国内外情报学领域研究方法汇整
国内外情报学领域研究方法汇整
研究方法分类：
方法总体类型是对研究方法的基础分类，从多维视角进行分类，具体有：
（1）类型Ⅰ：划分为定性和定量
定性：是对研究对象进行“质”的方面的分析。具体说是运用归纳和演绎、分析与综合以及抽象与概括等方法，对获得的各种材料进行思维加工。通过发掘问题、理解事件现象、分析人类的行为与观点以及回答提问来获取敏锐的洞察力。
定量：将问题与现象用数量来表示进而去分析、考验、解释从而获得意义的研究方法和过程。
（2）类型Ⅱ：划分为归纳和演绎
归纳：由个案或系统资料中找出一般性的法则。
演绎：由已知事实或理论来推导出新的理论或个案。
（3）类型Ⅲ：划分为通用和专用
通用：各学科领域或多个学科领域都常使用的方法。通常具有一定运用的普适性，并已在不同学科得到可靠性和实用性检验。
专用：某一学科领域（本研究为图书情报学）的专门研究方法。一般由相关学科领域创立并发展，并未广泛扩展运用于其它学科领域。
（4）类型Ⅳ：划分为实证和非实证
实证：建立在客观素材和数据基础上的研究，该方法认识客观现象，向人们提供实在、有用、确定、精确的知识研究方法，其重点是研究现象本身“是什么”的问题。实证研究法试图超越或排斥价值判断，只揭示客观现象的内在构成因素和因素间的普遍联系，归纳概括现象的本质及其运行规律。
非实证：实证研究法以外的各种方法，一是强调社会现象不同于自然现象，反对把自然科学方法绝对化；二是突出社会行动者的主体性、意识性和创造性，反对把人当作非人格的物化现象。
（5）类型 V：划分为实验和非实验
实验：在妥善控制变量的情况下，探讨自变量对因变量的影响的方法，是一种在为某种特定目的而设计的情境之中进行观察或资料搜集的过程非实验：不能操纵自变量，并且在收集资料的过程中不对研究对象进行干扰或有意控制的研究过程。
具体研究方法汇总：
（1）公式推演(formula derivation)：依照数学分析的公式推导。
（2）描述性统计分析(descriptive statistics)：研究随机变量变化综合特征，例如均值、方差等等。
（3）相关分析(correlation analysis)：描述两个变量之间关系的密切程度，反映的是当控制了其中一个变量的取值后，另一个变量的变异程度。
（4）回归分析(regression analysis)：研究一个或多个因变量与一个自变量之间是否存在某种线性关系或非线性关系的一种统计学分析方法。
（5）方差分析(Analysis of Variance, ANOVA)：从观测变量的方差入手，研究诸多控制变量中哪些变量对观测变量有显著影响，以及对观测变量有显著影响的各个控制变量的不同水平，进而对控制变量各个水平的交互搭配时对观测变量影响的程度进行剖析。
（6）时序分析（time series analysis）：通过比较不同指标的时间系列数据和变化，揭示长期趋势及其变化规律。
（7）因子分析(factor analysis)：通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个“抽象”的变量来表示其基本的数据结构。
（8）聚类分析(cluster analysis)：根据事物本身的特性，按照一定的类定义准则，对所研究的事物进行归类。
（9）内容分析(content analysis)：对文字、语音、图片等定性材料通过分类、编码等方法进行定量分析的手段，包括对记载下来的人类传播媒介的研究，如书籍、网站、绘画和法律文书。
（10）结构方程(structural equation modeling, SEM)：结构方程模型是一种建立、估计和检验因果关系模型的方法。模型中既包含有可观测的显在变量，也可能包含无法直接观测的潜在变量。结构方程模型可以替代多重回归、通径分析、因子分析、协方差分析等方法，清晰分析单项指标对总体的作用和单项指标间的相互关系。
（11）社会网络(social networks)：社会网络分析被用来建立社会关系的模型，发现群体内行动者之间的社会关系，描述社会关系的结构，研究这种结构对群体功能或者群体内部个体的影响。
（12）历史分析(historical analysis)：指作者考察的视野和顺序与思想史进程的时间序列相一致的一种分析方法。
（13）案例分析(case analysis)：研究者通过发掘、了解、认清、衡量案例的事实，并进行分析与验证，找出事实真相，提供他人对该事件的客观了解。
（14）人类学方法(anthropological method)：通过实地观察或者参与来理解某一社会现象的方法。
（15）诠释学方法(hermeneutical method)：处理文本或社会现象的意义，强调没有一个超然于具体处境的立足点，所有研究都必须从研究者身处的社会文化传统所提供的前见或先前判断作为出发点，经由部分与整体之间不断往返的诠释循环，逐步克服文本或社会现象的陌生性。
[1]对于传统的情报分析方法和大数据背景下的分析方法做了总结如下：
[2]中对信息可信度从不同角度进行评估，考虑的是信息发布平台，用户以及信息本身的特征，并指出了将来可能的研究方向。
1.基 于 平 台 特 征 的 评 估 方 法
基 于 上 述 信 息 来 源 及信息 中 介 的 影 响 因 素 分 析 ， 网 络 信 息 平 台 具 有 大 用 户 基 数 和 较 高 的 人 机 接 触 频 率 的 特征 ， 此 外 ， 还 有 基 于 用 户 关 系 网 络 、 品 牌 认 知 度 、 或 使用 习 惯 的 独 占 性 等 特征 。
2.基 于 用 户 特 征 的 评 估 方 法
依 据 上 述 信 息 接 收 者 方 面 的 影 响 因 素 ， 可 知 用 户 特 征 有 用 户 属 性 特 征 和 用 户 行 为 特 征 。 用 户 属 性 特 征 从宏 观 与 微 观 的 角 度 可 划 分 为 两 大 类 ，其 一 是 广 大 网 民 用 户 均 具 备 的 人 口 统 计 学 变 量 特 征 ， 包 括 性 别 、 年 龄 、 受 教 育 程 度 、 收 人 等 ； 其 二 则 是 在 社 交 环 境 中 突 出 的 用 户 属 性 ， 有 用 户 的 粉 丝 数 、 关 注 数 、 访 问 量 和 发 文 量 等 ； 而 用 户 行 为 特 征 就 主 要 体 现 为 用 户 的 网 络使用 、 网 络 依 赖 等媒 介 素 养 。
3.基 于 信 息 特 征 的 评 估 方 法
社 交 媒 体环 境 下 ， 网 络 信 息 具 有 多 源 异 构 、 层 次 嵌 套 、 动 态 更新 等 特 征 。
可 能 研 究 方 向：
（ １ ） 基 于 概 率 测 度 论 构 建 网 络 信 息 可 信 度 的 测 度 指 标数学上 ， 测 度 （ Ｍ ｅａｓ ｕ ｒｅ ） 是 一 个 函 数 ， 它 为 一 个 给 定 集 合 的 某 些 子 集 指 定 一 个 数 ， 这 个 数 可 以 比 作 大小 、 体 积 、 概 率等 。 测 度 是把 数 字 和 符 号 分配 给 现 实 世 界 对 象 的 属 性 ， 根 据 明 确 定 义 规则 来 定 义 它 们 。 运 用 测 度 ， 人们 能较好 地 理解 建 立 质 量 模 型 的 属 性 ， 并评价 所 建立 的 模 型 的 质 量 。 虽 然 网 络 信息 可 信度 的 度 量 不 是 绝 对 的 ， 但 测 度 的 建 立 提 供 了 基 于 一 套 清 晰 定 义 规 则 的 系 统 方 法 来 评 价 网 络 信 息 可 信度 的 方 法.
（ ２ ） 基 于 社会 化媒 体 特 征 构 建 海 量 动 态 的 随 机 抽 样 方法通 过 大数据 分析 的 场 景识别 方法 进 行 相 关信息的 聚 焦 ， 进 而 完 善传 统 的 实 验及 问 卷 调 査 评估 方 法 。 以 某 种 概 率 规则 选 取 具 有 代 表 性 的 样 本 ， 或 是 加 强 人 机 协作 ， 利 用 计 算 机 在 大 数 据 环 境 下 搜 取 相 关 信 息 ， 进 而 完 善 传 统 的 实 验 及 问 卷 调 查 评估 方 法 。
（ ３ ） 基 于 社会 化媒 体 特 征 构 建 用 户 参 与 的 可 信 度 评估模 型 网 络 信 息 的 虚 拟 性 使 得 信 源 验 证 方 法 无 效 ， 如 果 基 于 用 户 主 动 参 与 的 特 征 ， 利 用 用 户 的 评 价 行 为 结果对 网 络 信 息 内 容 进 行 可 信 度 评 估 ， 可 能 是 社 会 化媒体环 境 下 信息 可 信 度 测 度 的 有 效 途 径 。 样 本 属 性 的 缺 失 使得 一 些 定 量 评 估 方 法 失 效 ， 如 果 运 用 先 验信 息 及 关联 信 息 进 行 迁 移 学 习 或 协 同 分 析 ， 以 弥 补 样 本属 性 确 实 的 不 足 ， 可 能 是 大 数 据 环 境 下 网 络 信 息 可 信 度 测 度 的 有 效途 径 。
（ ４ ） 基于 参 与 者 经 验 及 行 为 结 果 自 下 而 上 构 建 可 信度 标 准 数 据 库 如 何 基 于 用 户 生 成 内 容 （ Ｕ ＧＣ ） 所 形 成 的 相 关 行 为 结 果 ， 如 社会 化 标 注 、 评 价 所 形 成 的 数 据 集 ， 运 用 大数据 分析 的 相 关 技 术 及 模 型 ， 识 别 相 关 网 络 信 息 要 素 的 场 景性 内 在 逻辑 关 系 ， 构 建 场 景 性 、 领 域 性 的 语料库 ， 并 根 据 场 景 领域 动 态 变 化 ， 实 时 调 整 相 关 的 语料 库 ， 可 能 是社会化媒 体及 大数 据 环 境 下 ， 网 络 信 息 可 信度 评估 及 测 度 的 有 效 途 径
[3]中阐述了在不同领域对信息可信性判断方法：
在 计 算机学科领 域，马 伟 瑜通过量化网页信息的交互结构、隶 属 网 站、主题相关度以及时间等因素，基于改 进 的 ＰａｇｅＲａｎｋ算法计算网页信息的可信 度；李 璐 旸基于信息源及信息传播转载的特点，设计了两层特征空间来从网络文本信息中抽取可信信息候选集，并通过信息源可信度分类和信息的可信度计算获取可信信息；钟诚 等基于本体概念分析了对信息本身所含概念的可信度，发布信息结点的可信度以及其他结点对该信息的可信度的影响，探讨了网络文本信息的可信评测与计算等问题。
在信息科学领域，朱宁等从网络学术信息参考源的类型特征、判断依据和引用原则对其可信性进行了分析；同时也深入研究了影响网络学术信息的可信度感知的因素，包括信源可信度（文献的类型、档次、发布者或作者的知名度、作者所在单位的学术地位、项 目 资 助 情 况等）和信息内容可信度（用户需求的相关度、参考文献的相 关 度、时 效 性、被引用情况以及评价信息等）两个方面；郑智 斌 等学 者 以 网 络学术信息为视角，研究了网络学术信息的类型特征，可信判断依据和引用原则来考察网络学术信息参考源的可信度问题。
而 在 新 闻 传 播领域，刘琼针对网络新闻可信度问题，研 究了网络新闻的来源，发布的平台以及内容对网络新闻可 信 度 存 在 的 影 响；李 晓 静通 过 定性和定量研究，结合ＥＦＡ方法与验证性因子分析方法构建了中国“媒介可信度”测评指标；艾 青通过构建理论模型并采用结构方程模型检验了传播 者 专 业 性、动 机 及 相 似 性，接 收 者的网络涉入度、媒介依赖度等因素对网络口碑可信度的 影 响；李 念 武 等分析了正面和负面网络口碑可信度的影响因素以及如何影响消费者对商家的信任和购买行为，研究表明同嗜性、点评站点可信度以及信任倾向对正负面网络口碑均 有 显 著 影 响。
[4]中对国内外信息可信评估主要从定性和定量两个方面考虑,指出信息可信度评估方法大多采用自动评估:
主要采用定量研究法。比如，Olteanu 等 ( 2013) 在调查网页的各种特征 ( 文本内容、链接结构、网页设计等)的基础上，经过统计分析方法筛选出关键的特征，采用监督学习算法来推断网页内容的可信度。
评估方法主要有监督学习，统计分析，与可信信息来源的相似性比较，社交网络的链接结构分析与主题模型的利用等。它们主要采用自动评估，具体来说: ①选取的特征: 选取的特征主要是用户特征、文本特征、信息 传 播 特 征。比 如，西 班 牙 的 Castillo 和 智 利 的Mendoza、Poblete ( 2011) 选取用户特征 ( 如注册时间、粉丝量、好友量) ，文本特征 ( 如是否包含#标签、是否包含问号、Tweet 中包含的 UＲL 数量、是否转发) ，主题特征( 如带#标签 Tweet 的比例、Tweet 数量、Tweet 的平均长度、 Tweet 的平均情感分值、积极情绪或消极情绪的比例) ，以及信息传播特征 ( 如传播树的深度) ，采用 J48 决策树评估Twitter 信息的可信度。②评估的方法: 大多通过构建SVM 分类器、Bayesian 分类器、Decision Tree 分类器等方法，并对结果进行分类，以达到评估社交媒体信息可信度的目的。上例 Castillo 等采用 J48 决策树构建分类器，并对结果进行分类，从而评估 Twitter 信息的可信度。当然，也有通过对结果进行排序的实例，从而达到评估社交媒体信息可 信 度 的 目 的。比 如，Gupta 和 Kumaraguru ( 2012 )采用 Ｒank － SVM 与 PＲF 相结合的方法，按照可信度得分对 Twitter 信息进行排序。
大多采用问卷调查及专家访谈法进行人工评估。屈文建和谢冬 ( 2013) 从站点层次、版块层次、主题层次、内容层次 4 方面，采用模糊综合信用评估模型对网络学术论坛信息可信度进行评估。莫祖英等 ( 2013) 从微博信息量、信息内容质量、信息来源质量和信息利用情况等方面进行问卷调查，采用层次分析法构建微博信息质量评估模型。当然国内也有少量自动化评估的例子。比如，贺刚等 ( 2013) 引入关键词分布特征和时间差等新特征，基 于 SVM 算法来预测新浪微博信息是否为谣言。程亮等( 2013) 提出基于 BP 神经网络模型及改进其激发函数，同时引入冲量项，对微博话题在传播过程中演变为谣言进行检测。路同强 ( 2015) 采用半监督学习算法检测微博谣言，但不足之处在于未考虑信息的深层特征。
[5]中同样是对国内外定性和定量信息可信评估方法：
王一华指出信息可信度评估方法大多采用自动评估，主要选取用户特征、文本特征、信息传播特征；蒋盛益等表示现有的微博信息可信度分析方法主要有分类学习方法和排序方法；张婷以知乎信息为研究起点，采用数据起源方法从信息传播路径、用户以及媒介三个角度对其信息的可信度进行评估；李晓静将 EFA 与验证性因子分析方法相结合，采用定性和定量的研究来构建我国的媒介可信度测评指标；康再丽为评估医学健康类主题的博客的可信度和影响力，采用了内容分析法和社会网络分析法对健康主题下的 571 个博客数据对象进行了深度的探究；张迪为评估用户感知视角下的社交媒体信息可信度，采用回归分析法对样本数据进行分析。
Olteanu 等在调查网页的各种特征 (文本内容、链接结构、网页设计等)的基础上，经过统计分析方法筛选出关键的特征，采用监督学习算法来推断网页内容的可信度；Yin 和 Zhang 利用定量分析的方法，提出信息相关因素（论据质量、信息生动性、信息媒介属性），发布者相关因素（来源可信度）与微博信息可信度存在相关性，并设计了引导性问卷来验证假设；Westerwick 在研究网站信息的可信度时，提出了网站赞助商的可信度、网站页面设计的吸引力、以及搜索引擎有无谷歌排名等影响因素，设计了相关的实验（主实验和跟踪实验），并采用定量分析的方法对其进行分析验证；Liu 等在验证网站的信息可信度结构模型时，利用了优化分析的方法，运用动态规划、最小费用流公式、最大权重匹配算法等，以客观数据的形式来验证网站的信息可信度结构模型，并得到了该模型具有一定的可行性；Castillo 等尝试了很多学习算法，最终确定采用 J48决策树构建分类器，并对调查的结果进行相应的分类，从而评估 Twitter 信息的可信度；Gupta 和 Kumaraguru 采用 Rank—SVM 与 PRF 相结合的方法，按照可信度得分对Twitter 信息进行排序；Fritch 等利用 Whois、Nslookup 技术手段来检索网站的拥有者或者所属机构，并将此作为测评信息可信度的要素，再结合作者、文献、出版商等其他要素构建了网络文档信息可信度评估模型，并综合考虑网站的网页格式，发布文档的时效性等因素来评估网络文档的可信度。
[6]中认为可信评估的研究理论模型主要包括社交网络中的用户可信评估、网络信息中事件描述的可信评估，以及Ｐ２Ｐ网络网络节点的可信评估等领域。
在社交网络领域，Ｍａｓｓａ等人提出了“ＭｏｌｅＴｒｕｓｔ”模型。ＭｏｌｅＴｒｕｓｔ模型首先将社交网络中的数据构建成图结构，然后根据评估者和被评估者的之间的最短距离对原始的图进行拓扑排序，这样图结构就被转换成了一个有向无环图（ＤＡＧ），然后以ＤＡＧ为输入，利用基于四则运算的路径加权算法来计算被评估者的可信值。
在网络信息领域，Ｐｅｔｔｙ等人在提出了“精细加工可能性”模型。在“精细加工可能性”模型中，对网络信息的可信度评估可以从信息本身的质量以及其他外部影响因素来综合考虑。信息本身的质量可以从信息的相关性、有效性和完整性等角度来考量，信息本身的表现形式也是信息本身质量的重要度量指标：而信息的发布者、信息的来源等线索被认为是信息的外部影响因素。
在Ｐ２Ｐ网络领域，李小勇等人提出了一种基于多维决策属性的可信量化模型。在该模型中，对大规模可信网络中实体可信度量的时候，引入了直接可信度、间接可信度、激励函数、风险函数以及实体活跃度等度量指标，然后采用信息熵的理论来确定各个度量指标的分类权重，通过加权计算出实体在网络中的可信度。
[7]对国内外关于威胁情报信息质量评价的相关研宄分析，可以看出目前威胁情报可信度分析主要是基于信息可信度评价方法，而信息可信度研宄主要采用专家决策打分、自然语言处理和人工智能等方法。
传统的情报可信评价方法主要是基于证据推理综合或情报源层次分析等方法，具体方法有：在面向信息本身时，可信度模型一般以内容上下文分析或链接关系来建立；在面向信息源站时，可信度评价通常是基于网站的信任值或网站间的信任关系来计算；在面向用户时，信息来源于用户参与发布，其可信度经常从评分或投票、信任传播两个方面来评价。但在网络空间中，威胁情报的可信度评价是面向情报本身、情报源、情报用户三方，且情报源有匿名共享的需求，这与信任共享有冲突，需要保证情报源可信，而情报关联性和时效性对防御决策至关重要。
从研究对象来看，信息对象通常包括文本、图像及音频视频。对于这些信息，可信度研宄常引入自然语言处理、机器学习或图像处理等技术来提取特征因子建立评价模型。
从应用场景看，网络空间信息的典型应用场景包括单个网站、语义网、社交网、合作知识库、网络论坛。单个网站的应用场景一般考虑网站和网页内容真实性评价准则；语义网、社交网均为网状结构，属于信息共享网站，聚集网络空间中实体知识，其常用评价标准是建立信任网络和信任关系传递，比如通过用户的评价、打分制度评判可信度。
从产生过程看，信息的传播实体有信息本身、信息源以及用户。面向信息可信度评价主要包括：基于内容分析的可信度、基于信息关联的可信度，如著名的以超链接关系计算的网页排名算法ＰａｇｅＲａｎｋ算法；面向信息源的信息可信度，主要从独立网站的数据质量、网站所有者的权威性、领域特征来判断网站的可信度，并可以基于信息源之间的依赖特性，如相似依赖或相异依赖，来增强可信度评判。面向用户的可信度评价，主要是基于评分或投票的可信度以及信任传播的可信度进行判定。
[8]中指出传统的信息可信评估方法多为基于平台、媒介或用户特征的评估方法，分析方式少有对信息中实体本身研究，更缺少挖掘不同实体间可能存在的联系进行考量。
在网络信息可信评估的方法研究方面，对于网络信息可信度的甄别研宄，学者们提出基础的Ｃｈｅｃｋｌｉｓｔ方法，包括实效性、权威性、客观性、准确性和信息覆盖范围五大标准。Ｍｅｏｌａ设计网站评估情景模型，使用推广评议或编审过的资源、对比法比较所获取的网络信息与线下资源、验证法通过查找多个不同网站验证用户查询主题三种技术测评信息可信度。Ｏｌｔｅａｒｍ等调查网页文本内容、链接结构、网页设计等因素，通过统计分析方法筛选关键特征，采用监督学习算法判断网页信息的可信度。王燕等从信息内容质量和网络稳定性感知两方面，通过机器学习算法向量机模型对网络信息可行性感知进行仿真。
基于以上方面的研宄，社交媒体信息可信度研究方面的研宄包括对虚假信息本身的识别，如Ｑａｚｖｉｎｉａｎ等基于贝叶斯分类器对Ｔｗｉｔｔｅｒ信息的文本特征和微博元素特征进行建模，用以甄别信息本身的真伪。同时研究也包括对新闻真实性的研究，如Ｃａｓｔｉｌｌｏ等基于决策树模型，对用户特征、主题特征、文本特征等多方面进行综合考量，评估Ｔｗｉｔｔｅｒ中新闻的可信度情况。在网站信息研究方面，学者们提出不同的理论模型，Ｎａｇｕｒａ等通过对比不同页面的同一主题，通过对主题相似度的度量分析网页的可信度；Ｙａｍａｍｏｔｏ和Ｔａｎａｋａ以寻找可信网址的准确性和高效性作为评价标准，通过用户可信度评判模型对搜索结果进行重新排序；Ａｄｌｅｒ等给予文章字数、转载量及其作者声誉进行建模，计算维基百科中文章可信度。
对于可信度的评估结果的分析一直没有固定的角度及评断标准。从定性角度，有学者提出将可信度评估指标分为相关性、客观性、准确性、创新性、影响力、权威性、时效性、可证实性和通用性九方面考量。从定量角度，针对不同领域的具体情况，信息可信评估的评价标准也不尽相同，如对于网站信息可信度的评估中，胡红亮采用德尔菲专家调查法简历学术著作可信度的基本评价模型中，将信息源、信息加工、信息传播和信息应用作为主要的评价指标。潘勇和孔栋，从第三方机构的视角，构建电子商务网站信用评价指标体系并建立灰色关联信用评估模型。因此，针对不同情境下的网络信息新可信评估任务，具体指标需要研究人员从自身对该领域特质的理解出发，找到合适的信息可信性评价标准。
[9]中认为可信度评估需要考虑相对于人们的可信度判断和可信度背景，如环境，情况，期望等等。根据其他研究人员研究的可信度因素，可以确定影响对在线信息可信度感知的三个主要组成部分：
1.上下文，例如语言，主题，事件或在线平台的类型
2.在线平台上的可用功能（提示）
3.读者特征和认知启发式方法，例如在做出可信度判断时选择线索
为了收集这些可信度因素，研究人员采用了定量和定性研究。封闭式问题通常用于定量数据，其中提供一组特定的答案供参与者选择，而开放式问题则使参与者可以选择自由表达自己，从而产生定性数据。
在分析数据收集工作时，使用了不同的方法来评估可信度。统计分析是其中一种方法。分析可以描述性和推断性地进行检查。描述性分析主要是从用户研究中收集的数字的汇总过程，例如平均值，范围和频率。在推理分析中，数据被推广以显示研究中变量之间的关系并帮助进行预测。在可信度研究中，统计分析已被用于描述性分析和推断分析。
另一种于定量数据的评估方法是使用机器学习。机器学习使用算法从数据中学习，而不依赖于基于规则的编程，而统计分析使用数学方程式来学习数据中变量的关系。机器学习算法主要用于预测建模问题，因为计算机试图找出隐藏在数据中的模式。在可信度研究中，机器学习已被用于开发基于可信度特征的模型，预测在线内容的可信度，并对信息的可信度进行排名。
A. 用户研究
用户研究用于收集可信度判断作为基本事实，并探索可信度特征并研究用户特征和行为。在大多数研究中，受访者被要求对信息的可信度进行评分，并确定影响他们形成可信度感知的特征。
B. 统计分析
大多数关于可信度的研究都使用各种统计分析技术，如描述性和经典测试来证明他们的假设并发现可信度因素，作为其评估方法的一部分。一些研究使用两种类型的测试，而另一些研究则根据研究重点仅使用一种类型。
C. 机器学习
以前关于可信度的研究使用不同的监督学习算法来自动对可信度进行分类或排名。表III列出了以前使用算法进行可信度分类/排名准确性的研究。
[1]李超,周瑛,周焕,潘玮.大数据环境下情报分析方法与情报分析软件探讨[J].现代情报,2017,37(07):151-158+165
[2]李保珍,王亚.社交媒体环境下网络信息可信度评估研究综述[J].情报学报,2015,34(12):1314-1321.
[3]王平,程齐凯.网络信息可信度评估的研究进展及述评[J].信息资源管理学报,2013,3(01):46-52.DOI:10.13365/j.jirm.2013.01.010.
[4]王一华.社交媒体信息可信度评估研究综述[J].现代情报,2016,36(12):164-169.
[5]王海鸽. 突发事件下短视频信息可信度评价研究[D].河北大学,2021.DOI:10.27103/d.cnki.ghebu.2021.001271.
[6]程翔龙. 基于机器学习的威胁情报可信分析系统的研究[D].北京邮电大学,2019.
[7]李蕾. 网络空间中威胁情报可信度多维度分析模型研究[D].北京邮电大学,2018.
[8]李昀峰. 基于知识表示学习的信息可信评估方法的研究与实现[D].北京邮电大学,2021.DOI:10.26969/d.cnki.gbydu.2021.002082.
[9]S. M. Shariff, “A Review on Credibility Perception of Online Information,” 2020 14th International Conference on Ubiquitous Information Management and Communication (IMCOM), 2020, pp. 1-7, doi: 10.1109/IMCOM48794.2020.9001724.
国内外情报学领域研究方法汇整相关推荐
- 【论文写作】论文中研究背景、国内外现状、研究目标、拟解决的关键问题、创新性、研究意义要怎么写
文章目录 1.各部分概要 2.研究背景 3.国内外现状 4.研究目标 5.拟解决的关键问题 6.创新性 7.研究意义 1.各部分概要 论文的研究背景: 研究背景是论文的开篇之一,是介绍论文研究背景及现 ...
- 美国物理超级计算机,美国科学家在物理学的一个分支领域朝着开发超级计算机迈进了一步。这一分支领域研究的是人眼看不见的粒子。...
美国科学家在物理学的一个分支领域朝着开发超级计算机迈进了一步.这一分支领域研究的是人眼看不见的粒子. 这些科学家在<自然>杂志上发表文章称,"用量子信息学的语言来说,我们已经制造 ...
- 百趣代谢组学观察:中医药领域研究,探索复肾汤治疗慢性肾衰竭机制
代谢组学中医药领域研究,百趣生物协助科研伙伴探索复肾汤治疗慢性肾衰竭机制,接下来就跟着百趣代谢组学一起看一下中医药领域如何在慢性肾衰竭发挥作用的吧.(ps:百趣生物为科研伙伴提供了中药非靶标代谢组学服 ...
- 船舶领域研究综述（截至2018）
写在前面:本文是基于Rafal Szlapczynski, Joanna Szlapczynska在<Ocean engineering>上发表的Review of ship safety ...
- 计算机视觉领域研究资源及期刊、会议介绍
计算机视觉领域研究资源及期刊.会议介绍 依照下面目录整理: [1]研究群体(国际国内).专家主页 [2]前沿国际国内期刊与会议 [3]搜索资源 [4]GPL软件资源 一.研究群体 作机器视觉和图像处理 ...
- 目标跟踪领域研究（一）Benchmark
写这篇文章的主要目的是为了记录一下自己初入目标跟踪领域,对目标跟踪的一些理解,并备份一下自己的遇到的,学习过的一些大牛的算法,捋一捋自己思路,以便日后需要可以比较方便的复习. 文章部分图片来源于网上, ...
- 百家争鸣|国内外NLP领域学术界和工业界的牛人和团队
https://mp.weixin.qq.com/s/t7ZM1Es72-_AsSX7KxqGMw 作者:沧笙踏歌 zenRRan有改动 根据这几年的积累,整理了一份国内外学术界和工业界的牛人和大牛团 ...
- 国内外NLP领域学术界和工业界的牛人和团队
转载自https://mp.weixin.qq.com/s/MD2-xMWWXx7rpfWzd5XDxA 非常不错的总结 根据这几年的积累,整理了一份国内外学术界和工业界的牛人和大牛团队,供大家申请硕 ...
- 宋宇-课堂对话领域研究热点与 前沿趋势探究
好家伙... 看这种论文容易自闭,,,怎么能写这么好呢... 下次看看博士的论文吧还是.. 定义 课堂对话( classroom dialogue /discourse) 是师生间或者生生间围绕教育教 ...
最新文章
- [JVM-翻译]揭开java.lang.OutOfMemoryError面纱之一
- python绘制科赫雪花（递归）
- 为什么你的问题总是没人回答
- 谷歌的算法笔记火了，技术真牛！
- KVM虚拟化的简单概论
- 腾讯校园招聘面试的秘密
- ResourceManager里面Trackingui需要手动该ip
- cakephp 同时挂两个数据库
- SFB 项目经验-52-Outlook-2010/2013-连接Exchange 2016需要密码！
- 笔记本电脑如何保养_电脑温度一高就“翻脸”，电脑小白该如何解决？学会少花冤枉钱...
- OpenCV自带的CamShift算法解读
- Keil4打开单片机工程一片空白,cpu100%程序卡死的问题解决
- Javascript模块化编程(转自阮一峰的网络日志)
- xssgame第六关至第八关
- 请输出in.txt文件中的2 4 6 8 9 10 12行
- excel怎么算复购率(EXCEL怎么算平均分)
- vmware virtual machine must be running in order to be migrated
- 梳理STM32F429之通信传输部分---NO.8 硬件SPI
- 微信小程序微信授权登录的昵称头像授权数量上限，如何删除
- 手动实现promise基础功能代码并测试自己写的promise库是否符合规范