近日，全球开放获取运动（OpenAIRE-Advance）和欧洲开放科学云中心（EOSC-hub）两大战略性欧洲项目签署合作协议，从而推动欧洲开放科学的发展。该合作协议是实施欧洲开放科学云计划（EOSC）的一部分，也是欧洲为研究数据创建开放式虚拟环境的重要举措。
OpenAIRE-Advance和EOSC-hub由欧盟通过其研发资金计划地平线（Horizon2020）提供资金。这两大项目旨在开发并提供服务，以使研究人员更加轻松，包括提供建议以创建数据并实现数据长期保存且易于被发现、支持共享研究成果、访问数据存储和数据密集型计算。这两个项目的总预算为4000万欧元。通过与诸如eInfraCentral等其他项目合作，这些项目将在欧洲开放科学云门户网站的开发（预计2018年11月推出）中发挥核心作用。该门户网站将作为欧洲研究人员访问、使用和重复利用各种资源的访问渠道，以开展先进的数据驱动研究。这两个项目将共同提供EOSC的部分服务和资源初始目录。
此次项目合作协议提出一项联合活动计划，围绕三大活动支柱：
（1）服务整合：这两个项目将合作开展工作，以确保其服务中科学成果的无缝连续流动。他们将采用共同的数据管理原则，并支持按照FAIR原则（可查、可访问、可互操作、可重用）发布研究/科学成果，还旨在提高两个项目提供的服务之间的互操作性和协同作用；
（2）沟通、参与、支持和培训：这两个项目将开展联合沟通交流和培训计划，为研究人员提供关于开放科学服务的完整信息；
（3）治理和策略：这两个项目将分享其专业知识并调整其战略计划，以确保协调的社区参与和更好的服务发展。
此次合作旨在为欧洲研究人员和广泛的相关社区（如研究基础设施社区、国家和欧洲层面的决策者和政策制定者、研究管理人员、服务和内容提供商、公民、工业/中小企业等）提供切实成果。
美国国土安全部发布新版《网络安全战略》
2018年5月15日，美国国土安全部（DHS）发布新的《网络安全战略》，以应对日益增长的网络安全风险。
该战略提出了美国的网络安全愿景，即到2023年，DHS将通过以下方式提高全国网络安全风险管理水平：（1）加强政府网络和关键基础设施的安全性和弹性；（2）打击非法网络活动；（3）提高网络事件响应能力；（4）通过统一的部门方针、强有力的领导和与其他联邦和非联邦实体的密切伙伴关系，营造更为安全可靠的网络生态系统。
《网络安全战略》提出了网络安全风险管理的五大核心支柱内容以及对应的七大目标，为充分利用DHS能力提高网络空间安全与弹性提供了指导框架。核心支柱与目标见表1所示。
DHS将根据风险优先、成本效益、创新性与灵活性、公私协作、全球参与、利益平衡、国家价值观等指导原则开展行动，实现网络安全目标。
人工智能为天文学研究带来新工具
被广泛应用于人脸识别以及其他图像和语音识别的深度学习方法在帮助天文学家分析星系图像及了解它们如何形成和演变方面展示了潜力。一支由多国科学家组成的科研团队使用计算机模拟星系的形成来训练深度学习算法，该算法随后被证实在分析来自哈勃空间望远镜的星系图像方面表现异常出色，相关研究成果已发表在《天体物理期刊》上。
科研人员利用来自模拟的输出结果生成被模拟星系的模拟图像，并将其用于训练深度学习系统，使其能够识别之前在模拟中确定的星系演变的三个关键阶段。科研人员随后为该系统提供大量真实的哈勃图像用于分类。结果表明，神经网络对模拟星系和真实星系的分类具有高度一致性。
在这项新研究中，科研人员使用了最先进的星系模拟（VELA模拟）。科研人员对富含气体的星系的早期演变模拟中发现的以下现象尤其感兴趣：当大量气体流入星系的中心时，星系的中心会形成一个小而密集的恒星形成区域，称为“蓝核”。年轻、炽热的恒星会发出“蓝色”短波长光，因此蓝色表示具有活跃恒星形成的星系，而较为衰老、温度较低的恒星则会发出更多的“红色”光。
计算机程序在模拟数据和观测数据中都有以下发现：“蓝核”阶段只在质量属于特定范围的星系中发生。中心区域的行星形成随后会平息，带来紧凑的“红核”阶段。质量范围的一致性是令人兴奋的发现，因为它表明深度学习算法正在自行确定真实星系中发生的重要物理过程的模式。
对于观测数据，该团队使用了“宇宙组合近红外深空河外星系遗产巡天”（CANDELS）项目的星系图像。VELA模拟在帮助天文学家理解CANDELS的观测结果方面取得了很多成功。
研究人员表示，未来，由于大型巡天项目和新望远镜的存在，天文学家将拥有更多可供分析的观测数据。深度学习和其他机器学习方法可成为理解这些海量数据集的强大工具。
英国剑桥大学发布公民科学报告
近日，英国剑桥大学医护改进研究（THIS）研究所发布题为《公民科学：科研众包》的报告，概览了公民科学中使用的平台与工具，并总结出公民科学涉及的几个重要问题。
1.众包在科研中的应用
众包可用于科研过程的各个阶段，包括数据的收集、处理与解释，还可用于确定研究优先领域和项目设计。目前有很多在线平台和工具供科研人员将众包引入其工作中。公民科学平台可帮助公众发现项目及帮助研究人员创建项目。
2.数据质量
众包科学的一项关键挑战是维持数据质量与科学严谨性。在公众科学项目中，当参与者缺乏科研与数据管理培训，很有可能出现系统性错误，或因利益冲突等原因伪造数据。科研人员应采取措施确保数据质量的高标准。
3.激励与参与
促进公众参与对所有众包科学项目而言均至关重要。参与者的收益通常来自个人满足感、技能或知识的获取、兴趣的满足等。科研人员需要了解参与者参与项目的原因及其预期。参与者的动机会影响数据的质量与数量。研究发现，对项目目标的信仰、声誉、他人期望、个人兴趣等四个因素影响着公众参与众包科学项目。
4.评估
项目评估可以展示该项目在实现科学利益和公众利益方面的表现，并提供证据确保这些活动的价值得到适当的认可。
5.伦理与法律问题
分布式劳动力或众包的使用会引起一些伦理与法律问题。关于科学诚信与科研道德的传统原则和政策一般适用于公民科学和众包项目。众包项目的特定问题与数据质量、数据共享、知识产权、参与者利用等相关。
6.数据共享与知识产权
一般而言，公民科学项目以开放、全透明的方式开展，最终获得的数据、出版物和软件等产出应向大众开放。科研人员应告知参与者数据共享的规则和流程，并对涉密信息予以常规的保护。（责编：杨洁）
（中国科学院成都文献情报中心信息科技战略情报团队编译）