Gewinne:
- Fähigkeit, zwischen inhaltsbasierten und kollaborativen Empfehlungsansätzen zu unterscheiden und gefälschte Quellen zu verhindern, indem jede Empfehlung in der echten Sammlung überprüft wird
- Fähigkeit, durch bewusste Diversität die Filterblase zu durchbrechen und Vorschläge mit transparenten Begründungen vorzulegen
- Schutz der Privatsphäre des Lese- und Suchverlaufs des Benutzers und sichere Verarbeitung dieser Daten
Ein Leser könnte fragen: „Ich habe dieses Buch beendet, was soll ich als nächstes lesen?“ ', empfiehlt ein guter Bibliothekar Ressourcen, die seinen Interessen, seinem Niveau und seinem Zweck entsprechen. In der digitalen Welt tun Empfehlungssysteme dies in großem Maßstab: Sie empfehlen neue Ressourcen, indem sie das frühere Interesse eines Benutzers oder die Eigenschaften einer Ressource berücksichtigen. In dieser Einheit erfahren Sie, wie auf künstlicher Intelligenz basierende Empfehlungssysteme funktionieren, welche Auswirkungen sie auf die Bibliothek haben und wie Sie mit Risiken wie Datenschutz, Voreingenommenheit und „Filterblase“ umgehen können.
Lassen Sie uns die Konzepte definieren. Bei der inhaltsbasierten Empfehlung werden die Merkmale einer Quelle (Thema, Autor, Genre) berücksichtigt und ähnliche Quellen empfohlen: „Wenn Ihnen dieses Geschichtsbuch gefallen hat, könnte Ihnen auch dieses gefallen, das denselben Zeitraum abdeckt.“ Die kollaborative Filterung funktioniert nach dem Prinzip „Andere Benutzer, denen Ressourcen wie Sie gefallen haben, mochten diese auch.“ Von einer Filterblase spricht man, wenn ein Empfehlungssystem den Nutzer an ständig ähnliche Inhalte bindet und ihn von neuen, unterschiedlichen Perspektiven fernhält. Eine gute Bibliotheksempfehlung weckt Interesse und lässt die Blase platzen.
Schritt für Schritt: ein verantwortungsvoller Beratungsansatz
1. Klären Sie den Zweck. Was bezweckt der Vorschlag? Möchten Sie, dass der Benutzer weiterliest, seinen Horizont erweitert oder Ressourcen für eine bestimmte Forschungsfrage findet? Der Zweck bestimmt die Art der Empfehlung.
2. Überprüfen Sie Quelle und Authentizität. KI kann bei der Unterbreitung von Vorschlägen nicht vorhandene Bücher erfinden. Stellen Sie sicher, dass jede vorgeschlagene Ressource tatsächlich in der Sammlung oder in einem zuverlässigen Katalog vorhanden ist.
3. Vielfalt bewahren. Wenn man nur das „Ähnlichste“ empfiehlt, entsteht eine Filterblase. Beziehen Sie bewusst unterschiedliche Perspektiven, unterschiedliche Autoren und unterschiedliche Ebenen ein. Die Aufgabe der Bibliothek besteht darin, Horizonte zu öffnen und sie nicht auf die Ökologie zu beschränken.
4. Privatsphäre schützen. Die personalisierte Empfehlung nutzt den Leseverlauf des Benutzers und ist äußerst genau. Geben Sie diese Daten nicht an allgemeine KI-Tools weiter. Verarbeitung nur innerhalb der sicheren Systeme der Institution, mit Zustimmung des Nutzers.
5. Seien Sie transparent. Erklären Sie dem Benutzer, warum die Empfehlung ausgesprochen wurde: „Diese Ressource wurde empfohlen, weil sie mit dem Thema zusammenhängt, an dem Sie interessiert sind.“ Transparenz stärkt Vertrauen und Informationskompetenz.
Tipp: Fügen Sie einer Vorschlagsliste bewusst eine „etwas andere“ Ressource hinzu und geben Sie an: „Diese liegen Ihrem Interessengebiet nahe; ich habe diese hier zur Auffrischung hinzugefügt.“ Dies bricht sowohl die Filterblase als auch den Entdeckungswert der Bibliothek.
Ethische Dimension des Vorschlags
Empfehlungssysteme scheinen harmlos, erzeugen aber starke Wirkungen. Welche Ressourcen einem Nutzer empfohlen werden, prägt seine Informationswelt. Wenn das System nur Quellen hervorhebt, die beliebt sind oder nur aus einem bestimmten Blickwinkel, bleiben Minderheitenstimmen, abweichende Ansichten und weniger bekannte wertvolle Quellen unsichtbar. KI kann diesen Trend verstärken, indem sie die Popularität und Vorurteile in den Trainingsdaten übernimmt.
Hier kommt der Wert des Bibliothekswesens ins Spiel: Die Bibliothek ist keine kommerzielle Empfehlungsmaschine; Ihre Aufgabe ist es, einen gleichberechtigten und vielfältigen Zugang zu Informationen sicherzustellen. Es liegt in der Verantwortung des Bibliothekars, das Empfehlungssystem an diesem Wert auszurichten.
Achtung: Der Lese- und Suchverlauf des Benutzers gehört zu den sensibelsten Datenschutzdaten. Was eine Person liest, kann Informationen über ihren Gesundheitszustand, ihre politischen Ansichten, Überzeugungen oder ihre persönliche Krise preisgeben. Übertragen Sie diese Daten niemals mit ihrer Identität an externe Systeme; Anonymisierung und Einwilligung sind unerlässlich.
drei Mini-Koffer
Fall 1 – Inhaltsbasierte Empfehlung hat funktioniert. Eine Schulbibliothek nutzte ein inhaltsbasiertes System, um Schülern Ressourcen zu empfehlen, die dem Buch, das sie lasen, ähnelten. Ein Schüler beendete einen Science-Fiction-Roman; Das System empfahl drei Bücher zum gleichen Thema, jedoch von einem anderen Autor. Der Student hat sich zwei ausgeliehen; Die Lesegewohnheit blieb bestehen. Der Bibliothekar hatte zuvor bestätigt, dass alle Vorschläge tatsächlich in der Sammlung vorhanden waren.
Fall 2 – Fake-Vorschlag erwischt. Ein Bibliothekar hat eine KI gebeten, einem Benutzer 8 Bücher zu empfehlen. Er überprüfte die Liste im Katalog: 3 von 8 Büchern fehlten überhaupt; Die KI hatte plausible Schlagzeilen erfunden. Der Überprüfungsschritt verhinderte, dass dem Benutzer nicht vorhandene Bücher empfohlen wurden.
Fall 3 – Filterballon gerissen. Ein Forscher arbeitete ständig mit Quellen mit derselben Sichtweise und das System schlug immer ähnliche vor. Der Bibliothekar hat bewusst zwei Quellen einbezogen, die eine gegensätzliche Herangehensweise an das Thema darstellten und dies deutlich machten. Nur dank dieser gegensätzlichen Quellen erkannte der Forscher den unvollständigen Aspekt seiner Studie.
Problem mit Kaltstart und neuem Benutzer
Eine bekannte Herausforderung von Empfehlungssystemen ist das Kaltstartproblem: Das System weiß nicht, was es einem neuen Benutzer oder einer gerade zur Sammlung hinzugefügten Ressource empfehlen soll, für die keine historischen Daten vorliegen. In diesem Fall greifen viele Systeme als sichere Option auf die gängigsten Ressourcen zurück; Dies bedeutet, dass wenig bekannte wertvolle Ressourcen überhaupt nicht empfohlen werden und die Popularität sich von selbst nährt. Aus bibliothekarischer Sicht steht dies im Widerspruch zum Wert eines gleichberechtigten Zugangs. Die Lösung besteht darin, dem neuen Benutzer eine kurze, klare Präferenzfrage zu stellen (welche Themen, welches Niveau, welcher Zweck), bevor er eine Empfehlung ausspricht und neu hinzugefügte Ressourcen anhand ihrer Inhaltsmerkmale hervorhebt. An diesem Punkt kann die KI durch die Analyse des Themas und der Merkmale einer Ressource sogar ein Buch, das noch nie ausgeliehen wurde, mit dem entsprechenden Benutzer verknüpfen; sofern der Vorschlag aus der echten Sammlung stammt und verifiziert ist. So macht das System nicht nur das „Sehr Geliebte“, sondern auch das „Relevante und Wertvolle“ sichtbar.
Tipp: Wenn Sie eine Empfehlung für einen neuen Benutzer einrichten, basieren Sie diese auf den aktuellen Bedürfnissen des Benutzers und nicht auf den historischen Daten des Systems. Eine gute Frage („Ist das zu Forschungszwecken, zum Vergnügen, in welchem Ausmaß?“) führt oft zu einer genaueren Empfehlung als monatelange Verhaltensdaten.
Vier kopierbare Vorlagen
1) Inhaltsbasierte ähnliche Ressourcenempfehlung:
Unten finden Sie den Betreff/die Zusammenfassung einer Ressource, die einem Benutzer gefallen hat. Ich habe auch eine Liste der vorhandenen Ressourcen in unserer Sammlung bereitgestellt. Schlagen Sie einfach aus dieser Liste fünf Ressourcen vor, die dem Thema ähneln, und schreiben Sie jeweils eine Begründung in einem Satz. Vorgeschlagene Quellen sind nicht aufgeführt. Lieblingsquelle: [hier] / Sammlungsliste: [hier]
2) Vorschlag, der für Abwechslung sorgt:
Fügen Sie der Liste der Vorschläge unten zwei Ressourcen hinzu, die den Horizont des Benutzers erweitern und eine andere Perspektive oder ein anderes Unterthema bieten (nur aus der von mir bereitgestellten Sammlungsliste). Erklären Sie, warum sie unterschiedlich und wertvoll sind. Liste: [hier] / Sammlung: [hier]
3) Erläuterung des Grundes der Empfehlung:
Schreiben Sie für jede Empfehlung unten eine kurze, transparente Begründung, die dem Benutzer angezeigt werden kann: „Diese Ressource wurde empfohlen, weil …“ Keine Übertreibung, keine Anspielung auf personenbezogene Daten. Vorschläge: [hier]
4) Datenschutz-Vorabprüfung:
Enthält der folgende Vorschlagseintrag benutzeridentifizierende oder vertrauliche Informationen (Anspielungen auf Gesundheit, Überzeugungen, politische Ansichten)? Wenn ja, markieren Sie es und schlagen Sie vor, wie es anonymisiert werden kann. Eingabe: [hier]
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Empfehlen Sie diesem Benutzer 10 Bücher zum Lesen.
Die KI generiert Vorschläge aus ihrem globalen Gedächtnis, ohne die Sammlung zu kennen; Er kann Bücher erfinden, die es nicht gibt, und respektiert Vielfalt und Privatsphäre nicht.
Kraftvolle Aufforderung:
Ihre Rolle: Leserberatungsassistent. Nachfolgend finden Sie das Thema, das dem Benutzer gefallen hat, und die Liste der echten Quellen in unserer Sammlung. (1) Schlagen Sie aus der Liste 5 Quellen zum Thema vor. (2) Fügen Sie außerdem 2 Quellen mit unterschiedlichen Perspektiven hinzu, die Ihnen die Augen öffnen. (3) Schreiben Sie für jeden Vorschlag eine transparente Begründung. Gehen Sie nicht von der Liste ab, fabrizieren Sie keine Quellen und geben Sie keine personenbezogenen Daten an. Betreff: [hier] / Sammlung: [hier]
Leistungsstarke Eingabeaufforderung; es beschränkt es auf die eigentliche Sammlung, fordert Vielfalt und fügt eine Rechtfertigung und eine Datenschutzregel hinzu.
Vergleichstabelle der Empfehlungstypen
Vorschlagstyp
Stärke
Risiko
Pflicht des Bibliothekars
inhaltsbasiert
Fesselt die Aufmerksamkeit gut
Filterblase
Sorgen Sie für Abwechslung
kollaborativ
überraschende Entdeckung
Datenschutz, Beliebtheitsbias
Anonymität, Ausgeglichenheit
KI-Produktionsliste
schnell
erfundene Quelle
die Realität überprüfen
Häufige Fehler
- Anbieten von Vorschlägen ohne Überprüfung. KI kann nicht vorhandene Quellen ergänzen.
- Ich empfehle nur „am ähnlichsten“. Die Filterblase verengt den Horizont des Nutzers.
- Leseverlauf in externes Tool exportieren. Es handelt sich um die sensibelsten Daten der Privatsphäre.
- Den Vorschlag ohne Begründung vorbringen. Transparenz fördert Vertrauen und Alphabetisierung.
- Beliebtheitsbias ignorieren. Wertvolle, aber wenig bekannte Ressourcen gehen verloren.
Zusammenfassend
Empfehlungssysteme sind leistungsstarke Tools, die die Entdeckung erleichtern, indem sie das Interesse der Benutzer wecken. Inhaltsbasierte und kollaborative Ansätze bergen unterschiedliche Stärken und Risiken. KI generiert schnell Vorschläge, kann jedoch nicht vorhandene Quellen erfinden, Blasen filtern und Voreingenommenheit verstärken. Der Job des Bibliothekars; Um jeden Vorschlag in der realen Sammlung zu überprüfen, die Blase durch bewusste Vielfalt zu brechen, die Privatsphäre der Benutzer zu schützen und den Wert eines gleichberechtigten und vielfältigen Zugangs zur Bibliothek zu wahren, indem Vorschläge mit transparenten Begründungen präsentiert werden.
Anwendungsaufgabe
Bereiten Sie eine kurze Liste mit Faktensammlungen vor (10–15 Quellen). Generieren Sie eine Empfehlung für einen Benutzer mit der Vorlage „Inhaltsbasierte Empfehlung ähnlicher Ressourcen“ und überprüfen Sie, ob alle tatsächlich in der Liste vorhanden sind. Fügen Sie dann mit der Vorlage „Vorschlag, der Vielfalt hinzufügt“ Quellen mit unterschiedlichen Perspektiven zur Liste hinzu. Erstellen Sie abschließend mit der Vorlage „Begründung des Vorschlags“ eine transparente Erklärung für jeden Vorschlag und planen Sie, wie Sie ihn dem Nutzer präsentieren.
Checkliste
- [ ] Ich habe überprüft, dass jeder Vorschlag tatsächlich in der Sammlung vorhanden ist.
- [ ] Ich habe Abwechslung hinzugefügt, um die Filterblase zu brechen.
- [ ] Ich habe den Lese-/Suchverlauf des Benutzers sicher aufbewahrt und nicht an ein externes Tool weitergegeben.
- [ ] Ich habe für jeden Vorschlag eine transparente Begründung erstellt.
- [ ] Um Popularitätsverzerrungen zu vermeiden, habe ich ein Auge auf weniger bekannte und wertvolle Quellen geworfen.