કેટલોગિંગ અને મેટાડેટા જનરેશનમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ

નફો:

• વાસ્તવિક છાપ માહિતીમાંથી MARC અને ડબલિન કોર જેવા ધોરણો અનુસાર ડ્રાફ્ટ મેટાડેટાનું ઉત્પાદન કરીને સૂચિબદ્ધ સમય ઘટાડવાની ક્ષમતા
• અંકુશિત શબ્દભંડોળમાંથી મૂળ સ્ત્રોત અને નકશા વિષયની શરતો સાથે પ્રકાશન વર્ષ, ISBN, લેખકનું નામ જેવા બનાવટના ઊંચા જોખમવાળા ક્ષેત્રોને ચકાસવાની ક્ષમતા
• ઓથોરિટી કંટ્રોલ સાથે લેખક અને વિષયના ફોર્મેટને એકલ-મંજૂર કરવાની અને કેટલોગ સુસંગતતા જાળવવાની ક્ષમતા

સૂચિબદ્ધ કરવું એ ગ્રંથપાલનું અદ્રશ્ય પરંતુ સૌથી મૂળભૂત કાર્ય છે. સંસાધનની શોધ (પુસ્તક, લેખ, નકશો, સાઉન્ડ રેકોર્ડિંગ, ડિજિટલ ફાઇલ) યોગ્ય મેટાડેટા સાથે શક્ય છે. મેટાડેટાનો અર્થ છે "ડેટા વિશેનો ડેટા": સંરચિત માહિતી કે જે સંસાધનનું શીર્ષક, લેખક, પ્રકાશનનું વર્ષ, વિષય, ભાષા અને ભૌતિક લક્ષણોનું વર્ણન કરે છે. જો મેટાડેટા સારો છે, તો વપરાશકર્તા સંસાધન શોધે છે; જો તે ખરાબ અથવા અપૂર્ણ હોય, તો તે અસ્તિત્વમાં હોવા છતાં પણ સંસાધન ખોવાઈ જાય છે. આ એકમમાં તમે શીખી શકશો કે ડ્રાફ્ટ મેટાડેટા જનરેશનમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કેવી રીતે કરવો, પરંતુ ધોરણોનું પાલન અને સચોટતા કેવી રીતે સુનિશ્ચિત કરવી.

ચાલો પહેલા બે વિભાવનાઓને વ્યાખ્યાયિત કરીએ. MARC (મશીન-રીડેબલ કેટેલોગિંગ) એ રેકોર્ડ ફોર્મેટ છે જેનો ઉપયોગ પુસ્તકાલયોએ દાયકાઓથી કર્યો છે જે માહિતીના દરેક ભાગને ક્રમાંકિત ક્ષેત્રોમાં મૂકે છે; ઉદાહરણ તરીકે, ફીલ્ડ 245 શીર્ષક ધરાવે છે અને ફીલ્ડ 100 મુખ્ય લેખક ધરાવે છે. ડબલિન કોર એ ડિજિટલ સંસાધનો માટેનું એક સરળ મેટાડેટા માનક છે, જેમાં 15 મૂળભૂત ક્ષેત્રો (શીર્ષક, સર્જક, વિષય, તારીખ, શૈલી, વગેરે) નો સમાવેશ થાય છે. આ ધોરણો સુનિશ્ચિત કરે છે કે વિવિધ પુસ્તકાલયોના રેકોર્ડ્સ એકબીજા સાથે વાત કરી શકે છે.

સ્ટેપ બાય સ્ટેપ: આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે ડ્રાફ્ટ મેટાડેટા જનરેટ કરવું

1. સ્ત્રોતની ઓળખ માહિતી એકત્રિત કરો. પુસ્તકનું કવર, શીર્ષક પૃષ્ઠ, સમાવિષ્ટો અથવા ડિજિટલ ફાઇલનું ટેક્સ્ટ. AI માત્ર તમે જે માહિતી આપો છો તેના પરથી જ કાર્ય કરે છે; જો તમે અપૂર્ણ માહિતી પ્રદાન કરો છો, તો તે અપૂર્ણ અથવા બનાવટી મેટાડેટા ઉત્પન્ન કરે છે.

2. લક્ષ્ય ધોરણ સ્પષ્ટ કરો. AI ને સ્પષ્ટ લક્ષ્ય આપો, જેમ કે "ડબલિન કોર ફીલ્ડ્સ દ્વારા" અથવા "MARC 245, 100, 260, 650 ફીલ્ડ દ્વારા." જો તમે માનકનો ઉલ્લેખ કરતા નથી, તો તે મનસ્વી ફોર્મેટ બનાવે છે.

3. ડ્રાફ્ટ તૈયાર કરો. AI તમે પ્રદાન કરો છો તે માહિતીમાંથી શીર્ષક, જવાબદારી નિવેદન, પ્રકાશન માહિતી અને વિષય પ્રસ્તાવનો ડ્રાફ્ટ કરે છે.

4. વ્યાયામ સત્તા નિયંત્રણ. અધિકૃત રેકોર્ડ તે છે જે લેખકના નામ, સંસ્થા અથવા વિષયનું એકલ, પ્રમાણભૂત સ્વરૂપ સ્થાપિત કરે છે (દા.ત., "અતાતુર્ક, મુસ્તફા કેમલ, 1881-1938"). AI અલગ અલગ રીતે નામ લખી શકે છે; તમે મંજૂર ઓથોરિટી ફોર્મેટ તપાસો અને સુધારો.

5. ચકાસો અને પુષ્ટિ કરો. મૂળ સ્ત્રોત સાથે દરેક ક્ષેત્રની તુલના કરો. ખાસ કરીને, ચોક્કસ માહિતી જેમ કે પ્રકાશન વર્ષ, ISBN અને લેખકનું નામ AI દ્વારા બનાવટી બનવા માટે ખૂબ જ સંવેદનશીલ છે.

સંકેત: AI ને સ્રોતના વાસ્તવિક ક્રેડિટ પૃષ્ઠનો ફોટો અથવા ટેક્સ્ટ આપો; "પુસ્તકનું નામ ધારી લો" એમ ન બોલો. આગાહીયુક્ત મેટાડેટા કેટલોગની વિશ્વસનીયતાને નબળી પાડે છે. આગાહી કરતી વખતે AI આત્મવિશ્વાસપૂર્વક લખે છે અને આ તમને ગેરમાર્ગે દોરશે.

નિયંત્રિત શબ્દભંડોળ અને સુસંગતતા

સુસંગતતા સૂચિમાં બધું છે. જો એક જ વિષય બે અલગ-અલગ રેકોર્ડ્સમાં બે અલગ-અલગ શબ્દો સાથે લખવામાં આવે, તો વપરાશકર્તાને એક મળશે અને બીજી ચૂકી જશે. તેથી જ લાઇબ્રેરીઓ નિયંત્રિત શબ્દભંડોળનો ઉપયોગ કરે છે - એક માન્ય, પ્રમાણભૂત શબ્દોની સૂચિ. મફત ટેક્સ્ટમાંથી શબ્દો સૂચવતી વખતે, AI આ સૂચિમાં સત્તાવાર શબ્દને બદલે તેની બોલચાલની સમકક્ષ પસંદ કરી શકે છે. ઉદાહરણ તરીકે, AI કદાચ "હાર્ટ એટેક" લખી શકે છે; જ્યારે માન્ય શબ્દ "મ્યોકાર્ડિયલ ઇન્ફાર્ક્શન" હોઈ શકે છે.

ઉકેલ એ છે કે AI ને નિયંત્રિત શબ્દભંડોળ આપો અને "માત્ર આ સૂચિમાંથી પસંદ કરો" કહેવું. તેથી મુક્તપણે શરતો બનાવવાને બદલે, AI માન્ય સૂચિમાંથી સૌથી યોગ્ય સાથે મેળ ખાય છે.

સાવધાન: જો AI દ્વારા સૂચવવામાં આવેલ વિષય શબ્દ નિયંત્રિત શબ્દભંડોળમાં ન હોય, તો તે શબ્દ સૂચિમાં ઉમેરશો નહીં. નવી શરતો ઉમેરવાનો નિર્ણય સત્તા વ્યવસ્થાપન માટે જવાબદાર નિષ્ણાત પર છે; મનસ્વી શબ્દો ઉમેરવાથી સૂચિની સુસંગતતા ખલેલ પહોંચે છે.

ત્રણ નાના કેસો

કેસ 1 — દાન સંગ્રહ ઝડપી. જાહેર પુસ્તકાલયને 1,200 પુસ્તકોનું દાન મળ્યું. સૂચિબદ્ધ નિષ્ણાતે એઆઈને દરેક પુસ્તકનું છાપ પૃષ્ઠ વાંચ્યું અને ડબલિન કોરનો ડ્રાફ્ટ બનાવ્યો; રેકોર્ડિંગ દીઠ સમય 9 મિનિટથી ઘટીને 3.5 મિનિટ થયો. નિષ્ણાતે બાકીનો સમય સત્તાની ચકાસણી અને ચકાસણી માટે ફાળવ્યો; કુલ સમય અંદાજે 55% જેટલો ઘટાડવામાં આવ્યો હતો, પરંતુ કોઈ રેકોર્ડ ચકાસ્યા વિના સિસ્ટમમાં દાખલ થયો નથી.

કેસ 2 - નકલી ISBN પકડાયો. એક નિષ્ણાત પાસે 30 પુસ્તકોના AI પ્રોડ્યુસ ડ્રાફ્ટ હતા. તપાસ દરમિયાન, તેણે જોયું કે 4 રેકોર્ડમાંનું ISBN નકલી હતું: AI એ 13-અંકનો નંબર લખ્યો હતો જે વાજબી લાગતો હતો, તેમ છતાં તેને પુસ્તકનો વાસ્તવિક નંબર ખબર ન હતી. ચકાસણીના પગલાએ ચાર ખોટા ISBN ને કેટલોગમાં સતત બનતા અટકાવ્યા.

કેસ 3 — સત્તાની અસંગતતા સુધારાઈ. એક પુસ્તકાલયને કેટલાક રેકોર્ડમાં "જે. સ્મિથ", અન્યમાં "જ્હોન સ્મિથ", અન્યમાં "સ્મિથ, જ્હોન" તરીકે લેખક મળ્યા હતા. AI ને ઓથોરિટી ફાઇલ સાથે મેચ કરવામાં આવી હતી, જેમાં તમામ રેકોર્ડને એક જ માન્ય ફોર્મેટમાં લાવવામાં આવ્યા હતા ("સ્મિથ, જ્હોન, 1965-"); જો આ કામ મેન્યુઅલી કરવામાં આવ્યું હોત, તો તેમાં દિવસો લાગતા હતા, પરંતુ AIના સૂચન સાથે, તે ઘટાડીને થોડા કલાકો કરવામાં આવ્યા હતા, પરંતુ દરેક મેચને નિષ્ણાત દ્વારા મંજૂરી આપવામાં આવી હતી.

પૂર્વવર્તી રૂપાંતર અને જૂના રેકોર્ડ

ઘણી લાઈબ્રેરીઓમાં અધૂરા કે જૂના રેકોર્ડ હોય છે જે વર્ષો પહેલા જુદા જુદા નિયમો સાથે દાખલ કરવામાં આવ્યા હતા. આને વર્તમાન ધોરણમાં ખસેડવાને પૂર્વવર્તી રૂપાંતરણ કહેવામાં આવે છે અને જ્યારે મેન્યુઅલી કરવામાં આવે ત્યારે તે ખૂબ જ કપરું છે. AI જૂના રેકોર્ડને વાંચી શકે છે અને તેને વર્તમાન ફીલ્ડ સ્ટ્રક્ચરમાં ખસેડવા માટે ડ્રાફ્ટ જનરેટ કરી શકે છે: ઉદાહરણ તરીકે, તે ફ્રી-ટેક્સ્ટ ટાંકણને પાર્સ કરી શકે છે અને તેને યોગ્ય ક્ષેત્રોમાં વિતરિત કરી શકે છે. જો કે, અહીં બે જોખમો છે. પ્રથમ, AI ગુમ થયેલ માહિતીને "મેક અપ" કરવા માટે બનાવી શકે છે; બીજું, તે જૂના રેકોર્ડમાં ભૂલને સુધારવાને બદલે તેને નવા ફોર્મેટમાં નકલ કરીને કાયમી બનાવી શકે છે. તેથી, પૂર્વવર્તી પરિવર્તનમાં, AI નું આઉટપુટ વ્યવસ્થિત રીતે તપાસવું જોઈએ, નમૂના દ્વારા નહીં, પરંતુ નિર્ણાયક ક્ષેત્રો (લેખક, વર્ષ, નંબરો ઓળખવા). એક સારી પ્રેક્ટિસ એ છે કે રૂપાંતર પહેલાના અને પછીના રેકોર્ડને સાથે-સાથે પ્રદર્શિત કરવા, દરેક ફેરફારને દૃશ્યમાન બનાવે છે; જેથી નિષ્ણાત એક નજરે જોઈ શકે કે શું ખસેડવામાં આવ્યું છે, શું બદલાયું છે અને શું બનાવટી કરવામાં આવ્યું છે.

ધ્યાન આપો: AI દ્વારા ઉત્પાદિત ડ્રાફ્ટ મેટાડેટાને એક પછી એક સમીક્ષા કર્યા વિના બેચ તરીકે સિસ્ટમમાં સ્થાનાંતરિત થવો જોઈએ નહીં. સામૂહિક ભૂલ એકસાથે સેંકડો રેકોર્ડ્સને બગાડે છે, અને પુનઃપ્રાપ્ત કરવું ઉત્પાદન કરતાં વધુ મુશ્કેલીકારક છે. નાના બેચમાં ઉત્પાદન અને ચકાસણી કરવી તે સૌથી સલામત છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ડબલિન કોર રૂપરેખા:

તમારી ભૂમિકા: સહાયક સૂચિર. નીચેના બાયલાઇન ટેક્સ્ટમાંથી ડબલિન કોર ફીલ્ડ્સ ભરો: શીર્ષક, સર્જક, વિષય, વર્ણન, પ્રકાશક, તારીખ, શૈલી, ફોર્મેટ, ભાષા. ટેક્સ્ટમાં સ્પષ્ટ હોય તેવી માહિતીનો જ ઉપયોગ કરો; ગુમ થયેલ ફીલ્ડ "[કોઈ માહિતી નથી]" છોડો, અનુમાન ન કરો. છાપ લખાણ: [અહીં]

2) MARC ક્ષેત્રની રૂપરેખા:

નીચેની પુસ્તકની માહિતીમાંથી નીચેના MARC ક્ષેત્રો માટે રૂપરેખા સૂચવો: 245 (શીર્ષક/ક્રેડિટ), 100 (મુખ્ય લેખક), 260/264 (પ્રકાશન), 300 (ભૌતિક વર્ણન), 650 (વિષય). કોઈપણ ફીલ્ડને "[ચકાસણીની જરૂર છે]" તરીકે ચિહ્નિત કરો. માહિતી: [અહીં]

3) નિયંત્રિત શબ્દભંડોળમાંથી વિષય મેચિંગ:

નીચે સ્ત્રોતનો સારાંશ અને મંજૂર વિષયની શરતોની સૂચિ છે. સૂચિમાંથી સ્ત્રોત સુધી ફક્ત 3-5 સૌથી યોગ્ય શબ્દોનો મેળ કરો. જો સૂચિમાં કોઈ યોગ્ય શબ્દ ન હોય, તો "સૂચિમાં કોઈ યોગ્ય શબ્દ નથી" લખો, નવા શબ્દો બનાવશો નહીં. સારાંશ: [અહીં] / ટર્મ સૂચિ: [અહીં]

4) સત્તા ફોર્મ નિયંત્રણ:

મેં આપેલી સત્તાધિકારી યાદીમાં નીચે આપેલા લેખકના નામો સાથે મંજૂર ફોર્મ સાથે મેળ કરો. દરેક નામ માટે: રેકોર્ડમાં ફોર્મેટ -> માન્ય ફોર્મેટ. જો સૂચિમાં કોઈ સમકક્ષ નથી, તો "નો ઓથોરિટી રેકોર્ડ" લખો. નામો: [અહીં] / સત્તાધિકારી સૂચિ: [અહીં]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

નીચેના પુસ્તક માટે સૂચિબદ્ધ માહિતી બહાર કાઢો: "કૃત્રિમ બુદ્ધિ અને સમાજ".

માત્ર શીર્ષક આપવામાં આવે છે; AI ને લેખક, વર્ષ, પ્રકાશક અને ISBN બનાવવાની ફરજ પાડવામાં આવે છે. ત્યાં કોઈ લક્ષ્ય ધોરણ નથી. પરિણામ: એક વિશ્વાસપાત્ર પરંતુ કદાચ ખોટો રેકોર્ડ.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સહાયક સૂચિર. નીચે પુસ્તકના છાપના પાનાનું સંપૂર્ણ લખાણ છે. આમાંથી ડબલિન કોર ફીલ્ડ્સ ભરો. ફક્ત ટેક્સ્ટમાં સ્પષ્ટપણે જણાવેલી માહિતીનો ઉપયોગ કરો; નોન-ટેક્સ્ટ ફીલ્ડ ખાલી છોડી દો અને "[કોઈ માહિતી નથી]" લખો. કોઈ તારીખો, નામો અથવા ISBN બનેલા નથી. છાપ લખાણ: [સંપૂર્ણ ટેક્સ્ટ અહીં]

શક્તિશાળી પ્રોમ્પ્ટ AI ને વાસ્તવિક બાયલાઇન માહિતી સુધી મર્યાદિત કરે છે અને તેને બનાવવાને બદલે પ્રામાણિકપણે ખાલી જગ્યાઓ છોડવા દબાણ કરે છે.

મેટાડેટા ક્ષેત્ર અને માન્યતા કોષ્ટક

વિસ્તાર

બનાવટનું જોખમ

કેવી રીતે ચકાસવું

શીર્ષક

નીચું

છાપ પૃષ્ઠ સાથે સરખામણી કરો

લેખક/ઓથોરિટી ફોર્મેટ

મધ્યમ

ઓથોરિટી ફાઇલમાં શોધો

પ્રકાશનનું વર્ષ

ઉચ્ચ

છાપ/કોલોફોન સાથે પુષ્ટિ કરો

ISBN

ખૂબ ઊંચી

બારકોડ/સ્રોત સાથે વન-ટુ-વન નિયંત્રણ

વિષય શબ્દ

ઉચ્ચ

નિયંત્રિત શબ્દભંડોળમાં મેળ ખાય છે

સામાન્ય ભૂલો

• ફક્ત શીર્ષકમાંથી મેટાડેટાની વિનંતી કરી રહ્યાં છીએ. અધૂરી માહિતી એઆઈને વસ્તુઓ બનાવવા માટે પ્રેરિત કરે છે.
• લક્ષ્ય ધોરણનો ઉલ્લેખ નથી. મનસ્વી ફોર્મેટિંગ રેકોર્ડની સુમેળમાં ખલેલ પહોંચાડે છે.
• ISBN અને વર્ષ ચકાસ્યા વિના સ્વીકારવું. આ વિસ્તારોમાં ફેબ્રિકેશનનું સૌથી વધુ જોખમ છે.
• નિયંત્રિત શબ્દભંડોળની બહારથી વિષય શબ્દ લેવો. સુસંગતતા અને ઉપલબ્ધતા સાથે ચેડા કરવામાં આવે છે.
• સત્તા નિયંત્રણ બાયપાસ. એક જ લેખક વિવિધ ફોર્મેટમાં વિખેરી નાખે છે, વપરાશકર્તા સ્રોત ચૂકી જાય છે.

સારાંશમાં

મેટાડેટા જનરેશનમાં, AI એ એક શક્તિશાળી સહાયક છે જે ઝડપથી છાપની માહિતીને બહાર કાઢે છે અને સૂચિબદ્ધ સમયને નોંધપાત્ર રીતે ટૂંકાવે છે. પરંતુ ઉત્પાદકતાની કિંમત ફેબ્રિકેશનના જોખમો સામે કડક માન્યતા છે: લક્ષ્ય પ્રમાણભૂત (MARC, ડબલિન કોર) સ્પષ્ટ કરો, AI ને ફક્ત વાસ્તવિક બાયવર્ડ જ્ઞાન સાથે ચલાવો, નિયંત્રિત શબ્દભંડોળમાંથી વિષયના શબ્દોનો નકશો બનાવો અને સત્તા સ્વરૂપોને માન્ય કરો. ખાલી જગ્યાઓ બનાવવાને બદલે, AI એ પ્રામાણિકપણે તેને ખાલી છોડી દેવી જોઈએ; તમે અંતિમ મંજૂરી રાખો.

એપ્લિકેશન કાર્ય

તમારી પાસેના વાસ્તવિક પુસ્તકના છાપના પૃષ્ઠનો ટેક્સ્ટ "ડબલિન કોર ડ્રાફ્ટ" ટેમ્પલેટ સાથે AI ને આપો અને ડ્રાફ્ટ મેળવો. પછી એ જ પુસ્તકને ફક્ત શીર્ષક ("નબળા પ્રોમ્પ્ટ") સાથે તૈયાર કરો અને બે આઉટપુટની તુલના કરો: કયા ક્ષેત્રો બનાવટી હતા? પછી, "નિયંત્રિત શબ્દભંડોળમાંથી વિષયનું મેપિંગ" ટેમ્પલેટ સાથે, વિષય સાથે મેળ મેળવવા માટે મંજૂર શબ્દોની ટૂંકી સૂચિ આપો અને તપાસો કે AI યાદીમાંથી બહાર જાય છે કે કેમ.

ચેકલિસ્ટ

• [ ] મેં AI ને સ્ત્રોતની વાસ્તવિક ઓળખની માહિતી આપી હતી, મેં તેને અનુમાન કરવા માટે છોડ્યું નથી.
• [ ] મેં સ્પષ્ટપણે લક્ષ્ય મેટાડેટા સ્ટાન્ડર્ડ (MARC/Dublin Core) નો ઉલ્લેખ કર્યો છે.
• [ ] મેં મૂળ સ્ત્રોત સાથે પ્રકાશન વર્ષ અને ISBN શબ્દશઃ ચકાસ્યું છે.
• [ ] મેં નિયંત્રિત શબ્દભંડોળમાંથી વિષયના શબ્દોને મેપ કર્યા છે.
• [ ] મેં માન્ય રેકોર્ડ સાથે સત્તાના સ્વરૂપોની પુષ્ટિ કરી છે.