、加工、利用和传播数据及数据产品的过程中所遵守的法律和道德规范的总称。具体而言包括但不限于以下形式：对采集和保存的数据资源背后的个人隐私的保护，在合理的范围内通过合理的方式应用数据，对数据分析结果和报告保持诚信。数据伦理实质上起到了对数据技能和数据管理能力的规范和制约作用。

图2高校图书馆员数据素养

美国高校图书馆员的数据素养要求

ACRL的多篇标准和倡议从不同角度提出了对于图书馆员数据素养的希望和要求，主要是2016年的《高等教育信息素养框架》[[]ACRL.FrameworkforInformationLiteracyforHigherEducation[DB/OL].Chicago,IL:ACRL,2016./acrl/standards/ilframework

]、2017年的《ACRL图书馆员和协调员的专业能力评估》[[]ACRL.ACRLProficienciesforAssessmentLibrariansandCoordinators[DB/OL].Chicago,IL:ACRL,2017./acrl/standards/assessment_proficiencies

]和2018年的《高等教育图书馆标准》

NOTEREF_Ref512784005\f\h

[25

]。此外，《ACRL高等教育视觉素养能力标准》[[]ACRL.ACRLVisualLiteracyCompetencyStandardsforHigherEducation[DB/OL].Chicago,IL:ACRL,2011./acrl/standards/visualliteracy

]，《信息素养方案的最佳实践的特点：指导原则》[[]ACRL.CharacteristicsofProgramsofInformationLiteracythatIllustrateBestPractices:AGuideline[DB/OL].Chicago,IL:ACRL,2012./acrl/standards/characteristics

]和《信息素质教育的目标：学术图书馆员的榜样》[[]ACRL.ObjectivesforInformationLiteracyInstruction:AModelStatementforAcademicLibrarians[DB/OL].Chicago,IL:ACRL,2001./acrl/standards/objectivesinformation

]中也有零星表述。

数据意识

有意识地利用数据并提供服务方面，ACRL的表述相对丰富，认为高校图书馆员应当能：

有意识地培训其他人员的数据素养[

NOTEREF_Ref512784012\f\h

24

]，有意识地帮助学生，使其数据素养与学科内容相匹配[27]；

有意识地提供数据，向各方展示图书馆的价值和影响力[

NOTEREF_Ref512784012\f\h

24

]；

有意识地使用视觉媒体以帮助内容理解[

NOTEREF_Ref512784057\f\h

25

]，有意识地利用数据可视化工具和技术来传播洞察[

NOTEREF_Ref512784012\f\h

24

]；

选择合适的工具（如可视化工具和编程语言）来研究特定主题[

NOTEREF_Ref512895485\f\h

25

]。

其他方面，包括意识到数据需求和数据伦理，ACRL有如下的表述：

图书馆员应当了解图书馆特定的数据要求[

NOTEREF_Ref512784012\f\h

24

]；

识别可通过可用数据集回答的问题和疑问[

NOTEREF_Ref512784012\f\h

24

]；

意识到自己在专业领域的观点已经成为了权威意见，并清楚相应的责任，包括追求精确度和可靠性等[23]；

认识到获取或缺乏信息源的问题[23]。

数据知识

ACRL在数据知识上明确提出的要求相对较少，要求均出现在《高等教育信息素养框架》中，包括：

可以阐明来自于不同生产过程的信息（包括数据）的功能和局限性[23]；

明白一些个人或群体是怎样以及为何被忽视排斥在信息（包括数据）的产生和传播之外[23]

NOTEREF_Ref512783872\f\h

。

数据技能

采集方面，ACRL认为图书馆员应当在具备以下能力：

收集和分析定性数据，定量数据或两者来评估结果[21]；

设计量化评估工具，如调查，平衡计分卡和内部数据收集表格等，为报告和调查提供数据[24]。

在处理和利用方面：

掌握数据库的相关知识和能力[24]；

可以跨多个数据源的查询和分析[24]；

可以确定所需数据的可用性，并决定如何不受当地资源限制地扩大查询，如使用开放数据等方式[26]。

在交流和展示方面：

掌握数据可视化的相关知识和能力，并用于传播洞察[24]；

能确定数据的图形表示（例如，图表，图表，数据模型）的准确性和可靠性[30]；

在评价方面：

根据数据和成果评估采用正式和非正式的各种方法进行计划[25]；

揭示用户的基本指标和统计信息[24]；

确定主要数据来源的可能位置[[]ARCL.GuidelinesforPrimarySourceLiteracy[DB/OL].Chicago,IL:ACRL,2018.

/acrl/sites/.acrl/files/content/standards/Primary%20Source%20Literacy2018.pdf

]

数据管理

ACRL认为高校图书馆员应当在数据管理方面具备以下能力，均出现在《高等教育图书馆标准》当中：

收集，分析和使用数据评估以持续改进所需的IT基础设施[

NOTEREF_Ref512784005\f\h

25

]；

利用评估数据持续改进图书馆的运作[

NOTEREF_Ref512784005\f\h

21

]；

为教师（应当扩展为图书馆全体用户）提供他们的研究所需的数据集；建立并确保获得独特的材料，包括数字馆藏[

NOTEREF_Ref512784005\f\h

25

]。

数据伦理

ACRL提出高校图书馆员应当在数据伦理方面具备以下能力：

明确版权，合理使用，开放获取和公有领域的目的和区分特征[23]；

保持对个人隐私保持高度清醒的认识，并做出明智选择[23]；

确保数据的分析和报告的诚信和诚实[24]。

美国高校图书馆员的用户评价

美国高校图书馆的用户是美国高校图书馆员主要的服务对象，包括学生和教师，他们可以对图书馆在数据服务和数据驱动的传统服务的改进方面做出评价，而这些评价相比图书馆员的自评，可以相对真实地反映出美国高校图书馆员的真实数据素养。

根据上文总结的美国高校图书馆员数据素养要求，使用SmartSurvey制成电子调查问卷。在Linkedin、Twitter和Facebook上使用检索和组群功能，找到近期活跃的美国高校图书馆的用户群，并向他们发送私信邀请填写调查问卷。问卷首次发出350份，共回收可用问卷247份。由于部分州缺少数据，随后通过检索等方式定向补发50份，该次共收到27份可用问卷。两次总计发出400份问卷，截至4月28日，收回247份有效问卷，回收率为68.5%角色分布相对合理，高校在职教师占15.33%，高校在读学生占29.56%，已毕业的高校学生占55.11%；地理分布相对均匀，具体分布详见图3；。

图3有效问卷地理分布图

本文所用的调查问卷主要采用李克特式量表的方式进行设计，除个人信息部分外，由26条陈述组成，每一陈述有"十分认同"、"认同"、"不一定"、"不认同"、"非常不认同"五种回答，分别记为5、4、3、2、1。问卷发放时，对毕业时长有简单的筛选，所以已毕业的学生中，毕业年份主要集中在近5年内，这样有助于更准确地评价近期美国高校图书馆员的数据素养。

可以从图4中发现，自2013年起，用户对图书馆员的总体评价从中性偏负面，转为了中性偏正面，同时评价有缓慢提升的趋势。此外，不同身份的评价也有一定差异，已毕业学生的平均评分为3.38，在职教师为3.50，在读学生为3.70。我们可以进行大胆猜测，由于已毕业学生对高校图书馆员的评价停留在数年前，评分较低是十分正常的；在职教师的数据需求与在校学生相比更为深入，且可能留有部分对馆员的既有印象，所以平均评分高于以毕业学生，但低于在读学生。

图4各毕业年份样本平均分数

图5各身份平均评分

心理学家DanielKahneman于1999年提出了“峰-终定律”，即体验方面的记忆由两个因素决定：高峰时与结束时的感觉[[]DKahneman.Objectivehappiness[J].Well-being:Thefoundationsofhedonicpsychology,1999,3:25.

]。因此，已毕业的高校学生的评价可以反映其毕业前一段时间内该校图书馆员的数据素养。此外，2017年毕业的高校学生与在校学生的评分相近，也能佐证以上结论。

据此结论，可以发现2013年至今，馆员数据意识和数据技能的评价更为正面，且有持续改善的趋势；数据知识、数据管理和数据道德的评价相对较差，直至2016年，平均评价才转为中性，自此之前评价一直低于3，为中性偏负面评价。由于2008-2012年毕业学生的样本量过少，所以这段时间的评分变化可信度较低，暂不做分析。

图6各类数据素养评分的时间变化

此外还发现，数据技能在三个群体各年评分的标准差都远低于其他数据素质的标准差，同时数据素质的标准差还有逐年降低的趋势。此外，数据意识的标准差从2012年（2012年毕业的已毕业学生评分）的最高值，降到了2018年（在读学生和在职教师评分）的中等水平。这说明美国高校图书馆的用户对馆员的数据能力和数据意识评价的分歧在逐步减少，虽然目前数据意识的分歧仍然不小。结合评分的变化可以得出结论，美国高校图书馆员的数据技能和数据意识在近些年得到了大范围的提升，同时地区和校际的馆员素养差异在减少。

图7各用户组各年评分的标准差情况

对我国高校图书馆员数据素养提升的启示

根据美国高校图书馆员的数据素养的调查结论，我们发现数据意识和数据技能方面的提升更为有效，更为普适。由于我国和美国在馆员数据素养方面有着显而易见的差距，从数据意识和数据技能方面着手进行高校馆员数据素养提升，显然是更好地方案。因此下文将着重从数据意识和数据技能方面提出一些启示。

开展相关的馆员继续教育

开展馆员继续教育是提升其数据素养最为直接的方式。但由于在职馆员需要保持正常的工作产出，可占用的工作时间十分有限，而长期占用馆员的个人时间也不切实际。所以合理的馆员继续教育应当具备以下三个特点：培训周期短且单次用时相对较短，这有利于避免对图书馆的正常运转产生干扰；培训可以在短期内见效，这有利于帮助上级和馆员树立信心，减少下一周期培训的阻力；培训后应当提供合适的资源和条件，帮助馆员能快速将所学用之于实践，这可以帮助馆员建立起学习的正反馈循环，同时也对培训效果的快速呈现有所帮助。

教育资源可以来自于以下多种渠道。首先，可以利用学校自身的教育资源，如邀请数学、计算机、图书情报等专业的教师开展讲座等形式的继续教育，其优点是可以事先与教师进行沟通，根据馆员的实际情况调整教学内容。其次，高校图书馆可以为馆员购置相关MOOC（慕课）。经过多年发展，互联网上的相关慕课已经十分丰富，在“MOOC学院”中搜索“数据可视化”可以找到17门高度相关的课程，而这些课程的来源中不乏伊利诺伊大学香槟分校、杜克大学、微软等相关领域知名机构。最后，有条件的图书馆也可邀请在数据领域卓有建树的校友返校，开展相关讲座。近些年，互联网行业出现了大批以数据驱动优化用户体验的案例，通过校友讲述亲身经历的案例，有利于馆员更好地认识到数据的价值，从而树立良好的数据意识。

开展数据竞赛

据不完全检索，自2012年起就有部分国外大学举办高校数据竞赛。其中不乏图书馆高度参与的案例，如2012年起，由每年杜克大学图书馆的“数据和地理信息系统服务部”（Data&GISServicesdepartment）举办的数据可视化大赛，同期提供相关软件和数据采集、管理、可视化等方向的咨询（这些已经是杜克大学图书馆的常规服务）[[]DukeUniversityLibrary.Submittoour2013DataVisualizationContest![DB/OL]./data/2012/12/04/2013-data-visualization-contest/

][[]DukeUniversityLibrary.DataandVisualizationServicesBlog[DB/OL]./data/page/6/

]。也有高校与顶尖机构联合举办的案例，如2017-2018年的多伦多大学STEM团队与IBM大数据大学联合举办的大数据挑战赛，该校图书馆也提供了数据资源支持和馆员辅导[[]STEMFellowship.BigDataChallenge[DB/OL]./big-data-challenge/

]。

从2017年下半年至今，我国也有数所大学在天池、DataFountain等数据平台上，与其他机构联合举办数据竞赛的案例。如2017年7月电子科技大学与全国青年学生大数据实验室、微博校园联合主办的“智慧校园全球大学生创意应用大赛”[[]DataCastle.智慧校园全球大学生创意应用大赛[DB/OL]./common/cmpt/智慧校园全球大学生创意应用大赛_赛体与数据.html

]；2018年2月，华南理工大学与阿里巴巴联合举办ICPR2018MTWI挑战赛[[]天池.ICPRMTWI2018挑战赛[DB/OL]./competition/introduction.htm?raceId=231650

]；同月，香港理工大学纺织与制衣系与阿里巴巴联合举办FashionAI全球挑战赛[[]天池.FashionAI全球挑战赛[DB/OL]./

]。

此外，也出现了一例高校图书馆高度参与的数据竞赛，北京大学图书馆联合北大信息管理系和南海大数据应用研究院于2017年底