Gevinster:
- Evne til å skille mellom innholdsbaserte og samarbeidende anbefalingsmetoder og forhindre falske kilder ved å verifisere hver anbefaling i den virkelige samlingen
- Evne til å bryte filterboblen med bevisst mangfold og presentere forslag med transparente begrunnelser
- Beskytte personvernet til brukerens lese- og søkehistorikk og behandle disse dataene på en sikker måte
En leser kan spørre "Jeg er ferdig med denne boken, hva bør jeg lese neste gang?" ', anbefaler en god bibliotekar ressurser som passer til hans eller hennes interesse, nivå og formål. I den digitale verden gjør anbefalingssystemer dette i stor skala: de anbefaler nye ressurser ved å se på en brukers tidligere interesse eller egenskapene til en ressurs. I denne enheten vil du lære hvordan kunstig intelligens-baserte anbefalingssystemer fungerer, hva de bringer til biblioteket, og hvordan du håndterer risikoer som personvern, skjevhet og "filterboble".
La oss definere begrepene. Innholdsbasert anbefaling ser på en kildes kjennetegn (emne, forfatter, sjanger) og anbefaler lignende kilder: "Hvis du likte denne historieboken, vil du kanskje også like denne, som dekker samme periode." Samarbeidsfiltrering fungerer etter prinsippet om "andre brukere som likte ressurser som deg, likte også disse". En filterboble er når et anbefalingssystem låser brukeren til konstant lignende innhold og holder dem borte fra nye, forskjellige perspektiver. En god bibliotekanbefaling både fanger interessen og bryter boblen.
Trinn for trinn: en ansvarlig rådgivingstilnærming
1. Avklar formålet. Hva tar forslaget sikte på? Vil du at brukeren skal fortsette å lese, utvide horisonten, eller finne ressurser til et spesifikt forskningsspørsmål? Formålet bestemmer type anbefaling.
2. Bekreft kilde og autentisitet. AI kan finne på ikke-eksisterende bøker når du kommer med forslag. Kontroller at hver foreslåtte ressurs faktisk finnes i samlingen eller i en pålitelig katalog.
3. Opprettholde mangfold. Å anbefale bare den "mest lik" skaper en filterboble. Bevisst inkludere ulike perspektiver, ulike forfattere og ulike nivåer. Bibliotekets oppgave er å åpne horisonter, ikke å begrense dem til økologien.
4. Beskytt personvernet. Personlig anbefaling bruker brukerens lesehistorikk og er ekstremt nøyaktig. Ikke oppgi disse dataene til generelle AI-verktøy; Behandle kun innenfor institusjonens sikre systemer, med brukerens samtykke.
5. Vær gjennomsiktig. Forklar brukeren hvorfor anbefalingen ble gitt: "Denne ressursen ble anbefalt fordi den er relatert til emnet du er interessert i." Åpenhet styrker tillit og informasjonskompetanse.
Tips: Legg bevisst til en "litt annerledes" ressurs i en liste med forslag og si: "Disse er nær interesseområdet ditt; jeg la til denne som en oppfriskning." Dette både bryter filterboblen og demonstrerer oppdagelsesverdien til biblioteket.
Etisk dimensjon ved forslaget
Anbefalingssystemer virker uskyldige, men skaper kraftige effekter. Hvilke ressurser som anbefales til en bruker former hans eller hennes informasjonsverden. Hvis systemet bare fremhever kilder som er populære eller bare fra et bestemt synspunkt, vil minoritetsstemmer, ulike synspunkter og mindre kjente verdifulle kilder være usynlige. AI kan forsterke denne trenden ved å arve populariteten og skjevhetene i treningsdataene.
Det er her verdien av bibliotekarskap kommer inn: biblioteket er ikke en kommersiell anbefalingsmotor; Dens oppgave er å sikre likeverdig og mangfoldig tilgang til informasjon. Det er bibliotekarens ansvar å tilpasse anbefalingssystemet til denne verdien.
OBS: Brukerens lese- og søkehistorikk er en av de mest sensitive personverndataene. Det en person leser kan avsløre informasjon om hans eller hennes helse, politiske synspunkter, tro eller personlige kriser. Overfør aldri disse dataene med dens identitet til eksterne systemer; Anonymisering og samtykke er viktig.
tre minisaker
Case 1 – Innholdsbasert anbefaling fungerte. Et skolebibliotek brukte et innholdsbasert system for å anbefale ressurser til elever som lignet boken de leste. En student fullførte en science fiction-roman; Systemet anbefalte tre bøker som dekker samme tema, men fra en annen forfatter. Studenten lånte to; Lesevanen fortsatte. Bibliotekaren hadde tidligere bekreftet at alle forslagene faktisk fantes i samlingen.
Sak 2 – Falsk forslag fanget. En bibliotekar ba en AI om å anbefale 8 bøker til en bruker. Han sjekket listen i katalogen: 3 av 8 bøker manglet i det hele tatt; AI hadde laget plausible overskrifter. Bekreftelsestrinnet forhindret at ikke-eksisterende bøker ble anbefalt til brukeren.
Tilfelle 3 — Filterballongen sprukket. En forsker jobbet hele tiden med kilder med samme synspunkt, og systemet foreslo alltid lignende. Bibliotekaren inkluderte bevisst to kilder som presenterte en kontrasterende tilnærming til temaet og gjorde dette klart. Det var kun takket være disse motstridende kildene at forskeren innså det ufullstendige aspektet ved studien.
Kaldstart og problem med ny bruker
En velkjent utfordring med anbefalingssystemer er kaldstartproblemet: systemet vet ikke hva det skal anbefale til en ny bruker eller en ressurs som nettopp er lagt til samlingen som det ikke finnes historiske data for. I dette tilfellet henvender mange systemer seg til de mest populære ressursene som det sikre alternativet; Dette betyr at lite kjente verdifulle ressurser ikke anbefales i det hele tatt, og populariteten lever av seg selv. I bibliotekarmessige termer er dette i konflikt med verdien av lik tilgang. Løsningen er å stille den nye brukeren et kort, klart preferansespørsmål (hvilke emner, hvilket nivå, hvilket formål) før du gir en anbefaling og fremhever nylig lagt til ressurser basert på innholdsegenskapene deres. På dette tidspunktet, ved å analysere emnet og funksjonene til en ressurs, kan AI knytte til og med en bok som aldri har blitt lånt til den aktuelle brukeren; så lenge forslaget kommer fra den virkelige samlingen og er verifisert. Dermed synliggjør systemet ikke bare det "veldig elskede", men også det "relevante og verdifulle".
Tips: Når du setter opp en anbefaling for en ny bruker, baser den på brukerens nåværende behov i stedet for systemets historiske data. Et godt spørsmål ("er dette for forskning, for glede, i hvilken grad?") gir ofte en mer nøyaktig anbefaling enn måneder med atferdsdata.
Fire kopierbare maler
1) Innholdsbasert lignende ressursanbefaling:
Nedenfor er emnet/oppsummeringen av en ressurs som en bruker likte. Jeg har også gitt en liste over eksisterende ressurser i samlingen vår. Bare fra denne listen, foreslå 5 ressurser som ligner emnet og skriv en begrunnelse med én setning for hver. Foreslår kilder som ikke er oppført. Favorittkilde: [her] / Samlingsliste: [her]
2) Forslag som gir variasjon:
Til listen over forslag nedenfor, legg til 2 ressurser som vil utvide brukerens horisont og tilby et annet perspektiv eller underemne (bare fra samlingslisten jeg ga). Forklar hvorfor de er forskjellige og verdifulle. Liste: [her] / Samling: [her]
3) Forklaring av årsaken til anbefalingen:
For hver anbefaling nedenfor, skriv en kort, gjennomsiktig begrunnelse som kan vises til brukeren: "Denne ressursen ble anbefalt fordi..." Ingen overdrivelse, ingen implikasjon av personlige data. Forslag: [her]
4) Forhåndssjekk av personvern:
Inneholder følgende forslagsoppføring brukeridentifiserende eller sensitiv informasjon (insinuerende helse, tro, politiske synspunkter)? I så fall, merk det og foreslå hvordan du kan anonymisere det. Inndata: [her]
Svak forespørsel / Sterk forespørsel
Svak melding:
Anbefal 10 bøker for denne brukeren å lese.
AI genererer forslag fra sitt globale minne uten å kjenne til samlingen; Han kan finne på bøker som ikke finnes og respekterer ikke mangfold og privatliv.
Kraftig ledetekst:
Din rolle: Leserrådgivende assistent. Nedenfor er emnet brukeren likte og listen over ekte kilder i samlingen vår. (1) Foreslå 5 kilder relatert til emnet fra listen. (2) Legg også til 2 kilder med forskjellige perspektiver som vil åpne øynene dine. (3) Skriv en gjennomsiktig begrunnelse for hvert forslag. Ikke gå av listen, lage kilder eller antyde personlige data. Emne: [her] / Samling: [her]
Kraftig ledetekst; den begrenser den til selve samlingen, krever mangfold og legger til begrunnelse og en personvernregel.
Sammenligningsdiagram for anbefalingstype
Forslagstype
sterke poeng
risiko
Bibliotekarens plikt
innholdsbasert
Fanger oppmerksomheten godt
filterboble
Legg til variasjon
samarbeidende
overraskende oppdagelse
Personvern, popularitetsskjevhet
Anonymitet, balanse
AI produksjonsliste
raskt
oppdiktet kilde
bekrefte virkeligheten
Vanlige feil
- Tilbyr forslag uten bekreftelse. AI kan utgjøre ikke-eksisterende kilder.
- Anbefaler bare "mest lik". Filterboblen innsnevrer brukerens horisont.
- Eksport av lesehistorikk til eksternt verktøy. Det er de mest sensitive personopplysningene.
- Presenterer forslaget uten begrunnelse. Åpenhet støtter tillit og leseferdighet.
- Ignorerer popularitetsskjevhet. Verdifulle, men lite kjente ressurser går tapt.
Oppsummert
Anbefalingssystemer er kraftige verktøy som forenkler oppdagelse ved å fange brukerinteresse; Innholdsbaserte og samarbeidende tilnærminger har ulike styrker og risikoer. AI er rask til å generere forslag, men kan finne opp ikke-eksisterende kilder, filtrere bobler og forsterke skjevheter. Jobben til bibliotekaren; For å verifisere hvert forslag i den virkelige samlingen, for å bryte boblen med bevisst mangfold, for å beskytte brukernes personvern og opprettholde verdien av lik og mangfoldig tilgang til biblioteket ved å presentere forslag med transparente grunner.
Søknadsoppgave
Utarbeid en kort liste over faktasamlinger (10-15 kilder). Generer en anbefaling for en bruker med malen "innholdsbasert lignende ressursanbefaling" og kontroller at alle faktisk finnes i listen. Deretter legger du til kilder med forskjellige perspektiver i listen med malen "Forslag som legger til mangfold". Til slutt lager du en gjennomsiktig forklaring for hvert forslag med malen "Forslagsrasjonale forklaring" og planlegg hvordan du skal presentere det for brukeren.
sjekkliste
- [ ] Jeg bekreftet at hvert forslag faktisk finnes i samlingen.
- [ ] Jeg la til variasjon for å bryte filterboblen.
- [ ] Jeg holdt brukerens lese-/søkehistorikk trygg, jeg ga den ikke til et eksternt verktøy.
- [ ] Jeg har utarbeidet en gjennomsiktig begrunnelse for hvert forslag.
- [ ] For å unngå popularitetsskjevhet holdt jeg et øye med mindre kjente og verdifulle kilder.