Dobici:
- Sposobnost da se napravi razlika između pristupa preporukama zasnovanog na sadržaju i pristupu zajedničkog rada i spriječi lažne izvore provjerom svake preporuke u stvarnoj kolekciji
- Sposobnost razbijanja filterskog balona uz svjesnu raznolikost i predstavljanje prijedloga s transparentnim obrazloženjima
- Zaštita privatnosti čitanja i istorije pretraživanja korisnika i bezbedna obrada ovih podataka
Čitalac bi mogao da pita "Završio sam ovu knjigu, šta da pročitam sledeće?" ', dobar bibliotekar preporučuje resurse koji odgovaraju njegovom ili njenom interesovanju, nivou i svrsi. U digitalnom svijetu, sistemi preporuka to rade u velikom obimu: preporučuju nove resurse gledajući ranije interese korisnika ili karakteristike resursa. U ovoj cjelini naučit ćete kako funkcioniraju sistemi preporuka zasnovani na umjetnoj inteligenciji, šta donose biblioteci i kako upravljati rizicima kao što su privatnost, pristrasnost i "filterski balon".
Hajde da definišemo pojmove. Preporuka zasnovana na sadržaju sagledava karakteristike izvora (tema, autor, žanr) i preporučuje slične izvore: "Ako vam se svidjela ova historijska knjiga, možda će vam se svidjeti i ova, koja pokriva isti period." Kolaborativno filtriranje radi po principu "i drugi korisnici kojima su se svidjeli resursi kao što ste vi također su voljeli ove". Filterski balon je kada sistem preporuka zaključava korisnika u konstantno sličan sadržaj i drži ga podalje od novih, različitih perspektiva. Dobra bibliotečka preporuka istovremeno privlači interesovanje i razbija balon.
Korak po korak: odgovoran pristup savjetovanju
1. Pojasnite svrhu. Čemu je cilj prijedlog? Želite li da korisnik nastavi čitati, proširiti svoje vidike ili pronaći resurse za određeno istraživačko pitanje? Svrha određuje vrstu preporuke.
2. Provjerite izvor i autentičnost. AI može izmisliti nepostojeće knjige kada daje prijedloge. Provjerite da li svaki predloženi izvor zaista postoji u kolekciji ili u pouzdanom katalogu.
3. Održavajte raznolikost. Preporukom samo "najsličnijeg" stvara se filter mjehurića. Svjesno uključiti različite perspektive, različite autore i različite nivoe. Zadatak biblioteke je da otvara horizonte, a ne da ih ograničava na ekologiju.
4. Zaštitite privatnost. Personalizovana preporuka koristi istoriju čitanja korisnika i izuzetno je tačna. Nemojte davati ove podatke opštim AI alatima; Obrađivati samo u okviru sigurnih sistema institucije, uz pristanak korisnika.
5. Budite transparentni. Objasnite korisniku zašto je data preporuka: "Ovaj resurs je preporučen jer se odnosi na temu koja vas zanima." Transparentnost jača povjerenje i informatičku pismenost.
Savjet: svjesno dodajte „malo drugačiji“ izvor na listu prijedloga i navedite: „Ovi su bliski vašem području interesovanja; ovaj sam dodao kao osvježenje.“ Ovo razbija oblačić filtera i demonstrira vrijednost otkrivanja biblioteke.
Etička dimenzija prijedloga
Sistemi preporuka izgledaju nevini, ali stvaraju moćne efekte. Koji resursi se preporučuju korisniku oblikuju njegov ili njen informacioni svijet. Ako sistem ističe samo izvore koji su popularni ili samo sa određene tačke gledišta, glasovi manjina, različiti pogledi i manje poznati vrijedni izvori će biti nevidljivi. AI može pojačati ovaj trend naslijeđujući popularnost i pristranosti u podacima o obuci.
Ovdje dolazi do vrijednosti bibliotekarstva: biblioteka nije mehanizam za komercijalne preporuke; Njegova misija je osigurati jednak i raznolik pristup informacijama. Bibliotekareva je odgovornost da uskladi sistem preporuka sa ovom vrednošću.
Pažnja: Istorija čitanja i pretraživanja korisnika je jedan od najosjetljivijih podataka o privatnosti. Ono što osoba čita može otkriti informacije o njenom zdravlju, političkim stavovima, uvjerenjima ili ličnoj krizi. Nikada nemojte prenositi ove podatke sa njihovim identitetom na eksterne sisteme; Anonimizacija i pristanak su neophodni.
tri mini kofera
Slučaj 1 — Preporuka zasnovana na sadržaju je uspjela. Školska biblioteka je koristila sistem zasnovan na sadržaju da učenicima preporuči resurse koji su slični knjizi koju čitaju. Jedan student je završio naučnofantastični roman; Sistem je preporučio tri knjige koje pokrivaju istu temu, ali drugog autora. Student je posudio dva; Navika čitanja se nastavila. Bibliotekarka je prethodno potvrdila da svi prijedlozi zaista postoje u kolekciji.
Slučaj 2 — Lažni prijedlog uhvaćen. Bibliotekar je zamolio AI da preporuči 8 knjiga korisniku. Provjerio je listu u katalogu: 3 od 8 knjiga su uopće nedostajale; AI je smislio uvjerljive naslove. Korak verifikacije je spriječio da se nepostojeće knjige preporuče korisniku.
Slučaj 3 — Pukao je balon filtera. Istraživač je stalno radio sa izvorima sa istom tačkom gledišta, a sistem je uvijek predlagao slične. Bibliotekar je namjerno uključio dva izvora koji su predstavljali suprotan pristup temi i to jasno razjasnili. Samo zahvaljujući ovim suprotstavljenim izvorima istraživač je shvatio nepotpuni aspekt svog proučavanja.
Hladan početak i novi korisnički problem
Dobro poznati izazov sistema za preporuke je problem hladnog starta: sistem ne zna šta da preporuči novom korisniku ili resurs koji je upravo dodan u kolekciju za koju ne postoje istorijski podaci. U ovom slučaju, mnogi sistemi se okreću najpopularnijim resursima kao sigurnoj opciji; To znači da se malo poznati vrijedni resursi uopće ne preporučuju i da se popularnost hrani sama od sebe. U smislu bibliotekarstva, ovo je u suprotnosti sa vrijednošću jednakog pristupa. Rješenje je da se novom korisniku postavi kratko, jasno preferencijalno pitanje (koje teme, koji nivo, koja svrha) prije nego što da preporuku i istakne novododate resurse na osnovu njihovih karakteristika sadržaja. U ovom trenutku, analizom predmeta i karakteristika izvora, AI može povezati čak i knjigu koja nikada nije posuđena sa relevantnim korisnikom; sve dok prijedlog dolazi iz prave kolekcije i provjeren. Dakle, sistem čini vidljivim ne samo "veoma voljene", već i "relevantne i vrijedne".
Savjet: Kada postavljate preporuku za novog korisnika, zasnivajte je na trenutnim potrebama korisnika, a ne na istorijskim podacima sistema. Jedno dobro pitanje („da li je ovo za istraživanje, iz zadovoljstva, u kojoj mjeri?“) često daje tačniju preporuku od mjeseci podataka o ponašanju.
Četiri šablona za kopiranje
1) Preporuka sličnih resursa zasnovana na sadržaju:
Ispod je predmet/sažetak resursa koji se korisniku svidio. Dao sam i listu postojećih resursa u našoj kolekciji. Samo sa ove liste predložite 5 izvora sličnih temi i napišite opravdanje od jedne rečenice za svaki. Predloženi izvori nisu navedeni. Omiljeni izvor: [ovdje] / Lista kolekcije: [ovdje]
2) Prijedlog koji dodaje raznolikost:
Na listu prijedloga u nastavku dodajte 2 resursa koji će proširiti vidike korisnika i ponuditi drugačiju perspektivu ili podtemu (samo sa liste kolekcije koju sam dao). Objasnite zašto su različiti i vrijedni. Lista: [ovdje] / Kolekcija: [ovdje]
3) Objašnjenje razloga za preporuku:
Za svaku preporuku u nastavku napišite kratko, transparentno obrazloženje koje se može pokazati korisniku: "Ovaj resurs je preporučen jer..." Bez pretjerivanja, bez implikacije ličnih podataka. Prijedlozi: [ovdje]
4) Prethodna provjera privatnosti:
Sadrži li sljedeći unos prijedloga koji identifikuju korisnika ili osjetljive informacije (insinuiraju zdravlje, uvjerenja, političke stavove)? Ako jeste, označite ga i predložite kako ga anonimizirati. Unos: [ovdje]
Slaba prompt / Jaka prompt
Slab upit:
Preporučite 10 knjiga za čitanje ovog korisnika.
AI generira prijedloge iz svoje globalne memorije bez poznavanja kolekcije; Može da izmišlja knjige koje ne postoje i ne poštuje različitost i privatnost.
Snažan upit:
Vaša uloga: pomoćnik za čitanje. Ispod je tema koja se svidjela korisniku i popis pravih izvora u našoj kolekciji. (1) Predložite 5 izvora vezanih za temu sa liste. (2) Takođe dodajte 2 izvora sa različitim perspektivama koji će vam otvoriti oči. (3) Napišite transparentno obrazloženje za svaki prijedlog. Nemojte silaziti sa liste, izmišljati izvore ili implicirati lične podatke. Predmet: [ovdje] / Kolekcija: [ovdje]
Snažan prompt; ograničava ga na stvarno prikupljanje, zahtijeva raznolikost i dodaje opravdanje i pravilo privatnosti.
Tabela poređenja tipova preporuka
Vrsta prijedloga
jaka tačka
rizik
Dužnost bibliotekara
baziran na sadržaju
Dobro plijeni pažnju
filter mehur
Dodajte raznolikost
kolaborativni
iznenađujuće otkriće
Privatnost, pristrasnost popularnosti
Anonimnost, balans
AI proizvodna lista
brzo
izmišljeni izvor
proveri realnost
Uobičajene greške
- Nudenje prijedloga bez provjere. AI može stvoriti nepostojeće izvore.
- Samo preporučujem "najsličniji". Filterski balon sužava vidike korisnika.
- Izvoz historije čitanja na vanjski alat. To su najosjetljiviji podaci privatnosti.
- Iznošenje prijedloga bez obrazloženja. Transparentnost podržava povjerenje i pismenost.
- Ignoriranje pristrasnosti popularnosti. Gube se vrijedni, ali malo poznati resursi.
Ukratko
Sistemi preporuka su moćni alati koji olakšavaju otkrivanje hvatanjem interesa korisnika; Pristupi zasnovani na sadržaju i kolaborativni nose različite prednosti i rizike. AI je brz u generiranju prijedloga, ali može izmisliti nepostojeće izvore, filtrirati mehuriće i pojačati pristrasnost. Posao bibliotekara; Provjeriti svaki prijedlog u stvarnoj kolekciji, razbiti balon svjesne raznolikosti, zaštititi privatnost korisnika i održati vrijednost jednakog i raznolikog pristupa biblioteci iznošenjem prijedloga sa transparentnim razlozima.
Zadatak aplikacije
Pripremite kratku listu činjeničnih zbirki (10-15 izvora). Generirajte preporuku za korisnika sa predloškom "preporuka sličnih resursa zasnovanih na sadržaju" i provjerite da li svi oni stvarno postoje na listi. Zatim dodajte izvore s različitim perspektivama na listu pomoću predloška "Prijedlog koji dodaje raznolikost". Konačno, kreirajte transparentno objašnjenje za svaki prijedlog sa šablonom "Obrazloženje sugestije" i planirajte kako ćete ga predstaviti korisniku.
kontrolna lista
- [ ] Provjerio sam da svaki prijedlog zaista postoji u kolekciji.
- [ ] Dodao sam raznolikost da razbijem filter mehur.
- [ ] Čuvao sam istoriju čitanja/pretraživanja korisnika na sigurnom, nisam je dao spoljnom alatu.
- [ ] Pripremio sam transparentno obrazloženje za svaki prijedlog.
- [ ] Da bih izbjegao pristrasnost popularnosti, držao sam na oku manje poznate i vrijedne izvore.