知識組織

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

知識組織(Knowledge Organization)

目錄

知識組織概述

  知識組織一詞,最早於1929年由英國著名圖書館學家、分類法專家、《書目分類法》(BC)的編製者布利斯(H.E.Bliss,1870—1955)提出。布利斯於1929年就出版了《知識組織和科學系統》、《圖書館的知識組織》兩部著作,從文獻分類角度闡述了組織知識的思想。從1974年起,《國際分類法》(IC)開始刊登有關知識組織文獻的最新書目,涉及情報科學(包括檔案學、圖書館學、一般文獻工作、數據與博物館文獻工作)、電腦科學/信息學(包括程式設計、聯機技術、人工智慧專家系統)、語言學與術語學、系統研究等廣泛的學科領域。1989年,在德國法蘭克福成立了國際性學術研究機構國際知識組織學會(ISKO),主要從事分類法的研究。1993年,IC更名為知識組織(KO),由ISKO主辦,知識組織的概念自此在圖書情報界傳播開來。

  ISKO自成立後,開展了一系列活動。1990年8月在德國的達姆施塔特舉行了第一屆國際ISKO大會,會議主題是“知識組織工具與人類交往”。第二屆於t992年8月在印度的馬德拉斯舉行,主題為“知識組織與認知範式”。第三屆於1994年在丹麥的哥本哈根舉行,主題為“知識組織與質量控制”。第四屆於1996年7月在美國的華盛頓舉行,主題為“知識組織與變革”。

  目前,對知識組織尚未有統一的認識,主要:有以下幾種觀點。①知識組織,是指對事物的本質及事物間的關係進行揭示的有序結構,即知識的序化。②知識組織是指對知識客體所進行的諸如整理、加工、揭示、控制等一系列組織化過程及其方法。③知識組織是對知識進行整序和提供,既處理大量的現有知識,又能相對降低存儲知識的物理載體的盲目增長以免知識過於分散化。所以提供文獻、評價科學文獻和系統表述以生成新的便於利用和獲取的有序化知識單元的處理系統即是知識組織。

知識組織的研究範圍

  具體來說,知識組織的研究範圍主要有以下幾個方面。

  (1)知識組織的理論基礎研究有發展歷史、指導思想、基本原理、研究對象。

  (2)知識組織處理工具、手段、技術的編製原理和使用說明。

  (3)知識組織的具體方式、方法研究。既包括一般方法的研究,也包括對傳統知識組織方法的改造研究,尤其是加強隱性知識的組織方法研究,如知識表示方法、知識重組方法、知識聚類方法、知識存檢方法、知識佈局方法、知識編輯方法、知識評價方法、知識監控方法等。

  (4)知識組織的人工智慧系統研究,知識庫的建立、獲取、更新與維護。知識庫的整序方法包括順序、索引、散列、樹型等結構及數據字典的使用,層次結構的規則庫,專家系統的知識組織方式方法等。

  (5)元數據研究。為了能夠對網上知識信息進行組織和控制,必須加強元數據研究,這將有利於形成自動化、高質量的網路搜索引擎,有利於網上信息的存取和檢索。

  (6)知識組織的語言學研究。包括語法學研究、語義學研究和語用學研究,重點是研究自然語言標引與檢索問題,目的是為了提高檢索語言中標引語言與用戶需求表達語言之間的一致性,從而提高檢索效率。

知識組織方式的分類

  知識組織的方式主要有兩種類型,以知識單元為基礎的知識組織方式和以知識關聯為基礎的知識組織方式。

  (1)以知識單元為基礎的知識組織方式。知識組織是以知識單元(知識因數)為加工單位的,知識單元是經過專家精心評價、篩選、提取和測試之後獲得的濃縮的知識。以知識單元為基礎進行知識組織就是將知識單元或知識單元集合中的知識因數抽出,對其進行形式上的組織。由於只是對知識因數進行組織,而並未改變因數間的聯繫,所以在此過程中沒有產生新的知識。從人類創造過程利用知識的特點出發來組織知識,建立知識系統,這方面的研究還很不成熟,有代表性的研究成果有英國學者B.C.布魯克斯提出的“認知地圖”(也稱“知識地圖”)和印度學者S.K.塞恩提出的“思想(情報)基因進化圖譜”。知識地圖中的每個結點即為一個知識單元,處於創造它們的邏輯位置上,通過引證相關與其他結點聯結,從而形成一個有機整體展示知識利用和生產的動態過程。布魯克斯認為當此知識地圖逐漸擴大並趨於穩定時,便可以作為資料庫實現純信息(或知識)檢索。塞恩則認為可以從文獻中先找出“思想基因”,然後按自然進化方式聚類,形成“思想基因串”,從而編製出新型的概念索引,供人們利用。所謂思想基因,實際上就是知識生產創造過程中起著關鍵作用的思想。這些思想同樣可以表示為一個簡單陳述,而陳述則可以分解為有限數量的概念。這些概念在人類創造過程中的有序重組就表現為各種定理、法則、定律和公式。儘管兩位學者研究的角度不同,但實質基本上是一致的,都希望找到知識生產過程的關鍵數據(知識單元),然後用圖來標識其聯繫與結構,實現知識的有序化組織。這樣的系統無疑是高效率的,但其可行性卻值得推敲。這是因為:一方面,知識生產是動態的,積累是無限的;

  另一方面,知識組織即使在很狹小的專業領域中,都表現為複雜的、多維的立體結構,二維的地圖或圖譜難以表現這種多維立體結構圖景。事實上,要在平面上繪製出知識相互聯繫、相互影響的結構圖也絕非易事,要用這些圖來實現數據檢索就更為困難了。由此,有的專家提出了“知識空問”概念,把概念表達成類似多維空間中向量的對象。當重新確定某一領域時,對該知識領域結構的重新安排可在多維知識空間中進行,把相關的表示向量通過一次轉移與一個新的概念向量集合聯繫起來。一個人的知識狀態也可在多維空間用狀態向量來表示,狀態向量帶有分量,分量是關於被個人理解的基本概念。由於這個多維知識空間的基礎概念允許某個人的狀態向量、某一領域中情報項的表示向量(正如某一檢索系統表示的那樣),以及作為代表某一知識領域的知識空間中對象的實際概念向量之間的不完全匹配,所以用戶和檢索系統之間的交互將會增加。

  (2)以知識關聯為基礎的知識組織方式。以知識關聯為基礎的知識組織是在相關領域中提取大量知識因數,並對其進行分析與綜合,形成新的知識關聯,從而產生更高層次的綜合的知識產品。由於改變了知識因數間的原有聯繫,所以其結果可以提供新知識,也可以提供關於原知識的評價性或解釋性知識。這種組織不只是知識單元的增加,更為明顯的是知識在更高層次上的網路化、綜合化,是內容的提純和濃縮。它在眾多公共知識中提取大量的結點,並賦予多個結點相應的聯繫,故對知識的組織更加全面、概括,形成了某一領域規模較大的知識多維網狀結構。以此方式進行的知識組織以專家智能系統為代表。專家智能系統是人工智慧走向實用階段的一個最新研究領域,將人工智慧用於知識的組織,便可建立專家智能系統。

知識組織的具體方法[1]

  知識組織的具體方法表現在如下方面。

  (1)知識表示。所謂知識表示,是指把知識客體中的知識因數和知識關聯表示出來,以便人們識別和理解知識。知識表示是知識組織的基礎與前提,因為任何知識組織方法都要建立在知識表示的基礎上。知識表示有主觀知識的表示和客觀知識的表示之分。

  主觀知識存儲於人腦中,對它的表示表現為複雜的人腦神經生理與心理過程。目前的科學發展尚未完全探明人腦主觀知識表示的內在機制。但是,在人工智慧的專家系統研究領域,對人腦的知識表示機制進行模擬研究,取得了可喜成果。專家系統的核心是知識庫系統,知識庫中的知識存儲方式及其推理輸出規則,即為專家系統的知識表示方法。專家系統對專家知識的表示主要採取以下四種方式。

  ①邏輯(Logical)表示法。這種方法運用命題演算、謂詞演算等邏輯手段來描述一些事實的性質、狀況、關係等知識。它利用命題邏輯中的聯結詞符號建立演繹邏輯系統,可進行事實推理、定理證明等運算。

  ②產生式規則(Production Rules)表示法。這是一種前因後果式的知識表示模型,它由兩部分構成,前一部分稱為條件,用來表示狀況、前提、原因等。後一部分稱為結果,用來表示結論、後果等。其規則是:“IF(前件)THEN(後果)”,其意義是,如果(IF)前件滿足,則(THEN)系統執行動作或得出結論。在一個專家系統中,專家知識、用戶知識和背景知識,一般用產生式規則表示。如在文獻檢索專家系統中,用“IF…THEN…”規則能很方便地表達諸如標引規則、聚類規則、檢索反饋策略等專家經驗和思想。

  ③語義網路(Semantic Network)表示法。知識的語義網路表現為某一領域知識概念之間關係的網式圖。它由節點和弧構成,節點表示知識的基本概念(知識因數),弧表示節點間的聯繫(知識關聯)。語義網路表示法能夠把知識因數和知識關聯同時生成和表示,並以圖的形式直觀地顯示出來。這種表示方法符合人類聯想記憶的思維模式,因此在專家系統建設中得到廣泛應用。在文獻標引實踐中,用語義網路來表示詞表知識是一件比較容易的事情。

  ④框架(Frame)表示法。它的基本思想是根據人們以往的經驗和背景知識來推理當前事物的相關知識。一個框架由多個槽(Slot)組成,每個槽又由一個或多個側面(Facet)描述,若幹個槽共同描述框架所代表的事物的屬性及其各方面表現。框架表示法能夠深入全面地揭示事物的內部屬性,適用於知識的深層表達。

  客觀知識存在於各種類型的文獻之中,具有確定的知識因數和知識關聯結構。客觀知識表示的任務就是把文獻中的知識因數和知識關聯用一定方式表示出來即可。對文獻知識的表示,目前普遍採用分類標引法和主題標引法。這兩種方法都屬於揭示文獻主題內容的方法,兩者的基本原理相同:先編製標引用詞典或稱標引語言,然後把文獻知識特征(形式特征與內容特征)與詞典中的標引辭彙之間進行相符性比較,最後把相符的辭彙用其代號(分類號或主題詞)表示出來。這個代號稱為文獻標識符。但兩者的知識組織體例不同。分類標引法是語法組織和語義組織的綜合,基本上屬於族性組織體例。主題標引法是以語法組織為主、語義組織為輔的綜合組織,基本上屬於特性組織體例,其中詞族索引和範疇索引由於展現了主題詞之間的等級關係和學科關係,因而基本屬於語義組織體例,而附表和語種對照索引則屬於語法組織體例。

  (2)知識重組。知識重組是對相關知識客體中的知識因數和知識關聯進行結構上的重新組合,形成另一種形式的知識產品的過程。知識重組的目的是通過對知識客體結構的重新組合,為用戶剋服因知識分散而造成的檢索困難提供索引指南,為人們提供經過加工整序後的精煉性知識情報,為用戶便於理解和吸收知識,提供評價性或解釋性知識。它又包括知識因數的重組和知識關聯的重組。

  知識因數的重組是指將知識客體中的知識因數抽出,並對其進行形式上的歸納、選擇、整理或排列,從而形成知識客體的檢索指南系統的過程。這一重組過程實際上是對知識因數在結構上的整序或濃縮的過程。在這個過程中,知識因數間的關聯並未改變,沒有產生新知識。在文獻情報工作中往往利用知識因數的重組手段,形成文獻知識的索引系統,例如,主題索引系統和分類索引系統的形成。它們的產品形式就是各種類型的二次文獻,包括目錄、索引、文摘、題錄、書目之書目、文獻指南等。

  知識關聯的重組是指在相關知識領域中提取大量知識因數,並對其進行分析與綜合,形成新的知識關聯,從而生產出更高層次上的綜合的知識產品的過程。由於改變了知識因數間的原有聯繫,所以其結果可以提供新知識,也可以提供關於原知識的評價性或解釋性知識。它所形成的產品主要是各類三次文獻,如綜述、述評、詞典、手冊、年鑒、類書、百科全書、專題講座等。無論是知識因數的重組還是知識關聯的重組,都要遵循客觀性原則,即都不能改變原知識客體的語義內容。由此可以看出,知識重組基本上屬於語法組織的範疇。

  (3)知識聚類。它也可稱為知識分類組織法。聚類和分類是一個過程的兩個方面,分類的結果產生了聚類,聚類的結果產生了分類。知識聚類組織法,是指將知識按一定的聚類標準分門別類地加以類集和序化的過程。它的基本原理是“事以類聚”,即根據事物的不同屬性,將屬性相同或相近的事物集中在一起,將屬性不同的事物區別開來。

  以學科聚類和以主題概念聚類是古今中外各種文獻分類法普遍採用的知識聚類方法,它們分別以學科分野和知識客體的主題概念作為區分知識集合的標準。

  以時空聚類知識具有時空結構。知識的時空聚類就是根據知識產生的時間和空間屬性為標準來類集知識。文獻知識的分類組織中所採用的時代復分和地區復分,就體現了以時空聚類知識的原則。在知識創新研究中,如果正確使用知識的時空聚類方法,將會產生顯著效果,甚至可能取得意想不到的創造性成果,這是因為知識的時空聚類不僅僅是一種歸類,更重要的是一種整合。在知識創新研究中,可採用如下四種知識時空聚類方法。①將時空相近的知識整合在一起。不僅可以實現知識的歸類,可以瞭解某一學科的發展現狀,還可以進行某一學科研究成果的橫向比較研究。②將時間上相近、空間跨度較大的知識整合在一起。這可以實現某階段不同知識成果間的交叉滲透,有利於新知識的產生。知識空間的跨度越大,其知識單元的差異就越大,各知識單元間的優勢互補就越明顯,其價值也就越大。③將時間跨度較大、空間上相近的知識整合在一起。這可以看出某一學科、某一領域的發展脈絡,預測其發展趨勢,也可以找出某一事物發展的主導因素和其中的關鍵問題。④將時間跨度和空間跨度都較大的知識整合在一起。這可以極大地發揮各知識單元間的“雜交”優勢,既可以使一些老的學科煥發活力,又促進新學科的產生。許多新興的交叉學科的誕生就是通過這一途徑實現的。

  (4)知識存檢。知識存檢是由“存儲”和“檢索”兩方面構成的系統或過程。這裡所說的檢索,是指檢索系統的建立過程,而不是用戶的實際檢索過程,因為用戶的實際檢索過程處於知識的查找和利用環節,而不處於知識組織的環節。知識因能夠存儲而得以積累和延傳,因能夠檢索而得以吸收利用。建立科學有序的知識存檢系統是知識組織活動的重要任務。知識存檢可分為腦記憶體檢和腦外存檢。知識的腦記憶體檢表現為複雜的大腦神經生理與心理過程。目前認知心理學對大腦知識存檢機制的研究可謂富有成果。在認知心理學研究中,知識的存檢被當做記憶過程來對待。一個完整的知識記憶過程包括知識的存儲、編碼和提取(回憶)三個環節。

  知識的腦記憶體檢(記憶)過程,實際上就是主觀知識的形成過程。,儘管人們目前還不能完全探知其內在機制,但它是一切腦外知識存檢方法均應遵循的基本依據,因為一切腦外知識存檢方法的根本目的就在於為個體的知識記憶服務。

  知識的腦外存檢又分個體的腦外存檢和公共的腦外存檢。前者表現為個體的隨機行為過程,難以把握和描述其普遍規律,因此本文只論述知識的腦外公共存檢。知識的公共存檢屬於客觀知識的存檢範疇,亦即屬於文獻存檢範疇。社會的文獻情報部門就是從事文獻的公共存檢工作的專門機構。

  (5)知識編輯。它是指對知識客體進行的收集、整理、加工製作等編輯活動。知識編輯的過程一般表現為先“輯”後“編”,即先收集相關資料,然後加工製作成特定形式的知識產品。從知識編輯的功能上看,它是知識產品能夠匯入到知識流海洋之中的一道道關閘,在這裡,知識編輯起到了“編輯篩”的作用,即符合編輯標準(包括內容標準和形式標準)的知識產品得到生產和流通,而不符合編輯標準的知識產品則被篩掉。某一知識產品在未經編輯前被稱為初級產品(或稱編前產品),經過編輯)11]工後的產品則被稱為成樣產品(或稱編後74『第3章知識管理方法與工具產品。在這裡不能稱為終級產品,因為該產品可能以後繼續被編輯)。某一知識產品,經過“編輯篩”的篩選,成為成樣產品,這就是所有編輯活動的微觀過程。從巨集觀上看,知識編輯的篩選功能可以實現知識生產的“優生”,從而保證知識生態的優化組合。可見,知識編輯是關係到知識生態環境優劣的知識組織方法。網際網路上的知識信息之所以龐雜混亂,主要是由於許多知識信息未經組織編輯而直接上網所導致。

  知識編輯和知識重組具有相似性,兩者之問有時相互包容、相互交叉,例如,大部分二、三次文獻的形成過程,就是通過知識編輯活動來完成的。正因如此,有些知識組織活動既可以說成是知識重組,也可以說成是知識編輯。儘管如此,知識編輯和知識重組之間還是有比較明顯的區別。知識編輯活動往往是由比較固定的編輯組織,且由相對職業化的編輯人員來完成。而在知識重組活動中一般不需設有固定的編輯組織,即使有時設有編輯組織,也是臨時性的,有些知識編輯活動就不宜或不能說成是知識重組活動,如叢書編輯、譯文編輯等。

  (6)知識佈局。知識佈局是一種巨集觀的知識組織方式,它是指對社會上的知識資源進行調配和佈局,以實現知識資源的合理配置,滿足社會、經濟、文化發展的需要。根據知識載體的不同,知識佈局可分為主觀知識的佈局和客觀知識的佈局。

  主觀知識的佈局主要是通過對主觀知識的擁有者——人的配置活動來實現,主要有自然性佈局和政策性佈局兩種形式。科教文衛部門和政府機關聚集大量知識分子(即擁有大量主觀知識資源),這是社會發展需要所造成的自然性佈局。發達國家和發達地區聚集大量優秀知識分子,也是一種自然性佈局。而向落後部門或落後地區支援、調配所需人才,則屬於政策性佈局。

  客觀知識的佈局基本上屬於文獻資源佈局的範疇。所謂文獻資源佈局,就是從巨集觀上制定目標和規劃,進行協調和分工,以指導文獻情報部門的文獻收集工作,突出各自優勢,形成比較完備的收藏,並將其作為社會的知識資源,共用共用,從而建立文獻資源保障體系。文獻資源的佈局分為自然性佈局和政策性佈局。社會上的文獻情報部門收集有大量文獻資源,發達國家和地區擁有世界上大部分文獻資源,這是一種自然性佈局狀況。而諸如“知識工程”、“捐書工程”、“送書下鄉”、“全國圖書協調方案”等,就屬於政策性佈局措施。

  (7)知識監控。這裡所說的知識監控,主要是指政策性監控,它是指政策主體按照自己的意願和利益,制定相關的政策法規,對知識主體(包括生產主體、管理主體和利用主體)的行為活動加以限定和監督。知識監控是一種知識的外在組織方法,其目的是為了完善知識系統的內在秩序。知識監控可分三種類型。

  ①思想監控。這是指政策主體對知識主體及其知識產品的政治傾向性所實施的限定與監督。其主要對象是人文社會科學領域。對知識主體及其知識產品實施思想監控,是階級社會的一個特點,只要階級存在,這種監控就不可避免,不管其歷史後果如何。

  ②法律監控。這是指法律主體為了保證其意志與利益的實現,為了保障知識主體的合法權益,為了保證社會的知識管理活動正常秩序,而對知識主體和知識管理活動加以法律限定與監督。知識的法律監控主要表現為相關法律法規,如知識產權法專利法、圖書館法、檔案法、信息保密法等的制定與實施。知識的法律監控具有強制性與統一性特點。

  ③標準監控。這是為了保證知識組織活動的標準化和規範化而實施的一種監控。它主要表現為一系列相關標準、規程的制定與實施過程,如文獻著錄標準、文獻分類與標引規則、資料庫數據格式標準、參考文獻著錄規則、期刊編輯規則、文獻情報工作評估標準、索引款目格式及其編排規則、索引語言詞典等的制定與實施。知識的標準監控具有統一性、規範性和操作性特點。

相關條目

參考文獻

  1. 邱均平.知識管理學概論.高等教育出版社,2011.06.
本條目對我有幫助4
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您認為本條目還有待完善,需要補充新內容或修改錯誤內容,請編輯條目

本条目由以下用户参与贡献

Yixi,林巧玲,Mis铭,LuyinT.

評論(共0條)

提示:評論內容為網友針對條目"知識組織"展開的討論,與本站觀點立場無關。

發表評論請文明上網,理性發言並遵守有關規定。

打开APP

以上内容根据网友推荐自动排序生成