一、两者什么关系？
看下面这个表格：
通过上面表格的对比大家可以看出当前的自媒体人和传统的科研学者非常相似。
因为两者在属性上都是内容的生产者，只是科研学者作为默默无闻的一个团体，没有被大部分人了解到而已。
二、有什么异同？
当前两者面临着同样的问题：
内容太多，需要有人站出来做筛选！
2016年，互联网行业终于有人站出来帮助大家从海量的信息里筛选有价值的内容了，称之为付费知识服务，并且把2016年设立为内容付费元年。
但是在学术界，这项“内容付费”工作早就有人开展了，那就是图书馆的学科服务。
对国内来说，最早一篇研究学科服务的文献发表在1994年，也就是23年前！
开始的时候，图书馆凭借其在文献分析方面的专业优势和对学科的了解，把海量的学术文献按照学科属性进行划分，称之为学科化服务，做这个工作的人称之为学科馆员。
随着文献体量的增加，仅将文献以学科分类已经不能满足学者的需求了，于是有图情界的学者提出了“嵌入式学科服务”。
什么是嵌入式学科服务？
其实就是学科馆员不再待在图书馆做文献筛选和梳理，而是嵌入到院系、科研项目实验室甚至到学者的办公室里，针对不同项目、学者的需求去做文献筛选分析工作。
回头再看看我们所谓的内容付费元年，是不是有点抄袭的意思了？
同样是面临海量的知识选择困难，图书情报界的学者提出了学科化服务的方式获得学者的一致好评，罗永浩振宇则通过每天60S知识提炼的逻辑思维解决了我们的“知识焦虑”。
废话了这么多，我并不是要告诉大家，“内容付费元年”是抄袭的，而是以此推测内容付费服务可能的趋势。
三、知识付费未来的趋势
目前学科馆员和知识付费产品一样，都是依赖专业人员在某细分领域的个人水平去筛选知识，个人水平决定了提供的内容是否有价值。
存不存在一种评价指标，可以解决内容服务者的个人水平限制？
本人目前正在设计研发一款帮助学科馆员提高服务效率的工具型产品，依靠的就是公司自有的学术资源的标引技术，通过把每篇文献的题目、作者、关键词、摘要、正文、被引量、被下载量、所属期刊等各种字段提取出来，然后通过各种权重算法对文献资源进行评价和分析，然后给出满足不同需求的排序结果，帮助学科馆员快速获取需要的资源。
这一思路同样可以使用在我们当前的互联网知识里，每一篇文章、每一个视频、每一张图片都有其被阅读、被分享、被下载等属性。以公众号为例，一篇文章的题目、摘要、正文、阅读量、分享量以及所属公众号水平等指标都可以成为评价一篇文章质量的标准。如果我们有这些文章的大数据，我们就可以实现快速筛选有价值的内容给用户。
就本人目前了解的，能够获取微信公众号文章数据的一个是腾讯的亲儿子搜狗搜索，另一个就是第三方内容创业服务平台新榜。
如果我们大量的文章数据库支持，对文章做足够细致的标引，把和文章相关的指标都能提取成字段。那我们可以做的事情就多了起来！
比如对于用户：
◆对文章题目、摘要和正文进行分词，提取出一篇文章的高频词作为文章的关键词。在有近义词、下位词词库的前提下，可以通过关键词把文章聚类；
◆通过分析公众号粉丝数、活跃粉丝数、文章质量（阅读量、转发量、收藏量、点赞数、评论数等指标）可以给出这个公众号是否值得关注甚至是否值得投放广告的建议；
比如对于自媒体人：
◆通过分析以往同类热点事件的发酵、传播、引爆到冷却的时间线，决定什么时候跟进热点；
◆通过分析同类型的公众号的发家历程，置顶自己的“职业规划”；
四、领域内专业人员怎么办？
如果网络内容能做到精准的标引，使用关键词或者其他字段可以把内容聚类，加上各种指标的搭配，筛选出优质的内容指日可待啊。
那时候我们缺少的只是一个“解说员”了。
当人的个体能力面对大数据的分析时，谁能断定谁是最后的胜利者呢？
— END —
