Gevinster:
- Evne til at skelne mellem indholdsbaserede og kollaborative anbefalingstilgange og forhindre falske kilder ved at verificere hver anbefaling i den rigtige samling
- Evne til at bryde filterboblen med bevidst diversitet og præsentere forslag med gennemsigtige begrundelser
- Beskyttelse af privatlivets fred for brugernes læse- og søgehistorik og behandling af disse data sikkert
En læser kan spørge "Jeg er færdig med denne bog, hvad skal jeg læse næste gang?" ', anbefaler en god bibliotekar ressourcer, der passer til hans eller hendes interesse, niveau og formål. I den digitale verden gør anbefalingssystemer dette i stor skala: de anbefaler nye ressourcer ved at se på en brugers tidligere interesse eller egenskaberne ved en ressource. I denne enhed lærer du, hvordan kunstig intelligens-baserede anbefalingssystemer fungerer, hvad de bringer til biblioteket, og hvordan du håndterer risici såsom privatliv, bias og "filterboble".
Lad os definere begreberne. Indholdsbaseret anbefaling ser på en kildes karakteristika (emne, forfatter, genre) og anbefaler lignende kilder: "Hvis du kunne lide denne historiebog, kunne du måske også lide denne, som dækker samme periode." Samarbejdsfiltrering fungerer efter princippet om "andre brugere, der kunne lide ressourcer som dig, kunne også lide disse". En filterboble er, når et anbefalingssystem låser brugeren fast i konstant lignende indhold og holder dem væk fra nye, forskellige perspektiver. En god biblioteksanbefaling fanger både interesse og bryder boblen.
Trin for trin: en ansvarlig rådgivningstilgang
1. Afklar formålet. Hvad sigter forslaget på? Ønsker du, at brugeren skal fortsætte med at læse, udvide deres horisont eller finde ressourcer til et specifikt forskningsspørgsmål? Formålet bestemmer typen af anbefaling.
2. Bekræft kilde og ægthed. AI kan finde på ikke-eksisterende bøger, når de kommer med forslag. Bekræft, at hver foreslået ressource faktisk findes i samlingen eller i et pålideligt katalog.
3. Bevar mangfoldigheden. Ved kun at anbefale den "mest ens" skabes en filterboble. Inkluder bevidst forskellige perspektiver, forskellige forfattere og forskellige niveauer. Bibliotekets opgave er at åbne horisonter, ikke at begrænse dem til økologien.
4. Beskyt privatlivets fred. Personlig anbefaling bruger brugerens læsehistorik og er ekstremt nøjagtig. Giv ikke disse data til generelle AI-værktøjer; Behandle kun inden for institutionens sikre systemer, med brugerens samtykke.
5. Vær gennemsigtig. Forklar brugeren, hvorfor anbefalingen blev lavet: "Denne ressource blev anbefalet, fordi den er relateret til det emne, du er interesseret i." Gennemsigtighed styrker tillid og informationskompetence.
Tip: Føj bevidst en "lidt anderledes" ressource til en liste med forslag, og angiv: "Disse er tæt på dit interesseområde; Jeg tilføjede denne som en genopfriskning." Dette både bryder filterboblen og demonstrerer bibliotekets opdagelsesværdi.
Forslagets etiske dimension
Anbefalingssystemer virker uskyldige, men skaber kraftfulde effekter. Hvilke ressourcer der anbefales til en bruger, former hans eller hendes informationsverden. Hvis systemet kun fremhæver kilder, der er populære eller kun fra et bestemt synspunkt, vil minoritetsstemmer, forskellige synspunkter og mindre kendte værdifulde kilder være usynlige. AI kan forstærke denne tendens ved at arve populariteten og skævhederne i træningsdataene.
Det er her værdien af bibliotekarskab kommer ind i billedet: Biblioteket er ikke en kommerciel anbefalingsmotor; Dens mission er at sikre lige og forskelligartet adgang til information. Det er bibliotekarens ansvar at tilpasse anbefalingssystemet til denne værdi.
Bemærk: Brugerens læse- og søgehistorik er en af de mest følsomme data om privatlivets fred. Hvad en person læser, kan afsløre oplysninger om hans eller hendes helbred, politiske holdninger, overbevisninger eller personlige kriser. Overfør aldrig disse data med deres identitet til eksterne systemer; Anonymisering og samtykke er afgørende.
tre minisager
Case 1 — Indholdsbaseret anbefaling virkede. Et skolebibliotek brugte et indholdsbaseret system til at anbefale ressourcer til elever, der lignede den bog, de læste. En elev færdiggjorde en science fiction-roman; Systemet anbefalede tre bøger, der dækkede det samme tema, men fra en anden forfatter. Eleven lånte to; Læsevanen fortsatte. Bibliotekaren havde tidligere bekræftet, at alle forslagene faktisk fandtes i samlingen.
Sag 2 — Falsk forslag fanget. En bibliotekar bad en AI om at anbefale 8 bøger til en bruger. Han tjekkede listen i kataloget: 3 ud af 8 bøger manglede overhovedet; AI'en havde lavet plausible overskrifter. Bekræftelsestrinnet forhindrede ikke-eksisterende bøger i at blive anbefalet til brugeren.
Tilfælde 3 — Filterballon sprængt. En forsker arbejdede konstant med kilder med samme synspunkt, og systemet foreslog altid lignende. Bibliotekaren inkluderede bevidst to kilder, der præsenterede en kontrasterende tilgang til emnet og gjorde dette klart. Det var kun takket være disse modsatrettede kilder, at forskeren indså det ufuldstændige aspekt af hans undersøgelse.
Kold start og problem med ny bruger
En velkendt udfordring ved anbefalingssystemer er koldstartsproblemet: Systemet ved ikke, hvad det skal anbefale til en ny bruger eller en ressource, der netop er blevet tilføjet til samlingen, som der ikke er historiske data for. I dette tilfælde henvender mange systemer sig til de mest populære ressourcer som den sikre mulighed; Dette betyder, at lidt kendte værdifulde ressourcer slet ikke anbefales, og populariteten lever af sig selv. I biblioteksmæssig henseende er dette i konflikt med værdien af lige adgang. Løsningen er at stille den nye bruger et kort, klart præferencespørgsmål (hvilke emner, hvilket niveau, hvilket formål), før du laver en anbefaling og fremhæver nyligt tilføjede ressourcer baseret på deres indholdskarakteristika. På dette tidspunkt kan AI ved at analysere emnet og funktionerne i en ressource linke selv en bog, der aldrig er blevet lånt, til den relevante bruger; så længe forslaget kommer fra den rigtige samling og er verificeret. Dermed synliggør systemet ikke kun det "meget elskede", men også det "relevante og værdifulde".
Tip: Når du opretter en anbefaling til en ny bruger, skal du basere den på brugerens aktuelle behov i stedet for systemets historiske data. Et godt spørgsmål ("er dette til forskning, for fornøjelsens skyld, i hvilken grad?") giver ofte en mere præcis anbefaling end måneders adfærdsdata.
Fire kopierbare skabeloner
1) Indholdsbaseret lignende ressourceanbefaling:
Nedenfor er emnet/resuméet af en ressource, som en bruger kunne lide. Jeg har også givet en liste over eksisterende ressourcer i vores samling. Bare fra denne liste, foreslå 5 ressourcer, der ligner emnet, og skriv en begrundelse med én sætning for hver. Foreslår kilder, der ikke er angivet. Yndlingskilde: [her] / Samlingsliste: [her]
2) Forslag, der tilføjer variation:
Til listen over forslag nedenfor skal du tilføje 2 ressourcer, der vil udvide brugerens horisont og tilbyde et andet perspektiv eller underemne (kun fra den samlingsliste, jeg leverede). Forklar, hvorfor de er forskellige og værdifulde. Liste: [her] / Samling: [her]
3) Forklaring af årsagen til anbefalingen:
For hver anbefaling nedenfor skal du skrive en kort, gennemsigtig begrundelse, der kan vises til brugeren: "Denne ressource blev anbefalet, fordi..." Ingen overdrivelse, ingen implikation af personlige data. Forslag: [her]
4) Forhåndskontrol af privatlivets fred:
Indeholder følgende forslagsindgang brugeridentificerende eller følsomme oplysninger (insinuerende sundhed, overbevisninger, politiske synspunkter)? Hvis det er tilfældet, skal du markere det og foreslå, hvordan du anonymiserer det. Input: [her]
Svag prompt / Stærk prompt
Svag prompt:
Anbefal 10 bøger for denne bruger at læse.
AI genererer forslag fra sin globale hukommelse uden at kende samlingen; Han kan finde på bøger, der ikke findes, og respekterer ikke mangfoldighed og privatliv.
Kraftig prompt:
Din rolle: Læserrådgivningsassistent. Nedenfor er det emne, brugeren kunne lide, og listen over rigtige kilder i vores samling. (1) Foreslå 5 kilder relateret til emnet fra listen. (2) Tilføj også 2 kilder med forskellige perspektiver, der vil åbne dine øjne. (3) Skriv en gennemsigtig begrundelse for hvert forslag. Undlad at gå ud af listen, opdigte kilder eller antyde personlige data. Emne: [her] / Samling: [her]
Kraftig prompt; det begrænser det til den faktiske samling, kræver mangfoldighed og tilføjer begrundelse og en privatlivsregel.
Sammenligningsskema for anbefalingstype
Forslagstype
stærke side
risiko
Bibliotekarens pligt
indholdsbaseret
Fanger godt opmærksomhed
filterboble
Tilføj variation
samarbejdende
overraskende opdagelse
Privatliv, popularitetsbias
Anonymitet, balance
AI produktionsliste
hurtigt
opdigtet kilde
verificere virkeligheden
Almindelige fejl
- Tilbyder forslag uden bekræftelse. AI kan udgøre ikke-eksisterende kilder.
- Anbefaler bare "mest ens". Filterboblen indsnævrer brugerens horisont.
- Eksport af læsehistorik til eksternt værktøj. Det er de mest følsomme data om privatlivets fred.
- Fremlæggelse af forslaget uden begrundelse. Gennemsigtighed understøtter tillid og læsefærdighed.
- Ignorerer popularitetsbias. Værdifulde, men lidet kendte ressourcer går tabt.
Sammenfattende
Anbefalingssystemer er kraftfulde værktøjer, der letter opdagelse ved at fange brugernes interesse; Indholdsbaserede og kollaborative tilgange har forskellige styrker og risici. AI er hurtig til at generere forslag, men kan opfinde ikke-eksisterende kilder, filtrere bobler og forstærke bias. Bibliotekarens job; At verificere hvert forslag i den rigtige samling, at bryde boblen med bevidst mangfoldighed, at beskytte brugernes privatliv og at bevare værdien af lige og forskelligartet adgang til biblioteket ved at præsentere forslag med gennemsigtige årsager.
Ansøgningsopgave
Udarbejd en kort liste over faktasamlinger (10-15 kilder). Generer en anbefaling til en bruger med skabelonen "indholdsbaseret lignende ressourceanbefaling", og bekræft, at de alle rent faktisk findes på listen. Tilføj derefter kilder med forskellige perspektiver til listen med skabelonen "Forslag, der tilføjer mangfoldighed". Til sidst skal du lave en gennemsigtig forklaring for hvert forslag med skabelonen "Forslags rationale forklaring" og planlægge, hvordan du vil præsentere det for brugeren.
tjekliste
- [ ] Jeg bekræftede, at hvert forslag faktisk findes i samlingen.
- [ ] Jeg tilføjede variation for at bryde filterboblen.
- [ ] Jeg holdt brugerens læse-/søgehistorik sikker, jeg gav den ikke til et eksternt værktøj.
- [ ] Jeg har udarbejdet en gennemsigtig begrundelse for hvert forslag.
- [ ] For at undgå popularitetsbias holdt jeg øje med mindre kendte og værdifulde kilder.