打开全新思路！这家公司引入TDM让文献主动找上门

当今时代，科学快速发展，由AI驱动的发现突飞猛进。在这样的背景下，研究人员应如何在海量的资源中发现可靠的信息来源并确保信息质量，以做出明智的决策？

文本和数据挖掘（text and data mining, TDM）使用计算工具和技术来分析大型文本数据集，从学术论文、期刊和其他科学出版物中的大量科学数据里提取有价值的见解，旨在识别通过传统人工分析难以或无法发现的模式、关联和趋势，近年来已逐渐发展成为一种强大的工具。

施普林格·自然的TDM工具赋予科研人员以“传统”渠道所不具备的检索和发现能力，并使其能够对信息进行深入探索。把TDM的强大功能与特定科研工具相结合，将有助于驱动变革性发现和一些重大社会挑战的创新解决方法。

如何将这一强大的工具引入到企业的研发架构中，让研究人员无需为了获取有用信息而研读数百篇文章？

下文采访了我们的合作伙伴——Electric Effect（一家专注于利用AI提供定制化同行评议内容社群的公司）首席执行官Steve Cohen，他分享了施普林格·自然的TDM工具如何为他们开发产品提供高质量的内容。我们也希望借此启发研究人员、数据科学家和研发部门从业者，并为如何将TDM引入企业研发架构提供建议。

快速获取正确的文献

研究人员通常需要每周花费数小时浏览所在领域经同行评审过的论文，并使用工具分析以决定相关信息。

在每年新发表的学术论文有数百万篇的情况下，Electric Effect的首席执行官Steve Cohen意识到研究人员需要更好的方法来监控文献，以及利用机器学习和人工智能技术来根据用户资料和行为为其提供更加个性化的检索体验。

这不仅可以显著提高研究人员的搜索效率，而且将探索研究发现的过程转变为能够根据用户群体需求上的变化为他们提供最为关切的内容。

正如Cohen所说“我们基于机器学习/人工智能开发了一个软件开发工具包，通过施普林格·自然TDM API技术获取经同行评审过的内容，然后将内容纳入到我们的医疗社群中，为每位订阅者提供个性化内容，匹配他们的个人资料和行为，并通过衡量用户对内容的参与度来不断改善结果。”

“现在，研究人员无需去寻找文献，文献会主动找上门来，并且会提供一个更高阶视角，解释为什么这份文档是研究人员所感兴趣的。我们开发了使这些文档变得更加动态和统一的过程，它们实际上可以进行互动。”施普林格·自然TDM API工具的灵活性使Electric Effect能够构建定制化数据模型和数据集。 

Cohen指出：“引入施普林格·自然的TDM API技术为我们提供了一个全新的思路，发现了以前未曾考虑过的方法和逻辑后，你将更有可能取得更高质量的发现。数据本身可能是无用的，就像垃圾食品一样，但是当你能够识别出有意义的项目并将它们联系在一起时，数据就变得有用了。随着搜索变得更加个性化和互动，它将变得智能化，并开始理解你正在寻找的内容。”

施普林格·自然的文本和数据挖掘

文本和数据挖掘（TDM）对大量的文本或数据资源进行自动选择和分析，产出研究和研究项目所需的有用信息，帮助研究人员检索内容、寻找模式、发现关系、语义分析和了解内容与概念和需求之间的关联等。

TDM的创新之处在于，研究人员就算不知道具体要问什么，也能对数据集进行分析。如今，AI已基本成熟——它不单能呈递信息，还能提供建议、做出决策并生成内容。

施普林格·自然开发了各种工具，旨在方便研究人员对我们丰富的出版物资源进行文本和数据挖掘。

施普林格·自然开放获取内容API：提供施普林格·自然开放获取XML格式的元数据和全文内容（如有），覆盖来自不同学科领域、超649,000篇在线文献，其中包括BioMed Central和SpringerOpen期刊。我们支持XML、JSON等多种数据输出格式。

针对订阅用户，施普林格·自然提供各种各样的TDM组合数据，如元数据或全文API，同时适用于开放获取和订阅内容。

除知名的《自然》系列期刊和Springerlink期刊、图书之外，施普林格·自然还拥有SpringerMaterials、AdisInsight、SpringerProtocols等专业数据库。

TDM数据库可同时为订阅用户定制化组合不同数据模块，以方便用户的检索和使用。

我们也提供多种TDM工具便于非订阅用户获得开放获取资源，例如开放获取内容的全文API。对于非订阅用户基于付费订阅内容提出的TDM需求，我们将根据具体情况进行处理。