سود:
- توانایی درک اینکه چگونه جستجوی معنایی منابع مرتبطی را پیدا می کند که جستجوی کلیدواژه از دست می دهد، با نزدیک بودن به معنای آن، و قادر به استفاده از هر دو روش با هم در جای خود.
- امکان ارزیابی انتقادی خلاصههای سیستمهای اکتشافی مبتنی بر هوش مصنوعی با توجه به منبعی بودن یا نبودن آنها و تأیید آنها با منبع.
- امکان روشن کردن سوال مبهم کاربر و تشخیص نتایج "به ظاهر مرتبط" از نظر قابلیت اطمینان
یک کاربر کاتالوگ را برای «مشکلات خواب در کودکان» جستجو می کند، اما منبع مرتبط با عنوان «اختلالات خواب کودکان» نام دارد. جستجوی کلاسیک ممکن است اصلاً این منبع را نشان ندهد زیرا دقیقاً با کلمات مطابقت دارد. اینجاست که جستجوی معنایی وارد عمل می شود: این نوعی جستجو است که با معنای کلمات مطابقت دارد، نه املای آنها. در این بخش، شما خواهید آموخت که سیستم های جستجو و کشف معنایی مبتنی بر هوش مصنوعی چگونه کار می کنند، چه چیزی را برای کتابدار به ارمغان می آورند و چه مشکلاتی را به همراه دارند.
بیایید مفهوم اصلی را تعریف کنیم. در قلب جستجوی معنایی جاسازی است: تکنیک تبدیل معنای یک متن به بردار اعداد (نوعی مختصات معنا). متن هایی که از نظر معنی نزدیک هستند در این فضای اعداد به هم نزدیک هستند. بنابراین، اگرچه «مشکل خواب» و «اختلال خواب» واژههای متفاوتی هستند، اما در نزدیکی یکدیگر قرار گرفتهاند و جستجوی یکی، دیگری را نیز پیدا میکند. این قدرت جذب منابع مرتبط است که جستجوی کلیدواژه از دست میدهد.
گام به گام: درک و استفاده از جستجوی معنایی
1. نیت واقعی کاربر را درک کنید. جستجوی معنایی سعی می کند منظور کاربر را به تصویر بکشد. وظیفه شما به عنوان کتابدار این است که سؤال مبهم کاربر را روشن کنید و ورودی صحیح را به سیستم جستجو ارائه دهید.
2. از کلمات کلیدی و جستجوی معنایی با هم استفاده کنید. جستجوی معنایی منابعی با کلمات مرتبط اما متفاوت پیدا می کند. جستجوی کلمه کلیدی زمانی قابل اعتمادتر است که به دنبال یک عبارت دقیق، نام یا کد (نام نویسنده، شماره قانون) باشید. کتابدار خوب از هر دو استفاده می کند.
3. ارزیابی انتقادی نتایج. جستجوی معنایی نتایجی را برمیگرداند که «مرتبط به نظر میرسند». اما مرتبط بودن به معنای دقیق یا قابل اعتماد بودن نیست. شما منبع و به موقع بودن نتایج را ارزیابی می کنید.
4. آموزش استراتژی جستجوی کاربر. سیستمهای اکتشاف قدرتمند هستند، اما کاربران اغلب با کلمات واحد جستجو میکنند. یکی از وظایف کتابدار آموزش جستجوی بهتر به کاربر است.
نکته: هنگام جستجوی اطلاعات بسیار دقیق (شابک خاص، عنوان کامل، همه آثار نویسنده)، جستجوی معنایی می تواند ضعیف تر از جستجوی کلمه کلیدی/دامنه باشد. زیرا نتایج دیگری را که «از نظر معنایی نزدیک» هستند اشتباه می گیرد. از جستجوی مبتنی بر دامنه برای اطلاعات دقیق و جستجوی معنایی برای کشف و مرور موضوع استفاده کنید.
سیستمهای کشف و خلاصههای مبتنی بر هوش مصنوعی
سیستمهای اکتشاف مدرن دیگر فقط فهرستی از نتایج را ارائه نمیکنند. برخی از آنها یک پاسخ خلاصه مستقیم به یک سوال با هوش مصنوعی ارائه می دهند. این یک روند قدرتمند اما پرخطر است. در صورتی مفید است که سیستم بر اساس منابع واقعی مجموعه و با ذکر منبع خلاصه تولید کند. اما اگر سیستم پاسخی را از حافظه عمومی خود بدون ذکر منبع تولید کند، خطر توهم را به همراه دارد و ممکن است اطلاعات نادرست به کاربر ارائه دهد.
نقش کتابدار این است که به کاربر بگوید که آیا چنین خلاصه هایی مبتنی بر منبع هستند یا نه. پیغام "خلاصه ای که سیستم ارائه می دهد یک شروع است؛ به منبع اصلی بروید و آنجا را بررسی کنید" اساس سواد اطلاعاتی است.
احتیاط: حتی اگر خلاصهای از اکتشافات مبتنی بر هوش مصنوعی به منبعی اشاره میکند، تصور نکنید که منبع ذکر شده واقعاً از آن اطلاعات پشتیبانی میکند. گاهی اوقات سیستم منبع صحیح را نشان می دهد اما خلاصه اشتباه را برمی گرداند. برای کاربردهای حیاتی، بخش مربوطه از منبع را به همراه کاربر باز کرده و بررسی کنید.
سه کیف کوچک
مورد 1 - منبع فراری پیدا شد. یک محقق به دنبال منابعی در «جزیره گرمایی شهری» بود، اما عنوان بهترین مطالعه در این مجموعه «آسایش حرارتی در شهرها» بود. جستجوی کلیدواژه این مورد را از دست داد. جستجوی معنایی به دلیل نزدیکی معنایی آن را در بین پنج نتیجه برتر بازگرداند. محقق به منبعی رسید که در غیر این صورت نمی دید.
مورد 2 - "منافع" گمراه کننده. یکی از کاربران عبارت «علل اقتصادی انقلاب فرانسه» را جستجو کرد. جستجوی معنایی همچنین چندین منبع را به طور کلی با موضوع «انقلاب و اقتصاد» اما غیر مرتبط با انقلاب فرانسه رتبهبندی کرد. کتابدار متوجه شد که این نتایج "به ظاهر مرتبط" در واقع با موضوع مطابقت ندارد و کاربر را به سمت منابع صحیح هدایت کرد.
مورد 3 - تأیید خلاصه. یک سیستم اکتشاف خلاصهای از هوش مصنوعی برای یک سوال ارائه کرد و دو منبع را ذکر کرد. کتابدار منابع را باز کرد: یکی از خلاصه حمایت کرد، دیگری برعکس آنچه خلاصه گفت. سیستم منبع را اشتباه تفسیر کرده است. کتابدار منبع صحیح و یافته واقعی را به مراجعه کننده نشان داد.
رتبه بندی، دیده شدن و انصاف
کدام منبع در بالا و کدام در پایین در نتیجه جستجو یک نکته فنی بی گناه نیست. اکثریت قریب به اتفاق کاربران فقط به چند نتیجه اول نگاه می کنند. بنابراین، رتبه بندی مشخص می کند که چه اطلاعاتی واقعاً دیده می شود. رتبهبندی مبتنی بر هوش مصنوعی، معیار «ارتباط» خود را بر اساس الگوهایی که یاد گرفته است محاسبه میکند، و این الگوها ممکن است منابع محبوب، پر استناد یا به زبانهای خاصی را برجسته کنند. در نتیجه، منابع ارزشمند اما کمتر شناخته شده در زبان های جدید یا مختلف ممکن است نامرئی باقی بمانند. وظیفه کتابدار این است که بداند نظم یک واقعیت خنثی نیست و به کاربر بیاموزد که فراتر از نتایج اولیه نگاه کند، عبارات جستجوی مختلف را امتحان کند و ترتیب نتایج را زیر سوال ببرد. «سه منبع برتر» را هرگز نباید با «سه منبع برتر» یکسان کرد، مخصوصاً برای یک سؤال تحقیق. اکتشاف مستلزم کاوش بیشتر در فهرست است.
نکته: هنگام آموزش جستجو به کاربر، به او نشان دهید که چگونه یک موضوع را با استفاده از دو تا سه مجموعه مختلف عبارت جستجو کند. شرایط مختلف رتبه بندی نتایج متفاوتی را نشان می دهد. این نقطه کور ایجاد شده توسط یک جستجو را می شکند و منبع غنی تری از منابع را باز می کند.
چهار قالب قابل کپی
1) گسترش عبارت جستجو:
موضوع جستجوی زیر را برای جستجوی معنایی و کلیدواژه غنی کنید. مترادف ها، اصطلاحات مرتبط، و معادل های رسمی/ فنی ممکن را فهرست کنید. فقط عباراتی را پیشنهاد دهید که واقعاً با موضوع مرتبط هستند. موضوع: [اینجا]
2) شفاف سازی سوال کاربر:
3 سوال روشنگر پیشنهاد کنید که برای روشن شدن سوال کاربر مبهم زیر (مانند دامنه، دوره، ژانر، زبان) باید بپرسم. قصد کاربر را فرض نکنید، گزینهها را ارائه دهید. سوال: [اینجا]
3) ارزیابی ارتباط نتیجه:
در زیر یک موضوع جستجو و عناوین/خلاصههای نتایج برگردانده شده است. میزان ارتباط هر نتیجه با موضوع را به عنوان «بالا/متوسط/کم» ارزیابی کنید و یک جمله را توجیه کنید. فقط به متن داده شده تکیه کنید. موضوع: [اینجا] / نتایج: [اینجا]
4) بررسی سازگاری خلاصه منبع:
در زیر خلاصه و متن منبعی که ادعا می شود بر اساس آن است آورده شده است. آیا هر ادعایی در خلاصه در واقع در متن منبع وجود دارد؟ مورد به مورد "پشتیبانی شده / پشتیبانی نشده / جزئی" علامت گذاری کنید. خلاصه: [اینجا] / منبع: [اینجا]
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
بهترین منابع در این زمینه را برای من فهرست کنید.
هوش مصنوعی نمی داند از کدام مجموعه، بر اساس چه معیارهایی، از منابع واقعی موجود انتخاب کند. می تواند از حافظه عمومی خود یک لیست "بهترین" ساخته شده تهیه کند.
اعلان قدرتمند:
نقش شما: دستیار پیشاهنگ در زیر موضوع جستجو و 15 نتیجه واقعی (عنوان + چکیده) برگردانده شده از سیستم پیشاهنگی آورده شده است. این 15 نتیجه را با توجه به ارتباط آنها با موضوع فهرست کنید و برای هر کدام یک توجیه یک جمله ای ارائه دهید. افزودن یک منبع جدید به لیست، ایجاد آن. موضوع: [اینجا] / نتایج: [اینجا]
اعلان قدرتمند هوش مصنوعی را به مجموعه نتایج واقعی محدود می کند و آن را ارزیابی می کند. از ساختن و بازیابی از حافظه عمومی جلوگیری می کند.
نمودار مقایسه نوع جستجو
وضعیت
بهترین روش
چرا
عنوان دقیق/شبکه/نویسنده
فیلد/کلمه کلیدی
تطبیق یک به یک قابل اعتماد است
کاوش موضوع، اصطلاحات مختلف
جستجوی معنایی
نزدیکی معنا را به تصویر می کشد
یک رویداد/اسم فعلی
کلمه کلیدی + تاریخ
دقت و به موقع بودن
منبع نام مرتبط اما متفاوت
جستجوی معنایی
مترادف پیدا می کند
اشتباهات رایج
- استفاده از جستجوی معنایی برای اطلاعات دقیق جستجوی دامنه برای ISBN یا عنوان کامل قابل اعتمادتر است.
- با فرض اینکه "آنچه مرتبط به نظر می رسد" درست است. نزدیک بودن معنا تضمینی برای اطمینان یا دقت نیست.
- ارائه خلاصه هوش مصنوعی بدون نگاه کردن به منبع. خلاصه ممکن است منبع را اشتباه تفسیر کرده باشد.
- روشن نشدن سوال مبهم کاربر. ورودی اشتباه نتیجه نادرستی می آورد.
- تنها با استفاده از یک روش. بهتر است از جستجوی معنایی و کلیدواژه با هم استفاده کنید.
به طور خلاصه
سیستمهای جستجو و کشف معنایی منابع مرتبطی را پیدا میکنند که جستجوی کلیدواژه با تطبیق معنی، نه کلمه، از دست میدهد و کشف را تقویت میکند. خلاصههای مبتنی بر هوش مصنوعی راحتتر هستند، اما خطر توهم و تفسیر نادرست منبع را به همراه دارند. شغل کتابدار؛ استفاده از جستجوی معنایی و کلیدواژه با هم، ارزیابی انتقادی آنچه «مرتبط به نظر میرسد»، تأیید خلاصههای هوش مصنوعی با منبع، و آموزش به کاربر یک عادت جستجو مبتنی بر منبع و تأیید.
وظیفه کاربردی
موضوعی را انتخاب کنید و جستجوی کلیدواژه و معنایی (در صورت وجود) را انجام دهید. دو مجموعه از نتایج را مقایسه کنید: جستجوی معنایی چه منابع اضافی را پیدا کرد، چه نتایج نامربوطی را با هم مخلوط کرد؟ یک خلاصه مبتنی بر هوش مصنوعی ایجاد کنید (یا یک خلاصه نمونه بگیرید) و بررسی کنید که آیا ادعاهای موجود در خلاصه واقعاً در منبع با الگوی "بررسی سازگاری منبع خلاصه" وجود دارد یا خیر.
چک لیست
- [ ] من از دامنه/کلمه کلیدی برای اطلاعات دقیق و جستجوی معنایی برای کشف استفاده کردم.
- [ ] سوال مبهم کاربر را روشن کردم.
- [ ] من نتایجی را که «به نظر مرتبط هستند» از نظر قابلیت اطمینان ارزیابی کردم.
- [ ] من خلاصه های هوش مصنوعی را با منبع اصلی تأیید کردم.
- [ ] من عادت جستجوی مبتنی بر منبع کاربر را توضیح دادم.