论文部分内容阅读
摘要：为探究中医药文献研究生展开数据挖掘教育的重要性，通过摆事实、讲道理，通过数据挖掘在各个领域的作用、中医药科研中的应用现状等内容分析，探讨中医药文献研究生对于数据挖掘教育的需求性。结果与结论：数据挖掘是新兴技术，成功应用于很多领域，中医药数据挖掘尚处于形成阶段，学科交叉的中医药文献数据挖掘发展潜力巨大，作为科研生力军，研究生接收数据挖掘教育的意义深远。
关键词：数据挖掘；中医药文献；研究生教育；意义
中图分类号：G643 文献标志码：A 文章编号：1674-9324（2017）08-0224-02
中医药历经几千年来临床经验与基础研究的积淀，成果丰硕，文献充足，因而中医药文献研究生成为中医药领域研究生培养的重要组成部分。数据挖掘是新型的智能领域，其作为工具与方法应用于科学研究、金融投资、制造业、电信业等诸多领域，在中医药领域的应用尚处于新生期，中医药文献的特点决定了其选定数据挖掘作为分析手段的可行性，研究生是重要的科研力量，因而有必要对其展开数据挖掘的相关教育。
一、数据挖掘的重要价值
1.数据挖掘在信息技术迅猛发展的潮流中诞生。我们生活的时代是信息化的时代，很多工作的完成都需要数字与信息，时代的需要使得人们发现与利用数据信息的能力日益提升，积累的数据更加多样化，科研领域对于数据的需求尤为显著，数据背后隐藏的众多信息为科研人员提供了宝贵的引导。
中医药领域也不例外，虽然传统的文献采集与数据积累能够提取一定的信息，但是对在海量数据中进行数据分析问题却没有很好的方案。随着中医药文献数据量的日益增加，保存在数据库中庞大数据中蕴含着大量不为人知、但又非常有用的知识和信息，这些知识和信息能够为中医药科学研究、商业决策和行政事务管理等提供有效的决策依据和基础。[1]
2.数据挖掘是发掘知识源泉的工具。大规模数据集合是数据挖掘的研究对象，被人们形象地描述为“知识的源泉”，它可以是结构化的，也可以是半结构化的，如把中医药文献转变为关系数据库中的文本、图形、图像数据，甚至是分布在网络上的异构数据。数据挖掘技术是始于面向应用的，它是对特定的数据进行微观或宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关系，利用己有的数据对未来的活动进行预测。这样，就可以把人们对数据的应用，从低层次的末端查询操作提高到为各级经营决策者提供决策支持。
3.数据挖掘提取中医药文献信息的价值。按照原始的分析方案将文献资料整理，进而运行数据挖掘从数据集中识别出有效的、新颖的、潜在有用的并最终易于被中医药学者理解的模式。[2]即从数据集中（可能是不完全的、有噪声的、不确定的、各种存储形式的）提取隐含在其中的、先前未知的、人们感兴趣的、对中医药基础研究及临床应用有潜在价值的信息和知识的过程。数据挖掘作为一门新兴的研究领域，将其运用于中医药文献分析领域，将会造就多学科相互交叉融合，具有广泛应用前景的学科领域。
二、中医药领域数据挖掘的研究现状
祖国医学历经几千年的积累，在临床经验与基础研究领域积累了宝贵的资源，快速而高效的利用数据资源是众多中医药学者多年来试图解决的问题。数据挖掘已经初步涉入中医药科研领域。
1.中医辨证诊断。传统的中医治疗是在先辨证、再论治的思维模式下进行的，但是中医辨证至今也未形成统一的标准，不同医师对同一病人辨证结果经常是不同的，医生辨证水平的高低完全取决于经验。因此，为中医辨证建立客观的、定量的标准是非常有必要的。数据挖掘可以通过大量的临床数据发现证型与症状之间的关系，模拟中医专家诊断推理过程辅助临床诊断。秦中广等将粗糙集理论应用于中医类风湿证候诊断中，得到较好的诊断模型。
2.单味药有效成分、化学成分的研究。中药起效的物质基础是多成分的协同效应，如何辨识中药的有效成分是亟待解决的关键科学问题之一。进行中药多成分与药效活性的关联性研究，发现中药的有效成分，是一条切实可行的途径。陈畅等采用LARS和LASSO回归算法，对川芎挥发油化学成分与血管活性数据的进行关联分析，发现川芎挥发油中与血管活性相关的13种主要化学成分。
3.中医药文献领域数据挖掘的现状和可行性。千百年来，祖国医学伟大的学者及学术成就浩如烟海，也就是说，众多的学术成就均体现在文献之中，探究古今中医药文献可以获得前任的智慧成果，因而，众多医家潜心于中医药文献的钻研之中，数据挖掘工具的运用，必能使研究工作事倍功半，目前已经受到了中医药同仁的青睐，而研究生是中医药科研工作的生力军，对于他们培养该方面的能力，必能够促进中医药文献数据挖掘领域日益发展壮大。
三、中医药文献数据挖掘教育对于研究生的价值
近年来中医药院校研究生招生规模逐年加大，招生专业不断扩展，中医文献类研究生梯队不断壮大。随着自然科学领域交叉学科的出现并且受到业内专家学者的追捧。古老的文献专业对于研究生的培养也应寻找交叉学科发展的道路。
1.克服培养目标单一，满足社会多层次需要。早些年，研究生是众多青年学子中当之无愧的佼佼者，培养目的是铸造高层次的教学、科研型人才，满足高等院校、科研机构的需要，但是，近些年，由于各大院校研究生扩招，入学门槛的降低伴随着就业水准的提升，学生数量增多而就业压力加大。高校和研究单位的岗位数量有限，与此同时，企业对于高层次人才的需求很大，能够为研究生们提供更多的就业机会，对于古老的中医文献专业研究生的培养，多方位的课题设计无疑为其就业增加筹码。
2.明确研究生的培养目标，提高学生多方面能力。现在我国中医药发展正处于快速发展的上升期，中医药学科交叉发展迅速，中医药与信息学的结合也成为当今的重要研究领域，而数据挖掘是信息领域的新生力量。研究生的培养理应顺应当前的形势，实时调整培养方案，从前的教育主要为临床培养高水平的医生以及为高校和科研机构培育人才，而当今社会，中医药行业的細化导致很多行业需要高层次人才，为什会培养高水平的中医药人才既有利于解决目前研究生就业困难的问题，又能为我国中医药事业快速发展提供智力支持。
3.中医药数据挖掘即突出研究生课程设置的专业特色，又体现出培养的灵活性。中医药古今文献蕴含宝贵的知识财富，对其展开数据挖掘无疑是一个在宝库中淘金的过程，其价值与成果是不言而喻的。中医药文献研究生的专业划分非常明确，其课程设置的专业特点突出，虽然对于研究生教育是必要的，但是也会造成研究生其他学科知识的贫乏。而中医药文献数据挖掘内容的渗透，为学生开拓了新的研究领域和方向，帮助学生拓宽视野，增加知识厚度和宽度。
诚然，数据挖掘使得中医药文献研究生的培養锦上添花，但是鉴于中医药数据挖掘尚处于形成阶段，因而对于师资力量要求甚高，已经开展中医药数据挖掘研究的高校可以选派相关科研人员作为教师，其他院校可采用外聘专家等途径开展此项工作。
参考文献：
[1]Alcala-Fdez J Alcala R， Herrera F. A Fuzzy Association Rule-Based Classification Model for High-dimentional Problems with Genetic Rule Selection and Lateral Tuning[J].IEEE Transactions on Fuzzy Systems，2011，19（5）：857-872.
[2]Carlos Ordonez， KaiZhao. Evaluating Association Rules and Decision Trees to Predict Multiple Target Attribute[J].Intelligent Data Analysis，2011，15（2）：173-192.
关键词：数据挖掘；中医药文献；研究生教育；意义
中图分类号：G643 文献标志码：A 文章编号：1674-9324（2017）08-0224-02
中医药历经几千年来临床经验与基础研究的积淀，成果丰硕，文献充足，因而中医药文献研究生成为中医药领域研究生培养的重要组成部分。数据挖掘是新型的智能领域，其作为工具与方法应用于科学研究、金融投资、制造业、电信业等诸多领域，在中医药领域的应用尚处于新生期，中医药文献的特点决定了其选定数据挖掘作为分析手段的可行性，研究生是重要的科研力量，因而有必要对其展开数据挖掘的相关教育。
一、数据挖掘的重要价值
1.数据挖掘在信息技术迅猛发展的潮流中诞生。我们生活的时代是信息化的时代，很多工作的完成都需要数字与信息，时代的需要使得人们发现与利用数据信息的能力日益提升，积累的数据更加多样化，科研领域对于数据的需求尤为显著，数据背后隐藏的众多信息为科研人员提供了宝贵的引导。
中医药领域也不例外，虽然传统的文献采集与数据积累能够提取一定的信息，但是对在海量数据中进行数据分析问题却没有很好的方案。随着中医药文献数据量的日益增加，保存在数据库中庞大数据中蕴含着大量不为人知、但又非常有用的知识和信息，这些知识和信息能够为中医药科学研究、商业决策和行政事务管理等提供有效的决策依据和基础。[1]
2.数据挖掘是发掘知识源泉的工具。大规模数据集合是数据挖掘的研究对象，被人们形象地描述为“知识的源泉”，它可以是结构化的，也可以是半结构化的，如把中医药文献转变为关系数据库中的文本、图形、图像数据，甚至是分布在网络上的异构数据。数据挖掘技术是始于面向应用的，它是对特定的数据进行微观或宏观的统计、分析、综合和推理，以指导实际问题的求解，企图发现事件间的相互关系，利用己有的数据对未来的活动进行预测。这样，就可以把人们对数据的应用，从低层次的末端查询操作提高到为各级经营决策者提供决策支持。
3.数据挖掘提取中医药文献信息的价值。按照原始的分析方案将文献资料整理，进而运行数据挖掘从数据集中识别出有效的、新颖的、潜在有用的并最终易于被中医药学者理解的模式。[2]即从数据集中（可能是不完全的、有噪声的、不确定的、各种存储形式的）提取隐含在其中的、先前未知的、人们感兴趣的、对中医药基础研究及临床应用有潜在价值的信息和知识的过程。数据挖掘作为一门新兴的研究领域，将其运用于中医药文献分析领域，将会造就多学科相互交叉融合，具有广泛应用前景的学科领域。
二、中医药领域数据挖掘的研究现状
祖国医学历经几千年的积累，在临床经验与基础研究领域积累了宝贵的资源，快速而高效的利用数据资源是众多中医药学者多年来试图解决的问题。数据挖掘已经初步涉入中医药科研领域。
1.中医辨证诊断。传统的中医治疗是在先辨证、再论治的思维模式下进行的，但是中医辨证至今也未形成统一的标准，不同医师对同一病人辨证结果经常是不同的，医生辨证水平的高低完全取决于经验。因此，为中医辨证建立客观的、定量的标准是非常有必要的。数据挖掘可以通过大量的临床数据发现证型与症状之间的关系，模拟中医专家诊断推理过程辅助临床诊断。秦中广等将粗糙集理论应用于中医类风湿证候诊断中，得到较好的诊断模型。
2.单味药有效成分、化学成分的研究。中药起效的物质基础是多成分的协同效应，如何辨识中药的有效成分是亟待解决的关键科学问题之一。进行中药多成分与药效活性的关联性研究，发现中药的有效成分，是一条切实可行的途径。陈畅等采用LARS和LASSO回归算法，对川芎挥发油化学成分与血管活性数据的进行关联分析，发现川芎挥发油中与血管活性相关的13种主要化学成分。
3.中医药文献领域数据挖掘的现状和可行性。千百年来，祖国医学伟大的学者及学术成就浩如烟海，也就是说，众多的学术成就均体现在文献之中，探究古今中医药文献可以获得前任的智慧成果，因而，众多医家潜心于中医药文献的钻研之中，数据挖掘工具的运用，必能使研究工作事倍功半，目前已经受到了中医药同仁的青睐，而研究生是中医药科研工作的生力军，对于他们培养该方面的能力，必能够促进中医药文献数据挖掘领域日益发展壮大。
三、中医药文献数据挖掘教育对于研究生的价值
近年来中医药院校研究生招生规模逐年加大，招生专业不断扩展，中医文献类研究生梯队不断壮大。随着自然科学领域交叉学科的出现并且受到业内专家学者的追捧。古老的文献专业对于研究生的培养也应寻找交叉学科发展的道路。
1.克服培养目标单一，满足社会多层次需要。早些年，研究生是众多青年学子中当之无愧的佼佼者，培养目的是铸造高层次的教学、科研型人才，满足高等院校、科研机构的需要，但是，近些年，由于各大院校研究生扩招，入学门槛的降低伴随着就业水准的提升，学生数量增多而就业压力加大。高校和研究单位的岗位数量有限，与此同时，企业对于高层次人才的需求很大，能够为研究生们提供更多的就业机会，对于古老的中医文献专业研究生的培养，多方位的课题设计无疑为其就业增加筹码。
2.明确研究生的培养目标，提高学生多方面能力。现在我国中医药发展正处于快速发展的上升期，中医药学科交叉发展迅速，中医药与信息学的结合也成为当今的重要研究领域，而数据挖掘是信息领域的新生力量。研究生的培养理应顺应当前的形势，实时调整培养方案，从前的教育主要为临床培养高水平的医生以及为高校和科研机构培育人才，而当今社会，中医药行业的細化导致很多行业需要高层次人才，为什会培养高水平的中医药人才既有利于解决目前研究生就业困难的问题，又能为我国中医药事业快速发展提供智力支持。
3.中医药数据挖掘即突出研究生课程设置的专业特色，又体现出培养的灵活性。中医药古今文献蕴含宝贵的知识财富，对其展开数据挖掘无疑是一个在宝库中淘金的过程，其价值与成果是不言而喻的。中医药文献研究生的专业划分非常明确，其课程设置的专业特点突出，虽然对于研究生教育是必要的，但是也会造成研究生其他学科知识的贫乏。而中医药文献数据挖掘内容的渗透，为学生开拓了新的研究领域和方向，帮助学生拓宽视野，增加知识厚度和宽度。
诚然，数据挖掘使得中医药文献研究生的培養锦上添花，但是鉴于中医药数据挖掘尚处于形成阶段，因而对于师资力量要求甚高，已经开展中医药数据挖掘研究的高校可以选派相关科研人员作为教师，其他院校可采用外聘专家等途径开展此项工作。
参考文献：
[1]Alcala-Fdez J Alcala R， Herrera F. A Fuzzy Association Rule-Based Classification Model for High-dimentional Problems with Genetic Rule Selection and Lateral Tuning[J].IEEE Transactions on Fuzzy Systems，2011，19（5）：857-872.
[2]Carlos Ordonez， KaiZhao. Evaluating Association Rules and Decision Trees to Predict Multiple Target Attribute[J].Intelligent Data Analysis，2011，15（2）：173-192.