利益:
- コンテンツベースのレコメンデーションアプローチと共同レコメンデーションアプローチを区別し、実際のコレクション内の各レコメンデーションを検証することで偽のソースを防止する機能
- 意識的な多様性によってフィルターバブルを打ち破り、明確な正当性を伴う提案を提示する能力
- ユーザーの閲覧履歴と検索履歴のプライバシーを保護し、このデータを安全に処理します
読者は「この本を読み終えたけど、次は何を読めばいいの?」と尋ねるかもしれません。 」と尋ねると、優れた図書館員は、自分の興味、レベル、目的に適したリソースを推奨します。デジタルの世界では、推奨システムがこれを大規模に実行します。つまり、ユーザーの過去の関心やリソースの特性を調べて、新しいリソースを推奨します。この単元では、人工知能ベースのレコメンデーション システムがどのように機能するか、それが図書館にもたらすもの、プライバシー、偏見、「フィルター バブル」などのリスクを管理する方法について学びます。
概念を定義しましょう。コンテンツベースの推奨では、情報源の特徴 (トピック、著者、ジャンル) を調べ、同様の情報源を推奨します。「この歴史書が気に入ったなら、同じ時代を扱ったこの本も気に入るかもしれません。」協調フィルタリングは、「あなたと同じリソースを気に入った他のユーザーもこれらのリソースを気に入った」という原則に基づいて機能します。フィルター バブルとは、レコメンデーション システムによってユーザーが常に類似したコンテンツに閉じ込められ、新しい異なる視点から遠ざけられることです。優れた図書館の推薦は、関心を集め、バブルを打破します。
ステップバイステップ: 責任あるアドバイスアプローチ
1. 目的を明確にする。この提案は何を目指しているのでしょうか？ユーザーに読み続けてもらいたいですか、視野を広げてもらいたいですか、それとも特定の研究課題に関するリソースを見つけてもらいたいですか?目的によって推奨の種類が決まります。
2. 出典と信頼性を検証します。 AI は提案するときに、存在しない本をでっち上げることができます。提案された各リソースがコレクションまたは信頼できるカタログに実際に存在することを確認します。
3. 多様性を維持します。 「最も類似した」ものだけを推奨すると、フィルターバブルが発生します。さまざまな視点、さまざまな著者、さまざまなレベルを意識的に含めます。図書館の使命は、視野を広げることであり、視野を生態系に限定することではありません。
4. プライバシーを保護します。パーソナライズされたレコメンデーションはユーザーの読書履歴を使用するため、非常に正確です。このデータを一般的な AI ツールに提供しないでください。ユーザーの同意を得た上で、教育機関の安全なシステム内でのみ処理してください。
5. 透明性を保つ。ユーザーに推奨の理由を説明します。「このリソースは、あなたが興味を持っているトピックに関連しているため、推奨されました。」透明性は信頼と情報リテラシーを強化します。
ヒント: 提案のリストに「少し異なる」リソースを意識的に追加し、「これらはあなたの興味のある分野に近いものです。復習としてこれを追加しました。」と述べます。これはフィルターバブルを打ち破り、ライブラリの発見価値を実証します。
提案の倫理的側面
レコメンデーション システムは無害に見えますが、強力な効果を生み出します。ユーザーにどのリソースを推奨するかによって、ユーザーの情報世界が形成されます。システムが人気のある情報源のみ、または特定の観点からのみ強調表示する場合、少数派の意見、異なる見解、およびあまり知られていない貴重な情報源は見えなくなります。 AI は、トレーニング データの人気と偏りを継承することで、この傾向を強化する可能性があります。
ここで図書館員の価値が活かされます。図書館は商業的な推奨エンジンではありません。その使命は、情報への平等かつ多様なアクセスを確保することです。推薦システムをこの価値に合わせるのは図書館員の責任です。
注意: ユーザーの読書履歴と検索履歴は、最も機密性の高いプライバシー データの 1 つです。人が読んだものによって、その人の健康状態、政治的見解、信念、または個人的な危機に関する情報が明らかになることがあります。このデータをその ID とともに外部システムに転送しないでください。匿名化と同意が不可欠です。
ミニケース3個
ケース 1 — コンテンツベースの推奨が機能しました。ある学校図書館では、コンテンツ ベースのシステムを使用して、生徒が読んでいる本に似たリソースを推奨しました。ある学生は SF 小説を書き上げました。システムは、同じテーマを扱っているが著者が異なる 3 冊の本を推奨しました。学生は 2 冊借りました。読書習慣は続いた。図書館員は、すべての提案が実際にコレクションに存在することを以前に確認していました。
ケース 2 — 偽の提案が捕らえられました。ある図書館員が AI に、ユーザーに 8 冊の本を勧めるように依頼しました。彼はカタログのリストを確認しました。8 冊中 3 冊がまったくありませんでした。 AIがもっともらしい見出しをでっち上げたのだ。検証手順により、存在しない書籍がユーザーに推奨されることがなくなりました。
ケース 3 — フィルターバルーンが破裂した。研究者は常に同じ視点を持つ情報源を使って作業しており、システムは常に同様の情報源を提案してくれました。図書館員は、このテーマに対する対照的なアプローチを提示する 2 つの資料を意図的に含めて、このことを明確にしました。研究者が自分の研究の不完全な側面に気づいたのは、これらの相反する情報源のおかげでした。
コールド スタートと新規ユーザーの問題
レコメンダー システムのよく知られた課題は、コールド スタート問題です。システムは、新しいユーザーや、コレクションに追加されたばかりの履歴データのないリソースに何を推奨すべきかわかりません。この場合、多くのシステムは安全なオプションとして最も一般的なリソースを利用します。これは、ほとんど知られていない貴重なリソースはまったく推奨されず、人気が独り歩きすることを意味します。図書館の観点から言えば、これは平等なアクセスの価値と矛盾します。解決策は、コンテンツの特性に基づいて新しく追加されたリソースを推奨し、強調表示する前に、新規ユーザーに短く明確な好みの質問 (どのトピック、どのレベル、どの目的) を尋ねることです。このとき、AIはリソースの主題や特徴を分析することで、一度も借りたことのない本であっても該当するユーザーと結び付けることができます。提案が実際のコレクションからのものであり、検証されている限り。したがって、このシステムは、「非常に愛されているもの」だけでなく、「関連性があり価値のあるもの」も可視化します。
ヒント: 新しいユーザーに対する推奨事項を設定するときは、システムの履歴データではなく、ユーザーの現在のニーズに基づいてください。 1 つの適切な質問 (「これは研究用ですか、楽しみのためですか、どの程度ですか?」) は、多くの場合、数か月にわたる行動データよりも正確な推奨事項を生成します。
コピー可能な 4 つのテンプレート
1) コンテンツベースの類似リソースの推奨:
以下は、ユーザーが気に入ったリソースの件名/概要です。私たちのコレクションにある既存のリソースのリストも示しました。このリストから、主題に類似した 5 つのリソースを提案し、それぞれについて 1 文の理由を書いてください。リストされていないソースを提案します。お気に入りのソース: [こちら] / コレクションリスト: [こちら]
2) 多様性を加える提案:
以下の提案リストに、ユーザーの視野を広げ、別の視点やサブトピックを提供する 2 つのリソースを追加してください (私が提供したコレクション リストのみ)。なぜそれらが異なっていて価値があるのかを説明してください。リスト: [こちら] / コレクション: [こちら]
3) 推奨理由の説明：
以下の各推奨事項について、ユーザーに示すことができる短くて明確な理由を記述します。「このリソースが推奨された理由は...」誇張や個人データの暗示はありません。提案: [ここ]
4) プライバシーの事前チェック:
次の提案エントリには、ユーザーを特定する情報または機密情報 (健康、信念、政治的見解をほのめかす) が含まれていますか?その場合は、それにマークを付けて、匿名化する方法を提案してください。入力: [ここ]
弱いプロンプト / 強いプロンプト
弱いプロンプト:
このユーザーに読むべき本を 10 冊お勧めします。
AI はコレクションを知らずにグローバル メモリから提案を生成します。彼は存在しない本をでっち上げることができ、多様性やプライバシーを尊重しません。
強力なプロンプト:
あなたの役割: 読者相談アシスタント。以下は、ユーザーが気に入ったトピックと、コレクション内の実際のソースのリストです。 (1) リストからトピックに関連する 5 つの情報源を提案します。 (2) 目を見張るような視点の異なる 2 つのソースも追加します。 (3) それぞれの提案について明確な根拠を書きます。リストから外れたり、情報源を捏造したり、個人データをほのめかしたりしないでください。件名: [こちら] / コレクション: [こちら]
強力なプロンプト。実際のコレクションに限定し、多様性を要求し、正当化とプライバシー規則を追加します。
レコメンドタイプ比較表
提案型
強み
リスク
図書館司書の義務
コンテンツベースの
注目をうまく集めます
フィルターバブル
多様性を加える
協力的な
驚きの発見
プライバシー、人気の偏り
匿名性、バランス
AI制作一覧
速い
でっち上げたソース
現実を検証する
よくある間違い
- 検証せずに提案を行う。 AI は存在しない情報源を作り上げることができます。
- 「最も類似したもの」を推奨しているだけです。フィルターバブルはユーザーの視野を狭めます。
- 読書履歴を外部ツールにエクスポートします。これはプライバシーの中で最も機密性の高いデータです。
- 正当な理由なく提案を提示する。透明性は信頼と読み書き能力をサポートします。
- 人気の偏りは無視。貴重だがあまり知られていない資源が失われる。
要約すると
レコメンデーション システムは、ユーザーの興味を捉えて発見を促進する強力なツールです。コンテンツベースのアプローチと共同アプローチには、異なる強みとリスクが伴います。 AI は提案を生成するのが速いですが、存在しない情報源をでっち上げ、バブルをフィルタリングし、バイアスを強化する可能性があります。図書館員の仕事。実際のコレクション内のすべての提案を検証し、意識的な多様性でバブルを打破し、ユーザーのプライバシーを保護し、透明性のある理由を伴う提案を提示することで図書館への平等で多様なアクセスの価値を維持します。
アプリケーションタスク
事実に基づいたコレクションの短いリスト (10 ～ 15 個の情報源) を作成します。 「コンテンツベースの類似リソースの推奨」テンプレートを使用してユーザーに対する推奨を生成し、それらがすべて実際にリストに存在することを確認します。次に、「多様性を追加する提案」テンプレートを使用して、さまざまな視点を持つソースをリストに追加します。最後に、「提案の根拠の説明」テンプレートを使用して各提案のわかりやすい説明を作成し、それをユーザーにどのように提示するかを計画します。
チェックリスト
- [ ] 各提案が実際にコレクションに存在することを確認しました。
- [ ] フィルターバブルを破るために多様性を加えました。
- [ ] ユーザーの閲覧/検索履歴を安全に保管し、外部ツールに提供しませんでした。
- [ ] 私はそれぞれの提案に対して明確な根拠を用意しました。
- [ ] 人気の偏りを避けるために、あまり知られていない貴重な情報源に注目しました。