第一篇：第一期學習總結

學習記錄

時間：7月26日至8月2日 學習內容概述：

1、學習周志華《機器學習》前6章的內容。

2、通讀英文文獻《Extreme Learning Machine》和《Outlier-robust extreme learning machine for regression problem》

學習筆記

1機器學習第一章：緒論 人類具有學習的能力，我們可以通過對經驗的利用，對新情況做出有效判斷。機器學習就是對“學習算法”的研究，通過“學習算法”，我們可以讓計算機通過經驗數據，來生成一個“算法”的模型。而算法的作用是在我們輸入一個新樣本時，能夠自動輸出其對應的預測值，也就是預測新樣本未知的“標記”。而算法適用于新樣本的能力，就稱為“泛化”能力。

學習可以進行分類。

1、若預測值為離散值，則此類學習為“分類”；若預測值為連續值，則此類學習為“回歸”。

2、訓練數據有標記信息，此類學習為“監督學習”，否則為“無監督學習”。

由于學習過程總是基于有限樣本來進行訓練的，那么就會出現多個假設都能與訓練集都表現一致的情況，我們將這多個假設的集合稱之為“版本空間”。為了得出確定的學習結果，學習算法在學習過程中就必須具有對某種類型假設的偏好，即“歸納偏好”。這個“偏好”在具體的學習算法中是如何體現的？

2機器學習第二章：模型評估與選擇

我們把學習機實際預測輸出與樣本的真實輸出之間的差異稱為“誤差”。其中學習器在訓練集上的誤差稱為“訓練誤差”或“經驗誤差”，在新樣本上的誤差稱為“泛化誤差”。

訓練誤差為零的學習器，通常并不是一個好的學習器，因為其很可能出現“過擬合”的問題，即把訓練樣本本身的一些“特點”當做潛在樣本的“性質”進行學習。反之，未能充分學習訓練樣本的“性質”，則會導致“欠擬合”的問題。

我們希望的是學習器的“泛化誤差”盡可能小，在實際應用中，我們常以測試集上的“測試誤差”作為“泛化誤差”的近似。故對于數據集D，我們需要對其進行處理，從中產生出訓練集S和測試集T。（原則：測試集應該盡可能與訓練集互斥。）常用方法有留出法、k折交叉驗證法、自助法（內含分層抽樣和多次試驗的問題）。

1、留出法就是簡單劃分。

2、交叉驗證法，（p26頁圖2.2.）

將D劃分為k個相同數量的子集，將k-1個子集用作訓練集，1個子集用作測試集，然后不斷更換作為測試集的子集，進行k次訓練和測試。

3、自助法

假設D中包含m個樣本，有放回地從D中采樣m個樣本放入D’中，將D’ 作為訓練樣本，根據概率會有接近36.8%的樣本未被抽取，這一部分未被抽取的樣本就作為測試集。自助法在數據集較小的時候作用很大。

但在學習算法確定后，我們還是要利用數據集D進行重新訓練。

找好S和T后，我們就需要找到對測試進行評價的標準，就是“性能度量”?；貧w任務中最常用的性能度量就是“均方誤差”。而分類任務（二分類為例）中，我們可以使用錯誤率、精度、查準率、查全率、ROC曲線、AUC曲線等來進行度量。

1、錯誤率、精度，略。

2、查準率P與查全率R。

TPTPP?R?，P與R是一對矛盾（大體上負相關）的度量。

TP?FPTP?FNP-R曲線是以P為縱軸，R為橫軸作的圖。“平衡點BEP”是查全率=查準率

2?P?R時的取值，可以作為比較的標準。更常用的還有F1度量，F1?，考慮

P?R到側重點不同還有F1的一般形式F?。（見p32頁）

當遇到需要綜合考慮多個二分類混淆矩陣時，比如多分類任務的兩兩類別組合，則需要考慮“宏F1”和“微F1”的概念（見p32頁）

3、ROC曲線，以及AUC值。ROC 曲線縱軸是“真正例率”TPR，橫軸是“假正例率”FPR。

TPFPTPR?FPR?，AUC為ROC曲線下各部分面積求和，反映TP?FNTN?FP的是樣本預測的“排序質量”。

當然現實中也會出現不同的錯誤類型，造成不同代價的損失，所以我們可以為錯誤賦予“非均等代價”。在“非均等代價”下，我們希望最小化的不再是錯誤次數，而是“總體代價”。（見p36式2.23）

對單個學習器進行評價，我們假設測試樣本是從泛化錯誤率為?的樣本總體中獨立采樣而成，求測試錯誤率為?的概率，那么可得這種情況符合二項分布。那么反之，我們可以通過“二項檢驗”來對?的假設進行檢驗。如p39頁所示，可以根據測試錯誤率推測泛化錯誤率的大小和取該值的概率，每一個（顯著度/置信度）對應一個臨界值。這是單一測試錯誤率的性能測試方法。

當我們有多個測試錯誤率時，我們可以采用“t檢驗”法，進行檢測。（明白用法，原理不明，需要重新學習概率論相應部分的內容）對于兩個學習器學習性能是否相同，我們可以利用交叉檢驗t驗證，也需要用到概率論相應內容。

3機器學習第三章：線性模型

線性模型試圖學得一個通過屬性的線性組合來預測的函數?！熬€性回歸”試圖學得一個線性模型以盡可能準確地預測實值輸出標記。基于均方誤差最小化來進行模型求解的方法稱為“最小二乘法”。在線性回歸中最小二乘法就是找到一條直線，使所有樣本到直線上的歐氏距離最小。（p55中當樣本由d個屬性描述的情況下的矩陣求導運算不能讀懂）

那么推廣開來，我們可以得到“廣義線性模型”，即考慮單調可微函數g(.)（稱為聯系函數），令y?g?1(wTx?b)。前面談到了如何用線性模型和處理回歸問題，那么如何利用線性模型來處理分類問題呢？最理想的分類模型是階躍函數，但是我們為了滿足可微的條件，我們可以采用“對數幾率函數”來替代階躍函數。（關于p59頁最優解的概率分析不明白；3.4中p61至p63的矩陣運算不理解）

?在前面的學習中，我們大多討論的都是“二分類”的學習器。面對現實中的多分類問題，我們可以要學習如何將多分類問題拆解成二分類問題。經典拆分策略有“一對一”、“一對其余”、“多對多”，OVO和OVR分類示意可以參考p64圖3.4。MVM的正反類構造需要特殊設計，比如最常用的“糾錯輸出碼”ECOC。編碼、解碼過程參考p65的圖3.5，可能預測的編碼不屬于任何一類，即“出錯”，但只需找到最接近的一類將其歸入，這就是“糾錯”的過程。

前面的分類都有一個共同的基本假設，即不同類別的訓練樣例相當。但是現實中“類別不平衡”的情況，即分類任務中不同類別的訓練例數目差別很大的情況。這種情況下利用原始數據進行訓練，可能讓學習機將所有樣本都分為數量上占絕對優勢的一類來降低訓練誤差。特別若是訓練集是真實樣本無偏采樣的假設不成立時，問題會更加突出。對于這種情況，我們可以采用“欠采樣”、“過采樣”、“閾值移動”。

4機器學習第四章：決策樹

決策樹是一種常見的機器學習方法。一般的一顆決策樹包含一個根節點、若干個內部節點和若干個葉節點。葉節點對應于決策結果其他每個節點對應于一個屬性測試；每個節點包含的樣本集合根據屬性測試的結果被劃分到子節點中；根節點包含樣本全集。根據p74圖4.2可知，有三種情況會導致遞歸返。

1、節點包含的樣本標記都相同。

2、節點內樣本屬性都相同。

3、節點內沒有樣本了。在算法中，最關鍵的是要如何選擇最優劃分屬性。我們希望決策樹的分支節點包含的樣本盡可能屬于同一類標記，即節點“純度”越來越高。

“信息熵ENT”（p75 式4.1）是度量樣本集合純度最常用的一種指標（ID3決策樹）。選擇劃分屬性時我們可以計算出假設劃分每個屬性a所對應的“信息增益Gain”（p75 式4.2），選擇信息增益最大的屬性來劃分，因為這意味著“純度提升”越大。

但是增益準則對選擇可取數目較多的屬性作為劃分對象有所偏好，為了平衡我們引入屬性的“固有值”概念以及“增益率”的概念，增益率準則對可取數目較少的屬性有所偏好。故一種啟發性選擇是從信息增益高于平均水平的屬性中選陣容增益率最高的。此外還有基尼指數（CART決策樹）可用來度量純度，選擇劃分屬性。

那么為了緩解“過擬合”問題，在決策樹學習中我們通常采用“剪枝”的手段。剪枝可分為“預剪枝”和“后剪枝”。

“預剪枝”方法采用測試集驗證剪枝前后的精度，只有精度提高才允許劃分。此法可以降低過擬合風險，還顯著減少了決策樹德訓練時間開銷和測試時間開銷，但也帶來了欠擬合的風險。

“后剪枝”方法首先需要訓練一棵完整的決策樹，然后再由葉至根地對決策樹進行剪枝，這種方法通常比預剪枝保留更多的分支，一般情況下“后剪枝”欠擬合風險小，泛化性能優，但訓練時間開銷大得多。

前面討論的都是離散的屬性值，那么為了處理連續的屬性值，我們應該采用“二分法”進行處理（C4.5決策樹）。若有n個元素，則我們考慮采用n-1個中位點作為候選劃分點，來計算信息增益，選擇劃分點。另外，若當前節點劃分的屬性為連續值，其后代仍可對此屬性進行劃分。

再來討論如何對“有缺失屬性值的訓練樣例”來進行劃分。我們可以利用每個屬性中未缺失屬性的樣本和其占該節點樣本比例來計算GAIN選擇劃分屬性（p87 式4.12）。在劃分缺失該劃分屬性的樣本時，以不同權值將該樣本劃入子節點，相當于將一個樣本“分割”。

繼續擴展，我們可以考慮，現在每個節點的劃分我們都是基于單一屬性值來進行的。但在學習類似p91圖4.12 這樣的分類任務時，會相當復雜，故我們可以考慮，將節點由“單變量決策”轉為“多變量決策”，將“軸平行決策樹”轉化為“斜決策樹”甚至更復雜的決策樹。（未深入學習）

5機器學習第五章：神經網絡

神經網絡是具有適應性的簡單單元組成的廣泛并行互聯的網絡，他的組織能模擬生物神經系統對真實世界作出的交互反映。

“M-P神經元模型”，神經元接收到來自n個其他神經元傳遞過來的輸入信號，這些輸入信號通過帶權值的連接進行傳遞，神經元接收到的總輸入值將于神經元的“閾值”進行比較，然后通過“激活函數”處理以產生神經元的輸出。將這樣的神經元按一定的層次結構連接起來，就得到了神經網絡。

“感知機”由兩層神經元組成。輸入層接受外界信號之后傳遞給輸出層，輸出層為M-P神經元。在y?f(?iwixi??)這個簡單的公式中，我們可以將θ視為一個固定輸入為-1的“啞節點”所對應的連接權重wn?1，這樣閾值和權重的學習就可以統一為權重的學習（這在矩陣運算中尤其突出）。學習過程是通過錯誤的程度對權重進行調整。

感知學習機只能解決線性問題，那么要解決非線性可分問題，則必須考慮使用多層神經網絡。常見的神經網絡是形如p101圖5.6 的層級結構，每層神經元與下一層神經元全互聯，神經元之間不存在同層連接，也不存在跨層連接，這種神經網絡結構通常稱為“多層前饋神經網絡MLFNs”。其輸入層神經元僅是接受輸入，不進行函數處理，隱層與輸出層包含功能神經元。

神經網絡的學習過程，就是根據訓練數據來調整神經元之間的連接權；換言之，神經網絡“學”到的東西，蘊藏在連接權與閾值中。

欲訓練多層網絡，簡單感知機學習規則顯然不夠了，需要更強大的學習算法“誤差逆傳播算法BP”就是其中最杰出的代表。如p102的圖5.7所示的網絡，有（d+l+1）q+l個參數需確定。BP算法基于“梯度下降”策略以目標的負梯度方向參數進行調整。

對于每個訓練樣例，現將輸入示例提供給輸出層神經元，然后逐層將信號前傳，直到產生輸出層的結果；然后計算輸出層的誤差，然后將誤差逆向傳播至隱層神經元，最后根據隱誤差對連接權和閾值進行調整，迭代過程循環進行。（具體迭代的數學計算過程還不是很明白）

“標準BP算法”每次僅針對一個訓練樣本更新連接權和閾值，而“累計誤差逆傳播”是每學習一輪才更新一遍參數，降低參數更新的頻率。

已經證明只需一個包含足夠多神經元的隱層，多層前饋網絡就能以任意精度逼近任意復雜度的連續函數（如何設著隱層神經元個數仍是未決問題，實際中通常依靠“試錯法”）。由于其強大的表示能力，BP神經網絡經常遭遇“過擬合”問題。有兩種策略可以用來緩解“過擬合”。

1、早停，思想與決策樹的剪枝無二致。

2、正則化：在誤差目標函數中增加一個用于描述網絡復雜度的部分。例如連接權和閾值的平方和，使網絡輸出更加光滑，來緩解過擬合。如p107 式5.17。

其余常見的神經網絡還有RBF網絡、ART網絡、SOM網絡等。由于之前的聚類學習中接觸無監督學習比較多，故只看了其中關于“自適應諧振理論網絡ART”和“自組織映射網絡SOM”的內容。競爭型學習是一種神經網絡中常用的無監督學習策略，在使用該策略時，網絡的輸出神經元相互競爭，每一時刻僅有一個競爭獲勝的神經元被激活，其他神經元被抑制。這種機制稱為“勝者通吃”原則。

ART網絡由比較層、識別層、識別閾值、和重置模塊構成。比較層接收樣本，將其傳遞給識別層，（識別層每個神經元對應一個模式類）計算輸入向量與識別層的相似度，歸入相似度最大且大于閾值的識別層神經元，同時更新連接權；若相似度都不大于閾值，則增設一個新的神經元，代表向量就為當前輸入向量?？梢?，識別閾值作用很大，決定了分類的細致程度。

SOM網絡，能將高維輸入數據映射到低維空間（通常是二維），同時保持輸入數據在高維空間的拓撲結構，將高維空間中相似的樣本點映射到網絡輸出層中的臨近神經元。SOM網絡中的輸出層神經元以矩陣方式排列在二維空間中，每個輸出層神經元都擁有一個權向量，網絡在接收輸入向量后，將會確定輸出層獲勝神經元，它決定了該輸入向量在低維空間中的位置。

SOM的訓練過程：在接受一個訓練樣本后，每個輸出層神經元會計算該樣本與自身攜帶的權向量之間的距離，距離最近的神經元成為競爭獲勝者，然后最佳匹配單元及其鄰近神經元的權向量將被調整，以使得這些權向量與當前輸入樣本的距離減小。此過程不斷迭代，直至收斂。

前面介紹的神經網絡大多是以單隱層為例。理論上來說，參數越多、復雜度越高的模型能完成更復雜的學習任務。隨著云計算、大數據時代的到來，計算能力的大幅提高可以緩解訓練的低效性，訓練數據的大幅增加可降低過擬合風險，于是以“深度學習”為代表的復雜模型開始受到人們的關注。神經網絡的提高容量的方法就是增加隱層的數目和層數。（關于深度學習只是提到一個概念，可以繼續學習專門介紹深度學習的文章）Extreme Learning Machine

首先，極限學習機ELM是針對BP學習速度緩慢提出的。BP學習速度緩慢主要是由兩方面原因造成，一是“梯度下降”迭代策略本身的性質問題；二是每一次迭代的過程中，大量的參數（連接權、閾值）都需要參加迭代。ELM的主要優勢在于，它可以隨意設定隱藏層的連接權、閾值，忽略輸出層偏置，然后通過數學分析，一次確定最優的輸出層連接權。過程無需迭代，速度極快。

在引言中提到，文獻《Universal approximation using incremental feedforward networks with arbitrary input weights 》中證明，SLFNs只要激勵函數滿足無限可微，理論上即使是隨機生成的任意wi和bi其值固定不變，具有N個不同樣本，包含N個隱含層神經元的SLFNs的訓練誤差依然可以無限接近零。作者以此作為隨機產生wi和bi的依據。但這并不表示這隨機產生的不會對學習結果造成影響，相反，這造成了學習結果有較大的隨機性和不穩定性。

文獻的第二部分緊接著對ELM中要使用的Moore-Penrose 矩陣廣義求逆（看不懂）和最小二乘解進行了介紹，同時證明了通過Moore-Penrose 求逆方法對Ax=y中A矩陣求逆得出的矩陣G，就是Ax=y對應的最小二乘法的解之一，同時它還具有所有解矩陣中范數最小的性質。這個性質，使得wi值較小，可以一定程度上緩解“過擬合”的問題，使得算法有較好的泛化性能，上面的Ax=y矩陣運算，就對應了ELM學習中的H??T。

介紹完ELM后，接著就是應用環節。文章應用了3個實例，以BP和SVM作為參照來證明了ELM的優越性。

第一個應用是利用加利福尼亞州的房子屬性對房子的價格進行預測，一共進行了50輪學習來取得平均效果。毫無疑問ELM在速度上占盡優勢，因為他不需要迭代只需要進行一次求逆，而BP每一輪都需要迭代8000次（訓練樣本數）。而且在效果上來說，ELM測試誤差還更小些。

第二個應用采取了“糖尿病預測”的二分類問題，第三個采取了“森林覆蓋類型預測”的多分類問題。結果都與第一個應用相似。（具體來說是怎么用ELM來產生離散的分類結果的？）

總體來說，例證環節的思路非常清晰。從“連續函數的回歸問題”到“二分類問題”再到“多分類問題”，令人信服。

ELM的優越性總結為以下幾點：

1、速度快

2、泛化性能好

3、因為沒有迭代過程，不要求激勵函數可微。

4、省去了一些復雜的參數比如學習率。Outlier-robust extreme learning machine for regression problems 這篇文獻針對ELM對離群點（異常數據）敏感的問題提出了一種改進的“離群點魯棒性極限學習機”(ORELM)。

文獻指出，目前所有的ELM及其變體都是采用“二范數”的目標函數來對學習機進行訓練的，但是“二范數”會放大離群點所帶來的誤差。因此此文獻采用了“一范數”的目標函數來訓練學習機，因為一范數對于異常數據的有更好的魯棒性。另外為了得出目標函數的最優解，文獻采用了增強的拉格朗日乘數法（ALM）來迭代求解。（還未理解此乘數法的具體數學過程）

文獻第二部分，介紹了兩種極限學習機的變體。分別是正則化極限學習機Regularized extreme learning machine(RELM)，和基于RELM提出的權重正則化極限學習機Weighted regularized extreme learning machine(WRELM)。RELM的提出是為了在ELM的基礎上提高泛化性能，故在目標函數中添加了一個關于連接權矩陣二范數的正則化項，其余沒有改變。WRELM則是在RELM運算結束后，將每個樣本帶入網絡求出對應偏差，高偏差的樣本將被賦予小權值，借此提高魯棒性。然后重新利用RELM進行學習，得到最終結果。

文獻指出了WRELM存在的問題，一方面很依賴RELM，另一方面當不存在離群點時，好的樣本點的權值也會受到影響。

接著文獻就提出了利用1范數作為目標函數的ORELM。這是一個帶約束的凸優化問題，可以利用ALM方法進行迭代求解。文獻提出，當數據存在異常時，ORELM有最好的魯棒性，具有實用性。

應用環節也是采用了三個實例對方法進行驗證。一是利用函數SinC對帶有離群點的數據進行回歸學習。對比了含有10、20、40、80個離群點的訓練集的回歸效果，還分為固定偏離值的離群點和某區間內任意偏離值的離群點兩種情況。（這里說的偏離都是標記值的偏離，沒有討論屬性值的偏離）二是利用乳腺癌良性惡性的二分類問題來進行學習。顯然ORELM的精度更高，這一點在“受污染數據”比例上升后更加明顯。

ORELM的優越性表現為：

1、計算速度較快，雖然比ELM慢很多，但比WRELM快。

2、面對含有異常數據的樣本集時學習的魯棒性比較強，比文獻綜述提及的其他ELM變體都要強。

第二篇：第一期學生會學習總結活動策劃

第一期學生會學習總結活動通知

旅游與資源環境學院

城市與建筑工程學院

指導老師：胡新華 組長：主席團成員 成員：學生會各部部長

活動方式

1.召開“第一期學生會學習總結座談會”

時間：2013年10月31日(周四)晚7:00

地點：2404

主持人：徐玲玲

會議內容：

第一項，由每位學生會成員針對九、十月份的工作進行

自我總結；

第二項，根據兩個月的工作，對學生會成員的工作或者個人問題提出意見和建議；

第三項，集體討論總結，對前期工作的不足提出解決方案，并對后期工作提出要求與目標。

注意事項：

(1)由辦公室負責會議記錄并形成材料儲存

（2）所有參與成員必須嚴肅，真實深刻的總結反省自己，切實際的表達自己的想法，不可敷衍了事

（3）認識到本次活動的目的是幫助同學進步，注意語言的表達，提意見時不得帶有個人感情或偏見 2.整理個人總結，手寫版并存檔

時間：2013年10月25日--10月31日

總結內容：包括個人收獲、優點、不足以及對學生會工作的了解程度與遇到的問題等

注意事項：

（1）由辦公室負責收集，反饋給老師及組長查看后，整理存檔

（2）必須正確認識總結的必要性，借助這次機會認真的審查自己，反省自己，充分利用好提高自己的機會，不可敷衍 3.舉辦“提出我想法，構建學生會”意見征集活動

活動對象：旅游 城建學院全體學生

時間：2013年10月29--10月31日

征集方式：

（1）發送郵件至：894118264@qq.com

（2）大一至大四各班班長匯總并上交至辦公室徐夕博處

（3）寫信交至小辦公室（每天上午9:50-10:10）

提議內容：

（1）對學生會工作的不滿及問題，監督學生會干部的行為

（2）對學生會舉辦活動的意見，或者提出可行性的與專業有關的活動

（3）表揚優秀學生會工作者或者可繼續發揚舉辦的學生會活動

注意事項：

（1）各班班長強調本次活動的嚴肅性，不可針鋒相對，要切實際的提出自己的合理性建議

（2）對于不可公開的意見可發送郵件

（3）對于上交的意見及建議經過老師審核后，討論并作出決定

活動目的及意義

1.通過交流與討論，各成員各抒己見，增進學生會成員的感情，可更加深入的學習學生會各階段的工作，使后期工作能有條不紊的進行

2.能給每位學生干部自我反省與提高的機會，全面的認識自己的不足，認可自己的優點，在學生會的工作中不斷成長

3.讓大家有話可說，有話敢說，使學生會的建設更具有民主性，解決學生的實際問題

4.通過同學們的監督，提高學生會成員的自覺性，使學生會整體素質更上一層樓

最后，希望大家積極配合！

旅游與資源環境學院

城市與建筑工程學院

2013年10月25日

第三篇：集訓隊第一期總結

集訓隊第一期總結

不知不覺江農集訓隊第一期就這么愉快的結束了，還記得開幕當天，由于有隊員遲到我們整體受罰，A,C組男生俯臥撐150個，女生深蹲150個，B組男生俯臥撐80個，女生深蹲80個，而隊長們翻倍。這讓我很感動到，我們的綠源家長們無論何時都陪我們一起分享快樂、承擔痛苦。幾天后，我們開始了正式的集訓。大家都準備著演情景劇，而我們第二組由于組員沒來齊，劇本又得重新編寫，我們從沒想過我們臨時編寫的劇本會比得過別人?？墒亲詈笪覀円馔獾哪玫搅说诙?。我覺得我在其中得到了很多，首先隊友間要相互信任，其次即使我們不知道結果會是哪種，我們都不應該輕易放棄。即使我們失敗了，至少我們曾經努力過，沒有留下遺憾。

今天的集訓是第一期集訓的尾聲，我們這一次集訓內容是定向。在整個過程中，我們都很快樂與熱情，雖然多多少少有點小插曲，不過我覺得今天過得還是挺充實的?？傊?，在集訓隊中我收獲了很多，友誼、快樂、信念等等，還有就是我開朗很多了，認識了很多朋友，也不再沉默寡言，我能成為集訓隊中的一員我覺得很開心。

第四篇：CALIS第一期學科館員培訓班學習總結

CALIS第一期學科館員培訓班學習總結

李 冶

在《國家中長期教育改革和發展規劃綱要（2010-2020年）》及全國教育工作會議精神的指引下，CALIS建設項目三期將工作重心轉向服務。其中，根據我國高等學校建設世界一流大學的需求，學科化服務在高校圖書館服務中顯現出尤為突出的重要性。

為提升圖書館員的素養和學科化服務能力，CALIS管理中心委托上海交通大學圖書館于2010年11月21—26日在上海舉辦第一期學科館員培訓班。我作為吉林大學圖書館的一員參加了此次培訓。培訓班由海內外在學科化服務及其研究與實踐方面有較深造詣的學者組成師資隊伍，重點聚焦學科化服務的基礎理論和實踐，在院系聯絡、教學科研支持、學科專題服務、學科資源建設、學科服務技術與工具等方面進行強化訓練，具體培訓內容摘記如下：

一、學科服務概論

1.學科服務的意義與戰略思考

學科服務是以用戶為核心，通過學科館員，依托圖書館和公共信息資源，面向特定機構和用戶，建立基于科研與教學、多方協同、面向一線用戶的一種新的服務模式和服務機制。1.1學科服務的性質

1）一種新的服務模式。

直接融入一線用戶，為院系、教研室、實驗室、課題組或個人，提供個性化、專業化、知識化的服務； 2）一種新的服務機制。

為每個院系配備專職的學科館員，與院系圖書館（資料室）協同工作，責任到院系，服務到院系，創新到院系，考核到院系；

3）體現以用戶及其需求為中心。

從到館服務，到一線服務；從普遍服務，到個性化服務；從文獻信息服務，到知識服務；從場所服務，到泛在服務。

4）以提升為用戶的信息能力為目的。

優化用戶信息環境，提升用戶信息獲取與利用能力，為教學科研提供有力的信息保障和支撐。1.2學科服務的意義

學科服務是新信息環境下圖書館轉型的重要體現，是用戶信息服務的必然要求；學科服務是圖書館擺脫危機、重塑形象的突破口，是新信息環境下圖書館創新發展的出路；學科服務是圖書館價值、地位和作用的真正體現，是圖書館提升能力與貢獻的唯一選擇。1.3學科服務戰略思考

學科服務就是要以個性化的方式定制、重組、集成現有（但不局限于本校）的各種資源與服務，為服務對象所用；在服務過程中運用多種方式或潛移默化或宣傳講座提高用戶信息素質；成為重點科研團隊的CIO/CKO，自主創建深層次服務。2.國內學科服務存在的主要問題

（1）缺乏科學的規劃與設計

投入不足，缺乏有針對性的規劃和設計，學科館員數量偏少，層次不高，與其他業務環節協作不足，探索創新不夠。（2）服務的基點失衡

以圖書館（本館）為中心，而不是以用戶和信息需求為中心；以信息及其利用為中心，而不是以用戶及其科研過程為中心；以信息利用過程為中心，而不是以信息利用目的為中心。（3）主要是聯絡員的角色

仍然是信息中介，沒有融入科研教學過程，沒有成為科研教學不可缺少的伙伴，服務的深度不足，服務的吸引力和影響力有限。（4）系統性和協調性較差

學科館員責任不清，承擔多方面工作，也需要與多個方面協調，顧此失彼，學科館員的主體作用沒有充分體現出來。（5）考核方法簡單

學科館員工作不是看過程，而是效果。需要建立一套第三方參與的更客觀、由用戶主導的、側重于效果的考核評價和激勵機制。

二、學科服務模式與機制 1.學科服務主要模式

（1）建立一套發現用戶需求、了解用戶困難、推送信息服務的快速流暢的服務反應機制；（2）圖書館、資源、服務、工具的宣傳推廣；（3）全方位、立體式的參考咨詢；（4）系統的用戶信息素質培訓；（5）持續優化用戶的信息環境；（6）探索學科與課題情報服務。2.學科服務機制設計

（1）學科館員要有一定的數量

數量要適度；有數量才會有規模效應。（2）學科館員專職與兼職

專職能保障專心致志，全力以赴，但對人員能力的要求更高，適用于大型圖書館；兼職有利于整體業務協同，但可能相互干擾，顧此失彼，甚至兩敗俱傷，適用于中小型圖書館。（3）學科館員要循序漸進，從基礎做起

基礎服務包括溝通聯絡，宣傳推廣，用戶培訓，參考咨詢，定題服務，檢索查新等。深層服務包括信

息環境支撐，課題情報跟蹤，研究熱點與前沿分析，競爭對手（目標機構）分析等。（4）學科館員要加強團隊建設

學科館員不是一個人在戰斗。要形成團隊，要加強協同（其他學科館員、其他部門、用戶），建立項目和責任機制。

（5）需要館領導的強有力支持和其他部門的積極配合

要有明確的思想，有要總體謀劃，更要有堅強的意志力和執行力。（6）嵌入一線（辦公室、實驗室、到現場）具有不可替代性

嵌入一線可能會激發用戶的需求；嵌入一線才能拉近圖書館與用戶之間的關系；嵌入一線才能彰顯圖書館員的作用

（7）在普遍服務與深度服務之間尋求平衡

普遍服務是根基，是學科化服務的根本。在做好普遍服務的基礎上，還要加強服務的創新，尋求服務的深化，提升服務的層次，探索知識服務。（8）要加強以用戶滿意度為中心的效果考核

為多少用戶提供了服務？為什么樣的用戶提供了服務？為用戶提供了什么樣的服務？為用戶服務產生了什么樣的效果？

（9）大力加強學科館員的能力建設

學科館員應具有某一特定學科的碩士或博士學位, 有二到三年的高校圖書館的實際工作經驗, 且符合某特定崗位的其他要求, 例如掌握較多的計算機技能, 熟悉一種或多種外國語言, 能熟練運用定量和定性軟件來分析各種數據, 等等。

三、學科服務組織與管理 1.學科服務崗位設置與職責設計 1.1學科館員崗位設置的原則與方法（1）學科館員崗位設置的原則

a按學科設崗原則；

b按需設崗原則，避免因人設崗；

c按發展設崗原則，從現實與發展兩個方面綜合設崗。（2）學科館員崗位設置的方法

a做好設崗前的調研工作：國內外圖書館學科館員設置情況，全校學科建設與院系設置情況，圖書館開展學科館員的條件等。

b做好崗位設置的初步方案論證：考慮一級學科的選擇，是否學科全覆蓋；將崗位設置納入全館整體崗位設置；備選方案。一般由主管館長牽頭完成。

c館務會研究通過崗位設置方案，充分討論，照顧大局，考慮細節。1.2崗位描述與崗位說明書

包括學科館員基本信息，學科館員崗位職責和工作任務，學科館員任職條件與要求等方面內容。1.3崗位聘任過程與方法

（1）制定聘任計劃：聘任實施方案，館務會研究通過；建立聘任執行小組，加強對聘任的領導與監督。（2）發布動員：公布崗位，公開程序，宣傳動員。

（3）崗位申報：應聘人員根據崗位的要求（崗位職責和工作任務、任職條件）和自身條件進行申報。（4）崗位競聘：申報者參加公平競爭，如述職、考試（筆試、面試）、答辯等，聘任執行小組根據程序考評。

（5）研究確定聘崗：考評組研究產生結果，考評結果向館務會匯報，館務會研究確定最終聘任。（6）實施聘任：公布結果，與有關部門負責人談話，與被聘人談話，簽定聘任合同，被聘人上崗。

2.學科服務規劃與績效評估 2.1服務規劃制定

包括業務發展規劃（基本業務：信息咨詢、信息素養教育、資源建設等，非基本業務：科研全程支持、教學全程支持等），管理發展規劃，分階段目標任務等的制定。2.2學科服務評價

（1）圖書館學科服務評價體系

對學科館員評價可依據聘任目標實施崗位考核，根據業務或項目分項評價，根據工作表現進行能力評價（業務能力、工作態度、創新能力），根據服務結果進行績效評價等。另外還要對學科服務整體進行評價。（2）圖書館學科服務評價方法

a評價指標：指標選擇

b評價程序：自我評價、相互評價、組織評價 c評價實施：定量與定性結合：評分確定、評分分析

d評價結果的處理：分值排序、考核評語、優秀獎勵、末位淘汰等 2.3績效評估

在學科服務初期以軟評價為主：定性考核為主，定量為輔；專職三方面（素質能力測評，工作量完成情況，服務滿意度）綜合評價，兼職選擇一二重點評價。在學科服務發展到一定階段以硬評價為主：專職以全面評價（服務效果，直接效益與間接效益，服務影響力，服務滿意度等）為主，兼職以服務效果評價為主。

3.學科服務規范與流程

3.1針對學科服務機構

學科服務管理規范主要有學科服務目標、學科服務布局、學科團隊組成、學科服務人員工作職責、館內支持協調辦法；學科服務工作規劃、學科服務工作流程及指導方案；評估考核辦法；官方宣傳資料（統一標識、名片、館長推薦函等）等內容。

服務規范有學科服務政策，以圖書館官方文件告示學科服務的范圍、內容、費用、人員及聯系方式，以及涉密保護原則等內容。3.2針對學科服務人員

主要包括學科服務人員的素質規范、行為規范、工作規范等。

4.學科服務團隊建設 4.1機構設置

機構因學科服務而孕、崗位因學科服務而生。以學科服務為主線的圖書館，其服務規劃均以學科服務而展開，每個部門、每個環節、每個員工的工作都應圍繞學科服務而進行。4.2學科服務隊伍組建

（1）個體模式（兼職、專職）

個體單一型：1個學科館員對應一個或多個院系，以兼職、專職學科館員擔任。特點：以宣傳溝通為主要職責，力求嵌入院系課題研究，協助研究團隊工作。成功與否與學科館員的努力直接相關，破冰艱難，破冰后較順暢。

院系協助型：除被聘學科館員外，在院系再設圖情專家/教師顧問，以1+1的方式協助學科館員開展工作。特點：以宣傳溝通、資源建設為主，通過院系專家的協助，使學科館員的工作較易打開局面。

友好相助型：學科館員之間友好相助、協同工作。特點：屬于“民間”協同，推進了個體模式向團體模式的轉變。（2）團體模式

固定型團隊模式：以1個學科團隊服務學科院系；學科團隊由學科館員、咨詢館員、輔助館員組成。特點：以學科館員負責制，賦予學科館員更多的職權，在工作中提高學科館員的管理能力。

互補型團隊模式：以2-3個固定型學科團隊組成，依據學科團隊成員的特長進行分工、確定職責，以各人之長開展服務。特點：科學、合理分工，不追求全能型館員，力求最大程度達到館員能力的共享。

可塑型團隊模式：設首席學科館員，以全局工作為重點，對學科館員為首的固定型團隊靈活重組，以適應任務的需要。特點：此種模式可全方位涉及學科服務的各種內容，從宣傳溝通、素養教育，到資源保障、深層情報研究服務。成功實施的關鍵是機制的保障。

拓展型團隊模式：與個體模式中的院系協助型相似，團隊模式組建也可獲得院系的支持，特別是科研團隊的支持，因此，此種模式也可稱為“嵌入型團隊模式”。由院系科研團隊委派1人參加圖書館的高級培訓，考核通過后聘任其為學科服務團隊的信息專員。信息專員的職責是做好所在科研團隊的學科服務工作，并接受學科團隊的考核和指導。特點：此種模式為學科服務嵌入科研的嘗試。

總結：個體模式可用于依據業務流程劃分的圖書館，以采訪館員、咨詢館員為主，其服務內容也因其工作性質而有側重。團體模式可用于分館制、學科系劃分的圖書館，因有學科資源等的支撐，較易組建服務團隊。

四、學科用戶研究與服務推廣 1.面向院系/用戶的分析流程和方法

學科信息用戶是圖書館特定學科資源與服務的利用者，是圖書館學科服務工作的服務對象。學科信息用戶分析的根本任務就是要了解用戶的信息服務需求，尋找學科服務的切入點和契合點，總結共性/規律性特征，將用戶分群（類型）、分層次，提供適需的、多樣的、高效的服務保障。對大學圖書館而言，學科信息用戶主要包括教師、學生及科研工作者。因此，對學科館員來說，學科信息用戶分析主要是分析和掌握所負責學科的教學體系，課程安排，任課老師，學生情況等；分析和掌握所負責學科的科研內容和項目，科研負責人，研究生情況。

學科信息用戶分析的基本方法是調研法，包括傳統方法：訪談法、問卷法、會議調研法、電話調查法、巡訪調查法、實驗法等；基于web的方法：電子郵件、電子問卷、實時chat調研、日志分析、客戶端用戶行為數據采集分析等。在學科館員實際工作中，訪談調研法和問卷調研法最常用，并經常相結合使用，會議調研法、電子郵件（問卷）也較為常用。無論采取哪種方法，學科館員都要善于捕捉零散信息（不完全信息），并及時進行整理、提煉和分析。2.服務破冰模式與實施策略

學科服務的關鍵是找準切入點（即“試點”），并依托特定載體進行，使試點發揮積極作用，最終產生以點帶面的作用。

學科服務破冰模式有推薦函、引薦會、服務站揭牌儀式、在院系設點、上門服務，現場為讀者答疑解惑等模式。

服務破冰實施策略：（1）選擇點面發展路徑

在圖書館整體支持下，選擇一個或若干專業、院系、或者典型學科用戶，與用戶聯合打造。（2）服務試點選取原則

選擇的試點單位或者試點用戶應具有一定的代表性及影響力，在試點后產生比較大的影響和帶動作用；用戶有較緊迫的信息需求，并有參與及互動的積極性；對承擔試點的圖書館員也有較高的要求，需要有主觀能動性、較強的業務技能和綜合素質、人際溝通能力和組織策劃能力、具有力求打造具有示范和引領作用的試點服務的熱情和信心。

（3）創推最佳實踐模型（Best Practice Model）

所謂“最佳實踐”，是指對學科服務試行以及正式運行過程中的成功經驗進行總結，找出最佳的服務目標實現方法與過程。通過最佳實踐的總結，可以實現創新的經驗、方法、技巧等知識的復用，降低再次服務創新的成本（包括時間、物質、人力等）；在最佳實踐基礎上進行再創新，能夠有效避免或減少失敗概率，達到將隱性知識顯性化，實現組織知識共享；使學科服務運行過程透明度增強，有利于發現問題，進行測評，減少服務過程中的隨意性和盲目性，發揮最佳實踐的示范借鑒作用和引導性。

（4）鋪設服務聯系網絡

建立學科館員制度的重要目的之一，就是促進圖書館與用戶之間的聯絡、溝通制度化。在表層，形成聯系用戶需求與反饋的全覆蓋網絡，成為連接讀者的“信息橋梁”；在深層，基于互動的學科服務網絡平臺，并成為讀者信任的“感情紐帶”。（5）聯合打造服務品牌

調動多方力量，盤活圖書館內外資源；統籌策劃，整體推廣；提升服務知曉度和影響力。3.學科服務宣傳模式

學科服務宣傳典型模式包括理念宣傳、形象宣傳、品牌宣傳、組合宣傳、立體宣傳等，宣傳推廣手段有海報、名片、宣傳單頁、視頻、網站、網絡社區、用戶會議等。

五、學科服務支持科研

學科服務支持科研行動綱領（Chris Bourg et al.《Support for the research process: an academic library manifesto》, OCLC 2009）：持續關注研究者需求變化，特別區分各學科及其出版環境的不同；為研究過程設計靈活的新型服務；將信息內容、服務和館員嵌入研究者日常工作流程并進行整合；成為信息導航專家，變查找資料為研究咨詢；重新評估崗位描述，確保館員具有支持科研的技能、教育背景和經驗；要意識到內容發現必定不限于圖書館并為之提供有效方法；聚焦獨特而核心的資源與服務，日常普通服務尋求合作完成；探索有效的方法不斷向學校高層說明圖書館對學術研究的重要性，為研究者提供無縫服務；為研究者一手數據集的辨識、長期保存及訪問獲取提供服務；通過合適的倉儲和保存服務，為研究者提供學術出版和發布平臺。

1.學科服務支持科研的內容 1.1學科信息環境（能力）優化

包括學科資源規劃、建設與發展，學科資源組織、揭示與整合，學科信息素養教育，學科研究咨詢，學科信息跟蹤，個性化推薦服務，數據服務，為學術交流服務，學術成果保存與管理等內容。1.2課題（項目）服務

包括課題研究咨詢，特定主題的信息查找輔導，查找特定課題的資料，特定課題的文獻調研（申請前），科技查新（申請中），課題跟蹤（獲得申請后）。1.3（學科）信息分析與情報研究

包括戰略情報研究，學科信息分析，學科發展態勢分析。2.學科服務支持科研實施綱要

（1）本校學科發展戰略目標是學科服務支持科研的核心依據；（2）研究人員的需求決定服務的內容和方式；（3）圖書館有義務引介本領域的國際前沿方向；（4）需要全館各部門的通力合作；（5）需要特定工具的支撐。

3.學科服務支持科研的方法 3.1數據服務

包括資源保障，查詢與獲取，培訓與指導，利用與分析，軟件與工具，管理與共享等。3.2機構庫建設

包括需求調研與分析，宣介推廣（設計準備宣介推廣材料，發送宣介文本，舉辦說明會等），輔助內容管理（培訓、元數據管理、上傳記錄、維護社區等）。

六、學科服務技術、系統總覽 1.學科服務系統和平臺 1.1學科門戶網站

功能要求有：

學科信息導航：建立覆蓋國內外本學科權威專業信息資源的規范導航系統；

學科信息橫向整合：橫向整合本學科專業領域的各種文獻信息數字資源系統，逐步實現同構和異構數據庫的整合檢索；

學科信息縱向整合：縱向整合本學科專業領域文獻信息數字資源系統，逐步實現不同文獻類型數據庫間和不同信息服務系統間按照用戶信息檢索或利用流程開放地無縫鏈接；

開放機制：建立開放的原數據描述，逐步建立開放的知識組織體系描述和信息框架描述，逐步支持開放界面、開放用戶管理、個性化定制和開放式集成；

運營機制：建立可靠的長期運行管理機制。1.2信息素養教育平臺（1）課程與培訓

功能包括信息發布，網絡學習，信息素養能力測評，教學效果評估等。（2）校級平臺（課程）

校級教學管理平臺。功能模塊：教學管理、課程表、考試安排、成績管理、評教管理、PRP、個人設定。

網絡教學平臺。功能模塊：創建課程網站、用戶管理、教學資料管理、課程互動等。

通過校級教學管理平臺進行教學管理，了解評教結果；通過網絡教學平臺創建信息素養教學網站，和學生進行課程互動，同時亦可將此平臺作為信息素養網絡學習的平臺。1.3學科資源導航系統

提供相關學科的網站信息資源，幫助師生快速、準確地獲取所需的相關權威機構、出版物、專家、學術動態等信息

1.4知識共享系統—LibGuides

系統特點：

融合了社會網絡、維基、書簽及博客等眾多web2.0工具，具有鮮明的Lib2.0特征，又稱Lib2.0知識共享系統；

圖書館員可以利用此系統，將圖書館的各種資源組織成一個個“指南”，在該系統中發布并呈現給用戶； 指南可以是任何內容，任何主題（學科指南，信息門戶，研究技巧）； 集Facebook、Twitter及LibGuides Widgets于一身。1.5學科服務管理與咨詢服務

用戶信息管理，如登記、聯絡、需求匯總到成效反饋在同一個系統中有機結合和體現，學科館員能有效掌握用戶信息及需求。

為院系師生提供“無處不在”的參考咨詢服務，整合各類咨詢問題案例，形成知識庫，并嘗試提供科研咨詢服務。

1.6一站式資源發現與獲取平臺（1）Google及Goolge Scholar Google：功能強大，易用性最強，搜索速度快；Google Scholar：專門針對學術資源的搜索，主要包括很多期刊文章、圖書、會議錄等。（2）異構數據庫統一檢索系統

有CALIS統一檢索系統，商用跨庫檢索系統：Metalib/SFX、TPI等。（3）一站式資源發現與獲取系統

有Primo，AquaBrowser，Encore等。1.7科研支持平臺

包括Web of knowledge平臺，Scopus平臺，TDA，Endnote等科研分析、管理工具，機構倉儲（學術機構庫），Research Output等。2.Web2.0技術與工具

Web2.0是一種以用戶為中心的網絡技術與服務，它追求平等、互動、用戶參與、嵌入用戶環境的交流體驗，主要代表有Wiki、Blog、Tag、RSS以及SNS。Web 2.0技術的主要內容是：垂直搜索、社區、專業化、用戶行為感受以及用戶自己制作內容。

圖書館基于Web2.0的服務功能包括：RSS（定制各類信息），Blog（學科博客），Maillist（郵件定制），SMS（短信提醒服務），Toolbar（IE工具條），IM（MSN機器人），RSS+IM，思源探索：標簽、投票、書評等。

學科服務在我國尚屬一項新興服務，還處在不斷嘗試、探索，并與用戶需求逐漸對接和磨合的過程。以上為走在前列的圖書館同仁們在學科服務工作中進行了一系列創新實踐，總結出的許多寶貴經驗，供其他圖書館同行學習、借鑒。通過本期學科館員培訓班全面系統的學習，我對學科服務有了更深層次的理解，同時也提高了自身的信息素養和學科化服務能力，為實際開展學科服務工作打下了堅實的基礎。

2010.12.06

第五篇：第一期黨課培訓班總結

第一期黨課培訓班總結

在舉國上下共同慶祝建黨90周年之際，我校第一期黨課培訓班也即將圓滿結束，這可以說是我校學生思想政治培養教育的一項重要舉措。本期黨課培訓班是我校自2006年恢復獨立辦學以來的第一期培訓班。在校黨委的大力支持和正確指導下，在黨群工作部、校團委、學生工作部等部門的密切配合下，在全體學員的共同努力下，經過4個多月的培訓，終于在今天即將畫上一個完滿的句號。在這里，我們對此次黨課培訓做一個總結。總結如下：

一、把好“入口”關。本次培訓班在組建時，就注意嚴格把關，先由本人寫出申請，然后經班主任或支部書記推薦，黨群工作部、團委、學生科審核，黨委審批，才最終確定了第一期黨課培訓班的名單。其中學生52人，青年教工9人，共計61人。

二、培訓內容豐富，形式多樣。在制定培訓內容時，黨群工作部 和團委經過多次研究，結合我校學生的特點，決定在培訓中打破以往只注重理論學習的慣例，在內容和形式上更加注意豐富和多樣，在共計5次的授課中，理論學習2次，觀看愛國教育影片2部，參觀愛國主義教育基地——紅星村1次，使學員們從不同方面和不同角度對黨有了更進一步的了解，更加熱愛我們偉大的黨，偉大的祖國。

三、加強管理和考察，嚴把“出口”環節。黨課培訓班是培養優秀分子和后備力量的地方，在開班之初及開班的過程中，校黨委領導就多次明確指示，要嚴格把關，寧缺毋濫。我們遵照校領導的指示精神，在考核的內容及形式上注意全面性，從黨史、黨章知識結業考試成績、班主任考評結果、黨課培訓班出勤情況各個方面對每個學員進行綜合評定，以上三項有一項不合格即不能取得結業證。最后，黨群工作部、團委、學生科、班主任專門在會議上對每個學生做出最后評定，確定了結業學生名單及優秀學員名單。

四、存在的不足

由于時間較短，我們在培訓內容及形式的安排上還不是很充分，有很多內容想增加進來但覺得時間不夠，比如請優秀畢業生或具有較高政策理論水平的專家來給我們授課等，在第一期黨課培訓班中沒有實現。在今后的黨課培訓中，我們將增加培訓時間，增加培訓內容。并不斷地總結經驗和不足，力爭把我校的組織培養、黨員發展工作，尤其是青年教工和學生黨員的培養和發展工作做得更好。為我校學風和教風的建設的深入開展做好思想保證。

中共遼寧省對外貿易學校委員會第一期黨課培訓班

2011年7月8日