Nyereség:
- Lehetőség a katalogizálási idő lerövidítésére azáltal, hogy valódi impresszum-információkból vázlatos metaadatokat állítanak elő olyan szabványok szerint, mint a MARC és a Dublin Core
- Képes ellenőrizni azokat a mezőket, amelyeknél magas a gyártás kockázata, mint például a kiadás éve, ISBN, a szerző neve, az eredeti forrás és a térkép tárgykörében az ellenőrzött szókincsből
- Képes a szerzői és tárgyi formátumok egyenként jóváhagyottá tételére hatósági ellenőrzés mellett, és fenntartani a katalógus-konzisztenciát
A katalogizálás a könyvtáros tevékenység láthatatlan, de legalapvetőbb feladata. Egy forrás (könyv, cikk, térkép, hangfelvétel, digitális fájl) felfedezése a megfelelő metaadatokkal lehetséges. A metaadatok jelentése „adatok az adatokról”: strukturált információ, amely leírja az erőforrás címét, szerzőjét, kiadási évét, tárgyát, nyelvét és fizikai jellemzőit. Ha a metaadatok jók, a felhasználó megtalálja az erőforrást; Ha rossz vagy hiányos, az erőforrás akkor is elveszik, ha létezik. Ebben az egységben megtudhatja, hogyan használhatja a mesterséges intelligenciát a metaadat-vázlatok generálásához, de hogyan biztosíthatja a szabványoknak való megfelelést és a pontosságot.
Először határozzuk meg a két fogalmat. A MARC (Machine-Readable Cataloging) egy olyan rekordformátum, amelyet a könyvtárak évtizedek óta használnak, és amely minden információt számozott mezőkbe helyez; Például a 245-ös mező a címet, a 100-as mező pedig a fő szerzőt tartalmazza. A Dublin Core a digitális források egyszerűsített metaadat-szabványa, amely 15 alapvető mezőből áll (cím, alkotó, tárgy, dátum, műfaj stb.). Ezek a szabványok biztosítják, hogy a különböző könyvtárak rekordjai beszélhessenek egymással.
Lépésről lépésre: metaadat-vázlatok létrehozása mesterséges intelligenciával
1. Gyűjtsük össze a forrás azonosító adatait. A könyv borítója, címlapja, tartalma vagy egy digitális fájl szövege. A mesterséges intelligencia csak az Ön által megadott információk alapján működik; Ha hiányos információkat ad meg, az hiányos vagy koholt metaadatokat állít elő.
2. Adja meg a célszabványt. Adjon egyértelmű célt az AI-nak, például „Dublin Core mezők szerint” vagy „MAC 245, 100, 260, 650 mezők szerint”. Ha nem ad meg szabványt, akkor tetszőleges formátumot állít elő.
3. Készítse elő a tervezetet. Az AI az Ön által megadott információk alapján elkészíti a címet, a felelősségi nyilatkozatot, a publikációs információkat és a témajavaslatot.
4. Hatósági ellenőrzés gyakorlása. A mérvadó feljegyzés az, amely megállapítja a szerző nevének, intézményének vagy tárgyának egységes, szabványos formáját (pl. "Atatürk, Mustafa Kemal, 1881-1938"). A mesterséges intelligencia többféleképpen írhat nevet; Ellenőrzi és javítja a jóváhagyott hatósági formátumot.
5. Ellenőrizze és erősítse meg. Hasonlítsa össze az egyes mezőket az eredeti forrással. Különösen az olyan pontos információkat, mint a kiadás éve, az ISBN és a szerző neve nagyon hajlamos a mesterséges intelligencia hamisítására.
Tipp: Adjon az AI-nak egy fényképet vagy szöveget a forrás tényleges hiteloldaláról; Ne mondd, hogy „találd ki a könyv nevét”. A prediktív metaadatok aláássák a katalógus megbízhatóságát. Az AI magabiztosan ír, amikor jóslatokat készít, és ez félrevezeti Önt.
Ellenőrzött szókincs és következetesség
A katalogizálásban minden a következetesség. Ha ugyanazt a témát két különböző kifejezéssel írják le két különböző rekordban, akkor a felhasználó megtalálja az egyiket, a másik pedig hiányzik. Ezért a könyvtárak ellenőrzött szókincset használnak – egy jóváhagyott, szabványos kifejezéslistát. Amikor szabad szövegből javasol kifejezéseket, az AI kiválaszthatja a köznyelvi megfelelőjét a listában szereplő hivatalos kifejezés helyett. Például az AI írhat „szívroham”; mivel a jóváhagyott kifejezés lehet „szívinfarktus”.
A megoldás az, hogy megadjuk az AI-nak a szabályozott szókincset, és azt mondjuk: „Csak válasszon ebből a listából”. Tehát ahelyett, hogy szabadon dolgozna ki feltételeket, az AI a legmegfelelőbbet választja a jóváhagyott listáról.
Vigyázat: Ha az AI által javasolt tárgykifejezés nem szerepel a felügyelt szókincsben, ne adja hozzá azt a kifejezést a katalógushoz. Az új feltételek kiegészítéséről a hatósági irányításért felelős szakértő dönt; Tetszőleges kifejezések hozzáadása megzavarja a katalógus konzisztenciáját.
három mini tok
1. eset – Az adománygyűjtés felgyorsult. Egy nyilvános könyvtár 1200 könyvet kapott adományban. A katalogizálási szakember felkérte a mesterséges intelligenciát, hogy olvassa el minden könyv impresszumoldalát, és készítse el a Dublin Core tervezetét; A felvételenkénti idő 9 percről 3,5 percre csökkent. A szakértő a fennmaradó időt a hatósági ellenőrzésre és igazolásra fordította; A teljes idő körülbelül 55%-kal csökkent, de egyetlen bejegyzés sem került be a rendszerbe ellenőrzés nélkül.
2. eset – Hamis ISBN-t kaptak. Egy szakértő 30 könyvből álló vázlatot készített a mesterséges intelligencia számára. Az ellenőrzés során megállapította, hogy 4 rekord ISBN-je hamis: az AI írt egy 13 jegyű számot, ami ésszerűnek tűnt, annak ellenére, hogy nem tudta a könyv valódi számát. Az ellenőrzési lépés megakadályozta, hogy négy hibás ISBN maradjon a katalógusban.
3. eset – A hatósági ellentmondás javítva. Egy könyvtár néhány feljegyzésben "J. Smith" néven, másokon "John Smith", másokon "Smith, John" néven talált szerzőt. A mesterséges intelligencia a jogosultsági fájlhoz került, így az összes rekord egyetlen jóváhagyott formátumba került ("Smith, John, 1965-"); Ha ezt a munkát kézzel végeznék, napokig tartana, de az AI javaslatával néhány órára csökkentették, de minden mérkőzést jóváhagyott a szakértő.
Retrospektív átalakítás és régi rekordok
Sok könyvtárban vannak hiányos vagy elavult rekordok, amelyeket évekkel ezelőtt, eltérő szabályokkal vittek be. Ezeknek a jelenlegi szabványra való áthelyezését retrospektív konverziónak nevezik, és manuálisan nagyon munkaigényes. Az AI képes olvasni egy régi rekordot, és piszkozatot generál, hogy áthelyezze azt az aktuális mezőstruktúrába: például képes elemezni egy szabad szövegű idézetet, és elosztani a megfelelő mezőkbe. Itt azonban két veszély fenyeget. Először is, a mesterséges intelligencia pótolhatja a hiányzó információkat, hogy „pótolja”; másodszor, megőrizheti a régi rekord hibáját azáltal, hogy új formátumba másolja, ahelyett, hogy javítaná. Ezért a retrospektív transzformáció során az AI kimenetét szisztematikusan kell ellenőrizni, nem mintavétellel, hanem kritikus mezők szerint (szerző, évszám, azonosító számok). Jó gyakorlat, ha az átalakítás előtti és utáni rekordokat egymás mellett jelenítjük meg, minden változtatást láthatóvá téve; így a szakértő egy pillantással láthatja, hogy mit mozdítottak el, mi változott és mit koholhattak.
Figyelem: A mesterséges intelligencia által előállított metaadatok vázlatát nem szabad kötegként átvinni a rendszerbe anélkül, hogy azokat egyenként ellenőrizné. Egy tömeges hiba egyszerre több száz rekordot ront meg, és a visszakeresés sokkal problémásabb, mint az előállítás. A legbiztonságosabb kis tételekben gyártani és ellenőrizni.
Négy másolható sablon
1) A Dublin Core vázlata:
Az Ön szerepe: segédkatalógus. Töltse ki a Dublin Core mezőket a következő sorszövegből: Cím, Alkotó, Tárgy, Leírás, Kiadó, Dátum, Műfaj, Formátum, Nyelv. Csak olyan információt használjon, amely egyértelmű a szövegben; Hagyja a hiányzó mezőt "[nincs információ]", ne találgasson. Impresszum szövege: [itt]
2) MARC mező vázlata:
Javasoljon vázlatokat a következő MARC-mezőkhöz az alábbi könyvinformációkból: 245 (cím/kredit), 100 (fő szerző), 260/264 (kiadvány), 300 (fizikai leírás), 650 (tárgy). Jelölje meg azokat a mezőket, amelyekben nem biztos, hogy „[ellenőrzésre van szüksége]”. Információ: [itt]
3) Témaegyeztetés ellenőrzött szókincsből:
Az alábbiakban a forrás összefoglalása és a jóváhagyott témakifejezések listája található. Csak a 3-5 legmegfelelőbb kifejezést párosítsa a listából a forráshoz. Ha nincs megfelelő kifejezés a listában, írja be, hogy "nincs megfelelő kifejezés a listában", ne alkosson új kifejezéseket. Összegzés: [itt] / Kifejezések listája: [itt]
4) Hatósági űrlap ellenőrzése:
Párosítsa az alábbi szerzők neveit az általam megadott jogosultsági listán szereplő jóváhagyott űrlapokkal. Minden névhez: formátum rekordban -> jóváhagyott formátum. Ha nincs megfelelője a listában, írja be, hogy "nincs jogosultsági rekord". Nevek: [itt] / Hatósági lista: [itt]
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Vegye ki a katalogizálási információkat a következő könyvhöz: "Mesterséges intelligencia és társadalom".
Csak a cím van megadva; Az AI kénytelen meghatározni a szerzőt, az évet, a kiadót és az ISBN-t. Nincs célszabvány. Eredmény: meggyőző, de valószínűleg hamis feljegyzés.
Erőteljes felszólítás:
Az Ön szerepe: segédkatalógus. Az alábbiakban a könyv impresszumoldalának teljes szövege olvasható. Ebből töltse ki a Dublin Core mezőket. Csak olyan információkat használjon, amelyek egyértelműen szerepelnek a szövegben; Hagyja üresen a nem szöveges mezőt, és írja be: „[nincs információ]”. Nincsenek dátumok, nevek vagy ISBN-számok. Impresszum szövege: [teljes szöveg itt]
A hatékony felszólítás a mesterséges intelligencia valós információra korlátozza, és arra kényszeríti, hogy őszintén hagyjon üreseket ahelyett, hogy kitalálná azokat.
Metaadatmező és érvényesítési táblázat
területen
Előállítás veszélye
Hogyan ellenőrizhető
Cím
alacsony
Hasonlítsa össze az impresszum oldalával
Szerző/hatóság formátuma
közepes
Keresés a jogosultsági fájlban
Megjelenés éve
magas
Erősítse meg impresszummal/kolofonnal
ISBN
nagyon magas
Egy-egy vezérlés vonalkóddal/forrással
Tárgy kifejezés
magas
Egyezés az ellenőrzött szókincsben
Gyakori hibák
- Csak metaadatokat kérek a címből. A hiányos információk arra késztetik az AI-t, hogy kitalálja a dolgokat.
- Nem határozza meg a cél szabványt. Az önkényes formázás megzavarja a rekordok harmóniáját.
- Az ISBN és az évszám elfogadása ellenőrzés nélkül. Ezeken a területeken a legnagyobb a gyártás kockázata.
- A tárgykifejezés átvétele a szabályozott szókincsen kívülről. A következetesség és a rendelkezésre állás veszélybe kerül.
- A hatósági ellenőrzés megkerülése. Ugyanaz a szerző különböző formátumokban szóródik, a felhasználó hiányolja a forrást.
Összefoglalva
A metaadatok generálása során az AI hatékony asszisztens, amely gyorsan kinyeri a lenyomatadatokat, és jelentősen lerövidíti a katalogizálási időt. A termelékenység ára azonban szigorú ellenőrzés a gyártás kockázataival szemben: tegye egyértelművé a célszabványt (MARC, Dublin Core), futtassa az AI-t csak valódi szóhasználattal, térképezze fel a tárgyi kifejezéseket ellenőrzött szókészletekből, és érvényesítse a jogosultsági űrlapokat. Ahelyett, hogy pótolná a hiányosságokat, az AI-nak őszintén üresen kell hagynia; Ön megtartja a végső jóváhagyást.
Pályázati feladat
Adja át egy valódi könyv impresszumoldalának szövegét az AI-nak a „Dublin Core draft” sablonnal, és kap egy piszkozatot. Ezután készíttesse el ugyanazt a könyvet, csak a címmel ("Gyenge felszólítás"), és hasonlítsa össze a két kimenetet: melyik mezőket gyártották? Ezután a „Témaleképezés ellenőrzött szókincsből” sablonnal adjon meg egy rövid listát a jóváhagyott kifejezésekről, hogy megtalálja a témát, és ellenőrizze, hogy az AI kikerül-e a listáról.
ellenőrző lista
- [ ] A forrás valódi személyazonosságát megadtam az MI-nek, nem bíztam találgatásra.
- [ ] Egyértelműen megadtam a cél metaadat szabványt (MARC/Dublin Core).
- [ ] A kiadás évét és az ISBN-számot szó szerint igazoltam az eredeti forrással.
- [ ] A témakifejezéseket az ellenőrzött szókincsből térképeztem le.
- [ ] A felhatalmazási formákat a jóváhagyott jegyzőkönyvvel megerősítettem.