Keuntungan:
- Kemampuan untuk mempersingkat waktu pembuatan katalog dengan menghasilkan rancangan metadata sesuai dengan standar seperti MARC dan Dublin Core dari informasi cetakan nyata
- Kemampuan untuk memverifikasi bidang dengan risiko fabrikasi yang tinggi, seperti tahun penerbitan, ISBN, nama penulis, dengan sumber asli dan memetakan istilah subjek dari kosakata yang dikontrol
- Kemampuan untuk membuat format penulis dan subjek disetujui tunggal dengan kontrol otoritas dan menjaga konsistensi katalog
Katalogisasi adalah pekerjaan pustakawan yang tidak terlihat namun paling mendasar. Penemuan sumber daya (buku, artikel, peta, rekaman suara, file digital) dimungkinkan dengan metadata yang benar. Metadata berarti “data tentang data”: informasi terstruktur yang menggambarkan judul sumber daya, penulis, tahun publikasi, subjek, bahasa, dan atribut fisik. Jika metadatanya bagus, pengguna akan menemukan sumber dayanya; Jika buruk atau tidak lengkap, sumber daya akan hilang meskipun ada. Dalam unit ini Anda akan mempelajari cara menggunakan kecerdasan buatan dalam pembuatan draf metadata, serta cara memastikan kepatuhan dan keakuratan standar.
Mari kita definisikan dulu kedua konsep tersebut. MARC (Katalog yang Dapat Dibaca Mesin) adalah format catatan yang telah digunakan perpustakaan selama beberapa dekade yang menempatkan setiap informasi dalam bidang bernomor; Misalnya, kolom 245 berisi judul dan kolom 100 berisi penulis utama. Dublin Core adalah standar metadata yang disederhanakan untuk sumber daya digital, yang terdiri dari 15 bidang dasar (judul, pembuat, subjek, tanggal, genre, dll.). Standar-standar ini memastikan bahwa catatan dari perpustakaan yang berbeda dapat berkomunikasi satu sama lain.
Langkah demi langkah: menghasilkan rancangan metadata dengan kecerdasan buatan
1. Kumpulkan informasi identitas sumber. Sampul buku, halaman judul, isi atau teks file digital. AI hanya bekerja berdasarkan informasi yang Anda berikan; Jika Anda memberikan informasi yang tidak lengkap, hal itu akan menghasilkan metadata yang tidak lengkap atau dibuat-buat.
2. Tentukan standar sasaran. Berikan AI target yang jelas, seperti “menurut bidang Dublin Core” atau “menurut bidang MARC 245, 100, 260, 650”. Jika Anda tidak menentukan standar, ini akan menghasilkan format arbitrer.
3. Menghasilkan drafnya. AI menyusun judul, pernyataan tanggung jawab, informasi publikasi, dan proposal topik dari informasi yang Anda berikan.
4. Menjalankan kendali otoritas. Catatan otoritatif adalah catatan yang menetapkan bentuk tunggal dan standar dari nama penulis, institusi, atau subjek (misalnya, "Atatürk, Mustafa Kemal, 1881-1938"). AI dapat menulis nama dengan berbagai cara; Anda memeriksa dan memperbaiki format otoritas yang disetujui.
5. Verifikasi dan konfirmasi. Bandingkan setiap bidang dengan sumber aslinya. Secara khusus, informasi akurat seperti tahun penerbitan, ISBN, dan nama penulis sangat rentan dipalsukan oleh AI.
Petunjuk: Berikan AI foto atau teks dari halaman kredit sumber yang sebenarnya; Jangan katakan "tebak nama bukunya". Metadata prediktif melemahkan keandalan katalog. AI menulis dengan percaya diri saat membuat prediksi, dan ini akan menyesatkan Anda.
Kosakata dan konsistensi yang terkontrol
Konsistensi adalah segalanya dalam pembuatan katalog. Jika topik yang sama ditulis dengan dua istilah berbeda dalam dua catatan berbeda, pengguna akan menemukan satu dan melewatkan yang lain. Itu sebabnya perpustakaan menggunakan kosakata yang terkontrol — daftar istilah standar yang disetujui. Saat menyarankan istilah dari teks bebas, AI dapat memilih padanan bahasa sehari-harinya daripada istilah resmi dalam daftar ini. Misalnya, AI mungkin menulis “serangan jantung”; sedangkan istilah yang disetujui mungkin adalah "infark miokard".
Solusinya adalah dengan memberikan AI kosakata yang terkontrol dan mengatakan "pilih saja dari daftar ini". Jadi, alih-alih membuat persyaratan secara bebas, AI mencocokkan yang paling sesuai dari daftar yang disetujui.
Perhatian: Jika istilah subjek yang disarankan oleh AI tidak ada dalam kosakata terkontrol, jangan tambahkan istilah tersebut ke katalog. Keputusan untuk menambah ketentuan baru ada di tangan ahli yang bertanggung jawab atas pengelolaan kewenangan; Menambahkan istilah sembarangan akan mengganggu konsistensi katalog.
tiga kasus mini
Kasus 1 — Pengumpulan donasi dipercepat. Sebuah perpustakaan umum menerima sumbangan 1.200 buku. Spesialis katalogisasi meminta AI membaca halaman cetak setiap buku dan membuat draf Dublin Core; Waktu per rekaman berkurang dari 9 menit menjadi 3,5 menit. Pakar mencurahkan sisa waktunya untuk pemeriksaan dan verifikasi otoritas; Total waktu berkurang sekitar 55%, namun tidak ada catatan yang masuk ke sistem tanpa diverifikasi.
Kasus 2 — ISBN palsu tertangkap. Seorang ahli meminta AI menghasilkan draf 30 buku. Saat dilakukan pengecekan, ia menemukan ISBN di 4 catatan tersebut palsu: AI telah menuliskan 13 digit angka yang dirasa masuk akal, padahal ia tidak mengetahui nomor sebenarnya dari buku tersebut. Langkah verifikasi ini mencegah empat ISBN yang salah tetap ada di katalog.
Kasus 3 — Inkonsistensi otoritas dikoreksi. Perpustakaan menemukan penulis sebagai "J. Smith" di beberapa catatan, "John Smith" di catatan lain, "Smith, John" di catatan lain. AI dicocokkan dengan file otoritas, membawa semua catatan ke dalam satu format yang disetujui ("Smith, John, 1965-"); Jika pekerjaan ini dilakukan secara manual, akan memakan waktu berhari-hari, namun dengan saran AI, waktu tersebut dikurangi menjadi beberapa jam, namun setiap pertandingan disetujui oleh ahlinya.
Konversi retrospektif dan catatan lama
Banyak perpustakaan memiliki catatan yang tidak lengkap atau ketinggalan jaman yang dimasukkan bertahun-tahun yang lalu dengan aturan yang berbeda. Memindahkannya ke standar saat ini disebut konversi retrospektif dan sangat melelahkan bila dilakukan secara manual. AI dapat membaca catatan lama dan membuat draf untuk memindahkannya ke struktur bidang saat ini: misalnya, AI dapat mengurai kutipan teks bebas dan mendistribusikannya ke bidang yang benar. Namun, ada dua bahaya di sini. Pertama, AI dapat membuat informasi yang hilang untuk “diperbaiki”; kedua, ini mungkin melanggengkan kesalahan dalam catatan lama dengan menyalinnya ke format baru daripada memperbaikinya. Oleh karena itu, dalam transformasi retrospektif, keluaran AI harus diperiksa secara sistematis, bukan dengan pengambilan sampel, tetapi berdasarkan bidang kritis (penulis, tahun, nomor identifikasi). Praktik yang baik adalah menampilkan catatan sebelum dan sesudah konversi secara berdampingan, membuat setiap perubahan terlihat; sehingga ahli dapat melihat sekilas apa yang dipindahkan, apa yang diubah, dan apa yang mungkin dibuat-buat.
Perhatian: Draf metadata yang dihasilkan oleh AI tidak boleh ditransfer ke sistem sebagai batch tanpa meninjaunya satu per satu. Kesalahan massal akan merusak ratusan catatan sekaligus, dan mengambil kembali jauh lebih merepotkan daripada memproduksi. Paling aman untuk memproduksi dan memverifikasi dalam jumlah kecil.
Empat templat yang dapat disalin
1) Garis besar Inti Dublin:
Peran Anda: asisten pembuat katalog. Isi kolom Dublin Core dari teks byline berikut: Judul, Pencipta, Subjek, Deskripsi, Penerbit, Tanggal, Genre, Format, Bahasa. Gunakan hanya informasi yang jelas dalam teks; Tinggalkan kolom "[tidak ada informasi]" yang hilang, jangan menebak. Teks cetak: [di sini]
2) Garis besar bidang MARC:
Usulkan garis besar bidang MARC berikut dari informasi buku di bawah ini: 245 (judul/kredit), 100 (penulis utama), 260/264 (publikasi),300 (deskripsi fisik), 650 (subjek). Tandai bidang mana pun yang Anda tidak yakin sebagai "[perlu verifikasi]". Informasi: [di sini]
3) Pencocokan topik dari kosakata terkontrol:
Di bawah ini adalah ringkasan sumber dan daftar istilah topik yang disetujui. Cocokkan hanya 3-5 istilah yang paling sesuai dari daftar dengan sumbernya. Jika tidak ada istilah yang cocok dalam daftar, tulis “tidak ada istilah yang cocok dalam daftar”, jangan membuat istilah baru. Ringkasan: [di sini] / Daftar istilah: [di sini]
4) Pengendalian bentuk kewenangan:
Cocokkan nama penulis di bawah ini dengan formulir yang disetujui dalam daftar otoritas yang saya berikan. Untuk setiap nama: format dalam catatan -> format yang disetujui. Jika tidak ada yang setara dalam daftar, tulis "tidak ada catatan otoritas". Nama: [di sini] / Daftar otoritas: [di sini]
Perintah lemah / Perintah kuat
Perintah yang lemah:
Ekstrak informasi katalog untuk buku berikut: "Kecerdasan Buatan dan Masyarakat".
Hanya judul yang diberikan; AI tersebut dipaksa untuk membuat penulis, tahun, penerbit, dan ISBN. Tidak ada standar sasaran. Hasilnya: catatan yang meyakinkan tapi mungkin salah.
Perintah yang kuat:
Peran Anda: asisten pembuat katalog. Di bawah ini adalah teks lengkap halaman cetakan buku tersebut. Isi bidang Dublin Core dari ini. Hanya gunakan informasi yang dinyatakan dengan jelas dalam teks; Biarkan kolom non-teks kosong dan tulis "[tidak ada informasi]". Tidak ada tanggal, nama atau ISBN yang dibuat-buat. Teks cetak: [teks lengkap di sini]
Perintah yang kuat membatasi AI pada informasi asli dan memaksanya untuk mengosongkan bagian yang kosong alih-alih mengarangnya.
Bidang metadata dan tabel validasi
daerah
Risiko fabrikasi
Bagaimana cara memverifikasi
Judul
rendah
Bandingkan dengan halaman cetak
Format penulis/otoritas
sedang
Cari di file otoritas
Tahun penerbitan
tinggi
Konfirmasi dengan print/colophone
ISBN
sangat tinggi
Kontrol satu-ke-satu dengan kode batang/sumber
Istilah subjek
tinggi
Cocokkan dalam kosa kata yang terkontrol
Kesalahan umum
- Hanya meminta metadata dari judul. Informasi yang tidak lengkap mendorong AI untuk memperbaikinya.
- Tidak menentukan standar sasaran. Pemformatan yang sewenang-wenang mengganggu keselarasan rekaman.
- Menerima ISBN dan tahun tanpa memverifikasinya. Area-area ini memiliki risiko fabrikasi tertinggi.
- Mengambil istilah subjek dari luar kosa kata yang dikuasai. Konsistensi dan ketersediaan terganggu.
- Melewati kontrol otoritas. Penulis yang sama menyebar dalam format berbeda, pengguna melewatkan sumbernya.
Singkatnya
Dalam pembuatan metadata, AI adalah asisten canggih yang dengan cepat mengekstrak informasi cetakan dan secara signifikan mempersingkat waktu pembuatan katalog. Namun harga produktivitas adalah validasi yang ketat terhadap risiko fabrikasi: memperjelas standar target (MARC, Dublin Core), menjalankan AI hanya dengan pengetahuan kata-kata nyata, memetakan istilah subjek dari kosakata yang dikontrol, dan memvalidasi formulir otoritas. Alih-alih mengisi kekosongan, AI harus membiarkannya kosong; Anda menyimpan persetujuan akhir.
Tugas aplikasi
Berikan teks halaman cetakan buku asli yang Anda miliki ke AI dengan templat "Draf Dublin Core" dan dapatkan drafnya. Kemudian buatlah buku yang sama diproduksi hanya dengan judul ("Weak prompt") dan bandingkan kedua keluarannya: bidang mana yang dibuat? Kemudian, dengan menggunakan templat "Pemetaan topik dari kosakata terkontrol", berikan daftar singkat istilah yang disetujui agar topiknya cocok dan periksa apakah AI tidak ada dalam daftar.
daftar periksa
- [ ] Saya memberikan informasi identitas asli sumbernya kepada AI, saya tidak membiarkannya menebak-nebak.
- [] Saya telah dengan jelas menentukan standar metadata target (MARC/Dublin Core).
- [ ] Saya telah memverifikasi tahun penerbitan dan ISBN kata demi kata dengan sumber aslinya.
- [ ] Saya memetakan istilah topik dari kosakata terkontrol.
- [ ] Saya telah mengkonfirmasi bentuk kewenangan dengan catatan yang disetujui.