文章荐读 | 仿真模拟方法：大数据时代图情学科复杂场景的系统建模
文 章 荐 读
仿真模拟方法：大数据时代图情学科复杂场景的系统建模
黄晓1, 吴江2,3, 贺超城2,3, 巴志超4
1.华中师范大学信息管理学院,武汉 430079
2.武汉大学信息管理学院,武汉 430072
3.武汉大学信息资源研究中心,武汉 430072
4.南京大学数学经济与管理学院,苏州 215163
摘要
仿真模拟方法能够对复杂社会问题进行系统建模并开展计算实验以揭示其背后的机制与原理。在大数据时代，图情学科面临着研究对象、应用场景、研究范式等多方面的转变，仿真模拟方法将助力图情学科变革。本文阐述了将仿真模拟方法引入图情学科研究中的基本思路，以满足大数据时代图情学科复杂场景的系统建模需求。首先，本文厘清了仿真模拟方法应用的基本逻辑，包括仿真模拟方法可解决的关键问题与实施步骤。其次，总结了多智能体仿真、系统动力学、复杂网络等在信息传播与网络舆情、知识管理、科学合作与评价、竞争情报等图情学科相关领域的应用现状及关键难点。再其次，指出了仿真模拟方法与图情学科研究的匹配关键在于复杂场景的现象复现、逻辑推断、策略演练与情景预测，并提出了数据驱动的系统建模方案来解决上述关键难点。最后，本文探讨了仿真模拟方法在推动图情学科向数据密集型研究范式转型与支撑图情学科服务国家治理现代化需求上的重要作用。
关键词
仿真模拟; 图情学科; 大数据; 复杂场景; 计算实验
引用格式：
黄晓, 吴江, 贺超城, 巴志超. 仿真模拟方法：大数据时代图情学科复杂场景的系统建模[J]. 情报学报, 2023, 42(2): 136-149.
👈长按识别文章二维码查看全文
0
引言
仿真模拟（simulation），顾名思义，就是模仿“真实”。《墨子·公输》中记载的墨子“解带为城，以牒为械，公输盘九设攻城之机变，子墨子九距之”就是一次典型的仿真模拟实验。仿真模拟方法指设计和建立一个计算机模型代表某个真实系统并进行模拟实验，以实现对真实系统在给定条件下的动态行为分析和解析[1]。仿真模拟的关键在于对自组织、自适应与演化等复杂社会现象中涉及群体效应与非线性互动过程与原理等的科学问题进行建模，通过仿真模型将上述问题中的人类行为、心理活动和社会互动进行抽象化与符号化，通过计算机再现微观主体的行为特征及关联因素，在此基础上进一步分析、揭示事物在宏观层面的复杂性与演化规律[2]。仿真模拟方法已经被经济学、管理学、心理学等社会科学的学者广泛接受，成为社会科学中归纳与演绎之外的第三大研究范式[3]。
仿真模拟方法在社会经济管理领域中的众多复杂场景中得到了广泛应用，如能源系统、政策管理、商业决策、组织行为等[4]，并取得了一些重要成果，但是在图书情报（library & information science）学科中突出的重要成果还不多。亚利桑那州立大学的Prescott教授和卡内基梅隆大学的Kydland教授在1996年就利用仿真模拟方法深入探讨了商业周期的问题[5]，他们因为商业周期理论上的贡献获得了2004年的诺贝尔经济学奖。目前图情学科期刊中应用仿真模拟方法的研究已经初具规模[6-8]，但相比于其他社会科学还有较大差距，尤其是在图情学科主流权威期刊中，利用仿真模拟方法的文献还较少，这与三个方面的原因有关。首先，传统的图情工作主要依托于文献等科技资源开展信息服务，数据拟合与相关性揭示是研究的重点[9]，研究者较少选择仿真模拟方法开展信息服务场景的模拟应用；其次，一些研究者开始尝试各种新的方法应对图情学科研究场景复杂程度的提高，仿真模拟方法便是其中一类，但是该方法应用模式的成熟与推广还需要时间；最后，目前图情学科中应用仿真模拟方法的研究存在模拟规则抽取及仿真系统表示困难、系统参数与敏感性分析设置主观性强、实际数据的仿真验证缺失等问题[10]，这也导致仿真模拟方法暂未在图情学科中推广开来。
随着大数据时代的来临，图情学科面临着应用场景复杂程度提高、研究对象与方法更新等多方面的变化，如何应对这些变化是图情学科研究范式转变的关键议题。新技术的出现使社会经济发展复杂度越来越高，图情学科的工作也转向知识服务和智能决策中的复杂问题，传统信息服务的数据处理方法不再适应新的发展需求，过去强调规律和变化的统计分析已经不能满足大数据环境对情报分析等提出的新要求[9,11]；并且，大数据时代的数据已经从简单的处理对象演变成了重要的科研资源，图情学科的研究也已经从简单统计计算朝高级系统建模应用的方向发展。计算机可执行的模型可以帮助图情学科研究者更快、更容易地发现海量数据包含的特征和关系，以支持将复杂现象用数学或物理模型进行抽象和表示[12]。这与仿真模拟方法对复杂问题进行系统建模的思路相契合。因此，仿真模型可以被借鉴或被改造，以模拟图情学科面临的复杂场景，尤其是社交媒体上的舆情传播、大规模团队的知识创造、竞争情报系统的建设评估、科学研究中文献专利的团队合作等涉及集体行为与群体智能的场景[13-15]。同时，通过海量二手数据的收集、整理、分析与有效利用，图情学科中重要概念体系以及关键变量之间的关系可以被深入探究，从而使得仿真模拟方法在图情学科中应用的一些关键难点可以得到解决[16-17]。所以，仿真模拟方法有望成为图情学科研究范式变革的重要助力，在大数据时代图情学科复杂场景的系统建模中发挥重要作用。
鉴于此，我们有必要重新审视仿真模拟方法的价值，为大数据时代下图情学科应用革新提供解决方案。因此，本文将厘清仿真模拟方法应用的基本逻辑，归纳仿真模拟方法在图情学科中的应用现状，探讨大数据时代仿真模拟方法在图情学科中的应用路径，从而为图情学科研究者解构复杂场景与探索通用的仿真模型提供新的思路。这一成果将为图情学科研究范式的转型探寻可行路径，同时支撑图情学科的研究成果服务于国家治理现代化这一重大需求。
1
仿真模拟方法在社会科学中应用的基本逻辑
1.1 仿真模拟方法可解决的关键科学问题
仿真模拟方法，是对现实场景构建可解释、可运行、系统化的计算机模型并进行模拟实验来进行科学研究的。它是社会科学的第三大研究范式，属于计算范式的范畴，它解决的是传统理论（演绎）与实证（归纳）研究范式无法解决的科学问题[18]。仿真模拟方法适用于群体性行为与非线性交互引起的复杂性问题：尤其是当这些问题的理论关注点在历史或未来的时候，研究重点是过程、发现、提高或者控制等决策行为的时候，实证数据很难获取的时候[19]。用传统理论演绎和实证归纳很难找到这些问题的满意答案，使用仿真模拟方法解决它们将更加合适。基于对现有研究与一些经典仿真模型的归纳，仿真模拟方法应用的基本逻辑涉及四类关键性社会科学问题[20]。
第一，基于规模化简单对象主动性和随机性行为生成的建模问题。解决建模问题的模型是根据“简单的一致”原理，从对简单对象及其相互作用的基本一致的认识出发，考虑大规模简单对象主动性与随机性行为，建立高度概括性模型以揭示一般规律与现象。揭示幂律成因、解释“富者更富”现象的无标度网络模型——BA（Barabási-Albert）网络模型[21]是此类模型的典型。BA网络模型假设网络中一个新增加的节点与存在的节点i相连的概率Pi与节点i的度成正比，也就是说，度越高的点越能够吸引新的链接，这与现实中“持有资源的人能收到更多新的资源”这一情况相符合；实验结果显示，当时间足够大时，该网络将达到一个稳定状态，此时所有节点的度分布服从幂律分布[21]。
第二，基于计算模拟和涌现以分析复杂社会经济系统行为的实验问题。解决实验问题的模型是用智能体、元胞或节点，模拟大量单元相互作用、个体间预设互动行为造就性质突破的现象。知名的谢林隔离模型[22]是此类模型的典型。该模型用自组织演化的智能体代表个体，每个个体在演化过程中对相邻个体的选择有不同类型的倾向性；模型结果显示，无论初始状态如何，只要个体有种族倾向，群体中一定会产生种族隔离；群体的同质性行为会给社会带来深刻的变化，种族隔离等现象并不一定是个人刻意选择的结果，而是自下而上自然选择的涌现现象[22]。
第三，基于实际社会与人工建模交互运行和过程演绎的决策问题。解决决策问题的模型是通过实际社会与人工社会的交互运行和过程演绎，构成“平行系统”，基于平行系统的对比、借鉴、实验，使经验型决策方法科学化。王飞跃[23]提出的“平行情报系统”是此类模型的典型。平行情报系统是依据现实世界建立虚拟的情报系统，虚拟系统与现实世界互相映射，现实世界指导虚拟系统的构建，虚拟系统支持现实世界的决策；通过虚实互动的平行执行方式，及时并有针对性地更新情报，修正决策和行动，形成从信息到情报再到解析的过程，最终完成情报的使命[23]。
第四，基于自组织协同计算模式、低成本实验以复现复杂系统生成和演化的计算问题。解决计算问题的模型是通过构建自组织系统计算模型，以可靠、高效、低成本的方式实现自下而上的复杂人工社会模型的生成和演化。系统动力学方法创始人、麻省理工学院Forrester教授提出的世界模型（World III）[24]是此类模型的典型。该模型从人口、工业、污染、粮食生产和资源消耗等重要的全球性因素出发，建立了全球分析的系统动力学模型，并得出结论：如果让世界人口、工业化、污染、粮食生产和资源消耗等方面的趋势继续下去，最终的结果将是人口和工业生产力不可控制的衰退[24]。
实际上，随着现实社会问题复杂性程度的不断提高，一个仿真模型可能需要同时解决上述多种科学问题。因此，仿真模型的复杂性也在不断提高，通过描述系统元素间的合作、竞争、依赖等作用以及非线性、涌现、突变等过程，反映自组织、自适应等复杂的社会科学现象。
1.2 仿真模拟方法实施的基本步骤
上述诸多经典的社会仿真模型用到了多智能体仿真、系统动力学、复杂网络、元胞自动机等主流的仿真模拟方法。其中，多智能体被赋予一定规则形成联合动作后可以模拟群体的行为特征[25]；系统动力学通过还原系统内部组成要素相互作用的反馈可以模拟其导致的非线性交互过程[26]；复杂网络具备的复杂系统特性使其可以与其他模型一起模拟现实中群体网络的形成与演化[27]；元胞自动机则是一种特殊的多智能体仿真，此时的智能体在单元格中有特定的位置，而且其行为与交互方式都是同质的[2]。此外，社会科学中的仿真模型还包括SIR疾病传染模型（susceptible infected recovered model）、离散事件仿真等。研究者们通过这些仿真模型模拟了复杂社会问题的演化过程，并通过数值分析、统计分析、灵敏度分析等方法得到可靠结果，这是仿真模拟应用的基本流程。王飞跃[28]提出计算实验是仿真模拟发展的必然结果，他认为计算实验不仅把上述方法当成仿真工具，还将其作为“生长培育”自然实际系统的替代版本，从而可以进行各类有关系统行为和决策分析的“试验”。由于计算实验概念很好地概括了仿真模拟的最高目标，一经提出就备受推崇，以计算实验为基础的综合管理方法也取得了诸多应用[4]。无论采用哪种仿真模拟方法，实施都遵循着“现实—模拟—实验”这样的基本步骤，归纳如下（图1）。
图1 仿真模拟方法实施的基本步骤
第一，复杂现象分析，对社会复杂现象的类型进行划分。目前可应用仿真的社会复杂现象主要包括两类，一类是群体行为演化，另一类是包含非线性关系的交互行为[29]。群体行为演化是多个个体按照一定规则联合行动形成的结果，研究者一般通过群体联合动作来建模或观察它们的涌现行为，因此群体行为演化现象一般对应着建模或实验问题[30]。包含非线性关系的交互行为是指个体、过程、影响因素之间存在非线性的反馈行为，这涉及复杂系统的生成和演化，一般对应着计算问题[31]。上述两种复杂现象都可能涉及现实虚拟的交互运行，都可能对应着决策问题的解决[20]。
第二，探究模型实现，将现实系统转化为模拟系统。需要先对复杂现象所在的现实系统进行观察和分析，定义系统的边界、组成部分和环境以及组成部分之间的关系。同时，复杂现象的类型可以指导现实系统与模拟系统之间的转化，群体行为演化涉及建模与实验，一般用以多智能体为基础的仿真模型来模拟，包括元胞自动机、复杂网络等方法[30]；非线性关系的探索涉及模拟演化与计算，一般用系统动力学模型来分析[31]。此外，计算实验、平行系统等人工社会的概念被认为可以更好地指导现实世界到模拟系统的转换[32]。虽然这些概念的基础仍然是上述仿真方法，但这些概念引导仿真方法融合使用，令它们所能模拟场景的复杂程度发生了质变[28]。
第三，界定研究问题，指导从模拟系统开发到具体实验的设计过程。将上述复杂现象与科学问题进行对应后，这些科学问题的界定可以指导模拟系统的仿真实验方案设计。其中，建模问题在于将大规模的群体行为用模型表示出来，因此解决该问题的重点是设置恰当的规则与参数使群体形成联合动作；实验问题除了能够将复杂现象模拟出来，还在于进一步的推演仿真过程以模拟个体间预设互动行为造成的性质突破；决策与计算问题的重点都在于设计不同的参数组合来进行多条仿真路径的对比分析[20]。
第四，设计实验方案，通过模拟实验不断反馈修正模拟系统。复现、推演、决策、预测与上述四类科学问题相对应，是常见的仿真实验设计目标。其中，复现是基于还原论视角将常规问题再分析，并为这些问题的解答提供补充性的新见解[33]。推演是将问题按照现有的理论进行逐步分解，这介于理论构建与理论验证之间，但同样能够为理论研究服务[34]。决策是构建平行系统或虚拟场景模拟现实、为管理者提供低成本且有效的决策平台，这样的平台又被形象地称为“飞行模拟器”[35]。最后，当我们利用仿真复现、推演实现了理解现实与解释现实，之后便可以预测现实。
第五，运行模拟实验，分析评估仿真模拟实验结果。实验设计与初始实验结果不断交互的反馈结果可以指导修正模拟系统，形成最佳的参数组合，从而运行模拟系统记录每次模拟实验的输入条件、输出结果及过程记录。最后通过数值分析、统计分析、数据挖掘等方法可以分析复杂系统的交互、涌现与突变，其中灵敏度分析是检验仿真模型鲁棒性最重要的方法之一[36]。
2
仿真模拟方法在图情学科中的应用现状
2.1 仿真模拟方法在图情学科中的应用领域
Nature、Science、PNAS（Proceedings of the National Academy of Sciences of the United States of America）等世界顶级期刊上曾发表一系列论文，它们使用仿真模拟方法分析科研合作与绩效、科研论文影响力等图情学科的相关问题，这充分说明了仿真模拟方法在图情学科中的应用所具有的优势。其中，2005年，Science刊登了Roger Guimerà等的研究，多智能体仿真被用来研究团队创造与网络结构之间的关系，他们结合Web of Science中的文献数据，发现团队绩效、网络结构、团队自组织机制之间具备紧密联系[37]；2013年，Dashun Wang等在Science上发表文章，他们利用复杂网络与动力学模型开发了一种反映单篇论文引用动态变化的机制模型，用于预测论文的长期引用规律[38]。
虽然在图情学科主流权威期刊中使用仿真模拟方法的文献不多，但从图情学科所有中英文期刊来看，目前该学科应用仿真模拟方法的研究已经初具规模。多智能体仿真、系统动力学、复杂网络、元胞自动机、SIR模型等仿真模拟方法已经应用于图情学科中信息传播与网络舆情、知识管理、科学合作与评价、竞争情报等研究领域，表1总结了仿真模拟方法在图情学科中的应用现状及代表性成果。
表1 仿真模拟方法在图情学科中的应用现状及代表性成果
（1）在信息传播与网络舆情的研究中，仿真模拟方法可以有效模拟信息、观点、情绪等通过群体行为传播而形成网络舆情的过程。网民、意见领袖、媒体、政府等诸多主体都具有自主性、主动性、反应性和社会性等智能主体的特性，因此信息的群体传播过程以及网络舆情的一般规律适合用多智能体仿真、元胞自动机来实现[39]。这些方法通过群体行为演化模拟来解决信息传播中的建模问题。例如，基于多智能体仿真的人肉搜索模型可以挖掘网络拓扑结构特征对搜索效率的影响规律[7]；社交媒体中的意见领袖被证明可以在网络舆情中起到关键作用，对少数关键智能体进行干预可以扭转整体舆情的走势[40-41]；利用元胞自动机可以模拟一般网络舆情集中化、极性化的特点[42-43]。舆情传播及演化与网民、传播媒介、意见领袖、政府等多方主体都有关，网络舆情中信息质量、情绪、观点等内容的特征与变化是这些主体之间的非线性交互导致的，这个过程可以用系统动力学方法来解释[44]。系统动力学方法通过这些非线性关系的探索解决网络舆情中的计算问题。例如，网络舆情的影响力可视为网民、媒体、政府三者非线性交互的结果，利用系统动力学模型可以将这些过程可视化并进行定量化的计算[45]。SIR模型及其各种优化变体可以揭示谣言传播、突发事件舆情在网络中的传播规律，揭示信息传播效力、影响因素和谣言控制等深层机制。这些过程同样是群体行为的模拟，但深层机制的探讨解决的是谣言传播、突发事件舆情中的实验问题。例如，利用SIR模型构建网络谣言传播的动态模型，可发现网络中心度、关系强度和网络结构会对网络谣言的传播范围产生影响[46]；在突发事件的舆情管控中，政府的角色十分重要，他们可以在舆情初期高效且低成本地控制住舆情[15]。复杂网络方法常与其他仿真模型一起模拟不同网络拓扑结构、网络特征对信息传播效果的影响，这些对比实验解决的是信息传播效果中的决策问题。例如，在人肉搜索的多智能体模型中，不同网络平均度情况下无标度网络、小世界网络的搜索效率有显著差异[7]；在网络谣言传播模型中，网络结构的紧密程度与网络谣言的传播范围呈正相关[46]。
（2）在知识管理的研究中，仿真模拟方法可以有效地模拟知识在产、学、研构成的复杂系统中的微观流动和宏观格局。知识转移过程中存在着大量的交互与反馈，这些交互与反馈对转移效果的影响可以用系统动力学方法来模拟。这些模型可以量化上述影响的大小，其结果可以指导管理决策，因此它们解决了知识转移过程中的计算与决策问题。例如，模拟在线社区中用户知识协作行为的内在动机、外在动机和社会动机三者之间的高阶交互作用[47]；基于知识转移理论，模拟知识黏滞下的知识转移过程，挖掘知识转移中知识黏滞的影响机理[48]。知识管理场景存在着知识主体、知识节点及它们之间错综复杂的高维联系构成的复杂网络，剖析知识在各种网络中的转移、流动和共享可以探究不同的网络结构对知识传播效果的影响，这体现在企业战略联盟、企业内部组织结构中的个体交互网络当中[13,49]。现有研究常将多智能体、元胞自动机与复杂网络模型结合，研究如产业集群、企业、线上知识社区等学习型组织中知识的转移、扩散、共享及演化等动态过程。这些过程是群体行为演化的模拟，解决了上述动态过程的建模与实验问题。例如，基于小世界网络模型构建隐性知识的三阶段动态传播模型，对比分析产业集群内社交网络结构的随机性增加对隐性知识传播的影响[13]；利用中心点和边缘点来分别表示组织中的核心员工与边缘员工，采用元胞自动机对员工间知识共享的相互影响进行“自上而下”的建模[50]；模拟线上知识社区中，知识寻求者、贡献者在不同类型网络中的知识选择策略对知识扩散的影响机制[51]。
（3）在科学合作与评价的研究中，多智能体仿真是被运用得最多的仿真方法。也就是说，科学合作与评价的仿真模拟研究不涉及非线性关系的探索。以真实数据驱动的多智能体仿真结合复杂网络可以更加深刻地对科研合作网络演化进行机理解释与模式发现，这些模型可以对科研合作进行推演实验。例如，构建不同领域的多智能体网络模型，将实际合作网络的路径特征与个人属性特征纳入模型中，可以再现真实协作网络中的合作模式[52]；以期刊数据分析科学家的合作历史与表现，据此创建作者合作的多智能体模型可以模拟明星科学家对合作产出的积极作用[53]。同时，科技成果同行评议涉及的多个评审主体的行为很难被直接观测，多智能体仿真可以有效地对同行评议中的多主体评价过程进行建模。例如，模拟科学出版和同行评议的过程，探究其决定性因素[54]，深入挖掘评审员可靠性对同行评议质量和效率的影响[8]。
（4）在竞争情报的研究中，仿真模拟方法不涉及群体行为演化。竞争情报涉及情报收集、分析、服务、反竞争等多个过程，与国家政策、政府支出、行业竞争、组织建设等多种因素相关，竞争情报系统的建设水平及其在不同行业应用的可行性皆由系统动力学方法来评估，这些模型解决的是竞争情报中的决策问题[14]，例如，从收集、分析、服务、反竞争情报的视角，分析企业竞争情报系统的所有要素及其相互作用[55]；更进一步地，通过真实数据驱动，结合产业竞争情报供需系统流图以探究资本的知识转化率与产业竞争情报高效供给之间的非线性关系[56]；抑或结合博弈模型与实证检验，揭示宏观层面的经济文化政策对企业决策的影响机制[14]。
2.2 仿真模拟方法在图情学科中应用的关键难点
仿真模拟方法在图情学科应用的过程中仍有一些关键难点亟待解决，具体包括：仿真规则抽象及系统表示困难，系统参数选择随意性大，实际数据的仿真验证缺失。这些关键难点涉及了仿真建模设计、修正与验证这一系列过程，将对仿真模型可信性提升这一复杂科学的重要目标产生不利影响[20]。
首先，无论自上而下的系统动力学模型还是自下而上的多智能体模型，当前许多应用都存在一定程度的模型表示困难。由于在图情学科中这些应用场景缺乏权威模型参考，许多研究者在建模时出现了模型过度抽象的系统表示问题。具体地，网络群体行为规则没有考虑群体成员行为的复杂性[49]，网络演化过程将网络结构与连边类型单一化处理[40]，相关场景的环境因素未被考虑为动态过程甚至直接被忽略[40,48]。仿真模拟方法解决的建模问题是建立高度概括性的模型来揭示一般规律与现象，然而过度抽象的系统表示会导致以其为基础的现象复现的可信度大大降低。
其次，系统参数选择随意性大是因为缺乏实际数据对模型参数进行校正，因此许多应用实例的仿真模型参数设定偏离实际值。尤其是在网络舆情的相关研究中，变量的取值范围以及变量之间的关系一般都是根据经验设定的模拟值[15]；一些模型假设的参数是线性变化的，而实际中参数变化一般是非线性的[48]。当仿真模型系统参数选择随意性较大时，该模型的推演过程以及结果对现实管理决策的参考价值也较低。
最后，当前应用仿真模拟方法的研究很大一部分是在无法获取大量真实数据的基础上展开的，研究者无法使用实际数据对仿真系统模型进行验证。除了科学评价的相关研究能够以科技文献等数据进行模型的部分验证外，其他研究有些只使用了理论数据[56]；有些是利用经验数据、实际数据对相关参数进行了校正，而仿真结论缺乏实证数据检验[57]。如果没有真实数据对仿真模型进行验证，该模型就只是现实情况发展的一种可能，使用此种模型预测现实是缺乏科学性的。
总的来说，仿真模拟方法复现了网络舆情传播难以被追溯的演化路径，模拟了企业、组织和个人各主体在知识管理中的决策过程，发现了科研合作与创新中的涌现机制，预测了时代因素加入竞争情报系统建设的发展趋势。这些应用研究已经证实了仿真模拟方法在图情学科的适用性。大数据时代图情学科应用场景更加复杂，该应用趋势将持续深入。目前仿真模拟方法在图情学科中的应用还存在一些问题，但随着大数据的分析、收集与利用，相应问题有望通过数据驱动的方式解决，仿真模拟方法在图情学科中将有更好的应用前景。
3
大数据时代仿真模拟方法在图情学科中的
应用路径
3.1 大数据时代仿真模拟方法在图情学科的适用性
图情学科的发展常受到外界学术思想与技术方法驱动，每当有新概念、新思潮、新技术、新方法面世时，图书情报学研究总会兴起一阵热潮[58]。在易变性、不确定性、复杂性及模糊性的大数据时代，智能科技、生物科技领域新技术的出现使人类社会涌现出前所未有、崭新的现象与问题，图情研究对象“信息-系统-人”的形式与内容也日益复杂多样[59]。图情学科中围绕知识服务与智能决策等工作面临着信息跨领域、决策路径长的新问题，工作成果的应用需要兼顾规模化与个性化的场景。传统研究方法基于还原论思想，难以达到对这些复杂问题的客观认识与全局了解[60]。同时，随着大数据环境带来的海量数据以及数据分析技术的升级与改造，“数据密集型”的科学研究范式被充分论证[18]。图情学科复杂问题的研究也朝向定量化发展，出现数据密集型的科学发现、情报工程等研究热点，图情学科研究的定量化不是简单地向计数和计量的方向发展，而是在方法论层次上的转变，通过建模的方式化繁为简，将复杂的实际问题用模型进行抽象和表示[16]。
因此，大数据时代图情学科面临着研究范式的转型，仿真模拟方法将成为转型过程的重要动力。将大数据驱动的计算化、系统化建模方案用于解决复杂场景的问题是图情学科的重要趋势。其中，情报信息研究对数据的重视程度更高，也会更加受到大数据的冲击。大数据理念和方法的不断应用，使情报信息研究在理论和实践上逐渐向计算化分析发展，而利用模型来分析系统性问题是计算型情报信息分析的关键。模型方法一直以来都是情报信息分析研究和实践中抽象与具体、理论与实践相互转化的桥梁[61]。计算型情报信息分析模型首先是一种数学模型，用来对特定任务的情报分析主体行为、特定的情报传递过程或特定的情报对象进行抽象和模拟，这些模型包括计算机模拟模型、复杂网络模型、高级计量经济学方法、机器学习模型、数学分析等，同时这些模型的构建也从静态模型向复杂的动态模型转变，计算型情报信息分析利用这些模型进行逻辑推理，探究复杂性背后的可解释性[16]。
作为一种经典的计算机模拟模型，仿真模拟是对现实场景进行系统化建模，这与大数据时代图情学科计算型情报信息分析的发展趋势相契合。因此，仿真模拟方法在大数据时代图情学科复杂场景的系统建模具备很好的适用性。将仿真模拟与大数据时代图情学科的发展深入融合，该方法将在图情学科研究范式转型中产生较高价值。
3.2 仿真模拟方法与图情学科的复杂场景匹配
大数据开拓了图情学科的应用空间，这给了仿真模拟方法在该学科更多的应用机会。无论什么阶段，图书情报工作始终是围绕“信息”的获取、存储和加工利用展开的，互联网与大数据使信息对象从纸质信息、数字信息向网络信息过渡，内容上发生了从学术信息向社会信息、商业信息、经济信息、文化信息等领域的扩展，加工利用上发生了从文献组织、信息组织向知识发现、情报挖掘、智能转化的升华[9]。这些信息加工利用的变化离不开系统模型的作用，这给了仿真模拟方法更多的机会应用于大数据时代的图情学科研究。基于当前仿真模拟方法在图情学科中的应用领域，综合考虑仿真模拟方法的优势与图情学科系统建模的发展前景，本文认为大数据时代仿真模拟与图情学科复杂场景的匹配可归纳为以下几个方面：现象复现、逻辑推断、策略演练与情景预测，具体如图2所示。
图2 仿真模拟方法与图情学科复杂场景匹配的具体逻辑
现象复现是利用仿真模拟方法还原现实场景，逻辑推断是明确这个过程中的所有影响因素之间及其与结果之间的关系，策略演练是通过平行执行的方式探究不同策略效果，情景预测是设定参数模拟当前不存在的可能状态。现象复现可以检验逻辑推断，逻辑推断可以为复杂现象提供底层解释，它们分别驱动与解释策略演练的内容，策略演练通过大数据与平行试验的方式来优化现实策略并为情景预测提供参数和情景依据。仿真模拟方法与图情学科复杂场景匹配的具体逻辑解释如下。
（1）现象复现
信息传播、舆情走向、谣言传播等场景都包含了大规模的群体行为与非线性复杂过程，仿真模拟方法可以对这些复杂场景进行建模复现。通过构建相应的仿真系统模型，设置参数与规则，将仿真结果与真实的演化现象进行拟合，从而观察信息、新闻、谣言等内容在大规模网络中的具体传播路径、趋势与模式，尤其是在大数据环境下社交媒体等数据可以大规模获取的前提下。这样的仿真模拟时间短，效率高，结果易修正，可以通过图像展现动态过程，复杂系统的结构要素可以被良好地解构[62]。此外，通过对复杂系统结构要素的增删改可以使此类仿真模型较好地移植到类似的应用场景中，从而极大地提升仿真模型的可扩展性。
（2）逻辑推断
仿真模拟可以实现科学成果影响力评估、政策效果评估、竞争情报系统建设能力评估等场景下相关影响因素的逻辑推断，对这些因素的影响大小进行实验评估与量化分析。这些场景涉及大量的非线性反馈，比如，政策效果评估过程中涉及的政策主体、政策客体、政策环境之间的非线性交互[63]。借助系统动力学方法，上述评估过程中诸多因素间及它们与目标因素之间的系统反馈结构可以被构建出来。大数据时代，深度学习等黑箱技术在取得良好应用价值的同时也饱受模型透明度低、可解释性差等问题的困扰[64]。系统动力学对上述现实问题的抽象和表示应当基于严谨的逻辑推断，系统中关键因素之间的关系可以通过智能体模拟、反馈结构等可视化的方式展示出来，从而清晰地展现仿真模型的计算逻辑与过程，这有助于把握各关键因素之间复杂多变的非线性关系，也有助于对宏观群体涌现等现象给出简单清晰的底层解释。
（3）策略演练
仿真模拟可以对舆情治理、谣言平息等智能情报分析的场景进行策略演练。通过场景复现、逻辑推断结合物理世界、人类世界、信息世界这情报三元世界大体量、高速度、多样化、低密度、真实性的大数据构建人工情报世界的平行系统模型，完成并行的计算实验。真实三元世界与人工世界相互影响和调整，及时地、有针对性地更新与修正，通过不断的迭代优化与虚实互动的平行执行，最终得到人工系统的最优管理策略，为实际系统的管理决策提供参考。大数据可以为平行执行过程中的仿真变量关系设定、参数设置等内容提供更多现实依据。图情学科研究中许多通过实证分析得到的研究结果可以通过仿真模拟进行佐证，结合逻辑推断内容可以增强仿真结果的可靠性和可解释性，为研究结论的理论解释和实践应用提供基础。
（4）情景预测
通过策略演练中大数据的利用为情景设计与参数设置提供依据，仿真模拟可以对上述平行情报系统下的研究场景进行预测，在情报分析等过程中提供具备先导性的情报资讯。除了已经发生的现象，仿真模型还能模拟成本极大难以开展实际研究的社会现象，如信息在特定人群中的传播路径；未曾在现实中发生过的现象，如谣言无序传播可能带来的严重后果；甚至是反事实与不具规律的现象，如科学合作过程中与常规认知不同的合作规律。这些现象是在一定的基本情景和法则下的多种可能状态、轨迹及落地路径中的一种，可能包括我们从来没有见过的“怪异”情景[62]。仿真模拟不能完全保证预测的准确性，但是可以给图情学科提供一些洞见与假设，开拓图情研究视角的前瞻性，给研究者提供未曾想到，甚至未敢想过的各种可能的研究视角与思路，这些新的研究视角与思路可能引领图情学科的发展趋势。
3.3 图情学科中数据驱动的系统建模方案
对于仿真模拟方法在图情学科应用中的关键难点，大数据驱动将带来新的解决方案。仿真规则抽象及系统表示困难在于缺乏权威模型参考，系统参数选择随意性大与仿真验证缺失都是因为缺乏实际数据参考。图情学科仿真模拟方法应用中关键难点的解决在于利用数据驱动的系统建模方案解决仿真模型设计、构建、验证中的一系列问题，具体包括以下三个方面。
（1）基于KISS原则的仿真模型设计
KISS原则可为图情学科研究中更多权威模型的设计这一重要应用前景提供指导。KISS全称为“keep it simple and stupid”，可被称为“简约之美”，它是产品开发、用户体验设计中的常用原则，在对某些现象进行系统建模时尤其适用[65]。根据这一准则设计的系统模型容易被理解与推广，许多知名模型通常会遵循这样的建模准则，上文提到的BA模型、谢林模型都符合这一原则。图情学科中舆情传播、知识管理、科学计量等应用场景单一、研究问题零散的建模过程需要一些权威模型作为基础，用于解释相关应用场景中的一般性问题，从而使仿真模拟方法更好地向复杂问题推广。
因此，当海量二手数据被收集、整理、分析与利用时，图情学科中重要概念体系和变量之间的相关关系得以被探究[17]，结合KISS等原则，相关的权威模型可以被设计。例如，基于历史数据明确普通个体、意见领袖、权威媒体各主体之间的关系，设计可解释知名舆情传播案件并可进行一般性推广的网络舆情模型；基于专利、文献等成果数据明确知识管理中知识转移、扩散、创新等过程，设计模型得到小世界网络、无标度网络、随机网络等不同合作类型中知识创造等过程的一般性结论；基于海量文献被引数据设计一般文献影响力的预测模型。
（2）基于数据驱动的仿真模型构建
图情学科中仿真模型构建可以通过数据驱动的方式来完成，以解决当前系统参数选择随意性大的问题。各种主题数据库的建设与完善为图情学科中数据驱动的仿真模拟构建带来了新的发展契机，这些主题数据库是大数据的来源，包括社交媒体数据、科技文献数据、专利数据、政府公共政策数据、统计年鉴数据、新闻数据、机构和人才数据、商业数据等内容[17]。这些数据记录了舆情传播、科学评价等应用领域全生命周期内容，系统建模时相关数据的提前收集能够解决模型构建中的各种参数选择问题。
上述过程数据的获取能够为模型初始化、参数设计、模型修正等过程提供依据。在明确系统边界、组成部分、逻辑交互关系等内容后，相关数据能够为目前网络群体行为仿真过程中通过调查问卷、专家打分完成的变量关系设定等模型初始化内容提供依据；同时，明确变量之间可能存在的线性关系与非线性关系后，相关数据为网络舆情等场景中线性关系的参数设定、非线性关系拆解等提供支持；最后，在模型分模块试运行时，相关数据为除了科学评价场景外其他模型的分割化数据反证与模型迭代提供借鉴。总之，数据驱动的仿真模型构建能够解决目前该分析过程证据不足的问题。
（3）基于广义二重证据法的仿真模型验证
权威模型的构建与数据驱动的模型设计是为了提高图情学科应用仿真模拟的可信性，基于广义二重证据法的仿真模型验证将为这一重要目标做出关键贡献。凡针对同一问题不同来源的两类证据指向同一结论，或采用两种方法得到相同结果，或实证检验与理论推演达成统一，皆可采信，这是广义二重证据法的基本原理[66]。在图情学科仿真模拟方法的应用研究中，广义二重证据法可以推广到仿真结果与实证结果的一致性上。当实证分析结果与仿真模型结果一致时，两种方法得到的结果可以互相支持，互为印证，从而提升研究结论的可靠性。
实际上，当前图情学科中实证研究利用仿真模型结果进行检验的很少，绝大部分是系统建模研究通过实证数据来证明仿真模拟结果的合理性，即仿真模型的验证。相比于当前借助统计等方法的实证分析发现数据拟合与相关性揭示，仿真模型的构建注重变量之间的理论推演与逻辑推理。没有经过实证结果验证的仿真模型为相关研究问题的解决提供的可能是一条不存在的路径，而仿真模型通过实证数据被验证是正确的时，其理论推演与逻辑推理的过程可以为图情学科发现大数据中情报内容的变化规律、结构与关系特征，为图情学科中信息处理、知识发现等相关理论的应用拓展提供重要支撑。总之，大数据将贯穿于仿真建模的整个过程，基于异构权属、跨界关联、多元互动的大数据融合能够为仿真模型验证提供更广泛的数据基础，让无法找到实证数据验证的仿真模型成为过去式。
4
大数据时代仿真模拟方法在图情学科中的
应用前景
无论主动还是被动，图情学科不可避免地将被卷入大数据的发展浪潮中，图情学科自身的学科思维、工具方法、研究范式都将受到影响。对于大数据时代图情学科计算化情报信息分析的发展趋势，本文在明确仿真模拟方法在社会科学中的应用逻辑及其在图情学科应用现状的基础上，将仿真模拟方法在大数据时代图情学科的应用路径梳理清楚。本文对上述过程相关内容进行了总结提炼，形成了大数据时代图情学科复杂场景系统建模的全景式概览，如图3所示。
图3 大数据时代图情学科应用场景系统建模的全景式概览
4.1 推动图情学科向数据密集型研究的范式转型
作为以数据分析、决策支持、情报提供为主要研究领域的情报分析来说，大数据时代的到来是一个历史机遇[67]。这对于整个图情学科亦如此，该学科正在从经验科学向数据密集型科学过渡的范式转变[12]。图情学科想要抓住机遇、利用海量数据完成研究范式转型，仿真模拟方法将成为重要助力。
仿真模拟将为图情学科提供新的认识以理解数据，这体现在仿真模拟为图情学科提供新的模型、理论分析范式与方法论。数据密集型的科研范式是将数据作为科学研究的对象和工具，基于数据来思考、设计和实施科学研究，利用泛在网络及其内在的交互性、开放性与海量数据的知识对象化、可计算化，构造基于数据的知识发现和协同研究[68]。在该研究范式的指导下，图情学科在面向海量数据时，将依靠计算分析，致力于研究知识发现与预测，支持决策分析和政策制定的理论、方法和服务机制[16]。对于图情学科数据密集型研究范式转型，仿真模拟首先将为此过程中的计算分析提供新的模型。这些模型包含了严密的推演逻辑，有助于计算方法的智能化，因此协助研究者更快、更容易地发现海量数据的所有特征和关系，从而支持对数据内容的深度分析与理解[9]。其次，仿真模拟为图情学科大数据分析提供理论分析范式。大数据分析相关性背后的因果性探索是情报解释的重要环节，仿真模拟可以将情报分析的问题按照现有理论进行逐步推演，将其与大数据方法结合可以大大增强图情学科中数据密集型研究的可解释性，从而更好地进行知识发现与预测。最后，仿真模拟为大数据时代情报三元世界与人工世界全息化数据转变提供方法论。物理世界与人类社会空间中的元素通过协同感知与交换共享传输到信息空间，信息空间通过对大数据进行组织、融合与分析指导物理世界和人类社会中的决策行为，通过仿真模拟方法可以将此过程映射在人工世界中，可以实现人工世界对三元世界中结构化与非结构化数据的感知与获取，完成三元世界与人工世界中的数据关联与循环反馈，进而为决策分析与政策制定服务[11]。
4.2 支撑图情学科服务国家治理现代化的重大需求
党的十九大报告指出，提高社会治理智能化水平是全面深化改革的总目标之一。国家治理是一个典型的复杂系统工程，不同要素彼此交互作用，涌现出错综复杂的动态非线性特征，其关键在于战略规划与科学决策[69]。图情学科的发展始终要与国家、社会发展的需要为导向，这也是图情学科自身发展的需要。仿真模拟可以支撑图情学科在国家治理中应急管理、舆情管控、智慧城市、创新政策等诸多方面的智能决策中提供服务。
在大数据时代，仿真模拟方法可以支撑图情学科服务于智能决策以适应复杂的国家治理需要，实现决策前置，提高决策效率。首先，仿真模拟赋能图情学科研究对大数据的应用进行策略演练，提取情景设计与参数设置，对各种上述国家治理情景进行预测，提供先导性的情报资讯，更早地对苗头性、倾向性问题实现感知，从而实现决策前置，并及时干预，避免治理问题的进一步放大、演化[70]。例如，在舆情管控中，如果能对社会思潮、风向及时感知，及时干预，就能很大程度上避免重蹈社会矛盾爆发后才被关注的覆辙。其次，仿真模拟可以通过逻辑推断，剖析具体治理问题涉及的诸多要素之间的非线性关系和宏观涌现格局；通过策略演练，以大数据驱动平行系统模型，优化目标函数和人工智能算法进行不断的策略比选，并结合现实应用效果进行评估、调整、优化，不断反馈迭代与虚实互动，实现快速、高效、可解释的智能决策，有效疏导社会矛盾。例如，在智慧城市中，智能决策可以及时感知城市实况，基于大数据与人工智能算法的平行执行和虚实互动，实现城市治理的快速智能决策[71]。
5
总结
群体演化行为与非线性交互引起的复杂性问题适合使用仿真模拟方法来探索，多智能体仿真、系统动力学等仿真模拟方法能够解决建模、实验、决策、计算这四类关键性的社会科学问题。基于仿真模拟方法在图情学科相关研究领域如信息传播与网络舆情、知识管理、科学合作与评价、竞争情报的应用现状，以及仿真规则抽象及系统表示困难、系统参数选择随意性大、实际数据的仿真验证缺失等仿真模拟方法应用的关键难点，本文根据仿真模拟方法特性提出了大数据时代该方法在图情学科的适用性，分析了仿真模拟方法与图情学科研究在现象复现、逻辑推断、策略演练与情景预测相匹配的具体逻辑，并提出了数据驱动的系统建模方法来解决上述仿真模型设计、构建、验证中的一系列关键难点。基于大数据时代图情学科复杂场景系统建模的全景式概览，本文探讨了仿真模拟方法在推动图情学科向数据密集型研究范式转型与支撑图情学科服务国家治理现代化需求上的重要作用。
参考文献
[1] 王子才 . 关于仿真理论的探讨[J]. 系统仿真学报, 2000, 12(6):604-608.
[2] Moretti S. Computer simulation in sociology: what contribution?[J]. Social Science Computer Review, 2002, 20(1): 43-57.
[3] Harrison J R, Lin Z A, Carroll G R, et al. Simulation modeling in organizational and management research[J]. Academy of Manage‐
ment Review, 2007, 32(4): 1229-1245.
[4] 盛昭瀚, 张维 . 管理科学研究中的计算实验方法[J]. 管理科学学报, 2011, 14(5): 1-10.
[5] Kydland F E, Prescott E C. The computational experiment: an econometric tool[J]. Journal of Economic Perspectives, 1996, 10(1): 69-85.
[6] 朱庆华, 刘璇, 沈超, 等. 计算实验方法及其在情报学中的应用[J]. 情报理论与实践, 2012, 35(12): 1-6.
[7] 吴江, 贺超城, 朱侯 . 集成复杂网络与多智能体仿真的人肉搜索效率研究[J]. 情报学报, 2018, 37(1): 68-75.
[8] Squazzoni F, Gandelli C. Saint Matthew strikes again: an agent-based model of peer review and the scientific community struc‐
ture[J]. Journal of Informetrics, 2012, 6(2): 265-275.
[9] 马费成, 李志元. 新文科背景下我国图书情报学科的发展前景[J]. 中国图书馆学报, 2020, 46(6): 4-15.
[10] 吴江 . 社会网络的动态分析与仿真实验——理论与应用[M].武汉: 武汉大学出版社, 2012.
[11] 巴志超, 李纲, 周利琴, 等. 数据科学及其对情报学变革的影响[J]. 情报学报, 2018, 37(7): 653-667.
[12] 李 广 建, 江 信 昱 . 论 计 算 型 情 报 分 析[J]. 中 国 图 书 馆 学 报,2018, 44(2): 4-16.
[13] 武开, 张慧颖, 张亮 . 产业集群内隐性知识传播的仿真研究[J].情报学报, 2015, 34(4): 371-379.
[14] 李川, 袁红卫, 方志耕, 等. 多媒体竞争情报的博弈系统动力学模型研究——虚拟产品代理问题[J]. 情报学报, 2016, 35(3):284-292.
[15] Li S Y, Liu Z X, Li Y L. Temporal and spatial evolution of online public sentiment on emergencies[J]. Information Processing & Management, 2020, 57(2): 102177.
[16] 李广建, 江信昱 . 情报分析计算化: 背景、作用及关键问题[J].图书情报工作, 2017, 61(16): 24-30.
[17] 王筱纶, 赵宇翔, 王曰芬. 倾向得分匹配法: 促进数据科学视角下情报学研究的因果推断[J]. 情报学报, 2020, 39(11): 1191-1203.
[18] Hey T, Tansley S, Tolle K. The fourth paradigm: data-intensive scientific discovery[M]. Redmond: Microsoft Research, 2009.
[19] 盛昭瀚, 于景元 . 复杂系统管理: 一个具有中国特色的管理学新领域[J]. 管理世界, 2021, 37(6): 36-50, 2.
[20] 王飞跃 . 人工社会、计算实验、平行系统——关于复杂社会经济系统计算研究的讨论[J]. 复杂系统与复杂性科学, 2004, 1(4): 25-35.
[21] Barabási A L, Albert R. Emergence of scaling in random networks[J]. Science, 1999, 286(5439): 509-512.
[22] Schelling T C. Dynamic models of segregation[J]. The Journal of Mathematical Sociology, 1971, 1(2): 143-186.
[23] 王飞跃 . 情报 5.0: 平行时代的平行情报体系[J]. 情报学报,2015, 34(6): 563-574.
[24] Forrester J W. World dynamics[J]. Waltham: Pegasus Communi‐cations, 1971.
[25] Bonabeau E. Agent-based modeling: methods and techniques for simulating human systems[J]. Proceedings of the National Acade‐my of Sciences of the United States of America, 2002, 99(Suppl 3): 7280-7287.
[26] Forrester J W. Industrial dynamics[J]. Journal of the Operational Research Society, 1997, 48(10): 1037-1041.
[27] Boccaletti S, Latora V, Moreno Y, et al. Complex networks: struc‐ture and dynamics[J]. Physics Reports, 2006, 424(4/5): 175-308.
[28] 王飞跃. 计算实验方法与复杂系统行为分析和决策评估[J]. 系统仿真学报, 2004, 16(5): 893-897.
[29] 李大宇, 米加宁, 徐磊 . 公共政策仿真方法: 原理、应用与前景[J]. 公共管理学报, 2011, 8(4): 8-20, 122.
[30] 廖守亿, 戴金海 . 复杂适应系统及基于 Agent的建模与仿真方法[J]. 系统仿真学报, 2004, 16(1): 113-117.
[31] 许光清, 邹骥 . 系统动力学方法: 原理、特点与最新进展[J]. 哈尔滨工业大学学报(社会科学版), 2006, 8(4): 72-77.
[32] 王飞跃, 史帝夫·兰森 . 从人工生命到人工社会——复杂社会系统研究的现状和展望[J]. 复杂系统与复杂性科学, 2004, 1(1): 33-41.
[33] 钟玮, 刘洋 . 基于主体模拟: 一种探索公共管理问题的新方法[J]. 中国行政管理, 2017(1): 72-78.
[34] Davis J P, Eisenhardt K M, Bingham C B. Developing theory through simulation methods[J]. Academy of Management Re‐view, 2007, 32(2): 480-499.
[35] Macy M W, Willer R. From factors to actors: computational soci‐ology and agent-based modeling[J]. Annual Review of Sociology,2002, 28: 143-166.
[36] Schuëller G I, Jensen H A. Computational methods in optimiza‐tion considering uncertainties-an overview[J]. Computer Meth‐ods in Applied Mechanics and Engineering, 2008, 198(1): 2-13.
[37] Guimerà R, Uzzi B, Spiro J, et al. Team assembly mechanisms determine collaboration network structure and team performance[J]. Science, 2005, 308(5722): 697-702.
[38] Wang D S, Song C M, Barabási A L. Quantifying long-term scien‐tific impact[J]. Science, 2013, 342(6154): 127-132.
[39] Yu L A, Li L, Tang L, et al. A multi-agent-based online opinion dissemination model for China’s crisis information release policy during hazardous chemical leakage emergencies into rivers[J].Online Information Review, 2017, 41: 537-557.
[40] Ross B, Pilz L, Cabrera B, et al. Are social bots a real threat? An agent-based model of the spiral of silence to analyse the impact of manipulative actors in social networks[J]. European Journal of Information Systems, 2019, 28(4): 394-412.
[41] 王世雄, 祝锡永, 潘旭伟, 等. 网络舆情演化中群体极化的形成机理研究[J]. 情报学报, 2014, 33(6): 614-622.
[42] 陈涛, 林杰 . 基于模糊元胞自动机的网络舆情演化模型[J]. 情报学报, 2013, 32(9): 920-928.
[43] 戴建华, 杭家蓓. 基于模糊规则的元胞自动机网络舆论传播模型研究[J]. 情报杂志, 2012, 31(7): 16-20.
[44] 殷飞, 张鹏, 兰月新, 等. 基于系统动力学的突发事件网络谣言治理研究[J]. 情报科学, 2018, 36(4): 57-63.
[45] Gao G, Wang T Y, Zheng X R, et al. A systems dynamics simula‐tion study of network public opinion evolution mechanism[J].Journal of Global Information Management, 2019, 27(4): 189-207.
[46] 杨晶, 罗守贵 . 基于元胞自动机的网络谣言传播仿真研究[J].现代情报, 2017, 37(6): 86-90.
[47] Wang J, Zhang R L, Hao J X, et al. Motivation factors of knowl‐edge collaboration in virtual communities of practice: a perspec‐tive from system dynamics[J]. Journal of Knowledge Manage‐ment, 2019, 23(3): 466-488.
[48] 李纲, 巴志超 . 科研团队中知识粘滞的影响因素研究[J]. 中国图书馆学报, 2017, 43(1): 89-106.
[49] 贾卫峰, 党兴华, 楼旭明 . 技术创新网络核心结点形成过程中知识流控制仿真研究[J]. 情报学报, 2017, 36(10): 1073-1079.
[50] 朱坤, 李永建, 刘斌, 等. 基于细胞自动机的组织内员工知识共享仿真研究[J]. 情报科学, 2013, 31(4): 124-128.
[51] Qiao T, Shan W, Zhang M L, et al. How to facilitate knowledge diffusion in complex networks: the roles of network structure,knowledge role distribution and selection rule[J]. International Journal of Information Management, 2019, 47: 152-167.
[52] Sun X L, Lin H F, Xu K, et al. How we collaborate: characteriz‐ing, modeling and predicting scientific collaborations[J]. Sciento‐metrics, 2015, 104(1): 43-60.
[53] Zamzami N, Schiffauerova A. The impact of individual collabora‐tive activities on knowledge creation and transmission[J]. Scient‐ometrics, 2017, 111(3): 1385-1413.
[54] Kovanis M, Porcher R, Ravaud P, et al. Complex systems ap‐proach to scientific publication and peer-review system: develop‐ment of an agent-based model calibrated with empirical journal data[J]. Scientometrics, 2016, 106(2): 695-715.
[55] 龚花萍, 闻丽佳, 晏素汾 . 江西企业竞争情报系统建设研究[J].图书情报知识, 2010(4): 77-82, 101.
[56] 邢宪光, 刘敏榕. 基于系统动力学的产业竞争情报供需模型研究[J]. 图书情报工作, 2012, 56(16): 91-96, 147.
[57] 杜智涛, 付宏, 李辉 . 网络知识社区中知识传播扩散的仿真模型研究[J]. 情报理论与实践, 2019, 42(3): 127-133.
[58] 叶鹰. 图书情报学的学术思想与技术方法及其开新[J]. 中国图书馆学报, 2019, 45(2): 15-25.
[59] 池毛毛, 杜运周, 王伟军. 组态视角与定性比较分析方法: 图书情报学实证研究的新道路[J]. 情报学报, 2021, 40(4): 424-434.
[60] 李曙华 . 当代科学的规范转换——从还原论到生成整体论[J].哲学研究, 2006(11): 89-94.
[61] 徐敏, 李广建 . 情报分析模型综述[J]. 情报理论与实践, 2018,41(2): 14-21.
[62] 王飞跃, 刘德荣, 熊刚, 等 . 复杂系统的平行控制理论及应用[J]. 复杂系统与复杂性科学, 2012, 9(3): 1-12.
[63] 王学杰 . 我国公共政策执行力的结构分析[J]. 中国行政管理,2008(7): 62-65.
[64] Bengio Y, Courville A, Vincent P. Representation learning: a re‐view and new perspectives[J]. IEEE Transactions on Pattern Anal‐ysis and Machine Intelligence, 2013, 35(8): 1798-1828.
[65] Edmonds B, Moss S. From KISS to KIDS-an ‘anti-simplistic’modelling approach[C]// Proceedings of the International Work‐shop on Multi-Agent Systems and Agent-Based Simulation. Hei‐delberg: Springer, 2005: 130-144.
[66] 叶鹰 . 图书情报学中定性和定量研究方法的科学哲学基础及双重整合原理探析[J]. 中国图书馆学报, 2017, 43(2): 4-12.
[67] 苏新宁 . 大数据时代情报学学科崛起之思考[J]. 情报学报,2018, 37(5): 451-459.
[68] 梁娜, 曾燕 . 推进数据密集科学发现提升科技创新能力: 新模式、新方法、新挑战——《第四范式: 数据密集型科学发现》译著出版[J]. 中国科学院院刊, 2013, 28(1): 115-121.
[69] 曾大军, 霍红, 陈国青, 等. 政策信息学与政策智能研究中的关键科学问题[J]. 中国科学基金, 2021, 35(5): 719-725.
[70] 陈国青, 曾大军, 卫强, 等. 大数据环境下的决策范式转变与使能创新[J]. 管理世界, 2020, 36(2): 95-105, 220.
[71] 吴俊杰, 郑凌方, 杜文宇, 等 . 从风险预测到风险溯源: 大数据赋能城市安全管理的行动设计研究[J]. 管理世界, 2020, 36(8):189-202.
制版编辑 | 李 静
审核 | 王海燕
国家自然科学基金管理学部A类期刊
全国中文核心期刊
CSSCI来源期刊
《中国人民大学复印报刊资料》重要转载来源期刊
CSTPCD（中国科技论文与引文数据库）收录期刊
NSSD （国家哲学社会科学学术期刊数据库）
长按扫描二维码 ｜ 关注我们
情报学报官网：qbxb.istic.ac.cn
邮箱：qbxb@istic.ac.cn
电话：010-68598273
欢迎投稿！
【免责声明】本公众号主要发布《情报学报》期刊的录用文章，或转载其他媒体与网站的图文资讯。文章仅代表作者本人观点，本公众号对文中陈述、观点判断保持中立。转载的稿件版权归原作者或机构所有，如有侵权，请联系删除。抄袭本文至其他渠道者引发的一切纠纷与本公众号平台无关。