Keuntungan:
- Keupayaan untuk membezakan antara pendekatan pengesyoran berasaskan kandungan dan kolaboratif dan mencegah sumber palsu dengan mengesahkan setiap pengesyoran dalam koleksi sebenar
- Keupayaan untuk memecahkan gelembung penapis dengan kepelbagaian sedar dan mengemukakan cadangan dengan justifikasi yang telus
- Melindungi privasi pembacaan dan sejarah carian pengguna serta memproses data ini dengan selamat
Pembaca mungkin bertanya "Saya habiskan buku ini, apakah yang perlu saya baca seterusnya?" ', seorang pustakawan yang baik mengesyorkan sumber yang sesuai dengan minat, tahap dan tujuannya. Dalam dunia digital, sistem pengesyoran melakukan ini secara berskala: mereka mengesyorkan sumber baharu dengan melihat minat masa lalu pengguna atau ciri sumber. Dalam unit ini, anda akan mempelajari cara sistem pengesyoran berasaskan kecerdasan buatan berfungsi, perkara yang dibawa ke perpustakaan dan cara mengurus risiko seperti privasi, berat sebelah dan "gelembung penapis".
Mari kita tentukan konsep. Pengesyoran berasaskan kandungan melihat ciri sumber (topik, pengarang, genre) dan mengesyorkan sumber yang serupa: "Jika anda menyukai buku sejarah ini, anda mungkin juga menyukai buku ini, yang merangkumi tempoh yang sama." Penapisan kolaboratif berfungsi berdasarkan prinsip "pengguna lain yang menyukai sumber seperti anda juga menyukainya". Gelembung penapis ialah apabila sistem pengesyoran mengunci pengguna ke dalam kandungan yang sentiasa serupa dan menjauhkan mereka daripada perspektif baharu yang berbeza. Pengesyoran perpustakaan yang baik menarik minat dan memecahkan gelembung.
Langkah demi langkah: pendekatan nasihat yang bertanggungjawab
1. Jelaskan tujuan. Apakah tujuan cadangan itu? Adakah anda mahu pengguna terus membaca, meluaskan ufuk mereka atau mencari sumber untuk soalan penyelidikan tertentu? Tujuan menentukan jenis cadangan.
2. Sahkan sumber dan kesahihan. AI boleh membuat buku yang tidak wujud semasa membuat cadangan. Sahkan bahawa setiap sumber yang dicadangkan sebenarnya wujud dalam koleksi atau dalam katalog yang boleh dipercayai.
3. Mengekalkan kepelbagaian. Mengesyorkan hanya yang "paling serupa" menghasilkan gelembung penapis. Secara sedar, sertakan perspektif yang berbeza, pengarang yang berbeza, dan tahap yang berbeza. Tugas perpustakaan adalah untuk membuka ufuk, bukan untuk menghadkan mereka kepada ekologi.
4. Lindungi privasi. Pengesyoran diperibadikan menggunakan sejarah pembacaan pengguna dan sangat tepat. Jangan berikan data ini kepada alat AI umum; Proses hanya dalam sistem selamat institusi, dengan persetujuan pengguna.
5. Bersikap telus. Terangkan kepada pengguna mengapa pengesyoran dibuat: "Sumber ini disyorkan kerana ia berkaitan dengan topik yang anda minati." Ketelusan mengukuhkan kepercayaan dan celik maklumat.
Petua: Tambah sumber yang "sedikit berbeza" pada senarai cadangan dan nyatakan: "Ini berdekatan dengan kawasan minat anda; saya menambah yang ini sebagai penyegar semula." Ini kedua-duanya memecahkan gelembung penapis dan menunjukkan nilai penemuan perpustakaan.
Dimensi etika cadangan
Sistem pengesyoran kelihatan tidak bersalah tetapi mencipta kesan yang kuat. Sumber mana yang disyorkan kepada pengguna membentuk dunia maklumatnya. Jika sistem hanya menyerlahkan sumber yang popular atau hanya dari sudut pandangan tertentu, suara minoriti, pandangan berbeza dan sumber berharga yang kurang terkenal tidak akan kelihatan. AI boleh mengukuhkan aliran ini dengan mewarisi populariti dan berat sebelah dalam data latihan.
Di sinilah pentingnya nilai kepustakaan: perpustakaan bukanlah enjin cadangan komersial; Misinya adalah untuk memastikan akses yang sama dan pelbagai kepada maklumat. Adalah menjadi tanggungjawab pustakawan untuk menyelaraskan sistem pengesyoran dengan nilai ini.
Perhatian: Sejarah pembacaan dan carian pengguna ialah salah satu data privasi yang paling sensitif. Perkara yang dibaca oleh seseorang boleh mendedahkan maklumat tentang kesihatan, pandangan politik, kepercayaan atau krisis peribadinya. Jangan sekali-kali memindahkan data ini dengan identitinya ke sistem luaran; Anonimisasi dan persetujuan adalah penting.
tiga kes mini
Kes 1 — Pengesyoran berasaskan kandungan berjaya. Perpustakaan sekolah menggunakan sistem berasaskan kandungan untuk mengesyorkan sumber kepada pelajar yang serupa dengan buku yang mereka baca. Seorang pelajar menghabiskan novel fiksyen sains; Sistem ini mengesyorkan tiga buku yang meliputi tema yang sama tetapi daripada pengarang yang berbeza. Pelajar itu meminjam dua; Tabiat membaca diteruskan. Sebelum ini, pustakawan telah mengesahkan bahawa semua cadangan itu benar-benar wujud dalam koleksi.
Kes 2 — Cadangan palsu ditangkap. Seorang pustakawan meminta AI mengesyorkan 8 buku kepada pengguna. Dia menyemak senarai dalam katalog: 3 daripada 8 buku hilang sama sekali; AI telah membuat tajuk berita yang munasabah. Langkah pengesahan menghalang buku yang tidak wujud daripada disyorkan kepada pengguna.
Kes 3 — Belon penapis pecah. Seorang penyelidik sentiasa bekerja dengan sumber dengan sudut pandangan yang sama, dan sistem sentiasa mencadangkan sumber yang serupa. Pustakawan sengaja memasukkan dua sumber yang menyampaikan pendekatan yang berbeza dengan topik dan menjelaskannya. Hanya berkat sumber-sumber yang bertentangan inilah pengkaji menyedari aspek kajiannya yang tidak lengkap.
Permulaan sejuk dan isu pengguna baharu
Cabaran sistem pengesyor yang terkenal ialah masalah permulaan sejuk: sistem tidak tahu apa yang perlu disyorkan kepada pengguna baharu atau sumber yang baru ditambahkan pada koleksi yang tiada data sejarah. Dalam kes ini, banyak sistem beralih kepada sumber paling popular sebagai pilihan selamat; Ini bermakna bahawa sumber berharga yang kurang diketahui tidak disyorkan sama sekali dan populariti memakan dirinya sendiri. Dalam istilah kepustakaan, ini bercanggah dengan nilai akses sama rata. Penyelesaiannya adalah dengan bertanya kepada pengguna baharu soalan keutamaan yang ringkas dan jelas (topik mana, tahap mana, tujuan mana) sebelum membuat pengesyoran dan menyerlahkan sumber yang baru ditambah berdasarkan ciri kandungan mereka. Pada ketika ini, dengan menganalisis subjek dan ciri sumber, AI boleh memautkan walaupun buku yang tidak pernah dipinjam kepada pengguna yang berkaitan; asalkan cadangan datang dari koleksi sebenar dan disahkan. Oleh itu, sistem menjadikan kelihatan bukan sahaja "sangat disayangi" tetapi juga "relevan dan berharga".
Petua: Apabila menyediakan pengesyoran untuk pengguna baharu, asaskannya pada keperluan semasa pengguna dan bukannya data sejarah sistem. Satu soalan yang bagus ("adakah ini untuk penyelidikan, untuk keseronokan, ke tahap berapa?") sering menghasilkan pengesyoran yang lebih tepat daripada data tingkah laku berbulan-bulan.
Empat templat yang boleh disalin
1) Cadangan sumber yang serupa berasaskan kandungan:
Di bawah ialah subjek/ringkasan sumber yang disukai pengguna. Saya juga telah memberikan senarai sumber sedia ada dalam koleksi kami. Hanya daripada senarai ini, cadangkan 5 sumber yang serupa dengan subjek dan tulis justifikasi satu ayat untuk setiap satu. Mencadangkan sumber tidak disenaraikan. Sumber kegemaran: [di sini] / Senarai koleksi: [di sini]
2) Cadangan yang menambah variasi:
Pada senarai cadangan di bawah, tambahkan 2 sumber yang akan meluaskan ufuk pengguna dan menawarkan perspektif atau subtopik yang berbeza (hanya daripada senarai koleksi yang saya sediakan). Terangkan mengapa ia berbeza dan berharga. Senarai: [di sini] / Koleksi: [di sini]
3) Penjelasan sebab cadangan:
Untuk setiap pengesyoran di bawah, tulis justifikasi ringkas dan telus yang boleh ditunjukkan kepada pengguna: "Sumber ini disyorkan kerana..." Tiada keterlaluan, tiada implikasi data peribadi. Cadangan: [di sini]
4) Pra-semakan privasi:
Adakah entri cadangan berikut mengandungi maklumat yang mengenal pasti pengguna atau sensitif (menyindir kesihatan, kepercayaan, pandangan politik)? Jika ya, tandai dan cadangkan cara untuk menganonimkannya. Input: [di sini]
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Syorkan 10 buku untuk dibaca oleh pengguna ini.
AI menjana cadangan daripada ingatan globalnya tanpa mengetahui koleksinya; Dia boleh membuat buku yang tidak wujud dan tidak menghormati kepelbagaian dan privasi.
Gesaan kuat:
Peranan anda: pembantu penasihat pembaca. Di bawah ialah topik yang disukai pengguna dan senarai sumber sebenar dalam koleksi kami. (1) Cadangkan 5 sumber yang berkaitan dengan topik daripada senarai. (2) Tambah juga 2 sumber dengan perspektif berbeza yang akan membuka mata anda. (3) Tulis justifikasi yang telus untuk setiap cadangan. Jangan keluar dari senarai, reka sumber atau membayangkan data peribadi. Subjek: [di sini] / Koleksi: [di sini]
Gesaan yang kuat; ia mengehadkannya kepada koleksi sebenar, menuntut kepelbagaian, dan menambah justifikasi dan peraturan privasi.
Carta perbandingan jenis pengesyoran
Jenis cadangan
titik kuat
risiko
Tugas pustakawan
berasaskan kandungan
Menarik perhatian dengan baik
gelembung penapis
Tambah kelainan
kolaboratif
penemuan mengejut
Privasi, berat sebelah populariti
Tanpa nama, keseimbangan
Senarai pengeluaran AI
cepat
sumber yang dibuat-buat
mengesahkan realiti
Kesilapan biasa
- Menawarkan cadangan tanpa pengesahan. AI boleh membentuk sumber yang tidak wujud.
- Hanya mengesyorkan "paling serupa". Gelembung penapis menyempitkan ufuk pengguna.
- Mengeksport sejarah bacaan ke alat luaran. Ia adalah data privasi yang paling sensitif.
- Mengemukakan cadangan tanpa alasan. Ketelusan menyokong kepercayaan dan celik huruf.
- Mengabaikan berat sebelah populariti. Sumber yang berharga tetapi kurang diketahui hilang.
Secara ringkasnya
Sistem pengesyoran ialah alat berkuasa yang memudahkan penemuan dengan menarik minat pengguna; Pendekatan berasaskan kandungan dan kolaboratif membawa kekuatan dan risiko yang berbeza. AI pantas menjana cadangan, tetapi boleh mencipta sumber yang tidak wujud, menapis buih dan mengukuhkan berat sebelah. Tugas pustakawan; Untuk mengesahkan setiap cadangan dalam koleksi sebenar, untuk memecahkan gelembung dengan kepelbagaian sedar, untuk melindungi privasi pengguna dan untuk mengekalkan nilai akses yang sama dan pelbagai bagi perpustakaan dengan mengemukakan cadangan dengan alasan yang telus.
Tugasan permohonan
Sediakan senarai pendek koleksi fakta (10-15 sumber). Hasilkan pengesyoran untuk pengguna dengan templat "pengesyoran sumber serupa berasaskan kandungan" dan sahkan bahawa kesemuanya benar-benar wujud dalam senarai. Kemudian, tambahkan sumber dengan perspektif yang berbeza pada senarai dengan templat "Cadangan yang menambah kepelbagaian". Akhir sekali, buat penjelasan yang telus untuk setiap cadangan dengan templat "Penjelasan rasional cadangan" dan rancang cara anda membentangkannya kepada pengguna.
senarai semak
- [ ] Saya mengesahkan bahawa setiap cadangan sebenarnya wujud dalam koleksi.
- [ ] Saya menambah variasi untuk memecahkan gelembung penapis.
- [ ] Saya memastikan pengguna membaca/sejarah carian selamat, saya tidak memberikannya kepada alat luaran.
- [ ] Saya telah menyediakan justifikasi yang telus untuk setiap cadangan.
- [ ] Untuk mengelakkan kecenderungan populariti, saya memerhatikan sumber yang kurang dikenali dan berharga.