Zyski:
- Możliwość skrócenia czasu katalogowania poprzez tworzenie projektów metadanych zgodnie ze standardami takimi jak MARC i Dublin Core na podstawie rzeczywistych informacji o wydawnictwie
- Możliwość weryfikacji pól o wysokim ryzyku sfabrykowania, takich jak rok publikacji, ISBN, nazwisko autora, z oryginalnym źródłem i odwzorowaniem terminów tematycznych z kontrolowanego słownictwa
- Możliwość jednorazowego zatwierdzania formatów autorów i tematów z kontrolą władz i zachowaniem spójności katalogu
Katalogowanie jest niewidzialnym, ale najbardziej podstawowym zadaniem bibliotekarza. Odkrycie zasobu (książki, artykułu, mapy, nagrania dźwiękowego, pliku cyfrowego) jest możliwe przy zastosowaniu prawidłowych metadanych. Metadane oznaczają „dane o danych”: uporządkowaną informację opisującą tytuł zasobu, autora, rok publikacji, temat, język i cechy fizyczne. Jeśli metadane są dobre, użytkownik znajdzie zasób; Jeśli jest zły lub niekompletny, zasób przepada, nawet jeśli istnieje. W tym module dowiesz się, jak wykorzystać sztuczną inteligencję w generowaniu projektów metadanych, ale jak zapewnić zgodność i dokładność standardów.
Najpierw zdefiniujmy te dwa pojęcia. MARC (Katalogowanie do odczytu maszynowego) to format rekordu używany przez biblioteki od dziesięcioleci, w którym każda informacja jest umieszczana w ponumerowanych polach; Na przykład pole 245 zawiera tytuł, a pole 100 głównego autora. Dublin Core to uproszczony standard metadanych dla zasobów cyfrowych, składający się z 15 podstawowych pól (tytuł, twórca, temat, data, gatunek itp.). Standardy te zapewniają, że akta z różnych bibliotek mogą się ze sobą komunikować.
Krok po kroku: generowanie wersji roboczej metadanych za pomocą sztucznej inteligencji
1. Zbierz informacje o tożsamości źródła. Okładka książki, strona tytułowa, zawartość lub tekst pliku cyfrowego. Sztuczna inteligencja działa wyłącznie na podstawie informacji, które jej przekazujesz; Jeśli podasz niekompletne informacje, powstaną niekompletne lub sfabrykowane metadane.
2. Określ standard docelowy. Daj AI jasny cel, np. „przy polach Dublin Core” lub „przy polach MARC 245, 100, 260, 650”. Jeśli nie określisz standardu, zostanie utworzony dowolny format.
3. Przygotuj wersję roboczą. AI opracowuje tytuł, oświadczenie o odpowiedzialności, informacje o publikacji i propozycję tematu na podstawie podanych przez Ciebie informacji.
4. Sprawować kontrolę władzy. Autorytatywny zapis to taki, który ustanawia pojedynczą, standardową formę nazwiska autora, instytucji lub tematu (np. „Atatürk, Mustafa Kemal, 1881-1938”). Sztuczna inteligencja może zapisać imię na różne sposoby; Sprawdzasz i poprawiasz zatwierdzony format organu.
5. Sprawdź i potwierdź. Porównaj każde pole z oryginalnym źródłem. W szczególności dokładne informacje, takie jak rok publikacji, numer ISBN i nazwisko autora, są bardzo podatne na sfałszowanie przez sztuczną inteligencję.
Wskazówka: daj AI zdjęcie lub tekst faktycznej strony kredytowej źródła; Nie mów „zgadnij tytuł książki”. Metadane predykcyjne podważają wiarygodność katalogu. AI pisze pewnie, prognozując, a to Cię wprowadzi w błąd.
Kontrolowane słownictwo i spójność
W katalogowaniu najważniejsza jest spójność. Jeśli ten sam temat zostanie zapisany z dwoma różnymi terminami w dwóch różnych rekordach, użytkownik znajdzie jedno, a przeoczy drugie. Dlatego biblioteki używają kontrolowanego słownictwa — zatwierdzonej, standardowej listy terminów. Sugerując terminy z dowolnego tekstu, sztuczna inteligencja może wybrać ich potoczny odpowiednik zamiast oficjalnego terminu z tej listy. Na przykład sztuczna inteligencja może napisać „atak serca”; natomiast zatwierdzonym terminem może być „zawał mięśnia sercowego”.
Rozwiązaniem jest przekazanie AI kontrolowanego słownictwa i powiedzenie „po prostu wybierz z tej listy”. Zamiast więc dowolnie wymyślać warunki, AI dobiera najwłaściwsze z zatwierdzonej listy.
Uwaga: Jeżeli w słowniku kontrolowanym nie ma terminu tematycznego zaproponowanego przez AI, nie dodawaj go do katalogu. Decyzja o dodaniu nowych terminów należy do eksperta odpowiedzialnego za zarządzanie organem; Dodawanie dowolnych terminów zakłóca spójność katalogu.
trzy mini etui
Przypadek 1 – Przyspieszenie zbierania datków. Biblioteka publiczna otrzymała darowiznę w wysokości 1200 książek. Specjalista od katalogowania zlecił sztucznej inteligencji przeczytanie strony z nadrukiem każdej książki i sporządzenie wersji roboczej Dublin Core; Czas jednego nagrania skrócił się z 9 minut do 3,5 minuty. Pozostały czas ekspert poświęcił na sprawdzenie i weryfikację autorytetów; Całkowity czas został skrócony o około 55%, ale żaden rekord nie został wprowadzony do systemu bez weryfikacji.
Przypadek 2 — złapanie fałszywego numeru ISBN. Ekspert zlecił AI sporządzenie wersji roboczych 30 książek. Podczas kontroli stwierdził, że numer ISBN w 4 rekordach był fałszywy: AI napisała 13-cyfrowy numer, który wydawał się rozsądny, mimo że nie znał prawdziwego numeru księgi. Etap weryfikacji zapobiegł utrwaleniu się w katalogu czterech błędnych numerów ISBN.
Przypadek 3 – Poprawiono niespójność organów. Biblioteka znalazła autora jako „J. Smith” w niektórych aktach, „John Smith” w innych, „Smith, John” w innych. Sztuczną inteligencję dopasowano do akt władz, sprowadzając wszystkie zapisy do jednego zatwierdzonego formatu („Smith, John, 1965-”); Gdyby tę pracę wykonano ręcznie, zajęłoby to kilka dni, ale za sugestią AI skrócono ją do kilku godzin, ale każdy mecz był zatwierdzany przez eksperta.
Konwersja retrospektywna i stare zapisy
Wiele bibliotek posiada niekompletną lub nieaktualną dokumentację, którą wprowadzano wiele lat temu na innych zasadach. Przeniesienie ich do obecnego standardu nazywa się konwersją retrospektywną i jest bardzo pracochłonne, gdy jest wykonywane ręcznie. Sztuczna inteligencja może odczytać stary rekord i wygenerować wersję roboczą, aby przenieść go do bieżącej struktury pól: na przykład może przeanalizować cytat w postaci dowolnego tekstu i rozesłać go do odpowiednich pól. Istnieją jednak dwa niebezpieczeństwa. Po pierwsze, sztuczna inteligencja może uzupełnić brakujące informacje w celu „uzupełnienia”; po drugie, może utrwalić błąd w starym rekordzie, kopiując go do nowego formatu, zamiast go poprawiać. Dlatego też w transformacji retrospektywnej wyniki sztucznej inteligencji należy systematycznie sprawdzać nie poprzez pobieranie próbek, ale według obszarów krytycznych (autor, rok, numery identyfikacyjne). Dobrą praktyką jest wyświetlanie obok siebie rekordów sprzed i po konwersji, dzięki czemu każda zmiana będzie widoczna; dzięki czemu ekspert może na pierwszy rzut oka zobaczyć, co zostało przeniesione, co się zmieniło, a co mogło zostać sfabrykowane.
Uwaga: Projekt metadanych wytworzonych przez sztuczną inteligencję nie powinien być przesyłany do systemu wsadowo bez sprawdzenia ich pojedynczo. Masowy błąd uszkadza setki rekordów na raz, a odzyskanie jest znacznie bardziej kłopotliwe niż utworzenie. Najbezpieczniej jest produkować i weryfikować w małych partiach.
Cztery szablony do kopiowania
1) Zarys Dublin Core:
Twoja rola: asystent katalogu. Wypełnij pola Dublin Core następującym tekstem: Tytuł, Twórca, Temat, Opis, Wydawca, Data, Gatunek, Format, Język. Używaj wyłącznie informacji, które są jasne w tekście; Pozostaw brakujące pole „[brak informacji]”, nie zgaduj. Tekst nadruku: [tutaj]
2) Zarys pola MARC:
Zaproponuj zarysy następujących pól MARC na podstawie informacji o książce poniżej: 245 (tytuł/kredyt), 100 (główny autor), 260/264 (publikacja), 300 (opis fizyczny), 650 (temat). Oznacz dowolne pole, którego nie jesteś pewien, jako „[wymaga weryfikacji]”. Informacje: [tutaj]
3) Dopasowanie tematyczne ze słownictwa kontrolowanego:
Poniżej znajduje się podsumowanie źródła i lista zatwierdzonych terminów tematycznych. Dopasuj do źródła tylko 3–5 najbardziej odpowiednich terminów z listy. Jeżeli na liście nie ma odpowiedniego terminu, należy wpisać „brak odpowiedniego terminu na liście”, nie należy tworzyć nowych terminów. Podsumowanie: [tutaj] / Lista terminów: [tutaj]
4) Kontrola formularza uprawnień:
Dopasuj nazwiska autorów poniżej do zatwierdzonych formularzy z podanej przeze mnie listy autorytetów. Dla każdej nazwy: format w rejestrze -> zatwierdzony format. Jeżeli na liście nie ma odpowiednika, należy wpisać „brak rekordu uprawnień”. Nazwy: [tutaj] / Lista organów: [tutaj]
Słaba zachęta/silna zachęta
Słaba zachęta:
Wyodrębnij informacje katalogowe dla następującej książki: „Sztuczna inteligencja i społeczeństwo”.
Podawany jest tylko tytuł; Sztuczna inteligencja jest zmuszona podać autora, rok, wydawcę i numer ISBN. Nie ma docelowego standardu. Wynik: przekonujący, ale prawdopodobnie fałszywy zapis.
Potężny monit:
Twoja rola: asystent katalogu. Poniżej pełny tekst strony wydawnictwa książki. Wypełnij w tym celu pola Dublin Core. Używaj wyłącznie informacji wyraźnie podanych w tekście; Pozostaw pole nietekstowe puste i wpisz „[brak informacji]”. Żadne daty, nazwiska ani numery ISBN nie są wymyślone. Tekst stopki: [pełny tekst tutaj]
Potężny monit ogranicza sztuczną inteligencję do prawdziwych informacji o podpisie i zmusza ją do uczciwego pozostawiania pustych miejsc zamiast ich wymyślania.
Pole metadanych i tabela walidacyjna
obszar
Ryzyko fabrykacji
Jak zweryfikować
Tytuł
niski
Porównaj ze stroną nadruku
Format autora/autora
średni
Wyszukaj w pliku organu
Rok publikacji
wysoki
Potwierdź za pomocą nadruku/kolofonu
ISBN
bardzo wysoki
Kontrola jeden do jednego za pomocą kodu kreskowego/źródła
Termin przedmiotowy
wysoki
Dopasuj kontrolowane słownictwo
Typowe błędy
- Proszę tylko o metadane z tytułu. Niekompletne informacje skłaniają sztuczną inteligencję do zmyślania.
- Brak określenia docelowego standardu. Dowolne formatowanie zakłóca harmonię zapisów.
- Akceptacja numeru ISBN i roku bez jego weryfikacji. Obszary te niosą ze sobą największe ryzyko fabrykacji.
- Zabranie podmiotu spoza kontrolowanego słownictwa. Spójność i dostępność są zagrożone.
- Ominięcie kontroli władzy. Ten sam autor rozprasza się w różnych formatach, użytkownik traci źródło.
Podsumowując
W generowaniu metadanych sztuczna inteligencja jest potężnym asystentem, który szybko wydobywa informacje o nadruku i znacznie skraca czas katalogowania. Jednak ceną produktywności jest rygorystyczna weryfikacja pod kątem ryzyka sfabrykowania: należy uczynić docelowy standard (MARC, Dublin Core) jasnym, uruchamiać sztuczną inteligencję wyłącznie z prawdziwą znajomością słów, mapować terminy tematyczne z kontrolowanych słowników i weryfikować formularze autorytetów. Zamiast uzupełniać luki, sztuczna inteligencja powinna uczciwie pozostawić to pole puste; Zachowujesz ostateczną zgodę.
Zadanie aplikacji
Przekaż tekst strony wydawniczej prawdziwej książki, którą posiadasz, AI za pomocą szablonu „Dublin Core draft” i zdobądź wersję roboczą. Następnie przygotuj tę samą książkę z samym tytułem („Słaba zachęta”) i porównaj dwa wyniki: które pola zostały sfabrykowane? Następnie za pomocą szablonu „Mapowanie tematów ze słownictwa kontrolowanego” podaj krótką listę zatwierdzonych terminów, aby dopasować temat i sprawdź, czy AI zniknie z listy.
lista kontrolna
- [ ] Podałem AI prawdziwe informacje o tożsamości źródła, nie pozostawiłem tego domysłom.
- [ ] Jasno określiłem docelowy standard metadanych (MARC/Dublin Core).
- [ ] Sprawdziłem rok publikacji i numer ISBN w oryginalnym źródle.
- [ ] Odwzorowałem terminy tematyczne z kontrolowanego słownictwa.
- [ ] Potwierdziłem formy pełnomocnictwa zatwierdzonym protokołem.