5月22日，在第六届中国云计算大会大数据核心技术与应用论坛上，软件工程国家重点实验室教授、武汉大学软件工程研究所所长何克清为大家重点介绍了大数据科研第四范式，以及其中的信息学流程、推送和软件服务生命期：面向领域主体知识的理解、软件服务需求分析;面向主题知识的需求协同建模与设计、开发;面向领域主体知识、大数据特征及其关系的标注于简化，需求涌现;大数据分析服务AaaS，清静与策略约束的评判。

　　那么什么是科研第四范式?微软公司于2009年10月发布了《e-Science：科学研究的第四种范式》论文集，首次全面的描述了快速兴起的数据密集型科学研究，内容包括：地球与环境、健康与生活、科学基础设施、学术交流等。并指出，支持科研数据全生命周期管理的工具亟待完善。一个完整的科学研究周期包含四个部分：数据采集、数据整理、数据分析及数据可视化。现代科学研究可以通过多种方式收集和生成数据，对于大量收集到的数据，却缺乏好的整理与分析工具。信息技术的发展促进各学科信息化进程，e-Science 为科学研究提供了一种全新的思维与科研模式，各种工具的应用旨在解决现代科研中的海量数据问题，促进各学科更快地发展。

　　科学研究第四范式的提出

　　科学研究最初只有实验科学，随后出现了理论科学，这种科学运用了各种定律和定理，比如开普勒定律，牛顿运动定律等。后来，对于许多问题，理论分析方法变得非常复杂以至于难以解决难题，人们开始寻求模拟的方法，这就产生了计算科学。科学无疑是不断向前发展的，模拟连同实验产生了大量的数据，针对海量数据问题，一种新科研模式产生了：由软件处理由各种仪器或模拟实验产生的大量数据，并将得到信息或知识存储在计算机中，科研人员只需从这些计算机中查找数据。比如在天文学研究中，科研人员并不直接通过天文望远镜进行研究，而是从数据中心查找所需数据进行分析研究，数据中心存有海量的、由各种天文设备收集到的数据。

　　鉴于数据密集型科学研究独特的技术支持需求和鲜明特点，因此有必要将数据密集型科学从计算科学中单独区分开来，我们称之为第四范式，一种新的科研模式。

　　大数据时代的科学研究第四范式

　　大数据时代对数据有着收集、管理、分析以及可视化数据工具的需求，所以大数据的发展也应该贯彻整个科研数据全生命周期，并包含数据采集、数据整理、数据分析及数据可视化这四个部分。

　　责任编辑：Mary