分类筛选
分类筛选:

关于高校图书馆方面论文怎么撰写 跟高校图书馆座位管理系统的读者行为分析方面学年毕业论文范文

版权:原创标记原创 主题:高校图书馆范文 类别:专科论文 2024-01-14

《高校图书馆座位管理系统的读者行为分析》

该文是高校图书馆相关论文范文检索与高校图书馆和读者和管理系统类论文怎么撰写。

摘 要 借助数据挖掘方法展开读者行为分析,有利于提升图书馆在座位管理系统中的精细化服务水平.文章采用网络调研方式确立读者行为分析的变量,并在座位管理系统后台获取实证数据.实证研究表明:选座读者的“常用时段”符合帕累托定律.采用K-Means聚类方法和判别分析法获取选座高频型读者群、选座低频型读者群和选座阶段型读者群三个差异群体,阐述每个群体读者图书馆应该采取的服务改进策略,并再次使用聚类分析对服务策略实施后的读者选座行为进行整体和分群的跟踪分析.

关键词 高校图书馆 座位管理 个性化需求 行为分析

引用本文格式 谢发徽. 高校图书馆座位管理系统的读者行为分析[J]. 图书馆论坛,2018(3):108-116.

0 引言

  占座现象一直是高校图书馆非常普遍而又难以根治的问题.为缓解占座问题并有效提高座位资源的利用率,图书馆通常采用自行开发管理系统或引入第三方管理系统进行有限座位的日常管理.两种方式都能实现座位的预约、自动激活、自助暂离和释放等基本功能,不仅规范了读者的座位使用行为,而且提升了座位的利用率.然而,系统实施一段时间后也产生一些问题,如读者个性化座位需求得不到满足、高峰期一座难求、低峰期选座操作可有可无和座位使用时长设置不合理等较为精细化的服务难题.每位读者是否都迫切需要座位?如何避免高峰期选座的排队拥挤?读者的使用行为是否与其专业和年级等属性有关?面对上述座位管理实践出现的新问题和读者日益强烈的个性化座位服务需求,借助数据挖掘方法分析读者的使用行为,把握选座的读者群结构和个性化需求应运而生.图书馆也迫切需要利用这些行为的分析结果来辅助业务决策,改善和提升图书馆的管理服务水平.鉴于此,本研究以高校图书馆座位管理系统中的读者行为数据为基础,尝试宏观上通过帕累托定律识别读者使用座位资源的分布特征,微观上利用聚类分析把握读者的群体分布结构和每个群体之间的差异,探讨对于异质群体如何提供个性化和差异化的服务策略,提升读者在座位资源上的用户体验,从而实现座位资源的最大化利用.

1 研究基础

1.1 图书馆座位管理研究现状

  目前关于座位管理系统的研究主要集中于国内的高校图书馆,国外相对较少,主要可分为:(1)优化座位的资源配置管理模式.谭丹丹等[1]提出完善和优化阅览座位管理模式;陈鹰[2]提出通过环境优化、改善座位配置等方式;北京邮电大学对座位实施随机派号模式;深圳大学图书馆推出“签发座位条”模式;童丽琴等[3]提出阅览室“实名制”管理.(2)自主研发座位管理系统.部分高校图书馆结合业务需求和研发技术力量从信息化辅助座位管理提出解决方案,但未形成较为系统和规模化的研究.比较典型的解决方案有单片机识别座位状态[4]、与门禁联动[5-6]、指纹识别选座[7]、C/S软硬件应用系统[8-9]和基于二维码开发的“反占座神器”[10].(3)引进成熟的第三方管理系统.2011年以来,厦门大学、山东大学、北京师范大学和中国人民大学等高校图书馆陆续引进产品化的座位管理系统,经历试用磨合、经验积累和产品优化等一系列实施过程,有效提高了座位的使用率,也在实践中探索和积累座位管理中所出现的诸多问题及其解决方案.相应的用户使用行为研究有:郝亚楠等[11]全面分析了引入座位管理系统的利与弊,提出应完善阅览区的功能划分、门禁联动激活预约和读者教育引导等问题及对策;吴开明等[12]从博弈论纳什均衡展开读者占座博弈分析,提出实现“微信计时法”作为解决占座问题的有效补充措施.

1.2 帕累托定律

  帕累托定律也称最省力的法则、不平衡原则和二八定律,由意大利经济学家帕累托在经济学领域的调查取样中总结得出,即“80%的收入来自于20%的客户”.它体现了投入与产出之间的不对称关系,这种在取得最佳管理绩效的同时减少资源投入的定量分析方法在图书馆理论与实践领域得到了广泛的应用研究.王玮[13]和王君学[14]将帕累托定律与阮冈纳赞的五定律相结合,讨论帕累托在图书馆资源建设与服务管理中的实践意义.杨秀敏[15]探究了帕累托在读者服务工作的指导策略,促使图书馆以低成本投入获得高产出效益.黄艳芬[16]基于帕累托原则提出了馆藏图书建设、文献信息资源共享和资源优化配置的建议.曲皎[17]等从高校科研竞争力的视角采用数据包络分析法对高校图书馆的技术效率进行帕累托最优分析.刘立云等[18]从机制设计角度出发,通过帕累托定律探究如何调整图书馆座位资源与读者之间的供需关系.

1.3 K-Means聚类分析

  K-Means聚类算法常用于对大规模的用户数据进行聚类分析.K-Means聚类算法速度快、简单,效率高、可伸缩性强[19].宋楚平等[20]应用K-Means对图书借阅数据进行挖掘,识别借阅图书不同兴趣爱好的读者群体.李萍[21]通过使用Hadoop计算平台,运用K-means算法中的数据挖掘技术,开展图书馆个性化服务.鞠秀芳等[22]将K-means聚类算法用于检验期刊排名因子的有效性.孙敏杰[23]采用K-Means聚类算法识别用户行为模式,依此划分用户群体类型,创建机构仓储系统的人物角色-行为特征矩阵量化模型.实践证明应用K-means聚类算法识别图书馆业务系统中的用户行为特征效果显著.

2 研究设计

2.1 研究思路设计

根据帕累托定律和聚类分析的实证方法需要,本研究采取网络问卷方式确立宏观和微观分析所需要的用户行为变量,而后根据确立的变量从座位管理系统的后台数据库获取相关字段值,K-means聚类分析的变量因子则通过聚类预分析和判别分析法遴选出适宜的群体分类方案.再针对每个细分群体结合读者的学科专业、年级、访问时段和访问频率等属性提出其群体特征和相应的座位管理服务改进策略,最后通过聚类和对比分析跟踪实施服务改进措施后带来的读者行为变化,从而进一步论证和改进读者细分结果的实际适配度.综上,高校图书馆座位管理系统读者行为分析的具体思路如图1所示.

2.2 行为变量设计与获取

  基于座位管理系统的数据库字典定义,拟定将读者自然属性和选座行为特征等两个属性类别组成实证变量.自然属性也称人口统计属性,包含读者证号、性别、年级和专业等;读者行为属性包含选座次数、使用时长、常用时段、常用时段次数、常用月份、常用月份次数等.为达到变量的有效性,笔者通过网络问卷调查向座位管理系统的利益相关者和管理者进行调研,涵盖选座频率较高的学生、教师、座位巡查志愿者和图书馆馆员等类型读者,问卷中要求受访者对以上变量进行重要性排序,可以选择备选变量替换其他变量.收集到的变量通过SPSS软件汇总整理.至2016年9月,共收到问卷调查320份,有效问卷295份.最终确定的实证变量见表1.根据统计结果和问卷调研增加变量的建议,读者行为属性增加“选座方式”“预约次数”字段,这两个字段显示了读者在座位使用行为上的自助程度及对座位资源的需求强烈程度,能反映读者在座位使用中的行为差异.

3 实证分析

3.1 数据获取及样本基本特征

本研究以笔者所在图书馆的座位管理系统为实证对象.系统自2013年部署与实施以来,为读者提供1600个座位,支持读者通过网上自助预约、图书馆微信公众号预约和APP预约等三种方式,读者入馆时通过刷卡门禁系统自动激活座位.每个座位可提供从上午8时到晚上22时的使用时限,以1小时为最小时长单位,读者可根据自己的使用需求进行预约和现场刷卡选座.同时引入失约惩罚机制,2次连续失约、7天内失约3次和7天内提前离场未返回3次均被列入黑名单7天.系统运行3年多来,有效缓解了占座现象,座位利用率得到显著提高.

  为有效跟踪读者在座位管理系统的行为变化,基于读者细分即“一个读者不能同时属于两个细分群体”的前提条件,且考虑到单个读者在不同学年的选座行为会伴随着系统熟练程度、学习需求和学年安排等因素发生变化,故此结合前述的研究思路,数据获取分为两个部分:第一部分选取2015-2016学年(即2015年9月至2016年7月)的读者选座行为数据作为聚类分析的样本数据;第二部分选取2016-2017学年(即2016年9月至2017年7月)的读者选座行为数据对聚类的细分结果进行对比跟踪分析.

  根据表1确立的行为变量表,第一部分数据获取方法如下:通过MySQL工具从座位管理系统后台获取读者的借书证号、性别、年级和专业等人口统计特征数据组成“读者信息表”;然后以“读者ID”为主关键字,实证选座时间限定为2015年9月至2016年7月,依次累加统计每位读者的“选座次数”“使用时长”和“预约次数”,建立“读者选座行为特征表”.之后,通过SPSS软件进行表合并操作,共获得有效数据17977条.为保证数据分析的有效性,对获取的所有数据进行缺失值分析、重复值记录删除和异常值分析处理等操作,最后获得有效的读者选座行为数据为17845条.据此方法对第二部分即2016年9月至2017年7月数据进行清理,共获得有效的读者选座行为数据17252条.

  对获得的第一部分数据,按照人口统计特征进行描述性分析,本科生、研究生和教师的比例分别为95.6%、3.3%和1.1%,而本科生中大三、大四选座的人数比例分别为27.1%和29.4%,高年级入馆选座比例较高.专业方面,文科专业和理科专业比例适中,各占比为49.4%和48.3%,艺术类为2.3%.选座方式的比例中,全年到馆现场预约79.4%,通过APP和微信公众号预约为20.6%.

3.2 帕累托分析

座位管理系统的帕累托分析立足通过定量分析的方式获取图书馆座位资源被利用的情况,从而全面把握座位资源的使用效率和图书馆读者的大部分需求.使用时段是座位资源最核心的属性,座位资源的分配本质就是以最均衡和高效的方式将座位的单位使用时间提供给每位读者.故此,“常用时段”和“常用月份”两个行为属性最能反映座位资源的利用率,读者每天对于当日座位资源的总体需求可通过“选座次数”字段值的高低体现需求的强烈程度.借助SPSS软件的累积效应分析,获取的读者行为结果如图2所示.

  按照帕累托定律的累积效应分析,“常用时段”基本符合二八定律,“常用月份”倾向于四六法则.从图2(a)可以看出,每日选座时段80%集中于8时、18时、9时和19时等4个时段.对时段的使用时长进行累加,以图书馆2015年开放290天为基数,平均每个座位使用时长为4小时.从图2(b)可以发现,80%读者入馆集中在12月、6月、11月、7月和10月.直观来看,这几个月份的密集选座均跟期末复习迎考、图书馆空调环境和复习氛围等因素密切相关.

从上述基于读者选座行为字段的帕累托分析来看,“常用月份”“常用时段”基本符合帕累托定律.因此,针对每日的高频率选座时段,高校图书馆可以多投入馆员、学生志愿者以及读者服务中心成员等参与督导,引导 读者的选座行为形成规范并自助化.而每年的高峰期月份,频繁通过APP和微信选座的读者提前预约量激增,此时图书馆可加强后台技术服务保障,在自助化选座的各个系统环节和业务联动上充分给予保障,以确保座位管理系统的可靠性和易用性.从宏观视角看,图书馆“一座难求”的现象集中于每年高频月份(6月、7月、11月和12月),每日入馆选座高峰期集中于上午(8时、9时)和晚上(18时、19时),图书馆有限的座位资源与读者无限的选座需求之间矛盾将长期共存,高校图书馆应及时做好高峰期选座告知、读者分流和读者群体细分,这对于提高读者使用座位资源的满意度大有裨益.

3.3 聚类分析

3.3.1 K-Means聚类

  本节对第一部分数据即2015-2016学年的读者选座行为数据进行聚类分析.从3.1节中得知,获得的有效读者选座行为数据为17845位读者数据.根据“组内行为特点相似、组间行为差异大”的聚类规则对选座的读者群体展开细分.聚类结果产生的各个差异群体可以为图书馆管理者提供较为清晰的细分群体特征.为此,以表1确立的“基础数据表”字段为分析对象,选取与选座行为属性相关的为聚类字段,剔除“常用时段”“常用月份”“选座方式”等不能等级排序的静态属性,采用K-Means聚类算法对以上字段聚类,由于聚类的变量存在量纲不一致且差异较大,因此对聚类变量采用量纲标准化处理.其次,基于K-Means聚类算法容易受到初始聚类中心随机选择的影响而导致聚类结果不佳,本节尝试聚类结果为3至6,采用判别分析法对每个聚类结果进行纯度回代检验,选取分类概率识别正确最高的聚类结果为最终聚类中心.每个聚类的判别分析和最终的聚类中心如表2所示.

  依据上述聚类结果,根据判别分析的概率值逐步下降的变化情况,选取聚类个数为3,获取的最终聚类中心如表3所示.

  以表3中3个聚类在5个行为属性的均值为参考值,根据其聚类特征可将该3类读者命名为如下3个差异群体:

  群体Ⅰ:选座高频型读者(688人,3.9%).该群体的读者比例虽少,但使用座位时间占全年图书馆总时数的25.49%.使用座位时间年均733小时以上.

  群体Ⅱ:选座低频型读者(13148人,73.7%).该群体的读者比例最高,但使用座位时间仅占全年图书馆总时数的22.81%.使用座位时间年均仅33小时.

  群体Ⅲ:选座阶段型读者(4009人,22.4%).该群体的读者比例不足三分之一,但使用座位时间占全年图书馆总时数的51.7%.使用座位时间年均229小时.

3.3.2 群体总体差异性分析

对于上述3个聚类群体,本研究采用卡方检验分析不同群体在性别、专业和年级等分类变量上是否存在显著差异.性别在群体中的差异属于常规的人口统计应用中一个重要的研究内容,以群体分类和性别放入SPSS描述性统计分析中进行卡方检验,sig等于1.00(>0.05),说明性别变量不存在显著性差异.专业变量的卡方检验P等于0.000(<0.05),存在显著性差异.从图3(a)专业变量与聚类群体的对应分析发现,选座高频型读者主要集中于经济学、法学和文学类专业.以年级变量展开的卡方分析中,P等于0.000(<0.05),也存在显著性差异,这表明本科生到研究生、教师的年龄成长顺序和伴随图书馆使用熟悉程度的递增存在强相关.通过图3(b)的对应分析可以发现,大四和研究生是高频选座的主要群体,基于复习迎考的大二和大三是阶段型选座的主力群体,而大一、教师和校友则是低频选座的主要群体.因此,若要实施图书馆座位资源精细化服务,就必须结合专业和年级因素,每个细分群体的服务策略才能更加有效和精细化.

  采用ANOVA单因素方差分析对“最常用时段次数”“最常用月份次数”“预约次数”等变量在3个群体中展开显著性差异分析,三个变量的P等于0.000(<0.05),均存在显著性差异.通过三个变量的对应分析发现(限于篇幅不列举具体图例):高频选座群体提前预约座位已成为其入馆使用座位的习惯行为;阶段型选座群体的预约次数与每个月份图书馆座位资源形成负关系;低频选座群体只存在少数预约的情况,结合常用时段来看,该群体读者大多选择到馆选座.

3.3.3 群体特征与服务策略讨论

  选座高频型读者:该群体高年级读者较多,采用提前预约方式的居多,且比较习惯于使用APP预约,入馆时间集中在早8时和晚18时,各个月份不存在显著性差异.座位使用的高频率与读者利用图书馆的习惯、学业任务、升学、公、教师招考等相关.该群体是座位管理系统的成熟阶段型读者,他们熟悉各项自助选座功能,无违约记录和进入黑名单情况.针对此类群体,建议结合图书馆空间特点,在座位管理系统的空间设置上采取集中区域选座,增加常用座位快速预约功能.并在系统上引入读者履约积分制,积累的积分可兑换图书馆其他业务系统的成长值,该群体的示范带动将引导其他细分群体向此类型转化.

  选座低频型读者:该群体的预约时段集中在第四季度的早8时和晚18时,该群体在选座月份、选座时段、专业和年级上分布不存在显著性差异,大部分是到馆选座,提前预约较少.可判断该群体是座位管理系统的低频型读者,流动性大且易流失.针对此类群体,随着读者使用座位需求的增长与变化,高校图书馆可采取加强座位系统使用宣传、社交平台及时收集选座问题反馈和选座攻略密集推送等多种积极的关系维系营销策略,缩短读者自助选座的磨合期.同时,可借助系统向读者提供常用座位快速选取、提前预约座位和推送微信选座等便捷选座服务,提高读者的选座效率.

  选座阶段型读者:该群体读者选座时段集中于第四季度的上午8时、9时和晚上18时、19时,常用选座月份集中于6月、7月和12月,结合高校读者专业学习阶段和复习迎考氛围的特点,可判断其为选座阶段型读者.对于该群体读者,当图书馆出现选座高峰期时,按照公平原则优先保障预约座位的读者,借助社交媒体及时疏导和告知无法选座的读者,分流到校内其他教学区域学习.该群体的规模人数超过图书馆座位资源总数,当图书馆座位一座难求时,此群体的读者满意度会有所下降.有座必选是该群体的主要特征.为此,针对上下两个时段的选座高峰期情况,应及时告知读者要关注图书馆大屏幕、网站页面和APP上动态显示的座位余量情况,提醒读者擅用随机派座功能,系统管理员调整座位管理策略,例如缩短提前取消预约的时长限制、延长提前签到的分钟数和中途离场产生的座位回收时限等精细服务,从而应对此类读者的碎片化选座特征,提高单一座位分时段多次被预约的效率.

3.4 服务策略实施后的行为跟踪分析

  根据上述讨论的服务策略,笔者所在图书馆于2016年8月对座位管理系统进行升级与优化,调整空闲座位释放与回收的事务逻辑,系统后台增加手动调配现场选座和场外预约的座位资源配比,研发图书馆微信公众号上的现场选座功能.对改进服务策略之后的第二部分读者选座行为数据采用帕累托分析,“常用时段”仍然符合二八定律,“常用月份”接近于四六法则,这说明当前图书馆的空间资源与读者的使用需求不对等的矛盾依旧存在.按照本文确立的K-Means聚类方法对其展开分析,聚类个数仍为3,聚类结果如表4所示.

  将表4与表3的聚类结果对比发现,3个差异群体比例基本保持一致,说明前述聚类分析的结果合理,比较符合图书馆的座位管理实践.从聚类结果的均值来看,聚类1代表的选座高频型读者群体在“选座次数”的均值发生质心负偏离,这是因为引入了图书馆微信公众号快速选座的服务改进策略,提前预约座位功能在此类群体得到大范围使用,现场触摸屏选座方式较少,该读者相对上学年的比例提升不少.聚类2代表的选座低频型读者与上学年聚类结果在均值上基本保持不变,但读者比例有所下降.聚类3代表的选座阶段型读者群体在预约次数和选座次数的均值提升较大,这得益于服务策略实施了系统选座效率优化、APP用户体验改善、座位回收时限缩短和延长读者提前签到时长等细节性控制.

  将两学年的选座行为数据以“读者借书证号”为关键字进行内部关联和各字段数值对比分析,可跟踪发现读者行为和细分群体身份转变发生如下变化:在新的群体Ⅰ(选座高频型读者)结果中,从群体Ⅱ(选座低频型读者)转换过来的有473位读者,从群体Ⅲ(选座阶段型读者)转换过来的有444位读者.从各个字段的数值变化来看,微信或者APP选座为群体Ⅰ的显著行为特征,现场选座比例减少2/3,学年使用时长均值达到854小时以上,这说明在实施有效服务策略后,选座高频型读者群体数量递增,该群体虽流失192位读者,但加上留存读者380位,读者群体转化率较高.在新的群体Ⅱ结果中,从群体Ⅰ转换过来的有75位读者,均是高年级或即将毕业的读者.有4773位读者仍留存在此群体中,985位读者从群体Ⅲ转换到群体Ⅱ中,从字段数值变化对比来看,预约次数提高9倍,学年使用时长减少一半,微信或者APP的选座方式比例提高20%.在新的群体Ⅲ结果中,从群体Ⅰ转换过来的有117位读者,从群体Ⅱ转换过来的有1986位读者,留存在群体Ⅲ中的有879位读者,整体预约次数递增,现场触摸屏选座方式较为常用,学年使用时长翻倍,达到学年内的294小时.从以上三个群体的对比分析可以看出,根据前述首次聚类分析提出的精细化服务改进策略带来了后续每个群体更好的图书馆座位服务用户体验,读者座位自助管理的习惯正逐步形成.

4 结语

  本研究旨在将帕累托分析和K-Means聚类应用于高校图书馆座位管理系统的读者行为分析.研究结果表明,图书馆座位资源的利用需求并非存在均等分布,对读者选座行为属性的“常用月份和常用时段”进行分析,发现其基本符合帕累托定律,造成此种不均等分布的根源在于读者对于高校图书馆的基本定位为复习迎考的最佳氛围和舒适的空间环境.这就意味着,高校图书馆要从宏观角度上增加座位资源才能缓解一座难求的困境,目前可从改善座位管理系统的用户体验,发布选座攻略和提高空闲座位释放效率等方面优先保障最急需的读者.本文从后续学年的读者选座行为跟踪分析也证实了这一点.从聚类分析获取的3个差异群体来看,长期使用座位的读者比例不高,阶段性选座的群体集中于6月、7月和12月,高校图书馆一座难求的困境不可避免,必须通过差异化的服务组合和精细化的系统管理策略有针对性的改善选座体验.而后通过得出的改善性服务策略落实到系统的升级完善、社交平台功能扩展和功能优化控制等有效措施,从再次获取的聚类结果来看,读者选座行为得到有效的优化和引导,高校图书馆座位资源的自助服务得到进一步优化和提升.

  本研究不可避免存在局限性,未来研究将扩大样本数和比较分析同类师范院校图书馆的座位管理系统的读者选座行为,以提高分析结论的可适用性.在分析范围上扩展和综合图书馆门禁系统、图书借阅系统和电子资源访问控制系统等其他业务系统的读者行为数据,以期更加全面和系统地分析读者在图书馆的使用行为特征. 

收稿日期 2017-05-23

(责任编辑:邝玥)

高校图书馆论文参考资料:

图书馆论文发表

中国高校科技期刊会

图书馆学刊

图书馆杂志

高校教师职业道德论文

图书馆建设杂志

小结,上文是一篇适合不知如何写高校图书馆和读者和管理系统方面的高校图书馆专业大学硕士和本科毕业论文以及关于高校图书馆论文开题报告范文和相关职称论文写作参考文献资料。

和你相关的