കാറ്റലോഗിംഗിലും മെറ്റാഡാറ്റ ജനറേഷനിലും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്

നേട്ടങ്ങൾ:

• യഥാർത്ഥ മുദ്ര വിവരങ്ങളിൽ നിന്ന് MARC, Dublin Core പോലുള്ള മാനദണ്ഡങ്ങൾക്കനുസൃതമായി ഡ്രാഫ്റ്റ് മെറ്റാഡാറ്റ നിർമ്മിച്ച് കാറ്റലോഗിംഗ് സമയം കുറയ്ക്കാനുള്ള കഴിവ്
• പ്രസിദ്ധീകരണ വർഷം, ISBN, രചയിതാവിൻ്റെ പേര്, നിയന്ത്രിത പദാവലിയിൽ നിന്നുള്ള യഥാർത്ഥ ഉറവിടം, മാപ്പ് വിഷയ പദങ്ങൾ എന്നിവ പോലുള്ള ഫാബ്രിക്കേഷൻ സാധ്യത കൂടുതലുള്ള ഫീൽഡുകൾ പരിശോധിക്കാനുള്ള കഴിവ്
• അധികാര നിയന്ത്രണത്തോടൊപ്പം രചയിതാവിൻ്റെയും വിഷയത്തിൻ്റെയും ഫോർമാറ്റുകൾ ഒറ്റ അംഗീകൃതമാക്കാനും കാറ്റലോഗ് സ്ഥിരത നിലനിർത്താനുമുള്ള കഴിവ്

ലൈബ്രേറിയൻഷിപ്പിൻ്റെ അദൃശ്യവും എന്നാൽ ഏറ്റവും അടിസ്ഥാനപരവുമായ ജോലിയാണ് കാറ്റലോഗിംഗ്. ഒരു റിസോഴ്സ് കണ്ടെത്തൽ (പുസ്തകം, ലേഖനം, മാപ്പ്, ശബ്ദ റെക്കോർഡിംഗ്, ഡിജിറ്റൽ ഫയൽ) ശരിയായ മെറ്റാഡാറ്റ ഉപയോഗിച്ച് സാധ്യമാണ്. മെറ്റാഡാറ്റ എന്നാൽ "ഡാറ്റയെക്കുറിച്ചുള്ള ഡാറ്റ" എന്നാണ് അർത്ഥമാക്കുന്നത്: ഒരു റിസോഴ്സിൻ്റെ ശീർഷകം, രചയിതാവ്, പ്രസിദ്ധീകരണ വർഷം, വിഷയം, ഭാഷ, ഭൗതിക ഗുണങ്ങൾ എന്നിവ വിവരിക്കുന്ന ഘടനാപരമായ വിവരങ്ങൾ. മെറ്റാഡാറ്റ നല്ലതാണെങ്കിൽ, ഉപയോക്താവ് ഉറവിടം കണ്ടെത്തുന്നു; അത് മോശമോ അപൂർണ്ണമോ ആണെങ്കിൽ, വിഭവം നിലവിലുണ്ടെങ്കിൽ പോലും നഷ്ടപ്പെടും. ഡ്രാഫ്റ്റ് മെറ്റാഡാറ്റ ജനറേഷനിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ഈ യൂണിറ്റിൽ നിങ്ങൾ പഠിക്കും, എന്നാൽ മാനദണ്ഡങ്ങൾ പാലിക്കുന്നതും കൃത്യതയും എങ്ങനെ ഉറപ്പാക്കാമെന്ന്.

ആദ്യം നമുക്ക് രണ്ട് ആശയങ്ങൾ നിർവചിക്കാം. MARC (മെഷീൻ-റീഡബിൾ കാറ്റലോഗിംഗ്) എന്നത് ലൈബ്രറികൾ പതിറ്റാണ്ടുകളായി ഉപയോഗിക്കുന്ന ഒരു റെക്കോർഡ് ഫോർമാറ്റാണ്, അത് ഓരോ വിവരങ്ങളും അക്കമിട്ട ഫീൽഡുകളിൽ സ്ഥാപിക്കുന്നു; ഉദാഹരണത്തിന്, ഫീൽഡ് 245 ശീർഷകവും ഫീൽഡ് 100 പ്രധാന രചയിതാവും ഉൾക്കൊള്ളുന്നു. 15 അടിസ്ഥാന ഫീൽഡുകൾ (ശീർഷകം, സ്രഷ്ടാവ്, വിഷയം, തീയതി, തരം മുതലായവ) അടങ്ങുന്ന ഡിജിറ്റൽ ഉറവിടങ്ങൾക്കായുള്ള ലളിതമായ മെറ്റാഡാറ്റ സ്റ്റാൻഡേർഡാണ് ഡബ്ലിൻ കോർ. വ്യത്യസ്ത ലൈബ്രറികളിൽ നിന്നുള്ള റെക്കോർഡുകൾക്ക് പരസ്പരം സംസാരിക്കാൻ കഴിയുമെന്ന് ഈ മാനദണ്ഡങ്ങൾ ഉറപ്പാക്കുന്നു.

ഘട്ടം ഘട്ടമായി: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് ഡ്രാഫ്റ്റ് മെറ്റാഡാറ്റ സൃഷ്ടിക്കുന്നു

1. ഉറവിടത്തിൻ്റെ ഐഡൻ്റിറ്റി വിവരങ്ങൾ ശേഖരിക്കുക. പുസ്തകത്തിൻ്റെ പുറംചട്ട, ശീർഷക പേജ്, ഉള്ളടക്കം അല്ലെങ്കിൽ ഒരു ഡിജിറ്റൽ ഫയലിൻ്റെ വാചകം. നിങ്ങൾ നൽകുന്ന വിവരങ്ങളിൽ നിന്ന് മാത്രമേ AI പ്രവർത്തിക്കൂ; നിങ്ങൾ അപൂർണ്ണമായ വിവരങ്ങൾ നൽകുകയാണെങ്കിൽ, അത് അപൂർണ്ണമായ അല്ലെങ്കിൽ കെട്ടിച്ചമച്ച മെറ്റാഡാറ്റ ഉണ്ടാക്കുന്നു.

2. ടാർഗെറ്റ് സ്റ്റാൻഡേർഡ് വ്യക്തമാക്കുക. AI-ക്ക് "ഡബ്ലിൻ കോർ ഫീൽഡുകൾ വഴി" അല്ലെങ്കിൽ "MARC 245, 100, 260, 650 ഫീൽഡുകൾ വഴി" പോലുള്ള വ്യക്തമായ ലക്ഷ്യം നൽകുക. നിങ്ങൾ ഒരു സ്റ്റാൻഡേർഡ് വ്യക്തമാക്കിയിട്ടില്ലെങ്കിൽ, അത് ഒരു അനിയന്ത്രിതമായ ഫോർമാറ്റ് നിർമ്മിക്കുന്നു.

3. ഡ്രാഫ്റ്റ് നിർമ്മിക്കുക. നിങ്ങൾ നൽകുന്ന വിവരങ്ങളിൽ നിന്ന് തലക്കെട്ട്, ഉത്തരവാദിത്ത പ്രസ്താവന, പ്രസിദ്ധീകരണ വിവരങ്ങൾ, വിഷയ നിർദ്ദേശം എന്നിവ AI ഡ്രാഫ്റ്റ് ചെയ്യുന്നു.

4. അധികാര നിയന്ത്രണം പ്രയോഗിക്കുക. ഒരു രചയിതാവിൻ്റെ പേര്, സ്ഥാപനം അല്ലെങ്കിൽ വിഷയം (ഉദാ: "അറ്റാറ്റുർക്ക്, മുസ്തഫ കെമാൽ, 1881-1938") എന്നതിൻ്റെ ഏക, സ്റ്റാൻഡേർഡ് ഫോം സ്ഥാപിക്കുന്ന ഒന്നാണ് ആധികാരിക റെക്കോർഡ്. AI-ക്ക് വ്യത്യസ്ത രീതികളിൽ ഒരു പേര് എഴുതാൻ കഴിയും; നിങ്ങൾ അംഗീകൃത അതോറിറ്റി ഫോർമാറ്റ് പരിശോധിച്ച് ശരിയാക്കുക.

5. പരിശോധിച്ച് സ്ഥിരീകരിക്കുക. ഓരോ ഫീൽഡും യഥാർത്ഥ ഉറവിടവുമായി താരതമ്യം ചെയ്യുക. പ്രത്യേകിച്ചും, പ്രസിദ്ധീകരണ വർഷം, ISBN, രചയിതാവിൻ്റെ പേര് എന്നിവ പോലുള്ള കൃത്യമായ വിവരങ്ങൾ AI വ്യാജമായി നിർമ്മിക്കപ്പെടാൻ വളരെ സാധ്യതയുണ്ട്.

സൂചന: ഉറവിടത്തിൻ്റെ യഥാർത്ഥ ക്രെഡിറ്റ് പേജിൻ്റെ ഫോട്ടോയോ വാചകമോ AI-ക്ക് നൽകുക; "പുസ്തകത്തിൻ്റെ പേര് ഊഹിക്കുക" എന്ന് പറയരുത്. പ്രവചനാത്മക മെറ്റാഡാറ്റ കാറ്റലോഗിൻ്റെ വിശ്വാസ്യതയെ ദുർബലപ്പെടുത്തുന്നു. പ്രവചനങ്ങൾ നടത്തുമ്പോൾ AI ആത്മവിശ്വാസത്തോടെ എഴുതുന്നു, ഇത് നിങ്ങളെ തെറ്റിദ്ധരിപ്പിക്കും.

നിയന്ത്രിത പദാവലിയും സ്ഥിരതയും

കാറ്റലോഗിംഗിലെ എല്ലാം സ്ഥിരതയാണ്. ഒരേ വിഷയം രണ്ട് വ്യത്യസ്ത രേഖകളിൽ രണ്ട് വ്യത്യസ്ത പദങ്ങൾ ഉപയോഗിച്ച് എഴുതിയാൽ, ഉപയോക്താവ് ഒന്ന് കണ്ടെത്തുകയും മറ്റൊന്ന് നഷ്ടപ്പെടുകയും ചെയ്യും. അതുകൊണ്ടാണ് ലൈബ്രറികൾ നിയന്ത്രിത പദാവലി ഉപയോഗിക്കുന്നത് - ഒരു അംഗീകൃത, സ്റ്റാൻഡേർഡ് പദങ്ങളുടെ ലിസ്റ്റ്. സ്വതന്ത്ര ടെക്‌സ്‌റ്റിൽ നിന്ന് നിബന്ധനകൾ നിർദ്ദേശിക്കുമ്പോൾ, ഈ ലിസ്റ്റിലെ ഔദ്യോഗിക പദത്തേക്കാൾ AI-ക്ക് അതിൻ്റെ സംഭാഷണ തത്തുല്യമായത് തിരഞ്ഞെടുക്കാനാകും. ഉദാഹരണത്തിന്, AI "ഹൃദയാഘാതം" എന്ന് എഴുതിയേക്കാം; അതേസമയം, അംഗീകൃത പദം "മയോകാർഡിയൽ ഇൻഫ്രാക്ഷൻ" ആയിരിക്കാം.

AI-ക്ക് നിയന്ത്രിത പദാവലി നൽകുകയും "ഈ ലിസ്റ്റിൽ നിന്ന് തിരഞ്ഞെടുക്കുക" എന്ന് പറയുകയും ചെയ്യുക എന്നതാണ് പരിഹാരം. അതിനാൽ സ്വതന്ത്രമായി നിബന്ധനകൾ ഉണ്ടാക്കുന്നതിനുപകരം, അംഗീകൃത ലിസ്റ്റിൽ നിന്ന് ഏറ്റവും അനുയോജ്യമായ ഒന്നുമായി AI പൊരുത്തപ്പെടുന്നു.

മുന്നറിയിപ്പ്: AI നിർദ്ദേശിച്ച ഒരു വിഷയ പദം നിയന്ത്രിത പദാവലിയിൽ ഇല്ലെങ്കിൽ, ആ പദം കാറ്റലോഗിൽ ചേർക്കരുത്. പുതിയ നിബന്ധനകൾ ചേർക്കാനുള്ള തീരുമാനം അതോറിറ്റി മാനേജ്മെൻ്റിൻ്റെ ഉത്തരവാദിത്തമുള്ള വിദഗ്ദ്ധനാണ്; അനിയന്ത്രിതമായ പദങ്ങൾ ചേർക്കുന്നത് കാറ്റലോഗിൻ്റെ സ്ഥിരതയെ തടസ്സപ്പെടുത്തുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - സംഭാവന ശേഖരണം ത്വരിതപ്പെടുത്തി. ഒരു പബ്ലിക് ലൈബ്രറിക്ക് 1200 പുസ്തകങ്ങൾ സംഭാവനയായി ലഭിച്ചു. കാറ്റലോഗിംഗ് സ്പെഷ്യലിസ്റ്റ് AI ഓരോ പുസ്തകത്തിൻ്റെയും പ്രിൻ്റ് പേജ് വായിക്കുകയും ഡബ്ലിൻ കോറിൻ്റെ ഒരു ഡ്രാഫ്റ്റ് തയ്യാറാക്കുകയും ചെയ്തു; ഓരോ റെക്കോർഡിംഗിലും സമയം 9 മിനിറ്റിൽ നിന്ന് 3.5 മിനിറ്റായി കുറഞ്ഞു. വിദഗ്ദ്ധൻ ശേഷിക്കുന്ന സമയം അധികാര പരിശോധനയ്ക്കും സ്ഥിരീകരണത്തിനുമായി നീക്കിവച്ചു; മൊത്തം സമയം ഏകദേശം 55% കുറച്ചെങ്കിലും പരിശോധിച്ചുറപ്പിക്കാതെ ഒരു രേഖകളും സിസ്റ്റത്തിൽ പ്രവേശിച്ചില്ല.

കേസ് 2 - വ്യാജ ISBN പിടികൂടി. ഒരു വിദഗ്‌ധൻ്റെ പക്കൽ 30 പുസ്‌തകങ്ങളുടെ ഡ്രാഫ്റ്റുകൾ AI തയ്യാറാക്കി. പരിശോധനയിൽ, 4 രേഖകളിലെ ISBN വ്യാജമാണെന്ന് അദ്ദേഹം കണ്ടെത്തി: പുസ്തകത്തിൻ്റെ യഥാർത്ഥ നമ്പർ അറിയില്ലെങ്കിലും, യുക്തിസഹമെന്ന് തോന്നുന്ന 13 അക്ക നമ്പർ AI എഴുതിയിരുന്നു. സ്ഥിരീകരണ ഘട്ടം നാല് തെറ്റായ ISBN-കളെ കാറ്റലോഗിൽ സ്ഥിരത കൈവരിക്കുന്നതിൽ നിന്ന് തടഞ്ഞു.

കേസ് 3 - അധികാര പൊരുത്തക്കേട് തിരുത്തി. ഒരു ലൈബ്രറി ചില രേഖകളിൽ "ജെ. സ്മിത്ത്", മറ്റുള്ളവയിൽ "ജോൺ സ്മിത്ത്", മറ്റുള്ളവയിൽ "സ്മിത്ത്, ജോൺ" എന്നിങ്ങനെ ഒരു എഴുത്തുകാരനെ കണ്ടെത്തി. എല്ലാ റെക്കോർഡുകളും ഒരൊറ്റ അംഗീകൃത ഫോർമാറ്റിലേക്ക് കൊണ്ടുവന്ന് അധികാര ഫയലുമായി AI പൊരുത്തപ്പെടുത്തി ("സ്മിത്ത്, ജോൺ, 1965-"); ഈ ജോലി സ്വമേധയാ ചെയ്താൽ, ഇതിന് ദിവസങ്ങളെടുക്കും, എന്നാൽ AI നിർദ്ദേശത്തോടെ, ഇത് കുറച്ച് മണിക്കൂറുകളായി ചുരുക്കി, എന്നാൽ ഓരോ മത്സരവും വിദഗ്ധൻ അംഗീകരിച്ചു.

മുൻകാല പരിവർത്തനവും പഴയ രേഖകളും

പല ലൈബ്രറികളിലും അപൂർണ്ണമോ കാലഹരണപ്പെട്ടതോ ആയ രേഖകളുണ്ട്, അവ വ്യത്യസ്ത നിയമങ്ങളോടെ വർഷങ്ങൾക്ക് മുമ്പ് നൽകിയിട്ടുണ്ട്. ഇവയെ നിലവിലെ നിലവാരത്തിലേക്ക് മാറ്റുന്നതിനെ റിട്രോസ്‌പെക്റ്റീവ് കൺവേർഷൻ എന്ന് വിളിക്കുന്നു, ഇത് സ്വമേധയാ ചെയ്യുമ്പോൾ അത് വളരെ ശ്രമകരമാണ്. AI-ക്ക് ഒരു പഴയ റെക്കോർഡ് വായിക്കാനും അത് നിലവിലെ ഫീൽഡ് ഘടനയിലേക്ക് നീക്കാൻ ഒരു ഡ്രാഫ്റ്റ് സൃഷ്ടിക്കാനും കഴിയും: ഉദാഹരണത്തിന്, ഇതിന് ഒരു ഫ്രീ-ടെക്‌സ്റ്റ് അവലംബം പാഴ്‌സ് ചെയ്യാനും ശരിയായ ഫീൽഡുകളിലേക്ക് അത് വിതരണം ചെയ്യാനും കഴിയും. എന്നിരുന്നാലും, ഇവിടെ രണ്ട് അപകടങ്ങളുണ്ട്. ആദ്യം, നഷ്‌ടമായ വിവരങ്ങൾ "മേക്കപ്പ്" ചെയ്യാൻ AI-ന് കഴിയും; രണ്ടാമതായി, പഴയ റെക്കോർഡിലെ ഒരു പിശക് തിരുത്തുന്നതിന് പകരം ഒരു പുതിയ ഫോർമാറ്റിലേക്ക് പകർത്തി അത് ശാശ്വതമാക്കിയേക്കാം. അതിനാൽ, മുൻകാല പരിവർത്തനത്തിൽ, AI യുടെ ഔട്ട്പുട്ട് വ്യവസ്ഥാപിതമായി പരിശോധിക്കണം, സാമ്പിൾ വഴിയല്ല, മറിച്ച് നിർണായക ഫീൽഡുകൾ (രചയിതാവ്, വർഷം, തിരിച്ചറിയൽ സംഖ്യകൾ) വഴിയാണ്. പരിവർത്തനത്തിന് മുമ്പും ശേഷവും ഉള്ള റെക്കോർഡുകൾ വശങ്ങളിലായി പ്രദർശിപ്പിക്കുക, ഓരോ മാറ്റവും ദൃശ്യമാക്കുന്നതാണ് നല്ല രീതി. അതിനാൽ വിദഗ്ധന് ഒറ്റനോട്ടത്തിൽ എന്താണ് നീക്കിയത്, എന്താണ് മാറിയത്, എന്തൊക്കെ കെട്ടിച്ചമച്ചത് എന്നിവ കാണാൻ കഴിയും.

ശ്രദ്ധിക്കുക: AI നിർമ്മിച്ച ഡ്രാഫ്റ്റ് മെറ്റാഡാറ്റ ഓരോന്നായി അവലോകനം ചെയ്യാതെ ഒരു ബാച്ചായി സിസ്റ്റത്തിലേക്ക് മാറ്റരുത്. ഒരു കൂട്ട പിശക് നൂറുകണക്കിന് റെക്കോർഡുകളെ ഒരേസമയം കേടാക്കുന്നു, വീണ്ടെടുക്കുന്നത് നിർമ്മിക്കുന്നതിനേക്കാൾ വളരെ പ്രശ്‌നകരമാണ്. ചെറിയ ബാച്ചുകളിൽ ഉൽപ്പാദിപ്പിക്കുന്നതും പരിശോധിക്കുന്നതും സുരക്ഷിതമാണ്.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) ഡബ്ലിൻ കോർ ഔട്ട്ലൈൻ:

നിങ്ങളുടെ റോൾ: അസിസ്റ്റൻ്റ് കാറ്റലോഗർ. ഇനിപ്പറയുന്ന ബൈലൈൻ വാചകത്തിൽ നിന്ന് ഡബ്ലിൻ കോർ ഫീൽഡുകൾ പൂരിപ്പിക്കുക: ശീർഷകം, സ്രഷ്ടാവ്, വിഷയം, വിവരണം, പ്രസാധകൻ, തീയതി, തരം, ഫോർമാറ്റ്, ഭാഷ. വാചകത്തിൽ വ്യക്തമായ വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക; വിട്ടുപോയ ഫീൽഡ് "[വിവരങ്ങളൊന്നുമില്ല]" ഉപേക്ഷിക്കുക, ഊഹിക്കരുത്. വാചകം അച്ചടിക്കുക: [ഇവിടെ]

2) MARC ഫീൽഡ് ഔട്ട്‌ലൈൻ:

ചുവടെയുള്ള പുസ്തക വിവരങ്ങളിൽ നിന്ന് ഇനിപ്പറയുന്ന MARC ഫീൽഡുകൾക്കായി ഔട്ട്ലൈനുകൾ നിർദ്ദേശിക്കുക: 245 (ശീർഷകം/ക്രെഡിറ്റ്), 100 (പ്രധാന രചയിതാവ്), 260/264 (പ്രസിദ്ധീകരണം), 300 (ശാരീരിക വിവരണം), 650 (വിഷയം). നിങ്ങൾക്ക് ഉറപ്പില്ലാത്ത ഏതെങ്കിലും ഫീൽഡ് "[പരിശോധന ആവശ്യമാണ്]" എന്ന് അടയാളപ്പെടുത്തുക. വിവരങ്ങൾ: [ഇവിടെ]

3) നിയന്ത്രിത പദാവലിയിൽ നിന്നുള്ള വിഷയം പൊരുത്തപ്പെടുത്തൽ:

ഉറവിടത്തിൻ്റെ സംഗ്രഹവും അംഗീകൃത വിഷയ നിബന്ധനകളുടെ ലിസ്റ്റും ചുവടെയുണ്ട്. ലിസ്റ്റിൽ നിന്ന് ഉറവിടത്തിലേക്ക് ഏറ്റവും അനുയോജ്യമായ 3-5 നിബന്ധനകൾ മാത്രം പൊരുത്തപ്പെടുത്തുക. ലിസ്റ്റിൽ അനുയോജ്യമായ പദമില്ലെങ്കിൽ, "ലിസ്റ്റിൽ അനുയോജ്യമായ പദമില്ല" എന്ന് എഴുതുക, പുതിയ നിബന്ധനകൾ ഉണ്ടാക്കരുത്. സംഗ്രഹം: [ഇവിടെ] / ടേം ലിസ്റ്റ്: [ഇവിടെ]

4) അതോറിറ്റി ഫോം നിയന്ത്രണം:

ഞാൻ നൽകിയ അധികാര ലിസ്റ്റിലെ അംഗീകൃത ഫോമുകളുമായി ചുവടെയുള്ള രചയിതാവിൻ്റെ പേരുകൾ പൊരുത്തപ്പെടുത്തുക. ഓരോ പേരിനും: ഫോർമാറ്റ് റെക്കോർഡ് -> അംഗീകൃത ഫോർമാറ്റിൽ. ലിസ്റ്റിൽ തത്തുല്യമായത് ഇല്ലെങ്കിൽ, "അതോറിറ്റി റെക്കോർഡ് ഇല്ല" എന്ന് എഴുതുക. പേരുകൾ: [ഇവിടെ] / അതോറിറ്റി ലിസ്റ്റ്: [ഇവിടെ]

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഇനിപ്പറയുന്ന പുസ്തകത്തിനായുള്ള കാറ്റലോഗിംഗ് വിവരങ്ങൾ എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യുക: "ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസും സൊസൈറ്റിയും".

തലക്കെട്ട് മാത്രമാണ് നൽകിയിരിക്കുന്നത്; രചയിതാവ്, വർഷം, പ്രസാധകൻ, ISBN എന്നിവ നിർമ്മിക്കാൻ AI നിർബന്ധിതരാകുന്നു. ലക്ഷ്യ നിലവാരം ഇല്ല. ഫലം: ബോധ്യപ്പെടുത്തുന്നതും എന്നാൽ തെറ്റായതുമായ റെക്കോർഡ്.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: അസിസ്റ്റൻ്റ് കാറ്റലോഗർ. പുസ്തകത്തിൻ്റെ മുദ്ര പേജിൻ്റെ പൂർണരൂപം ചുവടെ. ഇതിൽ നിന്ന് ഡബ്ലിൻ കോർ ഫീൽഡുകൾ പൂരിപ്പിക്കുക. വാചകത്തിൽ വ്യക്തമായി പറഞ്ഞിരിക്കുന്ന വിവരങ്ങൾ മാത്രം ഉപയോഗിക്കുക; നോൺ-ടെക്‌സ്‌റ്റ് ഫീൽഡ് ശൂന്യമായി വിട്ട് "[വിവരങ്ങളൊന്നുമില്ല]" എന്ന് എഴുതുക. തീയതികളോ പേരുകളോ ISBN-കളോ ഉണ്ടാക്കിയിട്ടില്ല. വാചകം അച്ചടിക്കുക: [പൂർണ്ണമായ വാചകം ഇവിടെ]

ശക്തമായ പ്രോംപ്റ്റ് AI-യെ യഥാർത്ഥ ബൈലൈൻ വിവരങ്ങളിലേക്ക് പരിമിതപ്പെടുത്തുകയും അവ സൃഷ്ടിക്കുന്നതിനുപകരം സത്യസന്ധമായി ശൂന്യമാക്കാൻ പ്രേരിപ്പിക്കുകയും ചെയ്യുന്നു.

മെറ്റാഡാറ്റ ഫീൽഡും മൂല്യനിർണ്ണയ പട്ടികയും

പ്രദേശം

കെട്ടിച്ചമച്ചതിൻ്റെ അപകടം

എങ്ങനെ പരിശോധിക്കാം

തലക്കെട്ട്

താഴ്ന്ന

പ്രിൻ്റ് പേജുമായി താരതമ്യം ചെയ്യുക

രചയിതാവ്/അതോറിറ്റി ഫോർമാറ്റ്

ഇടത്തരം

അധികാര ഫയലിൽ തിരയുക

പ്രസിദ്ധീകരിച്ച വർഷം

ഉയർന്നത്

ഇംപ്രിൻ്റ്/കൊളോഫോൺ ഉപയോഗിച്ച് സ്ഥിരീകരിക്കുക

ഐ.എസ്.ബി.എൻ

വളരെ ഉയർന്നത്

ബാർകോഡ്/ഉറവിടം ഉപയോഗിച്ച് വൺ-ടു-വൺ നിയന്ത്രണം

വിഷയ കാലാവധി

ഉയർന്നത്

നിയന്ത്രിത പദാവലിയിൽ പൊരുത്തപ്പെടുത്തുക

സാധാരണ തെറ്റുകൾ

• ശീർഷകത്തിൽ നിന്ന് മെറ്റാഡാറ്റ അഭ്യർത്ഥിക്കുന്നു. അപൂർണ്ണമായ വിവരങ്ങൾ കാര്യങ്ങൾ ഉണ്ടാക്കാൻ AI-യെ പ്രേരിപ്പിക്കുന്നു.
• ലക്ഷ്യ നിലവാരം വ്യക്തമാക്കുന്നില്ല. അനിയന്ത്രിതമായ ഫോർമാറ്റിംഗ് റെക്കോർഡുകളുടെ യോജിപ്പിനെ തടസ്സപ്പെടുത്തുന്നു.
• ISBN-നെയും വർഷത്തേയും സ്ഥിരീകരിക്കാതെ സ്വീകരിക്കുന്നു. ഈ പ്രദേശങ്ങൾ ഫാബ്രിക്കേഷൻ്റെ ഏറ്റവും ഉയർന്ന അപകടസാധ്യത വഹിക്കുന്നു.
• നിയന്ത്രിത പദാവലിക്ക് പുറത്ത് നിന്ന് വിഷയ പദം എടുക്കൽ. സ്ഥിരതയും ലഭ്യതയും വിട്ടുവീഴ്ച ചെയ്യപ്പെടുന്നു.
• അധികാര നിയന്ത്രണം മറികടക്കുന്നു. ഒരേ രചയിതാവ് വ്യത്യസ്ത ഫോർമാറ്റുകളിൽ ചിതറിക്കിടക്കുന്നു, ഉപയോക്താവിന് ഉറവിടം നഷ്ടമാകും.

ചുരുക്കത്തിൽ

മെറ്റാഡാറ്റ ജനറേഷനിൽ, പ്രിൻ്റ് വിവരങ്ങൾ വേഗത്തിൽ എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യുകയും കാറ്റലോഗിംഗ് സമയം ഗണ്യമായി കുറയ്ക്കുകയും ചെയ്യുന്ന ശക്തമായ ഒരു സഹായിയാണ് AI. എന്നാൽ ഉൽപ്പാദനക്ഷമതയുടെ വില ഫാബ്രിക്കേഷൻ്റെ അപകടസാധ്യതകൾക്കെതിരെയുള്ള കർശനമായ സാധൂകരണമാണ്: ടാർഗെറ്റ് സ്റ്റാൻഡേർഡ് (MARC, ഡബ്ലിൻ കോർ) വ്യക്തമാക്കുക, യഥാർത്ഥ ബൈവേഡ് അറിവ് ഉപയോഗിച്ച് മാത്രം AI പ്രവർത്തിപ്പിക്കുക, നിയന്ത്രിത പദാവലികളിൽ നിന്നുള്ള വിഷയ നിബന്ധനകൾ മാപ്പ് ചെയ്യുക, അധികാര ഫോമുകൾ സാധൂകരിക്കുക. വിടവുകൾ നികത്തുന്നതിനുപകരം, AI അത് സത്യസന്ധമായി ശൂന്യമാക്കണം; അന്തിമ അംഗീകാരം നിങ്ങൾ സൂക്ഷിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

"ഡബ്ലിൻ കോർ ഡ്രാഫ്റ്റ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് നിങ്ങളുടെ കൈവശമുള്ള ഒരു യഥാർത്ഥ പുസ്തകത്തിൻ്റെ പ്രിൻ്റ് പേജിൻ്റെ വാചകം AI-ക്ക് നൽകി ഒരു ഡ്രാഫ്റ്റ് നേടുക. എന്നിട്ട് അതേ പുസ്‌തകം ശീർഷകം ("ദുർബലമായ പ്രോംപ്റ്റ്") ഉപയോഗിച്ച് നിർമ്മിക്കുകയും രണ്ട് ഔട്ട്‌പുട്ടുകളും താരതമ്യം ചെയ്യുകയും ചെയ്യുക: ഏത് ഫീൽഡുകളാണ് കെട്ടിച്ചമച്ചത്? തുടർന്ന്, "നിയന്ത്രിത പദാവലിയിൽ നിന്നുള്ള വിഷയ മാപ്പിംഗ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച്, വിഷയം പൊരുത്തപ്പെടുത്തുന്നതിന് അംഗീകൃത പദങ്ങളുടെ ഒരു ചെറിയ ലിസ്റ്റ് നൽകുകയും പട്ടികയിൽ നിന്ന് AI പോകുന്നുണ്ടോയെന്ന് പരിശോധിക്കുകയും ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [] ഞാൻ ഉറവിടത്തിൻ്റെ യഥാർത്ഥ ഐഡൻ്റിറ്റി വിവരങ്ങൾ AI-ക്ക് നൽകി, അത് ഊഹിക്കാൻ ഞാൻ വിട്ടിട്ടില്ല.
• [ ] ഞാൻ ടാർഗെറ്റ് മെറ്റാഡാറ്റ സ്റ്റാൻഡേർഡ് (MARC/Dublin Core) വ്യക്തമായി വ്യക്തമാക്കിയിട്ടുണ്ട്.
• [ ] ഞാൻ പ്രസിദ്ധീകരണ വർഷവും ISBN പദാനുപദവും യഥാർത്ഥ ഉറവിടവുമായി പരിശോധിച്ചു.
• [ ] നിയന്ത്രിത പദാവലിയിൽ നിന്ന് ഞാൻ വിഷയ നിബന്ധനകൾ മാപ്പ് ചെയ്തു.
• [ ] അംഗീകൃത റെക്കോർഡ് ഉപയോഗിച്ച് ഞാൻ അധികാരത്തിൻ്റെ രൂപങ്ങൾ സ്ഥിരീകരിച്ചു.