基于引文出版年光谱的SARS研究起源与演化

以Web of Science数据库中收录的SARS相关文献为数据源,采用一种新兴的科学计量学分析方法——引文出版年光谱,对SARS领域进行整体分析,梳理SARS研究的历史起源（1890-2002年）和发展演化（2002-2020年）过程,得出SARS研究的峰值、演化规律、期刊分布等,为新型冠状病毒肺炎疫情的防治和研究提供情报支持。     

高校图书馆推进ESI学科建设的情报服务

“双一流”导向下，推进ESI学科建设已经成为高校图书馆的服务核心。介绍了中国医科大学图书馆利用ESI、Incites和Web of Science数据库面向ESI学科建设的情报服务的实践过程，发现学科竞争力分析、潜力学科预测、挖掘学科领域热点与前沿、提供学科建设对策等ESI学科情报服务有助于决策人员优化学科布局、科研人员把握学科热点，助推ESI学科建设。     

阅读推广专业馆员的信息素养培养

论述了图书馆在阅读推广中的重要职能,列举了阅读推广的主要实现形式以及阅读推广专业馆员信息素养教育的多种途径,包括专业知识及技能的学习、职业道德的培养和阅读品牌的推广等多种方式。阅读推广专业馆员的培养及品牌特色方案的选择可为图书馆此项创新服务提供了理论支持。     

科技论文评价指标相关性比较分析

目的：以F1000文献为基础,对比分析SCIE被引频次、ESI高被引、FS、Altmetrics各项指标（Altmetrics Score,Twitter,Mendeley）之间的关系,探讨不同论文评价指标相关性。方法：筛选数据引入各个指标获得2个样本集,运用斯皮尔曼相关性比较方法探讨各项指标的相关关系。结果：样本1中,被引频次与各指标相关系数最高为0.836,最低为0.416,ESI高被引与各指标相关系数在0.6左右波动,Altmetrics Score与Twitter、Mendeley相关系数分别为0.796和0.714。样本2中,被引频次与各指标相关系数最高为0.945,FS与Altmetrics各指标相关系数在0.528-0.745之间,Altmetrics Score与Twitter相关系数达0.873。结论：被引频次和ESI高被引、Altmetrics Score、Twitter、Mendeley呈正相关,FS与被引频次、ESI高被引无相关性,与Altmetrics各指标和Mendeley指标呈正相关。Altmetrics Score与Twitter、Mendeley呈正相关。     

双向聚类方法在医学文本挖掘中的实现过程及应用意义探讨

介绍双聚类概念、基本原理以及相关研究、应用情况,阐述双聚类使用工具和方法,通过案例分析双聚类在医学文本挖掘中的具体实现过程,提出双聚类在数据挖掘方法中的应用前景,为相关研究提供参考。     

图书馆员与专业课教师合作的医学生信息素养教育新模式

分析了国内高校信息素养教育的发展现状与不足,从图书馆员与专业课教师合作开展医学生信息素养教育的角度出发,提出了创新模式的5个方向：信息素养教育与专业课学习相结合、图书馆员与专业课教师合作选择或撰写教材、图书馆员与专业课教师合作丰富本专业教学内容、图书馆员与专业课教师合作改革本专业教学方法、建立适合本专业的教学效果及信息素养评价体系。     

高校图书馆重大公共卫生事件应急响应服务策略

对42所“双一流”建设高校图书馆在新冠肺炎疫情期间的应急响应速度和响应内容进行了调研，结合教育部高校图工委网站的各省市高校图书馆新冠肺炎疫情防控调研报告及中国医科大学图书馆的实际工作，总结了高校图书馆应对重大公共卫生事件的应急服务经验，提出了疫情期间图书馆“云”信息服务和情报决策支撑服务策略，为高校图书馆对突发公共卫生事件的快速响应提供参考借鉴。     

医学高校图书馆阅读推广的源动力及影响因素分析

以中国医科大学图书馆“阅读推广月”为例,介绍活动策划、准备、内容与活动宣传,总结经验和不足。通过调查我国图书馆学、情报学领域阅读推广的研究现状,分析阅读推广的源动力、影响因素和关键环节,如明确活动的出发点,按照读者需求确定阅读推广内容、时间和地点,重视反馈,建立长效沟通渠道、提升馆员自身素质等。     

美国医学图书馆3D打印服务及其启示

医学图书馆开展3D打印服务能够帮助用户掌握医学新技术,满足临床教学需求,扩展图书馆开展增值服务的领域。通过调查5所美国医学图书馆应用3D打印技术的具体案例,从设备情况、生物医学3D建模来源及收费模式等方面总结和分析相关经验,认为我国医学图书馆开展3D打印服务,需要注意合理配置经费资源、解决相关知识产权问题和加强专业馆员培训等问题。     

需求驱动的医疗健康大数据挖掘模型构建

将跨行业数据挖掘标准流程模型（简称“CRISP-DM模型”）和需求、数据、数据挖掘方法三者的对应关系相结合构建需求驱动的数据挖掘模型。该模型主要包括需求、数据和数据挖掘方法3个核心概念与需求理解、数据理解、数据准备、建模、评估和部署6个过程步骤，分为需求层、数据层、算法层和部署层4个层次。需求驱动的医疗健康大数据挖掘模型可打破“数据先入为主”的习惯性思维，降低盲目进行数据挖掘研究引发的失败风险。整理需求、数据和数据挖掘方法之间的对应关系，可优化医疗健康大数据挖掘路径，降低数据挖掘新手的学习成本，对临床医疗和健康管理实践都具有现实意义，可用于未来的医疗健康大数据开发策略研究。