Ganhos:
- Capacidade de reduzir o tempo de catalogação produzindo metadados preliminares de acordo com padrões como MARC e Dublin Core a partir de informações reais de impressão
- Capacidade de verificar campos com alto risco de fabricação, como ano de publicação, ISBN, nome do autor, com a fonte original e mapear termos de assunto do vocabulário controlado
- Capacidade de tornar os formatos de autor e assunto aprovados individualmente com controle de autoridade e manter a consistência do catálogo
A catalogação é o trabalho invisível, mas mais fundamental da biblioteconomia. A descoberta de um recurso (livro, artigo, mapa, gravação sonora, arquivo digital) é possível com os metadados corretos. Metadados significa “dados sobre dados”: informações estruturadas que descrevem o título, autor, ano de publicação, assunto, idioma e atributos físicos de um recurso. Se os metadados forem bons, o usuário encontra o recurso; Se estiver ruim ou incompleto, o recurso será perdido mesmo que exista. Nesta unidade você aprenderá como usar a inteligência artificial na geração de rascunhos de metadados, mas como garantir a conformidade e a precisão dos padrões.
Vamos primeiro definir os dois conceitos. MARC (catalogação legível por máquina) é um formato de registro que as bibliotecas usam há décadas e que coloca cada informação em campos numerados; Por exemplo, o campo 245 contém o título e o campo 100 contém o autor principal. Dublin Core é um padrão simplificado de metadados para recursos digitais, composto por 15 campos básicos (título, criador, assunto, data, gênero, etc.). Esses padrões garantem que os registros de diferentes bibliotecas possam se comunicar entre si.
Passo a passo: gerando rascunhos de metadados com inteligência artificial
1. Colete as informações de identidade da fonte. A capa do livro, a página de título, o conteúdo ou o texto de um arquivo digital. A IA só funciona a partir das informações que você fornece; Se você fornecer informações incompletas, serão produzidos metadados incompletos ou fabricados.
2. Especifique o padrão alvo. Dê à IA um alvo claro, como “pelos campos Dublin Core” ou “pelos campos MARC 245, 100, 260, 650”. Se você não especificar um padrão, ele produzirá um formato arbitrário.
3. Produza o rascunho. A AI elabora o título, a declaração de responsabilidade, as informações de publicação e a proposta de tópico a partir das informações que você fornece.
4. Exercer controle de autoridade. Um registro oficial é aquele que estabelece a forma única e padrão do nome, instituição ou assunto de um autor (por exemplo, "Atatürk, Mustafa Kemal, 1881-1938"). A IA pode escrever um nome de diferentes maneiras; Você verifica e corrige o formato de autoridade aprovado.
5. Verifique e confirme. Compare cada campo com a fonte original. Em particular, informações precisas como ano de publicação, ISBN e nome do autor são muito suscetíveis de serem falsificadas pela IA.
Dica: forneça à IA uma foto ou texto da página de crédito real da fonte; Não diga “adivinhe o nome do livro”. Os metadados preditivos prejudicam a confiabilidade do catálogo. A IA escreve com confiança ao fazer previsões, e isso irá enganá-lo.
Vocabulário controlado e consistência
Consistência é tudo na catalogação. Se o mesmo tópico for escrito com dois termos diferentes em dois registros diferentes, o usuário encontrará um e perderá o outro. É por isso que as bibliotecas usam um vocabulário controlado – uma lista padrão e aprovada de termos. Ao sugerir termos de texto livre, a IA pode escolher o seu equivalente coloquial em vez do termo oficial nesta lista. Por exemplo, a IA pode escrever “ataque cardíaco”; enquanto o termo aprovado pode ser "infarto do miocárdio".
A solução é dar à IA o vocabulário controlado e dizer “basta selecionar nesta lista”. Portanto, em vez de criar termos livremente, a IA corresponde ao mais adequado da lista aprovada.
Cuidado: Se um termo de assunto sugerido pela IA não estiver no vocabulário controlado, não adicione esse termo ao catálogo. A decisão de adicionar novos termos cabe ao especialista responsável pela gestão da autoridade; Adicionar termos arbitrários perturba a consistência do catálogo.
três mini cases
Caso 1 — Coleta de doações acelerada. Uma biblioteca pública recebeu uma doação de 1.200 livros. O especialista em catalogação fez com que a IA lesse a página impressa de cada livro e produzisse um rascunho do Dublin Core; O tempo por gravação diminuiu de 9 minutos para 3,5 minutos. O perito dedicou o tempo restante à verificação e verificação da autoridade; O tempo total foi reduzido em aproximadamente 55%, mas nenhum registro entrou no sistema sem ser verificado.
Caso 2 — ISBN falso capturado. Um especialista fez com que a IA produzisse rascunhos de 30 livros. Durante a verificação, ele descobriu que o ISBN em 4 registros era falso: AI havia escrito um número de 13 dígitos que parecia razoável, mesmo não sabendo o número real do livro. A etapa de verificação evitou que quatro ISBNs incorretos se tornassem persistentes no catálogo.
Caso 3 — Inconsistência de autoridade corrigida. Uma biblioteca encontrou um autor como "J. Smith" em alguns registros, "John Smith" em outros, "Smith, John" em outros. A IA foi comparada com o arquivo de autoridade, reunindo todos os registros em um único formato aprovado ("Smith, John, 1965-"); Se esse trabalho fosse feito manualmente levaria dias, mas com a sugestão da IA foi reduzido para algumas horas, mas cada partida foi aprovada pelo especialista.
Conversão retrospectiva e registros antigos
Muitas bibliotecas possuem registros incompletos ou desatualizados que foram inseridos anos atrás com regras diferentes. Movê-los para o padrão atual é chamado de conversão retrospectiva e é muito trabalhoso quando feito manualmente. A IA pode ler um registro antigo e gerar um rascunho para movê-lo para a estrutura de campo atual: por exemplo, pode analisar uma citação de texto livre e distribuí-la nos campos corretos. No entanto, existem dois perigos aqui. Primeiro, a IA pode compensar as informações que faltam para “compensar”; segundo, pode perpetuar um erro no registo antigo, copiando-o para um novo formato em vez de corrigi-lo. Portanto, na transformação retrospectiva, o resultado da IA deve ser verificado sistematicamente, não por amostragem, mas por campos críticos (autor, ano, números de identificação). Uma boa prática é exibir os registros pré e pós-conversão lado a lado, tornando cada alteração visível; para que o especialista possa ver rapidamente o que foi movido, o que mudou e o que pode ter sido fabricado.
Atenção: Os rascunhos de metadados produzidos pela IA não devem ser transferidos para o sistema em lote sem revisá-los um por um. Um erro em massa corrompe centenas de registros de uma só vez, e a recuperação é muito mais problemática do que a produção. É mais seguro produzir e verificar em pequenos lotes.
Quatro modelos copiáveis
1) Esboço do Dublin Core:
Sua função: catalogador assistente. Preencha os campos Dublin Core do seguinte texto de assinatura: Título, Criador, Assunto, Descrição, Editora, Data, Gênero, Formato, Idioma. Use apenas informações claras no texto; Deixe o campo que falta "[sem informações]", não adivinhe. Texto de impressão: [aqui]
2) Esboço do campo MARC:
Proponha contornos para os seguintes campos MARC a partir das informações do livro abaixo: 245 (título/crédito), 100 (autor principal), 260/264 (publicação), 300 (descrição física), 650 (assunto). Marque qualquer campo sobre o qual você não tem certeza como "[precisa de verificação]". Informações: [aqui]
3) Correspondência de tópicos a partir de vocabulário controlado:
Abaixo está um resumo da fonte e uma lista de termos de tópico aprovados. Combine apenas 3 a 5 termos mais adequados da lista com a fonte. Se não houver termo adequado na lista, escreva “nenhum termo adequado na lista”, não crie novos termos. Resumo: [aqui] / Lista de termos: [aqui]
4) Controle do formulário de autoridade:
Combine os nomes dos autores abaixo com os formulários aprovados na lista de autoridades que forneci. Para cada nome: formato em registro -> formato aprovado. Se não houver equivalente na lista, escreva “sem registro de autoridade”. Nomes: [aqui] / Lista de autoridades: [aqui]
Alerta fraco / Alerta forte
Alerta fraco:
Extraia as informações de catalogação do seguinte livro: "Inteligência Artificial e Sociedade".
Apenas o título é fornecido; A IA é forçada a compor autor, ano, editora e ISBN. Não existe um padrão de meta. Resultado: um registro convincente, mas provavelmente falso.
Alerta poderoso:
Sua função: catalogador assistente. Abaixo está o texto completo da página impressa do livro. Preencha os campos Dublin Core a partir deste. Use apenas informações claramente indicadas no texto; Deixe o campo não textual em branco e escreva "[sem informação]". Nenhuma data, nome ou ISBN é inventado. Texto impresso: [texto completo aqui]
O prompt poderoso limita a IA a informações reais de assinatura e a força a deixar espaços em branco honestamente, em vez de inventá-los.
Campo de metadados e tabela de validação
área
Risco de fabricação
Como verificar
Título
baixo
Compare com a página de impressão
Formato autor/autoridade
médio
Pesquisar no arquivo de autoridade
Ano de publicação
alto
Confirmar com impressão/colofone
ISBN
muito alto
Controle individual com código de barras/fonte
Termo do assunto
alto
Combine em vocabulário controlado
Erros comuns
- Apenas solicitando metadados do título. Informações incompletas levam a IA a inventar coisas.
- Não especificando o padrão alvo. A formatação arbitrária perturba a harmonia dos registros.
- Aceitar o ISBN e o ano sem verificar. Essas áreas apresentam o maior risco de fabricação.
- Tirar o termo do assunto de fora do vocabulário controlado. A consistência e a disponibilidade ficam comprometidas.
- Ignorando o controle de autoridade. O mesmo autor se dispersa em diferentes formatos, o usuário erra a fonte.
Em resumo
Na geração de metadados, a IA é um assistente poderoso que extrai rapidamente informações de impressão e reduz significativamente o tempo de catalogação. Mas o preço da produtividade é a validação rigorosa contra os riscos de fabricação: deixar claro o padrão alvo (MARC, Dublin Core), executar a IA apenas com conhecimento real do sinônimo, mapear termos de assunto a partir de vocabulários controlados e validar formulários de autoridade. Em vez de preencher as lacunas, a IA deveria honestamente deixar em branco; Você mantém a aprovação final.
Tarefa de aplicativo
Dê o texto da página impressa de um livro real que você possui para a IA com o modelo "Dublin Core draft" e obtenha um rascunho. Em seguida, produza o mesmo livro apenas com o título ("Prompt fraco") e compare os dois resultados: quais campos foram fabricados? Em seguida, com o modelo “Mapeamento de tópicos a partir de vocabulário controlado”, forneça uma pequena lista de termos aprovados para combinar o tópico e verifique se a IA sai da lista.
lista de verificação
- [] Dei a informação real da identidade da fonte para a IA, não deixei adivinhar.
- [] Especifiquei claramente o padrão de metadados de destino (MARC/Dublin Core).
- [ ] Verifiquei o ano de publicação e o ISBN literalmente com a fonte original.
- [ ] Mapeei os termos do tópico a partir do vocabulário controlado.
- [ ] Confirmei as formas de autoridade com o registro aprovado.