国外用户网络信息搜索中的知识变化研究回顾

　　    随着情报学认知范式的发展和人机交互领域“以用户为中心”设计理念的热推，不断有学者深入到认知与情感等隐性层面挖掘用户的信息搜索行为。无疑，在这些研究的推动下，各类信息检索系统的功能越来越强大，智能化水平越来越高。但不可否认的是，这些信息检索系统仍然面临着许多方面的挑战。例如，虽然当前的信息检索系统能够较好地帮助用户完成查找型搜索(Look up Search)任务，但对于用户完成探索型搜索(Exploratory Search)任务和综合型搜索（Comprehensive Search）任务的支持却收效甚微。如何从本质上解决当前各类信息检索系统面临的发展瓶颈，还需要研究人员能够从认知论的视角进行反思。如果将信息视为一种事物，信息检索系统的定位就是帮助用户进行搜索信息的工具；但是如果从建构主义视角出发，将信息视为一种知识或信念，那么信息检索系统的定位则是辅助用户进行创造性学习的空间，用户通过与系统中的信息互动，可以学习和发现新的知识。

　　    正是在上述背景下，2012年举行的SWIRL（Strategic Workshop on Information Retrieval in Lome）研讨会和2013年举行的Dagstuhl高峰论坛对搜索和学习的关系展开探讨；2014年举行的Searching as Leaming Workshop lliX2014研讨会明确提出了“搜索即学习”(Searching as Learning，SAL)研究领域，并在SAL Workshop 2016、CHIIR'2016等会议上进行了深入的探讨。SAL受到了情报学、教育学和计算机科学等多学科研究人员的广泛关注。2017年，美国密歇根大学的Collins-Thompson和瑞典斯德哥尔摩大学的Hansen进一步组织了后续的SAL研讨会。上述会议围绕SAL主题产生了一系列的优质成果。其中，部分成果以专题的形式在“Joumal of Information Science”2016年第1期和“Information Retrieval Joumal”2017年第5期上发表。Rieh等将SAL从两个视角进行了区分：一是将信息搜索视为学习工具(Searching as a Leaming Tool)，即用户通过信息搜索获取信息，以进一步完成学习目标；二是将信息搜索视为学习过程(Searching as a Leaming Process)，重点关注用户在搜索过程中的学习行为。从学习的视角出发描述信息搜索过程，即将搜索视为学习过程，相比于以往的问题解决范式和决策范式而言，能够更好地描述和理解信息搜索过程。

　　    学习是一个复杂的构念，涉及认知、情感和技能3个维度的变化与提升。近年来，虽然情感学习(Affective Leaming)已受到人机交互领域的关注，如Picard等对情感学习理论、技术及研究前景进行了概述。Landows-ka持续对有关情感计算和情感学习的研究进行了回顾。但是，在用户信息搜索行为研究领域，仅有学者探讨用户搜索过程中的情感变化，却没有将其纳入学习范畴。为了更好地将相关研究成果与信息检索认知学派的理论成果相关联，本文重点关注用户信息搜索中的知识变化维度，即用户知识结构的变化。用户在网络信息搜索过程中的知识变化主要包括其领域知识的变化和系统知识的变化。领域知识，又称主题知识，是用户关于搜索任务主题领域的知识；系统知识是用户关于信息检索系统的心智模型，即用户基于自身理解和体验来描述系统目标和形式、解释系统活动、观察系统状态及预测系统未来状态的心理机制。本文的研究旨在对国外用户网络信息搜索中的知识变化的相关研究进行系统性的回顾，并重点识别这些研究在理论基础、实验设计和实践应用方面取得的贡献和不足，进而提出该领域的未来研究议题。

　　    因此，首先以“search as leaming”为主题检索词，在Web of Science、Springer和Elsevier等外文数据库进行检索，再依次以“leaming outcome”“cognitive”“knowledge structure”和“mental model”为主题检索词，分别与主题检索词“information search”和“information retrieval”于上述数据库中进行组合检索，不限文献类型和出版时间，检索截止时间为2021年3月。经删除重复及无关文献，共获得相关文献229篇。通过阅读上述文献的摘要并浏览其全文筛选出与“将信息搜索视为学习过程”相关的文献，并对其中重要文献的参考文献加以阅读补充，最终本文对获取到的78篇文献进行重点回顾。

　　1 用户网络信息搜索中领域知识结构的变化

　　1.1领域知识的构建过程

　　    用户信息搜索过程中的领域知识结构变化研究，实质上是对用户信息搜索过程中领域知识结构的构建过程进行探索。该分主题是“将搜索视为学习过程”研究中的核心组成部分。这类研究主要是将用户的信息搜索过程视为意义建构(Sense-making)过程，同时结合建构主义学习理论来探讨用户信息搜索过程中的领域知识构建过程和其中的认知机制。这类研究涉及的理论基础主要包括意义建构理论和建构主义学习理论。

　　    意义建构理论意义建构概念是由美国学者Der-vin提出的，是指在各种情境下的一系列持续的有关界定“鸿沟”和弥合“鸿沟”的活动。其中，“鸿沟”为亟待解决的信息需求，即人们在某种情境下，为弥补自身认知中存在的“鸿沟”而不断进行的一系列搜索信息、处理信息和利用信息的活动。人机交互、组织沟通、图书馆学与情报学等领域均对信息构建进行了大量的探索，并提出了相应的意义建构模型。意义建构的过程主要由两个迭代交互部分组成：一是信息搜寻，包括搜索获取信息以及对信息进行处理的过程；二是意义建构，即创建和更新知识结构的过程。如Russell等提出在意义建构过程中存在着一个复杂的学习循环，在该循环中用户会围绕知识表示不断地进行搜索、创建、修改及实例化。Klein等也提出意义建构是寻找和创建一个结构化的知识表示，并不断地阐述、质疑和重建知识表示的过程。因此，可以将意义建构视为一个个体或组织进行知识构建的动态过程。虽然以往的研究已经确定迭代的信息搜寻和创建、更新知识结构是意义建构的重要过程，但对意义建构过程中知识结构的具体构建方式却没有进行深入研究，而学习理论则可以弥补这方面研究的不足。

　　    建构主义学习理论建构主义学习理论（主要为同化理论、图式理论和生成学习理论认为知识结构是以概念和概念之间关系的形式存储在记忆中．而学习便是将新信息的概念和关系与以往知识结构中的概念和关系进行结合以完成知识获取的过程。Piaget将该过程视为学习者的主动建构，并提出在此过程中会存在两种形式的认知变化：一是同化（Assimilation），即将信息添加到现有的知识结构中；二是顺应（Accommodation），即对现有知识结构的修改或改变。Rumelhan等在Pi-aget理论的基础上，进一步将认知变化进行划分，确立了知识结构概念变化的3种类型，即增加、调整和重建。增加(Accretion)是在现有图式中逐渐增加事实信息，但概念图式不发生改变；调整(Tuning)是概念在组织和解释信息的模式中发生改进，并对现有知识结构进行微小的修改；重建(Restructuring)是概念上的改变，包括对现有结构的彻底改变或建立新的结构。结合上述建构主义学习理论，可以将意义建构过程中知识结构的概念变化分为增加、调整和重建3种形式。

　　    领域知识的构建从意义建构视角出发，学习是创建新的或修正和强化已有的知识结构。信息搜索包括搜索的表达与执行、选择资源、与资源交互和综合与展示一系列过程。在信息搜索过程中，用户的领域知识结构会发生增加、调整和重建等形式的变化。Zhang等从意义建构视角出发分析了用户信息搜索和利用过程中主题知识结构的增加、调整和重建3种概念变化方式。该研究为之后信息搜索过程中知识结构变化的研究奠定了理论基础和方法论支撑。Vakkari也阐述了在不同信息搜索阶段中用户知识结构在发生增加、调整和重建时的搜索行为变化，进而提出可以通过利用搜索行为变化来预测用户在不同搜索阶段的学习行为。Liu等则基于知识结构的增加、调整和重建等变化方式，从知识变化类型和知识结构变化方式这两个维度分析了用户在搜索过程中各个阶段的知识结构变化。Wu等通过对学术用户在协作搜索过程中的学习进行纵向研究，研究发现在此搜索过程中用户的知识结构也会发生重建、调整和同化现象。

　　1.2用户网络信息搜索的学习效果测量

　　    Belkin在知识非常态理论中提出：“当用户意识到自己的知识状态是异常的，不足以达到某一目标时，他们会在信息搜索过程中通过描述和理解信息等方式解决知识非常态的问题，并将信息转换为知识结构。”Brookes等提出的有关信息和知识的“基本方程式（K[S]+△I，=K[S+ΔS]）”也阐述了用户在获得信息后会与先验知识共同作用产生新的知识结构。其中，K[S]为原有的知识结构，ΔI为吸收的情报量，K[S+ΔS]为新的知识结构。从学习理论的角度来看，在信息搜索情境下，该方程式中的ΔS则是指学习效果（Leaming Outcome），即用户在整个搜索过程中知识结构的变化程度。关于如何测量用户信息搜索过程中的学习效果，一直是SAL领域的研究重点。现有的研究主要采用实验法，通过使用不同的方法测量用户完成搜索任务前后的知识水平变化，以揭示其学习效果。测量方法大体可分为主观测量和客观测量（即引入量。该类测量借助专家对用户搜索前后的主题知识变化情况进行分析，以确定用户的学习效果。具体测量方法有知识测试(Knowledge Tests)、撰写书面总结(Written Sum-maries)和绘图。

　　    知识测试是以测试的方式让用户在搜索前后回答有关搜索任务主题的系列问题，其测试得分的差值即为用户的学习效果。Gadiraju等通过知识测试测量了用户搜索前的知识水平及搜索后的知识获取情况（学习效果），进而探究了信息需求、搜索行为和学习效果之间的关系。研究发现，信息需求对用户的学习效果没有直接影响，但用户的主题熟悉度与学习效果之间呈负相关，查询的平均复杂度和搜索页面花费时间与学习效果呈正相关。Roy等则通过词汇知识测试方法探索了用户在搜索会话期间的学习效果增长情况。研究发现，先验知识水平低的用户，其学习效果在搜索会话期间呈次线性增长，而先验知识水平高的用户的学习效果则在搜索会话结束时获得了最大增长。

　　    撰写书面总结是通过对用户搜索前后所撰写的有关搜索任务主题的报告或书面回答进行分析，以其所含事实和陈述数量或子主题的覆盖深度和广度作为用户学习效果的衡量指标。Wilson等在上述指标的基础上，提出了基于Bloom认知分类法的学习深度测量指标和评分方法。该方法通过对用户搜索前后所撰写的书面总结进行有用性、分析性和评价性打分，来衡量用户在搜索过程中的知识变化。0'Brien等基于Wilson的学习深度测量指标，从学习深度和学习广度两个维度对领域专家和非领域专家用户的主题知识变化情况进行测量。研究发现非领域专家和领域专家在学习效果上未达到显著差异。Pardi等则通过对用户搜索前后撰写的主题论文进行分析，评估了用户在不同信息资源中的学习效果，并探索了记忆力、阅读理解能力和搜索行为对学习效果的影响。研究结果显示，记忆力、阅读理解能力对学习效果有正向影响，而花费的时间仅在基于文本的SAL环境下才会对学习效果产生正向影响。

　　    绘图是让用户在搜索前后绘制概念图或思维导图。图中的节点、链接和标签的数量变化作为反映学习效果变化的指标。Saito等利用概念图方法对用户在完成探索性搜索任务前后的主题知识变化情况进行了研究。研究发现用户的主题知识结构变化在不同任务主题之间存在差异。在发散情境下，用户的主题知识结构向知识广度方向变化；在聚合情境下，用户的主题知识结构向知识深度方向变化。Liu等利用思维导图法观察了用户在完成不同类型搜索任务过程中的知识结构变化情况。该研究重点从知识变化类型和知识结构变化方式两个方面分析用户在不同搜索阶段的知识结构变化情况，最终发现用户在搜索过程中存在4种不同的知识变化风格。

　　    除了上述客观的学习效果测量方法外，Bhattacharya等提出了一种通过测量用户在搜索前后填写的主题词与专家词汇的相似度差异来衡量用户学习效果的方法，进而对用户眼睛注视度、搜索交互度与学习效果之间的关系进行了探讨。研究表明，学习效果与用户在内容页面上阅读的时间呈负相关，与使用专业查询词的数量呈正相关。

　　2 用户网络信息搜索中系统知识结构的变化

　　2.1系统知识的构建过程

　　    用户在信息搜索过程中的系统知识结构变化常被定义为用户关于信息检索系统心智模型的变化。用户的心智模型具有动态性，会在外在指导和自身的不断反复体验下随着时间发生变化且变得更为精确。因此，从用户信息检索系统心智模型的动态性着手，可以探讨用户在信息搜索过程中的系统知识构建情况。早期研究发现，新手用户和专家用户会采取不同的方法构建信息检索系统心智模型，新手用户采取自下而上的方法构建心智模型，而专家用户则采用自上而下的方法构建心智模型。但该类研究仅观察了整体的心智模型构建，没有对构成维度的变化进行探究。为此，学者又围绕用户搜索过程中心智模型的构成维度变化开展了研究。Zhang分析用户搜索过程中的心智模型变化情况，发现用户在搜索过程中的心智模型构建会涉及认知、评价／情绪和行为3个维度上的变化和发展，且心智模型的变化是在增加、删除和修改概念的形式下进行的。Han等探索用户在学术数据库检索过程中的心智模型变化，发现用户在检索过程中存在面向系统和面向用户两类心智模型，且面向系统的心智模型存在4种演进模式。研究还表明，用户在完成检索任务过程中的心智模型变化本质上是一种学习行为，包括学习过程和遗忘过程。然而，遗憾的是以往的研究并未将用户系统心智模型的变化纳入信息检索的知识变化研究范畴之中。

　　2.2系统知识的测量

　　    为了更准确地揭示用户心智模型的构建过程及其构成维度的发展过程，需要首先对其进行量化测量。由于心智模型跟领域知识结构类似，都是储存在人们大脑中的内在知识，具有内隐性、不完整性和不一致性。如何测量用户的心智模型是研究中需要解决的重要问题。目前，已有不少常用的心智模型测量方法，限于篇幅此处仅列出最常用的测量方法。一类是定量测量方法。用户心智模型的定量测量常采用凯利方格技术和问卷调查法。其中，凯利方格技术是一种基于访谈的能够实现用户态度、感觉与认知量化的心智模型测量方法。Crudge等利用该方法抽取了用户评估搜索引擎的心智模型。而问卷调查法主要是基于心智模型的定义及相应检索系统的特点，通过开发用户心智模型的完备性量表进行测量。Li等在已有心智模型量表的基础上，开发了关于博士生网络搜索引擎心智模型的完备性量表，包含网络搜索引擎的基本特征、搜索功能和交互水平3个维度。经实证研究表明，该心智模型完备性量表在测量博士生对网络搜索引擎的心智模型上具有可行性和适用性。另外一类是定性测量方法。早期心智模型的定性测量主要采用访谈法和出声思考法，但由于访谈法和出声思考法对用户的语言表达能力要求较高，不利于新手用户的心智模型提取。因此，研究人员不得不采取新的定性测量方法提取用户的心智模型。Kodama等采用绘图和互动式提问相结合的方法，探索了中学生使用Coogle搜索引擎的心智模型。研究发现，大多数中学生在其心智模型中强调拟人化、计算设备和连接等元素，很少关注搜索引擎界面和源代码，体现了心智模型的不完备性。Han等则采用绘图和书面描述相结合的方式，对用户使用学术数据库时的心智模型构建及变化情况进行了探索。此外，zhang通过采用概念列表法，以MedlinePlus作为研究平台，对用户搜索过程中心智模型的构建过程及任务复杂性对心智模型变化的影响进行了系列研究。

　　3 用户网络信息搜索中的知识变化实验任务设计

　　    用户网络信息搜索中的知识变化常需要通过设计不同类型的搜索任务，以分析用户完成搜索任务时的学习机制。因而，创建和设计搜索任务对于用户信息搜索过程中的知识变化研究十分重要。在基于任务的信息搜寻研究中，Vakkari将任务定义为“为实现目标而进行的活动”。关于搜索任务的定义，Wildemuth等认为“搜索任务是基于搜索系统进行的目标导向活动”；Li等也认为“任务是用户通过与信息系统进行有效交互来完成的”。这两个定义都将任务视为通过利用信息系统而完成的活动。无论是哪种定义，都证明了任务是影响信息搜索行为的主要因素，会对用户选择、发现和评估信息资源等行为产生影响。

　　    SAL认为学习发生在搜索任务期间，不同的任务类型会导致不同的搜索过程及搜索结果，进而影响学习效果。因此，任务类型常作为研究变量在这类研究中出现。关于任务类型的划分，相关研究主要从任务主题和任务属性两个维度进行。其中，按主题的任务类型划分是根据任务主题领域（如医疗、旅游、商业、学术等）划分。按任务属性划分的任务类型是根据任务的信息需求、任务结构、所需信息的类型、所需信息的数量、所需信息的内容和任务的复杂性等属性进行划分的。例如，Kim将搜索任务分为事实型、解释型和探索型3种。除此之外，基于任务复杂性划分任务类型是近几年研究中常用的划分方式。关于任务复杂性有两种流行的概念：一是任务复杂性是一种客观的任务特征。Campbell确定了描述任务复杂性的4个维度，即通往预期结果的潜在路径的数量、存在多个预期结果、路径之间存在相互冲突的依存关系、路径的不确定性。二是任务复杂性是一种主观的任务特征。Bystrom等认为任务复杂性是搜索者根据初始任务推断所需的任务输入、过程和结果的程度。近年来，研究者们开始尝试从认知角度对任务复杂性进行探讨。1956年，Bloom从认知层面将教育目标分为了6层，从低到高依次为识记、领会、应用、分析、综合和评价。此后，Anderson等在其基础上进行了修订和扩展，提出了教育目标的二维分类法。A&K的二维分类是基于认知过程维度和知识维度交叉构建的。其中认知过程维度就是经修订后的Bloom认知分类法，按认知复杂度的高低，排序依次为记忆、理解、应用、分析、评估和创造。许多研究将修订后的Bloom认知分类法作为设计任务的标准，其任务复杂性随着认知复杂度的升高而逐渐增高。Jansen等采用修订后的Bloom认知分类法创建了复杂的搜索任务，并探讨了不同任务类型下用户的搜索行为差异。该研究在一定程度上证实了用户的信息搜索本质上是一种学习行为。Kelly等也基于修订后的Bloom认知分类法，开发了通用的搜索任务，并探讨了不同认知程度下的用户搜索行为和用户体验差异。Ghosh等则基于修订后的Bloom认知分类法，设计了4种不同认知程度的搜索任务，探讨了不同任务类型下的用户搜索行为差异和学习效果差异。A&K二维分类中的知识维度是对Bloom认知分类法的补充和扩展。相较于认知过程维度从动词角度对教育目标进行的分类，知识维度则是从名词的角度对教育目标进行了分类。按知识由具体到抽象的程度，可分为事实知识、概念知识、程序知识和元认知知识。

　　    综上所述，为了更好地探究用户信息搜索过程中的知识变化，已有的研究为其设计了不同的任务类型。但由于任务类型划分角度存在差异，其研究结果的可比性较差。目前，虽然A&K的二维分类在搜索任务设计中得到了广泛应用，但也仅限于认知过程维度，并未控制知识维度。因此，今后的搜索任务设计应同时考虑认知过程维度和知识维度，并进行交叉设计。

　　4 面向用户学习的信息检索系统优化设计

　　    针对用户学习的探索可以为提高用户与信息检索系统之间的交互效率和促进信息检索系统的智能化提供理论支持和实践指导。目前，已有的研究优化设计了面向用户学习的信息检索系统。相关研究可分为以下3类。

　　    一是优化信息检索系统的检索算法和方法。Syed等为了最大程度地提高用户在完成词汇学习任务中的学习效果，提出了一种在检索目标中添加关键词密度的检索算法。Arora为了提升用户在信息搜索任务过程中的主题知识，提出了一种通过从检索到的文献中抽取出有意义的信息文本单元并展示给用户的方法。Tibau等将探索性搜索视为知识密集过程，并在此基础上提出了一种查询重构分类法。该分类法旨在通过对用户搜索过程中的查询重构进行分类，从而实现用户搜索策略的可视化，以支持SAL的搜索界面设计。

　　    二是优化信息检索系统的检索结果，主要是对检索结果进行排序优化。Maxwell等证实了使用结果多样化算法对搜索结果进行多样化排序，可以更广泛地展示搜索主题的各方面内容，有助于提升用户的搜索和学习体验。Yigit-Sert等认为教育领域的搜索引擎的结果多样化不应仅局限于主题多样化，还应从文本类型、用户知识水平等维度进行多样化展示。Teixeira等基于同化学习理论提出了一套新的搜索引擎结果排序标准。该标准通过对第一页的搜索引擎结果按照概念性内容、程序性内容、深化内容和相关内容进行结果重新排序以支持SAL过程。Vakkarj认为搜索结果应按其信息的类型（事实性、概念性、程序性等）进行分类显示，并通过建立文献之间的概念结构关系，帮助用户在点击过程中实时调整搜索结果。

　　    三是开发支持SAL的信息检索系统或辅助工具。Ful-antelli等基于SAL理论，开发了一个支持在搜索过程中分析学习过程的搜索系统SaR-Web，且该系统可以支持 Bloom认知分类法中的高级学习活动，如通过比较不同搜索引擎的搜索结果，帮助用户整合和创新想法。Azpiazu等则为6—15岁的学生开发了一个检索系统(YouUN－ derstood.me)来帮助学生在以学习为导向的任务中选择符合其阅读能力的信息资源，同时可以支持教师追踪学生的学习过程。此外，Choi等为支持用户在探索性搜索任务中的认知和元认知活动，开发了一个搜索辅助工具Org-Box。实验表明，相较于基线工具书签(Bookmark)，Org-Box更能支持用户搜索中的学习、认知和元认知活动。

　　5 研究结论与展望

　　5.1研究结论

　　    “将信息搜索视为学习过程”是从建构主义的理念出发，强调在搜索过程中用户认知与情感的学习机制，能够为研究用户信息搜索行为带来广阔的空间。本文主要对“将信息搜索视为学习过程”中的知识变化研究成果进行回顾。综观目前国外的研究成果，发现已有研究在理论和实践层面都取得了不少真知灼见。具体结论是：第一，在研究的理论基础方面，现有的研究引进了意义建构理论和建构主义学习理论来揭示和剖析用户信息搜索过程中的学习机制。在信息搜索过程中，用户的知识结构会在认知机制的驱动下发生增加、调整和重组3种形式的变化。此外，已有的研究还引进了教育心理学中的Bloom认知分类法来设计体现不同认知复杂性的搜索任务，进一步丰富了基于任务的信息搜索的方法论体系。第二，在用户学习构成维度及其可操作性测量方面，用户的学习应该同时包括用户的领域知识学习和系统知识（心智模型）学习。相关研究已清楚地界定了网络信息搜索过程中用户领域知识和心智模型的概念及可操作性测量，并初步探索了网络信息搜索过程中学习效果的多种测量方法。这些成果可为今后进行大样本的实证研究提供方法论支持。第三，在理论成果与系统优化的对接方面，已有研究从面向用户搜索过程中的学习角度出发，提出了支持搜索学习的信息检索系统优化算法和方法，并开发了可支持用户在搜索过程中学习的信息检索系统和辅助工具。这些成果可为今后面向用户学习设计智能化信息检索系统提供启发。

　　    总之，自2016年Rieh等提出“将信息搜索视为学习过程”之后，SAL领域的研究开始集中于对信息搜索过程中的知识变化、学习行为以及与搜索行为之间的关系进行细致探索，也对面向用户搜索中学习的信息检索系统的优化设计开展了大量研究。近年来，由于SAL领域发展呈现出多学科性，本文仅重点回顾了SAL领域中与知识变化相关的成果，今后仍需持续关注SAL领域的进展，从而更加全面地揭示SAL的研究全貌。

　　5.2研究展望

　　    回顾已有文献发现当前研究仍然存在一些局限有待今后进一步探索。第一，用户信息搜索过程中的知识结构变化没有与搜索行为的阶段相对应。虽然已有研究探讨了用户信息搜索过程中知识结构的概念变化方式，但对用户在具体搜索过程中的不同阶段以及不同任务类型下的学习演进模式并未开展研究。第二，没有对用户学习进行整体性视角的探索。目前有关用户信息搜索过程中学习的研究均是将领域知识和系统知识独立研究，并没有将二者结合。在现实情况下，尤其是对于新用户而言，他们常常是通过不断完成搜索任务而提升心智模型。新用户在完成检索过程中，这两类知识变化的关联机理如何？显然探索该问题可以更好地为信息检索系统优化提供更加详尽的建议。第三，搜索任务的设计方面仍有待进一步拓展。目前研究的搜索任务设计主要是基于A&K的二维分类中的Bloom认知分类法，从认知过程维度设计模拟仿真任务并得到了广泛的应用，但没有控制知识维度。因此，在设计实验任务时需要同时考虑认知过程维度和知识类型维度。第四，实践和理论的桥接有待加强。如何将这些基础理论的成果应用到信息检索系统的优化设计中仍是今后的研究重点。目前的优化设计主要集中在信息检索系统检索结果的展示方面，相关的辅助工具仍需用户进行大量的操作。因此，如何设计并应用实现更加智能化的信息检索系统，以支持用户信息搜索过程中的学习，是今后信息检索系统优化的重点方向之一。相信未来在对用户信息搜索中的学习机理取得更加丰富的理论成果后，可以用来指导和提升信息检索系统的动态智能，真正实现面向智能化的信息检索系统。

　　

　　

　　              摘自：《情报理论与实践》2021年第2期

[免责声明] 本文来源于网络转载，仅供学习交流使用，不构成商业目的。版权归原作者所有，如涉及作品内容、版权和其它问题，请在30日内与本网联系，我们将在第一时间处理。