กำไร:
- ความสามารถในการลดระยะเวลาการจัดทำรายการโดยสร้างเมตาดาต้าแบบร่างตามมาตรฐาน เช่น MARC และ Dublin Core จากข้อมูลสำนักพิมพ์จริง
- ความสามารถในการตรวจสอบฟิลด์ที่มีความเสี่ยงสูงต่อการปลอมแปลง เช่น ปีที่พิมพ์, ISBN, ชื่อผู้แต่ง, พร้อมแหล่งที่มาต้นฉบับและเงื่อนไขของหัวเรื่องแผนที่จากคำศัพท์ที่ควบคุม
- ความสามารถในการทำให้รูปแบบผู้แต่งและหัวเรื่องได้รับการอนุมัติเพียงครั้งเดียวพร้อมการควบคุมสิทธิ์และรักษาความสอดคล้องของแค็ตตาล็อก
การทำรายการเป็นงานพื้นฐานที่สุดของบรรณารักษ์ที่มองไม่เห็น แต่เป็นงานพื้นฐานที่สุด การค้นพบทรัพยากร (หนังสือ บทความ แผนที่ การบันทึกเสียง ไฟล์ดิจิทัล) สามารถทำได้ด้วยข้อมูลเมตาที่ถูกต้อง ข้อมูลเมตาหมายถึง "ข้อมูลเกี่ยวกับข้อมูล": ข้อมูลที่มีโครงสร้างซึ่งอธิบายชื่อเรื่องของทรัพยากร ผู้แต่ง ปีที่พิมพ์ หัวข้อ ภาษา และคุณลักษณะทางกายภาพ หากข้อมูลเมตาดี ผู้ใช้จะค้นหาทรัพยากร หากไม่ดีหรือไม่สมบูรณ์ ทรัพยากรจะสูญหายแม้ว่าจะมีอยู่ก็ตาม ในหน่วยนี้คุณจะได้เรียนรู้วิธีใช้ปัญญาประดิษฐ์ในการสร้างข้อมูลเมตาแบบร่าง แต่จะเรียนรู้วิธีปฏิบัติตามมาตรฐานและความถูกต้องแม่นยำได้อย่างไร
ก่อนอื่นเรามากำหนดแนวคิดทั้งสองกันก่อน MARC (Machine-Readable Cataloging) คือรูปแบบบันทึกที่ห้องสมุดใช้มานานหลายทศวรรษโดยวางข้อมูลแต่ละชิ้นไว้ในช่องที่มีตัวเลข ตัวอย่างเช่น ฟิลด์ 245 เป็นชื่อเรื่อง และฟิลด์ 100 เป็นผู้เขียนหลัก Dublin Core เป็นมาตรฐานเมทาดาทาที่เรียบง่ายสำหรับทรัพยากรดิจิทัล ประกอบด้วยฟิลด์พื้นฐาน 15 ฟิลด์ (ชื่อ ผู้สร้าง หัวเรื่อง วันที่ ประเภท ฯลฯ) มาตรฐานเหล่านี้ช่วยให้แน่ใจว่าบันทึกจากห้องสมุดต่างๆ สามารถสื่อสารถึงกันได้
ทีละขั้นตอน: การสร้างข้อมูลเมตาแบบร่างด้วยปัญญาประดิษฐ์
1. รวบรวมข้อมูลประจำตัวของแหล่งที่มา ปกหนังสือ หน้าชื่อเรื่อง เนื้อหา หรือข้อความในไฟล์ดิจิทัล AI ทำงานจากข้อมูลที่คุณให้เท่านั้น หากคุณให้ข้อมูลที่ไม่สมบูรณ์ จะทำให้เกิดข้อมูลเมตาที่ไม่สมบูรณ์หรือจัดทำขึ้น
2. ระบุมาตรฐานเป้าหมาย กำหนดเป้าหมายที่ชัดเจนให้กับ AI เช่น “ตามฟิลด์ Dublin Core” หรือ “ตามฟิลด์ MARC 245, 100, 260, 650” หากคุณไม่ระบุมาตรฐาน ระบบจะสร้างรูปแบบที่กำหนดเอง
3. จัดทำแบบร่าง AI ร่างชื่อเรื่อง คำชี้แจงความรับผิดชอบ ข้อมูลสิ่งพิมพ์ และข้อเสนอหัวข้อจากข้อมูลที่คุณให้
4. ใช้อำนาจควบคุม บันทึกที่เชื่อถือได้คือสิ่งที่กำหนดรูปแบบมาตรฐานเดียวของชื่อผู้เขียน สถาบัน หรือหัวเรื่อง (เช่น "Atatürk, Mustafa Kemal, 1881-1938") AI สามารถเขียนชื่อได้หลายวิธี คุณตรวจสอบและแก้ไขรูปแบบหน่วยงานที่ได้รับอนุมัติ
5. ตรวจสอบและยืนยัน เปรียบเทียบแต่ละฟิลด์กับแหล่งที่มาดั้งเดิม โดยเฉพาะอย่างยิ่งข้อมูลที่แม่นยำ เช่น ปีที่ตีพิมพ์ ISBN และชื่อผู้แต่ง อาจถูก AI ปลอมแปลงได้อย่างมาก
คำแนะนำ: ให้รูปภาพหรือข้อความของหน้าเครดิตจริงของแหล่งที่มาแก่ AI อย่าพูดว่า "เดาชื่อหนังสือ" ข้อมูลเมตาเชิงคาดการณ์จะบ่อนทำลายความน่าเชื่อถือของแค็ตตาล็อก AI เขียนอย่างมั่นใจเมื่อทำการคาดการณ์ และสิ่งนี้จะทำให้คุณเข้าใจผิด
ควบคุมคำศัพท์และความสม่ำเสมอ
ความสม่ำเสมอคือทุกสิ่งในการจัดทำรายการ ถ้าหัวข้อเดียวกันเขียนด้วยคำสองคำที่แตกต่างกันในสองบันทึกที่แตกต่างกัน ผู้ใช้จะพบคำหนึ่งและพลาดอีกคำหนึ่ง นั่นเป็นเหตุผลที่ห้องสมุดใช้คำศัพท์ที่มีการควบคุม ซึ่งเป็นรายการคำศัพท์มาตรฐานที่ได้รับอนุมัติ เมื่อแนะนำคำศัพท์จากข้อความอิสระ AI สามารถเลือกภาษาพูดที่เทียบเท่าแทนคำศัพท์ที่เป็นทางการในรายการนี้ ตัวอย่างเช่น AI อาจเขียนว่า “หัวใจวาย”; ในขณะที่คำที่อนุมัติอาจเป็น "กล้ามเนื้อหัวใจตาย"
วิธีแก้ไขคือให้คำศัพท์ควบคุมแก่ AI แล้วพูดว่า "เพียงเลือกจากรายการนี้" ดังนั้นแทนที่จะสร้างเงื่อนไขขึ้นมาอย่างอิสระ AI จะจับคู่สิ่งที่เหมาะสมที่สุดจากรายการที่ได้รับอนุมัติ
ข้อควรระวัง: หากคำศัพท์ที่แนะนำโดย AI ไม่ได้อยู่ในคำศัพท์ควบคุม อย่าเพิ่มคำนั้นลงในแค็ตตาล็อก การตัดสินใจเพิ่มข้อกำหนดใหม่ขึ้นอยู่กับผู้เชี่ยวชาญที่รับผิดชอบในการจัดการอำนาจ การเพิ่มคำศัพท์ที่กำหนดเองจะรบกวนความสอดคล้องของแค็ตตาล็อก
มินิเคสสามอัน
กรณีที่ 1 — เร่งรวบรวมเงินบริจาค A public library received a donation of 1,200 books. ผู้เชี่ยวชาญด้านการจัดทำรายการให้ AI อ่านหน้าสำนักพิมพ์ของหนังสือแต่ละเล่มและสร้างร่างของ Dublin Core เวลาต่อการบันทึกลดลงจาก 9 นาทีเป็น 3.5 นาที The expert devoted the remaining time to authority checking and verification; The total time was reduced by approximately 55%, but no records entered the system without being verified.
กรณีที่ 2 – จับ ISBN ปลอมได้ ผู้เชี่ยวชาญให้ AI สร้างร่างหนังสือ 30 เล่ม ระหว่างตรวจสอบพบว่า ISBN ในบันทึกทั้ง 4 รายการเป็นของปลอม โดย AI เขียนตัวเลข 13 หลักที่ดูสมเหตุสมผล ทั้งๆ ที่เขาไม่ทราบหมายเลขจริงของหนังสือก็ตาม ขั้นตอนการตรวจสอบช่วยป้องกันไม่ให้ ISBN ที่ไม่ถูกต้องสี่รายการปรากฏอยู่ในแค็ตตาล็อก
กรณีที่ 3 — แก้ไขความไม่สอดคล้องกันของอำนาจ A library found an author as "J. Smith" in some records, "John Smith" in others, "Smith, John" in others. AI was matched to the authority file, bringing all records into a single approved format ("Smith, John, 1965-"); หากงานนี้ดำเนินการด้วยตนเองอาจใช้เวลาหลายวัน แต่ด้วยคำแนะนำของ AI ก็ลดลงเหลือไม่กี่ชั่วโมง แต่แต่ละนัดได้รับการอนุมัติจากผู้เชี่ยวชาญ
การแปลงย้อนหลังและบันทึกเก่า
ห้องสมุดหลายแห่งมีบันทึกที่ไม่สมบูรณ์หรือล้าสมัยซึ่งป้อนเมื่อหลายปีก่อนโดยมีกฎเกณฑ์ที่แตกต่างกัน การย้ายสิ่งเหล่านี้ไปสู่มาตรฐานปัจจุบันเรียกว่าการแปลงย้อนหลัง และจะยุ่งยากมากเมื่อดำเนินการด้วยตนเอง AI สามารถอ่านบันทึกเก่าและสร้างแบบร่างเพื่อย้ายไปยังโครงสร้างฟิลด์ปัจจุบันได้ เช่น สามารถแยกวิเคราะห์การอ้างอิงข้อความอิสระและแจกจ่ายไปยังฟิลด์ที่ถูกต้อง อย่างไรก็ตาม มีอันตรายสองประการที่นี่ ประการแรก AI สามารถรวบรวมข้อมูลที่ขาดหายไปเพื่อ “ชดเชย”; ประการที่สอง อาจขยายเวลาข้อผิดพลาดในบันทึกเก่าโดยการคัดลอกเป็นรูปแบบใหม่แทนที่จะแก้ไข ดังนั้น ในการเปลี่ยนแปลงย้อนหลัง ผลลัพธ์ของ AI ควรได้รับการตรวจสอบอย่างเป็นระบบ ไม่ใช่โดยการสุ่มตัวอย่าง แต่โดยสาขาที่สำคัญ (ผู้เขียน ปี ตัวเลขระบุ) แนวปฏิบัติที่ดีคือการแสดงบันทึกก่อนและหลังการแปลงคู่กัน ทำให้มองเห็นการเปลี่ยนแปลงแต่ละรายการได้ ดังนั้นผู้เชี่ยวชาญจึงสามารถเห็นได้อย่างรวดเร็วว่าสิ่งใดถูกเคลื่อนย้าย สิ่งใดเปลี่ยนแปลงไป และสิ่งที่อาจถูกสร้างขึ้น
Attention: The draft metadata produced by the AI should not be transferred to the system as a batch without reviewing it one by one. A mass error corrupts hundreds of records at once, and retrieving is much more troublesome than producing. It is safest to produce and verify in small batches.
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) โครงร่างหลักของดับลิน:
บทบาทของคุณ: ผู้ช่วยแค็ตตาล็อก Fill in the Dublin Core fields from the following byline text: Title, Creator, Subject, Description, Publisher, Date, Genre, Format, Language. ใช้เฉพาะข้อมูลที่ชัดเจนในข้อความ Leave the missing field "[no information]", do not guess. ข้อความที่ประทับ: [ที่นี่]
2) โครงร่างฟิลด์ MARC:
เสนอโครงร่างสำหรับฟิลด์ MARC ต่อไปนี้จากข้อมูลหนังสือด้านล่าง: 245 (ชื่อเรื่อง/เครดิต), 100 (ผู้เขียนหลัก), 260/264 (สิ่งพิมพ์), 300 (คำอธิบายทางกายภาพ), 650 (หัวเรื่อง) Mark any field you are unsure of as "[needs verification]". ข้อมูล: [ที่นี่]
3) การจับคู่หัวข้อจากคำศัพท์ควบคุม:
ด้านล่างนี้คือข้อมูลสรุปของแหล่งที่มาและรายการข้อกำหนดของหัวข้อที่ได้รับอนุมัติ จับคู่เฉพาะคำที่เหมาะสมที่สุด 3-5 คำจากรายการไปยังแหล่งที่มา หากไม่มีคำศัพท์ที่เหมาะสมในรายการ ให้เขียนว่า "ไม่มีคำศัพท์ที่เหมาะสมในรายการ" ไม่ต้องสร้างคำศัพท์ใหม่ สรุป: [ที่นี่] / รายการคำศัพท์: [ที่นี่]
4) การควบคุมแบบฟอร์มอำนาจ:
จับคู่ชื่อผู้แต่งด้านล่างกับแบบฟอร์มที่ได้รับอนุมัติในรายชื่อผู้มีอำนาจที่ฉันให้ไว้ สำหรับแต่ละชื่อ: รูปแบบในบันทึก -> รูปแบบที่อนุมัติ หากไม่มีรายการเทียบเท่า ให้เขียนว่า "ไม่มีบันทึกอำนาจ" ชื่อ: [ที่นี่] / รายชื่อผู้มีอำนาจ: [ที่นี่]
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
แยกข้อมูลแคตตาล็อกสำหรับหนังสือเล่มต่อไปนี้: "ปัญญาประดิษฐ์และสังคม"
มีเพียงชื่อเรื่องเท่านั้นที่ได้รับ AI ถูกบังคับให้ประกอบด้วยผู้แต่ง, ปี, ผู้จัดพิมพ์ และ ISBN ไม่มีมาตรฐานเป้าหมาย ผลลัพธ์: บันทึกที่น่าเชื่อแต่อาจเป็นเท็จ
พรอมต์อันทรงพลัง:
บทบาทของคุณ: ผู้ช่วยแค็ตตาล็อก ด้านล่างนี้คือข้อความเต็มของหน้าสำนักพิมพ์ของหนังสือ กรอกข้อมูลในฟิลด์ Dublin Core จากสิ่งนี้ ใช้ข้อมูลที่ระบุไว้อย่างชัดเจนในข้อความเท่านั้น เว้นช่องที่ไม่ใช่ข้อความว่างไว้แล้วเขียน "[ไม่มีข้อมูล]" ไม่มีวันที่ ชื่อ หรือ ISBN ถูกสร้างขึ้น ข้อความที่ประทับ: [ข้อความเต็มที่นี่]
ข้อความแจ้งอันทรงพลังจะจำกัด AI ให้แสดงข้อมูลทางสายย่อยจริง และบังคับให้ปล่อยว่างไว้แทนที่จะสร้างเป็นข้อมูลขึ้นมา
ฟิลด์ข้อมูลเมตาและตารางการตรวจสอบ
พื้นที่
ความเสี่ยงจากการประดิษฐ์
วิธีการตรวจสอบ
ชื่อเรื่อง
ต่ำ
เปรียบเทียบกับหน้าสำนักพิมพ์
รูปแบบผู้แต่ง/ผู้มีอำนาจ
ปานกลาง
ค้นหาในไฟล์สิทธิ์
ปีที่พิมพ์
สูง
ยืนยันด้วยสำนักพิมพ์/โคโลโฟน
ไอเอสบีเอ็น
สูงมาก
การควบคุมแบบตัวต่อตัวด้วยบาร์โค้ด/แหล่งที่มา
ระยะหัวเรื่อง
สูง
จับคู่คำศัพท์ที่มีการควบคุม
ข้อผิดพลาดทั่วไป
- เพียงขอข้อมูลเมตาจากชื่อเรื่อง ข้อมูลที่ไม่สมบูรณ์ผลักดันให้ AI สร้างสรรค์สิ่งต่างๆ
- ไม่ระบุมาตรฐานเป้าหมาย การจัดรูปแบบตามอำเภอใจจะรบกวนความสอดคล้องของบันทึก
- ยอมรับ ISBN และปีโดยไม่ต้องตรวจสอบ พื้นที่เหล่านี้มีความเสี่ยงสูงสุดในการประดิษฐ์
- การหยิบศัพท์จากนอกคำศัพท์ที่ถูกควบคุม ความสม่ำเสมอและความพร้อมใช้งานถูกบุกรุก
- ข้ามการควบคุมอำนาจ ผู้เขียนคนเดียวกันกระจัดกระจายในรูปแบบที่แตกต่างกัน ผู้ใช้พลาดแหล่งที่มา
โดยสรุป
ในการสร้างข้อมูลเมตา AI เป็นตัวช่วยอันทรงพลังที่ดึงข้อมูลสำนักพิมพ์ได้อย่างรวดเร็ว และลดระยะเวลาในการจัดทำรายการลงอย่างมาก แต่ราคาของประสิทธิภาพการทำงานนั้นได้รับการตรวจสอบอย่างเข้มงวดต่อความเสี่ยงของการประดิษฐ์: ทำให้มาตรฐานเป้าหมาย (MARC, Dublin Core) ชัดเจน ใช้งาน AI ด้วยความรู้คำศัพท์จริงเท่านั้น แมปเงื่อนไขของหัวเรื่องจากคำศัพท์ที่ได้รับการควบคุม และตรวจสอบความถูกต้องของแบบฟอร์มอำนาจ แทนที่จะสร้างช่องว่าง AI ควรเว้นว่างไว้โดยสุจริต คุณคงการอนุมัติขั้นสุดท้ายไว้
งานสมัคร
มอบข้อความหน้าสำนักพิมพ์ของหนังสือจริงที่คุณมีให้กับ AI ด้วยเทมเพลต "Dublin Core Draft" และรับฉบับร่าง จากนั้นให้สร้างหนังสือเล่มเดียวกันโดยมีเพียงชื่อเรื่อง ("Weak prompt") และเปรียบเทียบผลลัพธ์ทั้งสอง: ฟิลด์ใดที่ถูกสร้างขึ้น? จากนั้น ด้วยเทมเพลต "การแมปหัวข้อจากคำศัพท์ที่ควบคุม" ให้รายการคำศัพท์ที่ได้รับอนุมัติสั้นๆ เพื่อให้หัวข้อตรงกัน และตรวจสอบว่า AI หลุดออกจากรายการหรือไม่
รายการตรวจสอบ
- [ ] I gave the real identity information of the source to the AI, I did not leave it to guessing.
- [ ] ฉันได้ระบุมาตรฐานข้อมูลเมตาเป้าหมายไว้อย่างชัดเจน (MARC/Dublin Core)
- [ ] ฉันได้ตรวจสอบปีที่พิมพ์และ ISBN แบบคำต่อคำกับแหล่งที่มาดั้งเดิมแล้ว
- [ ] ฉันจับคู่คำศัพท์ของหัวข้อจากคำศัพท์ที่ได้รับการควบคุม
- [ ] ฉันได้ยืนยันรูปแบบการมอบอำนาจด้วยบันทึกที่ได้รับอนุมัติแล้ว