Gewinne:
- Möglichkeit zur Verkürzung der Katalogisierungszeit durch Erstellung von Entwurfsmetadaten gemäß Standards wie MARC und Dublin Core aus echten Impressumsinformationen
- Möglichkeit, Felder mit hohem Fälschungsrisiko, wie z. B. Erscheinungsjahr, ISBN, Name des Autors, mit der Originalquelle zu überprüfen und Fachbegriffe aus dem kontrollierten Vokabular abzubilden
- Möglichkeit, Autoren- und Betreffformate mit Autoritätskontrolle einzeln zu genehmigen und die Katalogkonsistenz aufrechtzuerhalten
Das Katalogisieren ist die unsichtbare, aber grundlegendste Aufgabe des Bibliothekswesens. Das Auffinden einer Ressource (Buch, Artikel, Karte, Tonaufnahme, digitale Datei) ist mit den richtigen Metadaten möglich. Metadaten bedeuten „Daten über Daten“: strukturierte Informationen, die den Titel, den Autor, das Erscheinungsjahr, das Thema, die Sprache und die physischen Eigenschaften einer Ressource beschreiben. Wenn die Metadaten gut sind, findet der Benutzer die Ressource. Wenn sie fehlerhaft oder unvollständig ist, geht die Ressource verloren, selbst wenn sie vorhanden ist. In dieser Einheit erfahren Sie, wie Sie künstliche Intelligenz bei der Generierung von Metadatenentwürfen einsetzen und gleichzeitig die Einhaltung und Genauigkeit von Standards sicherstellen.
Definieren wir zunächst die beiden Konzepte. MARC (Machine-Readable Cataloging) ist ein Aufzeichnungsformat, das Bibliotheken seit Jahrzehnten verwenden und bei dem jede Information in nummerierten Feldern platziert wird. Feld 245 enthält beispielsweise den Titel und Feld 100 den Hauptautor. Dublin Core ist ein vereinfachter Metadatenstandard für digitale Ressourcen, der aus 15 Grundfeldern (Titel, Ersteller, Betreff, Datum, Genre usw.) besteht. Diese Standards stellen sicher, dass Datensätze aus verschiedenen Bibliotheken miteinander kommunizieren können.
Schritt für Schritt: Entwurfsmetadaten mit künstlicher Intelligenz generieren
1. Sammeln Sie die Identitätsinformationen der Quelle. Das Cover des Buches, die Titelseite, der Inhalt oder der Text einer digitalen Datei. KI funktioniert nur anhand der Informationen, die Sie ihr geben. Wenn Sie unvollständige Informationen bereitstellen, entstehen unvollständige oder gefälschte Metadaten.
2. Geben Sie den Zielstandard an. Geben Sie der KI ein klares Ziel vor, z. B. „nach Dublin-Kernfeldern“ oder „nach MARC 245, 100, 260, 650 Feldern“. Wenn Sie keinen Standard angeben, entsteht ein beliebiges Format.
3. Erstellen Sie den Entwurf. AI entwirft den Titel, die Haftungserklärung, die Veröffentlichungsinformationen und den Themenvorschlag auf der Grundlage der von Ihnen bereitgestellten Informationen.
4. Üben Sie Autoritätskontrolle aus. Eine maßgebliche Aufzeichnung ist eine Aufzeichnung, die die einheitliche Standardform des Namens, der Institution oder des Themas eines Autors festlegt (z. B. „Atatürk, Mustafa Kemal, 1881–1938“). KI kann einen Namen auf unterschiedliche Weise schreiben; Sie überprüfen und korrigieren das genehmigte Normformat.
5. Überprüfen und bestätigen. Vergleichen Sie jedes Feld mit der Originalquelle. Insbesondere präzise Informationen wie Erscheinungsjahr, ISBN und Autorenname sind sehr anfällig für Fälschungen durch KI.
Hinweis: Geben Sie der KI ein Foto oder einen Text der tatsächlichen Kreditseite der Quelle; Sagen Sie nicht „Raten Sie mal, wie das Buch heißt“. Vorhersagende Metadaten untergraben die Zuverlässigkeit des Katalogs. KI schreibt souverän, wenn es um Vorhersagen geht, und das wird Sie in die Irre führen.
Kontrollierter Wortschatz und Konsistenz
Beim Katalogisieren kommt es auf Konsistenz an. Wenn das gleiche Thema mit zwei verschiedenen Begriffen in zwei verschiedenen Datensätzen geschrieben wird, wird der Benutzer einen finden und den anderen übersehen. Aus diesem Grund verwenden Bibliotheken ein kontrolliertes Vokabular – eine genehmigte Standardliste von Begriffen. Beim Vorschlagen von Begriffen aus dem Freitext kann die KI statt des offiziellen Begriffs in dieser Liste dessen umgangssprachliche Entsprechung wählen. Beispielsweise könnte die KI „Herzinfarkt“ schreiben; wohingegen der genehmigte Begriff „Myokardinfarkt“ lauten könnte.
Die Lösung besteht darin, der KI das kontrollierte Vokabular zu geben und zu sagen: „Wählen Sie einfach aus dieser Liste aus“. Anstatt also Begriffe frei zu erfinden, wählt die KI den passendsten aus der genehmigten Liste aus.
Achtung: Wenn ein von AI vorgeschlagener Fachbegriff nicht im kontrollierten Vokabular enthalten ist, fügen Sie diesen Begriff nicht zum Katalog hinzu. Die Entscheidung über die Aufnahme neuer Begriffe obliegt dem für die Behördenverwaltung zuständigen Sachverständigen; Das Hinzufügen willkürlicher Begriffe stört die Konsistenz des Katalogs.
drei Mini-Koffer
Fall 1 – Spendensammlung beschleunigt. Eine öffentliche Bibliothek erhielt eine Spende von 1.200 Büchern. Der Katalogisierungsspezialist ließ die KI die Impressumsseite jedes Buches lesen und einen Entwurf des Dublin Core erstellen; Die Zeit pro Aufnahme verringerte sich von 9 Minuten auf 3,5 Minuten. Die verbleibende Zeit widmete der Sachverständige der behördlichen Prüfung und Verifizierung; Die Gesamtzeit wurde um ca. 55 % verkürzt, aber es gelangten keine Datensätze ungeprüft in das System.
Fall 2 – Gefälschte ISBN entdeckt. Ein Experte ließ KI-Entwürfe für 30 Bücher erstellen. Bei der Überprüfung stellte er fest, dass die ISBN in vier Datensätzen gefälscht war: AI hatte eine 13-stellige Nummer geschrieben, die vernünftig erschien, obwohl er die tatsächliche Nummer des Buches nicht kannte. Der Überprüfungsschritt verhinderte, dass vier falsche ISBNs im Katalog dauerhaft vorhanden waren.
Fall 3 – Autoritätsinkonsistenz korrigiert. Eine Bibliothek fand in einigen Aufzeichnungen einen Autor als „J. Smith“, in anderen „John Smith“ und in anderen „Smith, John“. AI wurde mit der Normdatei abgeglichen, wodurch alle Aufzeichnungen in ein einziges genehmigtes Format gebracht wurden („Smith, John, 1965-“); Wenn diese Arbeit manuell erledigt würde, würde es Tage dauern, aber mit dem KI-Vorschlag konnte sie auf ein paar Stunden reduziert werden, aber jedes Spiel wurde vom Experten genehmigt.
Retrospektive Konvertierung und alte Schallplatten
Viele Bibliotheken verfügen über unvollständige oder veraltete Datensätze, die vor Jahren mit anderen Regeln erfasst wurden. Die Umstellung auf den aktuellen Standard wird als retrospektive Konvertierung bezeichnet und ist bei manueller Durchführung sehr aufwändig. Die KI kann einen alten Datensatz lesen und einen Entwurf erstellen, um ihn in die aktuelle Feldstruktur zu verschieben: Sie kann beispielsweise ein Freitext-Zitat analysieren und es an die richtigen Felder verteilen. Allerdings lauern hier zwei Gefahren. Erstens kann KI fehlende Informationen „nachholen“; Zweitens kann ein Fehler im alten Datensatz dadurch aufrechterhalten werden, dass dieser in ein neues Format kopiert wird, anstatt ihn zu korrigieren. Daher sollte bei der retrospektiven Transformation der Output der KI systematisch überprüft werden, nicht durch Stichproben, sondern nach kritischen Feldern (Autor, Jahr, Identifikationsnummern). Eine bewährte Vorgehensweise besteht darin, Datensätze vor und nach der Konvertierung nebeneinander anzuzeigen, um jede Änderung sichtbar zu machen. So sieht der Experte auf einen Blick, was verschoben wurde, was sich geändert hat und was möglicherweise erfunden wurde.
Achtung: Die von der KI erstellten Entwurfsmetadaten sollten nicht als Stapel an das System übertragen werden, ohne sie einzeln zu überprüfen. Ein Massenfehler beschädigt Hunderte von Datensätzen auf einmal, und das Abrufen ist viel schwieriger als das Erstellen. Am sichersten ist es, in kleinen Mengen zu produzieren und zu überprüfen.
Vier kopierbare Vorlagen
1) Dublin Core-Übersicht:
Ihre Rolle: Assistent des Katalogisierers. Füllen Sie die Dublin Core-Felder aus dem folgenden Verfassertext aus: Titel, Ersteller, Betreff, Beschreibung, Herausgeber, Datum, Genre, Format, Sprache. Verwenden Sie nur Informationen, die im Text klar sind; Lassen Sie das fehlende Feld „[keine Angaben]“, raten Sie nicht. Impressumtext: [hier]
2) MARC-Feldübersicht:
Schlagen Sie Umrisse für die folgenden MARC-Felder aus den folgenden Buchinformationen vor: 245 (Titel/Quelle), 100 (Hauptautor), 260/264 (Veröffentlichung), 300 (physische Beschreibung), 650 (Thema). Markieren Sie jedes Feld, bei dem Sie sich nicht sicher sind, als „[Bestätigung erforderlich]“. Informationen: [hier]
3) Themenzuordnung aus kontrolliertem Vokabular:
Nachfolgend finden Sie eine Zusammenfassung der Quelle und eine Liste der genehmigten Themenbegriffe. Ordnen Sie nur die 3–5 am besten passenden Begriffe aus der Liste der Quelle zu. Wenn in der Liste kein passender Begriff vorhanden ist, schreiben Sie „kein passender Begriff in der Liste“ und erfinden Sie keine neuen Begriffe. Zusammenfassung: [hier] / Begriffsliste: [hier]
4) Kontrolle des Vollmachtsformulars:
Ordnen Sie die Autorennamen unten den genehmigten Formularen in der von mir bereitgestellten Autoritätsliste zu. Für jeden Namen: Format im Datensatz -> genehmigtes Format. Wenn in der Liste kein Äquivalent vorhanden ist, schreiben Sie „kein Normdatensatz“. Namen: [hier] / Autoritätsliste: [hier]
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Extrahieren Sie die Katalogisierungsinformationen für das folgende Buch: „Artificial Intelligence and Society“.
Es wird nur der Titel angegeben; Die KI ist gezwungen, Autor, Jahr, Verlag und ISBN zu erfinden. Es gibt keinen Zielstandard. Ergebnis: eine überzeugende, aber wahrscheinlich falsche Bilanz.
Kraftvolle Aufforderung:
Ihre Rolle: Assistent des Katalogisierers. Nachfolgend finden Sie den vollständigen Text der Impressumsseite des Buches. Füllen Sie hieraus die Dublin Core-Felder aus. Verwenden Sie nur Informationen, die im Text klar angegeben sind; Lassen Sie das Nicht-Text-Feld leer und schreiben Sie „[keine Informationen]“. Es werden keine Daten, Namen oder ISBNs erfunden. Impressumstext: [vollständiger Text hier]
Die leistungsstarke Eingabeaufforderung beschränkt die KI auf echte Byline-Informationen und zwingt sie dazu, ehrlicherweise Lücken zu lassen, anstatt sie zu erfinden.
Metadatenfeld und Validierungstabelle
Bereich
Gefahr der Fabrikation
So überprüfen Sie
Titel
niedrig
Vergleichen Sie mit der Impressumsseite
Autoren-/Autoritätsformat
mittel
Suche in der Normdatei
Erscheinungsjahr
hoch
Mit Aufdruck/Kolophon bestätigen
ISBN
sehr hoch
Eins-zu-eins-Kontrolle mit Barcode/Quelle
Fachbegriff
hoch
Passen Sie den kontrollierten Wortschatz an
Häufige Fehler
- Ich fordere nur Metadaten aus dem Titel an. Unvollständige Informationen treiben die KI dazu, Dinge zu erfinden.
- Keine Angabe des Zielstandards. Willkürliche Formatierungen stören die Harmonie der Datensätze.
- Akzeptieren Sie die ISBN und das Jahr, ohne sie zu überprüfen. In diesen Bereichen besteht das höchste Fabrikationsrisiko.
- Den Fachbegriff von außerhalb des kontrollierten Vokabulars übernehmen. Konsistenz und Verfügbarkeit sind beeinträchtigt.
- Umgehung der Autoritätskontrolle. Derselbe Autor verbreitet sich in verschiedenen Formaten, der Benutzer vermisst die Quelle.
Zusammenfassend
Bei der Metadatengenerierung ist KI ein leistungsstarker Assistent, der Impressumsinformationen schnell extrahiert und die Katalogisierungszeit deutlich verkürzt. Aber der Preis der Produktivität ist eine strenge Validierung gegen die Risiken der Fabrikation: Machen Sie den Zielstandard (MARC, Dublin Core) klar, führen Sie die KI nur mit echtem Wortwissen aus, bilden Sie Fachbegriffe aus kontrollierten Vokabularien ab und validieren Sie Autoritätsformulare. Anstatt die Lücken zu schließen, sollte die KI sie ehrlich gesagt leer lassen; Sie behalten die endgültige Genehmigung.
Anwendungsaufgabe
Geben Sie den Text der Impressumsseite eines echten Buches, das Sie haben, mit der Vorlage „Dublin Core Draft“ an die KI weiter und erhalten Sie einen Entwurf. Lassen Sie dann dasselbe Buch nur mit dem Titel („Schwache Eingabeaufforderung“) produzieren und vergleichen Sie die beiden Ergebnisse: Welche Felder wurden erfunden? Geben Sie dann mit der Vorlage „Themenzuordnung aus kontrolliertem Vokabular“ eine kurze Liste genehmigter Begriffe an, um das Thema abzugleichen, und prüfen Sie, ob die KI von der Liste verschwindet.
Checkliste
- [ ] Ich habe der KI die wahren Identitätsinformationen der Quelle gegeben, ich habe sie nicht dem Raten überlassen.
- [ ] Ich habe den Ziel-Metadatenstandard (MARC/Dublin Core) klar spezifiziert.
- [ ] Ich habe das Erscheinungsjahr und die ISBN wörtlich mit der Originalquelle überprüft.
- [ ] Ich habe die Themenbegriffe aus dem kontrollierten Vokabular zugeordnet.
- [ ] Ich habe die Vollmachten mit dem genehmigten Protokoll bestätigt.