Gevinster:
- Evne til å produsere metadatautkast i henhold til standarder som ISAD(G) eller Dublin Core med kunstig intelligens
- Evne til å forhindre hallusinasjoner og kartlegge emneord til kontrollert vokabular med tillatelse
- Evne til å skille hvilke felt, som dato, personnavn og referansekode, som krever menneskelig godkjenning og hvilke som kun skal tildeles av institusjonen
Et arkiv eller bibliotek, uansett hvor rikt det er, kan ikke bli funnet med mindre det er godt definert. Det som gjør et dokument "finnbart" er den beskrivende informasjonen om det: hvem skrev det, når, hvor, hva emnet er, hvilken samling det tilhører. Denne informasjonen kalles metadata (metadata — beskrivende data om et dokument; «data om data»). Katalogisering er prosessen med å identifisere dokumenter med disse metadataene og lagre dem i et søkbart system. Klassifisering er å organisere dokumenter etter kriterier som emne, type eller opprinnelse.
Generering av metadata er ekstremt tidkrevende; Å legge inn dato, emne, person og stedsinformasjon individuelt for tusenvis av dokumenter i store samlinger kan ta år. AI er en sterk trekkgenerator i denne bransjen. I denne enheten vil vi se hvordan du genererer metadata med AI, katalogisering i henhold til standarder (ISAD(G), Dublin Core), og både kraften og fallgruvene ved automatisk klassifisering.
Arkivstandarder: hvorfor de trengs
Metadata legges ikke inn tilfeldig; Det er internasjonale standarder slik at poster fra forskjellige institusjoner kan snakke med hverandre:
- ISAD(G) (General International Standard Archival Description): Regler for hierarkisk beskrivelse av arkivmateriale (på fond-, serie-, fil-, dokumentnivå). Den inneholder felt som referansekode, tittel, dato, omfang, skaper.
- Dublin Core: En felles standard som består av 15 kjernefelt for å beskrive digitale ressurser (tittel, skaper, emne, dato, sjanger, format, kilde, språk, etc.).
- Fond: Et sett med poster naturlig dannet som et resultat av aktivitetene til en enkelt person, familie eller institusjon. Det er den grunnleggende organiserende enheten for arkivering.
- Herkomst (opprinnelse): Informasjon om hvem et dokument kommer fra og hvilken hånd det har passert. Ved arkivering holdes dokumenter samlet i henhold til deres opprinnelse.
Å spesifisere målstandarden eksplisitt når AI-en produserer metadata sikrer at utdataene kan legges inn direkte i bedriften.
Et annet nøkkelbegrep er autoritetsregistrering – en post som definerer en enkelt, standard, godkjent form for navnet på en person, et sted eller en institusjon. I historiske dokumenter kan samme person eller sted forekomme med forskjellige skrivemåter; Autoritetsposten binder dem alle til ett enkelt godkjent format slik at de ikke blir spredt i søket. AI foreslår navn fra et dokument; men å kartlegge dette navnet til standardskjemaet i myndighetsprotokollen er menneskelig arbeid. Å koble det AI sier "Ahmed" til "Ahmed Bey (1840-1912)" i institusjonens autoritetspost bevarer konsistensen i katalogen.
Arbeidsflyt: trinn for trinn
1. Forbered kilden. Samle en utskrift eller et bilde av dokumentet og eventuell kontekstinformasjon.
2. Identifiser standard og områder. Fortell AI hvilken standard (ISAD(G), Dublin Core) og i henhold til hvilke felt den vil produsere utdata.
3. Generer utkast til metadata. AI fyller ut felt som kan trekkes ut fra dokumentet (dato, person, sted, emne, språk, sjanger); Den etterlater tomme områdene den ikke kan fjerne.
4. Kart til kontrollert vokabular. Emne- og stedsnavn er ikke gratis i de fleste institusjoner, men er knyttet til en forhåndsdefinert liste (kontrollert vokabular / synonymordbok). Kartlegg emnebegrepene foreslått av AI til denne listen.
5. Bekreft og bekreft. Hvert felt, spesielt dato, navn og emne, sammenlignes av mennesker med dokumenter og myndighetsregistre.
Tips: Gi eksplisitt AI tillatelse til å "la stå tomt". Ellers vil den "gjette" fylle ut en dato eller skaper som ikke er i dokumentet og sette inn falske metadata i katalogen din. Instruksjonen "La dette feltet stå tomt hvis det ikke er i dokumentet" er det sterkeste skjoldet mot hallusinasjoner.
Felt og tillitsnivå i en tabell
Metadatafelt
Hvor pålitelig er AI?
verifisering
språk
høy
prøve
Dokumenttype
middels høy
kontroll
Person-/stedsnavn
Middels (lesefeil)
obligatorisk
dato
Lav-middels (fare for fabrikasjon)
obligatorisk
Fagvilkår
Medium (gratis generering)
Kart til sjekkliste
Omfang/oppsummering
middels høy
Sammenlign med kilden
Referansekode
Ingen (institusjon gir)
menneskekast
Sammendrag: AI er rask og pålitelig på områder som språk og sjanger; genererer utkast i felt som dato, navn og emne, men menneskelig godkjenning kreves; AI produserer aldri institusjonelle felt som referansekode.
tre minisaker
Tilfelle 1 — Utkast til metadata for 8000 bilder. Et byarkiv katalogiserte 8000 historiske fotografier. Notatene på baksiden av hvert bilde ble transkribert og gitt til AI; AI generert dato, plassering og emneoversikt. Det menneskelige teamet verifiserte det felt for felt og tilordnet det til den kontrollerte listen. Anslagsvis 10 måneders jobb ble redusert til 3 måneder; men hver dato og stedsnavn ble visuelt kontrollert.
Tilfelle 2 — Oppdiktet historie. En arkivar hadde AI-katalogen et udatert brev. YZ så på innholdet i brevet og skrev datoen "1912" nøyaktig. Det var imidlertid ingen dato i dokumentet; AI spådde. Hvis arkivaren ikke hadde lagt til instruksjonen "la tom hvis ikke i dokumentet", ville katalogen blitt fylt med en oppdiktet dato. Leksjon: blank tillatelse er obligatorisk.
Tilfelle 3 – Frie fagtermer skapte forvirring. AI tildelte lignende, men forskjellige gratis termer som "innvandring", "innvandring", "oppgjør" til lignende dokumenter. Når det ikke var tilordnet det kontrollerte vokabularet, ble det samme emnet tagget med tre forskjellige termer og spredt i søket. Konsistens ble oppnådd ved å kartlegge vilkårene til en enkelt autoritetsliste. Leksjon: emneord er ikke utgitt, de er knyttet til listen.
Fire kopierbare maler
1) Dublin Core disposisjon:
Trekk ut Dublin Core-metadatautkastet fra dokumenttranskripsjonen nedenfor. Felt: Tittel, Skaper, Emne, Beskrivelse, Dato, Sjanger, Språk, Omfang (sted/periode). Regler: (1) Bruk kun informasjon TYDELIG i teksten. (2) La feltet som ikke står i teksten BLANK, ikke gjett. (3) Merk verdien du ikke er sikker på med [?]. Transkripsjon: [her]
2) ISAD(G) utkast til definisjon:
Generer utkast for følgende dokument i ISAD(G)-feltene: Tittel, Dato(er), Beskrivelsesnivå (dokument/fil), Omfang og innhold (kort oppsummering), Skaper, Språk. La referansekoden stå BLANK (institusjonen oppgir den). Ikke legg til informasjon som ikke er i teksten; La det ikke-eksisterende feltet stå tomt. Dokument: [her]
3) Emnetermforslag (kontrollert):
Foreslå 3-5 emneord som passer for dokumentet nedenfor. Stol først på fakta I dokumentet. Nedenfor er vår institusjons kontrollerte terminologiliste; FØRST, velg det fra denne listen, hvis det ikke er på listen, merk ditt nye termforslag separat. Liste: [vilkår]. Dokument: [her]
4) Bulkkonsistenssjekk:
Nedenfor er metadataposter for dokumenter fra samme samling. Flagg inkonsekvenser: poster som staver det samme stedet/personen annerledes, forskjellige datoformater, forskjellige termer for samme emne. Rettelse INNLEGG; Bare lag en liste over inkonsekvenser som mennesket kan vurdere. Rekorder: [her]
Svak forespørsel / Sterk forespørsel
Svak:
Opprett en fullstendig katalogpost for dette dokumentet.
Den "fullstendige" instruksjonen presser AI til å fylle ut hver plass, det vil si å finne opp historie og skapere som ikke eksisterer.
Sterk:
Dublin Core er utarbeidet for dette dokumentet. Bruk kun informasjon som er Tydelig inkludert i transkripsjonen; la det ikke-eksisterende feltet stå tomt, ikke gjett. Velg emneord fra denne kontrollerte listen: [liste]. Merk dato og personnavn med [?] slik at jeg kan bekrefte det med dokumentet. Transkripsjon: [her]
Forskjell: "la tom" tillatelse i stedet for "fullstendig" utgave, kontrollert listeoverholdelse og verifikasjonsmerker beskytter katalogen mot fabrikasjon.
Vanlige feil
- Det betyr "fyll den helt". Dette fører til passende ikke-eksisterende felt; "la stå tomt" tillatelse bør gis.
- Frigjør fagvilkår. Termer som ikke tilordnes det kontrollerte vokabularet vil distrahere søket.
- Å ha AI forutsi historie. Å legge inn en fiktiv dato i et udatert dokument forurenser katalogen.
- Å ha referansekoden generert av AI. Dette er et unikt firmarom; folk kaster.
- Spesifiserer ikke standarden. Dersom standarden ikke er nevnt, vil utgangen være et rotete utkast som ikke kan legges inn i institusjonen.
Oppsummert
Metadata og katalogisering er den usynlige infrastrukturen som åpner arkivet for forskeren, og det krever mye innsats. Fra transkripsjonen produserer AI en rask oversikt for felt som dato, person, sted, emne og sjanger; Det kan fungere i henhold til standarder som ISAD(G) eller Dublin Core. Men presset for å "fylle ut helt" presser AI til å finne på ting; «la tom»-tillatelse, kartlegging til kontrollert vokabular og menneskelig bekreftelse av datoer/navn holder katalogen troverdig. AI forbereder utkastet; Du er ansvarlig for nøyaktigheten av katalogen.
Søknadsoppgave
Ta en dokumenttranskripsjon og be om metadata fra AI med "Dublin Core draft"-malen; Sjekk at den etterlater tomme felt som ikke finnes. Kjør deretter malen for forslag til emneord med din egen (eller eksempel) sjekkliste. Til slutt, test noen få poster med en "bulk-konsistenssjekk." Legg merke til hvor mange felt AI prøver å fylle ut med prediksjon og hvor mange emneord som må tilordnes listen.
sjekkliste
- [ ] Jeg har tydelig angitt målstandarden (ISAD(G)/Dublin Core).
- [ ] Jeg ga tillatelsen "La blankt felt stå tomt".
- [ ] Jeg tilordnet emnebegrepene til den kontrollerte listen.
- [ ] Jeg bekreftet datoen og personnavnene med dokumentet/myndighetsposten.
- [ ] Jeg overlot referansekoden til institusjonen, ikke til AI.