跳转到主要内容

【知识】DIKW(数据,信息,知识,智慧)金字塔

5星评论
Average: 5 (1 vote)
Last modified
星期五, 一月 14, 2022 - 10:59

DIKW金字塔,也被称为DIKW层次结构、智慧层次结构、知识层次结构、信息层次结构和数据金字塔,[1]松散地指一类用于表示数据、信息、知识和智慧之间的结构和/或功能关系的模型[2]。“通常信息是用数据来定义的,知识是用信息来定义的,智慧是用知识来定义的”。[1]

并不是DIKW模型的所有版本都引用所有四个组件(早期版本不包含数据,后期版本省略或淡化了智慧),有些还包含其他组件。DIKW模型除了具有层次结构和金字塔结构外,还被表征为链结构,[3][4]为框架结构,[5]为一系列图形,[6]为连续体

历史

图书馆和信息科学教授丹尼p华莱士(Danny P. Wallace)解释说,DIKW金字塔的起源并不确定:

数据、信息、知识,有时甚至是智慧之间关系的分层表示,多年来一直是信息科学语言的一部分。尽管不确定这些关系是何时、由谁首次提出的,但是层次结构概念的普遍性是通过使用DIKW作为数据到信息、知识到智慧转换的简写形式而体现出来的

数据、信息、知识

1955年,英美经济学家、教育家肯尼斯·博尔丁(Kenneth Boulding)提出了一个由“信号、信息、信息和知识”组成的层次结构的变体。然而,“区分数据、信息和知识并使用‘知识管理’一词的第一作者可能是美国教育家尼古拉斯·l·亨利。

数据,信息,知识,智慧

其他涉及数据层的早期版本(1982年以前)包括美籍华裔地理学家yifu Tuan[11][需要验证][12]和社会学家兼历史学家Daniel Bell的版本。(需要验证)[11]。[12]在1980年,爱尔兰出生的工程师Mike Cooley在他的《建筑师还是蜜蜂?:人/技术的关系。[13][验证需要][12]

此后,在1987年,捷克斯洛伐克出生的教育家米兰·泽莱尼(Milan Zeleny)将等级制度的要素映射到知识形式:一无所知、知道什么、专门知识和为什么知道。[14][需要验证]泽莱尼“经常被认为是提出[将DIKW表示为金字塔]……尽管他实际上没有提到任何这样的图形模型

1988年,美国组织理论家罗素•阿科夫(Russell Ackoff)在国际一般系统研究学会(International Society for General Systems Research)发表的一篇演讲中再次出现了这种等级制度。后来的作者和教科书引用Ackoff的理论作为层次结构的“原始表达”[1],或者把Ackoff的建议归功于它。[16] Ackoff版本的模型包括一个理解层(就像Adler之前的[8][17][18]),它介于知识和智慧之间。虽然Ackoff没有以图形的方式呈现层次结构,但他也被认为是以金字塔的形式呈现的

在Ackoff发表演讲的同一年,信息科学家Anthony Debons和他的同事引入了一个扩展的层次结构,在数据之前有“事件”、“符号”和“规则和公式”层

1994年Nathan Shedroff在一个信息设计上下文中提出了DIKW层次结构,后来作为一本书的章节出现。[20]

詹妮弗·罗利(Jennifer Rowley)在2007年指出,在最近出版的大学教科书《[1]》(最近出版的大学教科书)中,关于DIKW的讨论“很少涉及智慧”,而且在她的研究之后,她自己的定义中也没有包含智慧。与此同时,Zins在最近的研究中对数据、信息和知识概念化的广泛分析并没有对智慧做出明确的评论,虽然Zins所引用的一些文献中确实提到了这个术语.

 

描述

DIKW模型“在信息管理、信息系统和知识管理文献中,在数据、信息和知识的定义中经常被引用,或被隐含地使用,但对层次结构的直接讨论有限”。[1]对教科书[1]的回顾和对相关领域学者的调查显示,对于模型中使用的定义没有达成共识,更不用说“在描述将层次较低的元素转化为层次较高的元素的过程”了

这使得以色列研究人员查寻表明DIKW data-information-knowledge组件的引用一个类不少于五个模型,作为一个函数的数据,信息和知识都视为一种主观,客观(寻什么术语中,“通用”或“集体”)或两者兼而有之。在津斯的使用中,主观和客观“与任意性和真实性无关,而任意性和真实性往往依附于主观知识和客观知识的概念”。Zins认为,信息科学研究的是数据和信息,而不是知识,因为知识是一种内部(主观)现象,而不是外部(普遍-集体)现象

数据

在DIKW的背景下,数据被看作是表征刺激或信号的符号或符号,[2]直到……可用的(即相关的)形式”。[16] Zeleny将数据不可用的特性描述为“一无所知”[14][需要验证]

在某些情况下,数据不仅指符号,还指所述符号所指的信号或刺激——津斯称之为主观数据。其中,对于Zins来说,通用数据是“观察的产物”[16](原始斜体字),主观数据是观察结果。在用“事实”来定义数据时,这一差别往往是模糊不清的。

数据是事实

罗利在研究了课本中给出的DIKW定义之后,[1]将数据描述为“离散的、客观的事实或观察,这些数据没有组织和处理,因此没有意义或价值,因为缺乏上下文和解释。”在亨利早期的层次结构中,数据被简单地定义为“仅仅是原始事实”。最近的两篇文章分别将数据定义为“关于世界现状的大量事实”和“物质事实”。[8] Cleveland不包含显式数据层,而是将信息定义为“…事实和想法”。[8][11]

只要事实具有一个基本属性,即它们是真实的,具有客观的现实性,或者能够得到验证,这样的定义就可以排除来自DIKW模型的虚假的、无意义的和无意义的数据,从而使垃圾输入、垃圾输出的原则不在DIKW下得到解释。

数据信号

在主观领域,数据被理解为“我们通过感官感知的感官刺激”、[2]或“信号读数”,包括“光、声、嗅、味和触觉的传感器和/或感官读数”。另一些人则认为,津斯所称的主观数据实际上是一个“信号”层(就像抱石的[8][9]),它先于DIKW链中的数据

美国信息科学家格林·哈蒙(Glynn Harmon)将数据定义为“一种或多种能量波或粒子(光、热、声音、力、电磁),由有意识的生物体或智能体根据生物体或智能体中预先存在的框架或推理机制而选择的。

感官刺激的意义也可以被认为是主观数据:

信息是这些感官刺激的意义。,经验知觉)。例如,我听到的噪音是数据。这些噪音(例如,汽车发动机在运转)的意思是信息。然而,对于如何定义这两个概念,还有另一种选择——似乎更好。数据是感官刺激,或它们的意义。,经验知觉)。因此,在上面的例子中,响亮的噪音,以及汽车引擎运行的感知,都是数据。[2](斜体补充道。大胆原创。)

如果以这种方式理解主观数据,那么它将与熟人的知识相媲美,因为它是基于对刺激的直接体验。然而,与伯特兰·罗素等人所描述的熟人知识不同,主观领域“与……真实性无关”

津斯的另一个定义是否成立,将取决于“汽车发动机的运行”是被理解为一个客观事实,还是作为一种语境解释。

数据作为象征

无论DIKW对数据的定义是否包括Zins的主观数据(有无意义),数据始终被定义为包括“符号”、[15][28]或“代表经验刺激或感知的一组符号”、[2]“对象的属性、事件或其环境的属性”。[16]的数据,从这个意义上说,是“记录(捕获或存储)符号”,包括“词(文本和/或口头),数字,图表,和图像(仍然和/或视频),这是沟通的基石”,其目的”是记录活动或情况下,试图捕捉真实情况或真实事件,”,“所有的数据都是历史,除非用于说明目的,如预测。”[24]

Boulding版本的DIKW显式地将信息层消息下面的级别命名为级别,将其与底层信号层区分开来。[8][9] Debons和他的同事颠倒了这种关系,将一个显式的符号层标识为底层数据的几个层之一

Zins认为,对于大多数被调查者来说,数据“被描述为普遍领域的现象”。“显然,”Zins澄清道,“将数据、信息和知识作为一组符号而不是作为意义及其构建块联系起来更有用。

 

信息

在DIKW环境下,信息符合描述对知识的定义(“信息包含在描述中”[16]),与数据的区别在于信息是“有用的”。“信息由数据推断”,[16]在回答疑问句的过程中(如“谁”、“什么”、“在哪里”、“有多少”、“什么时候”),[15][16]从而使数据对[28]的“决策和/或行动”有用。最近的一篇文章“经典地”指出,“信息被定义为具有意义和目的的数据。

结构与功能

罗利回顾了DIKW在教科书中是如何呈现的,之后,[1]将信息描述为“有组织的或结构化的数据,这些数据的处理方式使这些信息现在与特定的目的或上下文相关,因此是有意义的、有价值的、有用的和相关的。”注意,这个定义与Rowley对Ackoff定义的描述形成了对比,其中“数据和信息之间的区别是结构性的,而不是功能性的。

在他对层次结构的定义中,亨利将信息定义为“改变我们的数据”,[8][10]这是数据和信息之间的功能性区别,而不是结构性区别。与此同时,克利夫兰在他的DIKW版本中并没有提到数据级别,他将信息描述为“某一特定时刻某人可以知道的所有事实和想法的总和”

美国教育家鲍勃·博伊科则更为晦涩,他只把信息定义为“实事求是”

象征性的和主观的

在DIKW模型中,信息可以被理解为:(i)普遍的,作为符号和符号存在的;主观的,符号所附加的意义;或(3)。作为符号和意义的信息的例子包括:

美国信息科学家Anthony Debons将信息描述为“一种意识状态(意识)及其形成的物理表现”,如“信息作为一种现象,既代表一个过程,也代表一个产品;认知/情感状态,以及认知/情感状态的物理对应物

丹麦信息科学家Hanne Albrechtsen将信息描述为“与意义或人类意图相关”,或者是“数据库、web等的内容”。(斜体字补充)或“陈述的意义,因为他们是打算由发言者/作家和理解/误解的听众/读者。

泽莱尼以前将信息描述为“知道什么”,[14][引文需要],但后来改进了这一定义,以区分“拥有或拥有什么”(信息)和“做什么、做什么或执行什么”(智慧)。在信息概念化的基础上,他还补充了“为什么是”,与“为什么做”(智慧的另一个方面)不同。泽莱尼进一步指出,没有明确的知识这种东西,而是知识,一旦明确的符号形式,成为信息.

 

知识

一般认为,DIKW的知识构成是一个难以界定的概念。知识的DIKW定义与认识论的DIKW定义不同。DIKW的观点是,知识是参照信息来定义的。“[16]定义可以指以某种方式处理、组织或结构化的信息,也可以指应用或付诸行动的信息。

Zins认为,知识是主观的而不是普遍的,不是信息科学研究的对象,它经常被定义为命题术语,[2]。,即“一切知识都是默示的”

“最常被引用的定义之一”知识的[8]捕获了其他定义知识的一些不同方式:

知识是由框架式的经验、价值观、上下文信息、专家见解和基于基础的直觉组成的流动组合,为评估和合并新经验和信息提供了环境和框架。它起源于并应用于知识分子的头脑中。在组织中,它常常不仅嵌入到文档和存储库中,而且还嵌入到组织的例程、流程、实践和规范中

知识处理

将信息描述为“有组织的或结构化的数据”,知识有时被描述为:

  1. “随着时间的推移,多个信息源的综合”
  2. “组织和处理以传达理解、经验和积累的学习”
  3. “上下文信息、价值观、经验和规则的混合”[16]

博尔丁对知识的定义之一是“一种心理结构”[8][9],克利夫兰将知识描述为“某个人将提炼者之火应用于[信息],选择并组织对某人有用的东西的结果”。最近的一篇文章将知识描述为“关系中相互联系的信息”

知识过程

泽莱尼将知识定义为“专有技术”。,以及“知道谁”和“知道什么时候”,都是通过“实践经验”获得的。[3]“知识……从经验的背景中产生一套连贯一致的协调行动。”更进一步,隐含地将信息作为描述性的,Zeleny宣称“知识是行动,而不是行动的描述。

Ackoff同样将知识描述为“数据和信息的应用”,它“回答‘如何’的问题”,[15][验证需要][28],即“专有技术”

与此同时,人们发现讨论DIKW的教科书从经验、技能、专业知识或能力等方面对知识进行了不同的描述:

  1. “学习和体验”
  2. “综合上下文信息、专家意见、技能和经验”
  3. “信息与理解和能力相结合”
  4. “认知、技能、训练、常识和经验”,[16]

商人James Chisholm和Greg Warman将知识简单地描述为“把事情做对”

知识命题

知识有时被描述为“信念结构”和“参照认知框架的内在化”。Boulding对知识的一个定义是“对世界和个人在其中的位置的主观感知”,[8][9],而Zeleny说知识“应该是观察者对‘对象’(整体、统一性)的区分”

同样,Zins发现,知识是用命题的术语来描述的,作为正当的信念(主观领域,类似于隐性知识),有时也作为表示这种信念的符号(普遍/集体领域,类似于显性知识)。泽莱尼拒绝了显性知识的概念(就像津斯的普遍知识一样),他认为一旦将知识符号化,知识就变成了信息。博伊科似乎呼应了这一观点,他声称“知识和智慧可以是信息”

主观领域:

  1. 知识是个体头脑中的一种思想,其特征是个体有正当理由相信它是真实的。它可以是经验的,也可以是非经验的,例如逻辑和数学知识(例如,“每个三角形都有三条边”)、宗教知识(例如,“上帝存在”)、哲学知识(例如,“Cogito ergo sum”)等等。注意知识的内容被认为在个人看来,由个人的特点合理的相信它是真实的,而“知道”是一种心态特征的三个条件:(1)个人认为[s],它是正确的,(2)他/她可以证明它,和(3)是真的,或者它[出现]是真的。[2](斜体补充道。大胆原创。)

主观知识与主观信息的区别在于,主观知识的特征是有正当信念,而主观信息是关于数据意义的一种知识。

博伊科在将知识定义为“有争议的问题”时,暗示了知识对理性话语和论证都是开放的.

智慧

虽然通常包括作为一个水平在DIKW,“有有限的参考智慧”[1]在讨论模型。博伊科似乎摒弃了智慧,将其描述为“非物质的”

Ackoff认为理解是“对‘为什么’的欣赏”,而智慧是“被评估的理解”,理解被假定为知识和智慧之间的一个离散层。[8][15][28] Adler之前也包括了一个理解层,[8][17][18],而其他作者将理解描述为一个与DIKW相关的维度

克利夫兰将智慧简单地描述为“集成的知识—信息变得超级有用”。其他作者将智慧描述为“知道做正确的事情”和“显然不需要思考就能做出正确判断和决定的能力”。智慧包括为更大的善使用知识。正因为如此,智慧才更深刻、更独特。它需要一种好与坏、对与错、道德与不道德的感觉。

泽莱尼将智慧描述为“知道为什么”,[14]后来改进了他的定义,以便区分“为什么做”(智慧)和“为什么是”(信息),并将他的定义扩展到包括一种形式的知道(做什么,行动或执行)。根据Nikhil Sharma的说法,Zeleny主张在智慧之外给模型增加一层,称为“启蒙”.

表示

图形化表示

DIKW层次结构的流程图。

DIKW是一个层次模型,通常被描述为一个金字塔,[1][8]以数据为基础,智慧为顶点。在这方面,它类似于马斯洛的需求层次结构,因为层次结构的每一层都被认为是上述层次的一个基本前身。与马斯洛的层次结构不同,DIKW描述的是所谓的结构或功能关系(较低的层次包含较高层次的材料)。泽莱尼和阿考夫都被认为是金字塔代表的鼻祖,尽管他们都没有用金字塔来表达他们的思想

DIKW也被表示为二维图表[5][32]或一个或多个流程图。在这种情况下,元素之间的关系可能表现为更少的层次结构,具有反馈循环和控制关系。

Debons和他的同事[19]可能是第一个“用图形表示层次结构”的人

多年来,许多改编的迪克瓦金字塔已经产生。例如,美国陆军的知识管理人员试图展示将数据转换为信息,然后是知识,最后是智慧的过程,以及最终在整个组织中创建共享理解和管理决策风险所涉及的活动

美国陆军知识管理人员改编的DIKW金字塔

计算表示

智能决策支持系统是在基于agent建模的背景下,通过引入建模和仿真领域的新技术和新方法,特别是智能软件agent领域的新技术和新方法来提高决策能力

使用高级分布式仿真来支持信息、知识和智慧表示

下面的示例描述了一个军事决策支持系统,但是体系结构和底层概念思想可以转移到其他应用领域:[34]

  1. 价值链从描述底层命令和控制系统中的信息的数据质量开始。
  2. 信息质量跟踪可用数据项和信息语句的完整性、正确性、通用性、一致性和精确性。
  3. 知识质量处理嵌入在指挥和控制系统中的程序知识和信息,如敌方部队的模板、关于范围和武器等实体的假设,以及通常编码为规则的理论假设。
  4. 意识质量度量的是使用命令和控制系统中嵌入的信息和知识的程度。意识被明确地置于认知领域。

通过引入一个通用的操作图,将数据放到上下文中,从而得到信息而不是数据。下一个步骤是使用模型和模拟来支持决策,该步骤由面向服务的基于web的基础设施(但尚未在操作上使用)支持。仿真系统是过程知识的原型,是知识质量的基础。最后,使用智能软件代理不断观察战斗领域,应用模型和模拟分析内容,监控计划的执行,并做所有必要的任务,使决策者意识到发生了什么,指挥和控制系统甚至可以支持态势感知,价值链中的水平通常局限于纯粹的认知方法。[34]

批评

德国哲学家拉斐尔•卡普罗(Rafael Capurro)认为,数据是一种抽象,信息是“传达意义的行为”,知识是“一个(心理/社会)系统在其‘世界’的基础上,基于沟通的意义选择事件”。因此,任何对这些概念之间的逻辑层次结构的印象都是“童话”

Zins提出的一个反对意见是,尽管知识可能是一种独有的认知现象,但很难将给定的事实指向具有特殊性的信息或知识,而不是两者都是,这使得DIKW模型无法运行。

爱因斯坦著名的方程式“E = mc2”(它印在我的电脑屏幕上,而且肯定与任何人类的思想是分离的)信息或知识?“2 + 2 = 4”是信息还是知识

或者,信息和知识可以看作同义词。[36]在对这些批评的回答中,Zins认为,撇开主观主义和经验主义哲学不谈,“数据、信息和知识这三个基本概念以及它们之间的关系,就像情报学学术界的主要学者所理解的那样”,有不同的定义。[2]罗利赞同这一点,他认为,在知识的定义可能不一致的地方,“不同的观点都把数据、信息和知识之间的关系作为出发点。

美国哲学家杜威和本特利在他们1949年出版的《认识与已知》一书中认为,“知识”是“一个模糊的词”,并提出了一个复杂的DIKW替代方案,其中包括大约19个“术语指南”

信息处理理论认为,物质世界是由信息本身构成的。在这个定义下,数据要么由物理信息组成,要么与物理信息同义。然而,不清楚DIKW模型中设想的信息是来自物理信息/数据还是等同于物理信息。在前一种情况下,DIKW模型容易出现模棱两可的谬误。在后者中,DIKW模型的数据层被中性一元论的断言所抢占。

教育家马丁Fricke已经发表了一篇文章批判DIKW层次结构,他认为模型是基于“过时的和不令人满意的操作主义的哲学立场和归纳法优越论”,信息和知识都是薄弱的知识,智慧是“占有和使用广泛的实用知识。[38]

另请参阅

  1. 布鲁姆分类法-教育中的分类系统
  2. 高等思维——教育改革的理念
  3. 情报周期
  4. 梯子的推理
  5. 层次复杂性模型-一个框架,用来评估一个行为有多复杂

原文:https://en.wikipedia.org/wiki/DIKW_pyramid

本文:

讨论:请加入知识星球或者小红圈【首席架构师圈】

 

Article

标签(Tags)

企业架构(35) 数据分析(35) Power BI(32) 微服务(31) 微服务架构(30) Data Analysis(30) 商务智能(30) BI(30) 认证考试(30) 微软认证(30) DA-100(28) 应用安全(27) 考试题(26) 物联网(25) 敏捷(25) Enterprise Architecture(24) 试题(20) 首席架构师(19) 首席架构师推荐(19) 云计算(19) 网络安全(18) 技术架构(17) 机器学习(17) 试卷(17) SAFe(16) 大数据(15) Kafka(15) 规模化敏捷(14) enterprise security architecture(14) 企业安全架构(14) 前端架构(14) microservice(13) 业务架构(13) 数据架构(13) IOT(13) 安全运营(13) 容器云(12) 敏捷建模(12) 服务网格(12) 数据分析师(12) 事件驱动架构(12) 区块链(12) 数据安全(12) 数据湖(11) 应用架构(10) AWS(10) 数据科学(10) 人工智能(10) Kubernetes(10) 产品管理(9) BI数据分析师(9) NGINX(9) 数字化转型(9) 深度学习(9) 软件架构(9) 架构师(9) machine learning(9) 商务智能分析师(8) CIO(8) 技术选型(8) 安全战略(8) 软件测试(8) ArchiMate(8) PostgreSQL(8) Azure(8) Cloud Computing(8) Big Data(8) API(8) MSA(8) MDM(8) 技术趋势(7) 容器云架构(7) 核心实践(7) 无服务器架构(7) JavaScript框架(7) Vue(7) React(7) 参考架构(7) DevOps(7) 数据仓库(7) Data Lake(7) Envoy architecture(7) 容器(7) 主数据架构(7) microservices(7) 技术架构师(7) digital transformation(7) 投资组合管理(6) 安全架构(6) 集成架构(6) 合同测试(6) 工控协议(6) ICS(6) Micro Service Architecture(6) Envoy架构(6) 事件驱动(6) 数字化(6) 微服务架构师(6) strategy(6) 安全工具(6) application security principle(6) Angular(6) Postgresql架构(6) 网络架构(6) agilemodeling(6) 首席架构师精选(6) 高管洞察与创新(6) 云安全(6) 合约测试(5) Event Hub(5) 应用安全原则(5) Enterprise Portfolio Management(5) WAF(5) 编程语言(5) JavaScript Frameworks(5) 用户体验(5) 云原生(5) Agile(5) Python(5) IT战略(5) 企业敏捷性(5) 数字化业务(5) API Gateway(5) 项目管理(5) Digital business(5) 工业控制系统(5) Microservice Architecture(5) ICP(5) 软件架构师(5) 数据挖掘(5) Data Architecture(5) 主数据管理(5) 性能(5) Architecture Overview(5) Best Practices(5) Data Warehouse(5) k8s(5) 战略(5) IoT(5) 解决方案(5) 工业物联网(5) 数据科学家(5) 敏捷数据(4) 领导力(4) IPS(4) 领域驱动设计(4) DDD(4) 性能调优(4) 微前端(4) Vue.js(4) Docker(4) 敏捷核心实践(4) 应用组合管理(4) Agile Core Practice(4) 程序员(4) 数据可视化(4) 前端开发(4) 前端架构师(4) 前端开发工程师(4) 容器云架构师(4) 职业发展(4) executive insights and innovation(4) enterprise agility(4) 数据湖架构师(4) 开源合规(4) 敏捷模型(4) 业务转型(4) 企业微服务架构(4) 消费者驱动的合同测试(4) JWT(4) security(4) 企业架构师(4) architecture(4) 应用架构师(4) blockchain(4) 存储架构(4) GDPR(4) Cloud(4) RESTful(4) 最佳实践(4) 分布式计算(4) 数据湖架构(4) Service Mesh(4) BDD(4) 解决方案架构师(4) Event-Driven(4) SCADA(4) 云原生架构(4) 去中心化(4) IoT(4) IoT(4) Deep Learning(4) EA(3) technology(3) NFR(3) 安全(3) 应用现代化(3) Big Data(3) Spark(3) Microservice(3)