Mga nadagdag:
- Kakayahang paikliin ang oras ng pag-catalog sa pamamagitan ng paggawa ng draft na metadata alinsunod sa mga pamantayan tulad ng MARC at Dublin Core mula sa totoong imprint na impormasyon
- Kakayahang i-verify ang mga patlang na may mataas na panganib ng katha, tulad ng taon ng publikasyon, ISBN, pangalan ng may-akda, na may orihinal na pinagmulan at mga tuntunin sa mapa ng paksa mula sa kinokontrol na bokabularyo
- Kakayahang gawing solong inaprubahan ang mga format ng may-akda at paksa na may kontrol sa awtoridad at mapanatili ang pagkakapare-pareho ng catalog
Ang pag-catalog ay ang hindi nakikita ngunit pinakapangunahing trabaho ng librarianship. Ang pagtuklas ng isang mapagkukunan (aklat, artikulo, mapa, sound recording, digital file) ay posible gamit ang tamang metadata. Ang metadata ay nangangahulugang "data tungkol sa data": nakabalangkas na impormasyon na naglalarawan sa pamagat ng mapagkukunan, may-akda, taon ng publikasyon, paksa, wika, at pisikal na katangian. Kung maganda ang metadata, mahahanap ng user ang mapagkukunan; Kung ito ay masama o hindi kumpleto, ang mapagkukunan ay nawala kahit na ito ay umiiral. Sa unit na ito matututunan mo kung paano gumamit ng artificial intelligence sa pagbuo ng draft ng metadata, ngunit kung paano tiyakin ang pagsunod at katumpakan sa mga pamantayan.
Tukuyin muna natin ang dalawang konsepto. Ang MARC (Machine-Readable Cataloging) ay isang format ng talaan na ginamit ng mga aklatan sa loob ng mga dekada na naglalagay ng bawat piraso ng impormasyon sa mga may bilang na field; Halimbawa, nasa field 245 ang pamagat at nasa field 100 ang pangunahing may-akda. Ang Dublin Core ay isang pinasimpleng pamantayan ng metadata para sa mga digital na mapagkukunan, na binubuo ng 15 pangunahing mga field (pamagat, tagalikha, paksa, petsa, genre, atbp.). Tinitiyak ng mga pamantayang ito na ang mga talaan mula sa iba't ibang mga aklatan ay maaaring makipag-usap sa isa't isa.
Hakbang-hakbang: pagbuo ng draft metadata gamit ang artificial intelligence
1. Kolektahin ang impormasyon ng pagkakakilanlan ng pinagmulan. Ang pabalat ng aklat, ang pahina ng pamagat, ang mga nilalaman o ang teksto ng isang digital na file. Gumagana lamang ang AI mula sa impormasyong ibibigay mo dito; Kung magbibigay ka ng hindi kumpletong impormasyon, gumagawa ito ng hindi kumpleto o gawa-gawang metadata.
2. Tukuyin ang target na pamantayan. Bigyan ang AI ng isang malinaw na target, gaya ng “by Dublin Core fields” o “by MARC 245, 100, 260, 650 fields.” Kung hindi mo tinukoy ang isang pamantayan, ito ay gumagawa ng isang arbitrary na format.
3. Gumawa ng burador. Binabalangkas ng AI ang pamagat, pahayag ng pananagutan, impormasyon sa publikasyon, at panukala sa paksa mula sa impormasyong ibibigay mo.
4. Magsagawa ng kontrol sa awtoridad. Ang isang awtoritatibong tala ay isa na nagtatatag ng nag-iisang, karaniwang anyo ng pangalan, institusyon, o paksa ng isang may-akda (hal., "Atatürk, Mustafa Kemal, 1881-1938"). AI ay maaaring magsulat ng isang pangalan sa iba't ibang paraan; Sinusuri at itinatama mo ang naaprubahang format ng awtoridad.
5. I-verify at kumpirmahin. Ihambing ang bawat field sa orihinal na pinagmulan. Sa partikular, ang tumpak na impormasyon tulad ng taon ng publikasyon, ISBN at pangalan ng may-akda ay napakadaling mapeke ng AI.
Pahiwatig: Bigyan ang AI ng larawan o teksto ng aktwal na pahina ng kredito ng pinagmulan; Huwag sabihing "hulaan ang pangalan ng libro". Pinapahina ng predictive metadata ang pagiging maaasahan ng catalog. Kumpiyansa na nagsusulat ang AI kapag gumagawa ng mga hula, at maliligaw ka nito.
Kinokontrol na bokabularyo at pagkakapare-pareho
Ang pagkakapare-pareho ang lahat ng bagay sa pag-catalog. Kung isinulat ang parehong paksa na may dalawang magkaibang termino sa dalawang magkaibang talaan, mahahanap ng user ang isa at mami-miss ang isa pa. Iyon ang dahilan kung bakit gumagamit ang mga aklatan ng kinokontrol na bokabularyo — isang naaprubahan, karaniwang listahan ng mga termino. Kapag nagmumungkahi ng mga termino mula sa libreng text, maaaring piliin ng AI ang kolokyal na katumbas nito kaysa sa opisyal na termino sa listahang ito. Halimbawa, ang AI ay maaaring sumulat ng "atake sa puso"; samantalang ang inaprubahang termino ay maaaring "myocardial infarction".
Ang solusyon ay bigyan ang AI ng kinokontrol na bokabularyo at sabihing "pumili lang mula sa listahang ito". Kaya sa halip na malayang gumawa ng mga tuntunin, ang AI ay tumutugma sa pinakaangkop na isa mula sa naaprubahang listahan.
Babala: Kung ang isang paksang termino na iminungkahi ng AI ay wala sa kinokontrol na bokabularyo, huwag idagdag ang terminong iyon sa catalogue. Ang desisyon na magdagdag ng mga bagong termino ay nasa ekspertong responsable para sa pamamahala ng awtoridad; Ang pagdaragdag ng mga arbitrary na termino ay nakakagambala sa pagkakapare-pareho ng catalogue.
tatlong mini case
Case 1 — Pinabilis ang pangongolekta ng donasyon. Isang pampublikong aklatan ang tumanggap ng donasyon na 1,200 aklat. Pinabasa ng espesyalista sa pag-catalog ang AI ang imprint page ng bawat libro at gumawa ng draft ng Dublin Core; Bumaba ang oras sa bawat pag-record mula 9 minuto hanggang 3.5 minuto. Inilaan ng dalubhasa ang natitirang oras sa pagsusuri at pagpapatunay ng awtoridad; Ang kabuuang oras ay nabawasan ng humigit-kumulang 55%, ngunit walang record na pumasok sa system nang hindi nabe-verify.
Kaso 2 — Nahuli ang pekeng ISBN. Isang eksperto ang nagpagawa ng AI ng mga draft ng 30 libro. Sa panahon ng pagsusuri, nalaman niyang peke ang ISBN sa 4 na talaan: Nagsulat ang AI ng 13-digit na numero na tila makatwiran, kahit na hindi niya alam ang tunay na numero ng aklat. Ang hakbang sa pag-verify ay humadlang sa apat na maling ISBN na maging paulit-ulit sa catalogue.
Kaso 3 - Ang hindi pagkakapare-pareho ng awtoridad ay naitama. Nakita ng isang aklatan ang isang may-akda bilang "J. Smith" sa ilang talaan, "John Smith" sa iba, "Smith, John" sa iba. Ang AI ay itinugma sa file ng awtoridad, na dinadala ang lahat ng mga tala sa isang naaprubahang format ("Smith, John, 1965-"); Kung ang gawaing ito ay ginawa nang manu-mano, aabutin ng mga araw, ngunit sa mungkahi ng AI, nabawasan ito sa ilang oras, ngunit ang bawat laban ay inaprubahan ng eksperto.
Retrospective conversion at mga lumang record
Maraming mga aklatan ang may hindi kumpleto o hindi napapanahong mga talaan na naipasok taon na ang nakalipas na may iba't ibang mga panuntunan. Ang paglipat sa mga ito sa kasalukuyang pamantayan ay tinatawag na retrospective conversion at napakahirap kapag ginawa nang manu-mano. Maaaring basahin ng AI ang isang lumang record at bumuo ng draft para ilipat ito sa kasalukuyang istraktura ng field: halimbawa, maaari itong mag-parse ng isang libreng-text na pagsipi at ipamahagi ito sa mga tamang field. Gayunpaman, mayroong dalawang panganib dito. Una, maaaring buuin ng AI ang nawawalang impormasyon para "mabuo"; pangalawa, maaari itong magpatuloy ng error sa lumang record sa pamamagitan ng pagkopya nito sa bagong format sa halip na itama ito. Samakatuwid, sa retrospective transformation, ang output ng AI ay dapat na sistematikong suriin, hindi sa pamamagitan ng sampling, ngunit sa pamamagitan ng mga kritikal na patlang (may-akda, taon, pagkilala sa mga numero). Ang isang magandang kasanayan ay ang pagpapakita ng mga tala bago at pagkatapos ng conversion nang magkatabi, na ginagawang nakikita ang bawat pagbabago; para makita ng eksperto sa isang sulyap kung ano ang inilipat, kung ano ang nagbago at kung ano ang maaaring gawa-gawa.
Pansin: Ang draft na metadata na ginawa ng AI ay hindi dapat ilipat sa system bilang isang batch nang hindi sinusuri ito nang paisa-isa. Ang isang mass error ay sumisira sa daan-daang mga rekord nang sabay-sabay, at ang pagkuha ay mas mahirap kaysa sa paggawa. Ito ay pinakaligtas na gawin at i-verify sa maliliit na batch.
Apat na maaaring kopyahin na mga template
1) Dublin Core outline:
Ang iyong tungkulin: assistant cataloguer. Punan ang Dublin Core na mga field mula sa sumusunod na byline na text: Pamagat, Tagalikha, Paksa, Paglalarawan, Publisher, Petsa, Genre, Format, Wika. Gumamit lamang ng impormasyon na malinaw sa teksto; Iwanan ang nawawalang field na "[walang impormasyon]", huwag hulaan. I-print ang teksto: [dito]
2) Balangkas ng field ng MARC:
Magmungkahi ng mga balangkas para sa mga sumusunod na field ng MARC mula sa impormasyon ng aklat sa ibaba:245 (pamagat/kredito), 100 (pangunahing may-akda), 260/264 (publiko),300 (pisikal na paglalarawan), 650 (paksa). Markahan ang anumang field na hindi ka sigurado bilang "[kailangan ng pag-verify]". Impormasyon: [dito]
3) Pagtutugma ng paksa mula sa kinokontrol na bokabularyo:
Nasa ibaba ang isang buod ng pinagmulan at isang listahan ng mga naaprubahang termino ng paksa. Itugma lamang ang 3-5 pinakaangkop na termino mula sa listahan hanggang sa pinagmulan. Kung walang angkop na termino sa listahan, isulat ang "walang angkop na termino sa listahan", huwag gumawa ng mga bagong termino. Buod: [dito] / Listahan ng termino: [dito]
4) Kontrol sa form ng awtoridad:
Itugma ang mga pangalan ng may-akda sa ibaba sa mga aprubadong form sa listahan ng awtoridad na ibinigay ko. Para sa bawat pangalan: format sa talaan -> naaprubahang format. Kung walang katumbas sa listahan, isulat ang "no authority record". Mga Pangalan: [dito] / Listahan ng awtoridad: [dito]
Mahinang prompt / Malakas na prompt
Mahinang prompt:
I-extract ang impormasyon sa pag-catalog para sa sumusunod na aklat: "Artificial Intelligence and Society".
Ang pamagat lamang ang ibinigay; Ang AI ay pinipilit na bumuo ng may-akda, taon, publisher, at ISBN. Walang target na pamantayan. Resulta: isang nakakumbinsi ngunit malamang na maling talaan.
Napakahusay na prompt:
Ang iyong tungkulin: assistant cataloguer. Nasa ibaba ang buong teksto ng imprint page ng libro. Punan ang mga patlang ng Dublin Core mula dito. Gumamit lamang ng impormasyong malinaw na nakasaad sa teksto; Iwanang blangko ang field na hindi teksto at isulat ang "[walang impormasyon]". Walang mga petsa, pangalan o ISBN ang nabuo. I-imprint ang teksto: [buong teksto dito]
Nililimitahan ng malakas na prompt ang AI sa totoong byline na impormasyon at pinipilit itong tapat na mag-iwan ng mga blangko sa halip na gawin ang mga ito.
Metadata field at validation table
lugar
Panganib ng katha
Paano i-verify
Pamagat
mababa
Ikumpara sa imprint page
Format ng may-akda/awtoridad
daluyan
Maghanap sa file ng awtoridad
Taon ng publikasyon
mataas
Kumpirmahin gamit ang imprint/colophone
ISBN
napakataas
One-to-one na kontrol gamit ang barcode/source
Termino ng paksa
mataas
Tugma sa kinokontrol na bokabularyo
Mga karaniwang pagkakamali
- Humihiling lamang ng metadata mula sa pamagat. Ang hindi kumpletong impormasyon ay nagtutulak sa AI na gumawa ng mga bagay-bagay.
- Hindi tinukoy ang target na pamantayan. Ang di-makatwirang pag-format ay nakakagambala sa pagkakatugma ng mga talaan.
- Pagtanggap sa ISBN at taon nang hindi ito bini-verify. Ang mga lugar na ito ay nagdadala ng pinakamataas na panganib ng katha.
- Ang pagkuha ng paksang termino mula sa labas ng kinokontrol na bokabularyo. Nakompromiso ang pagkakapare-pareho at kakayahang magamit.
- Paglampas sa kontrol ng awtoridad. Ang parehong may-akda ay nagkakalat sa iba't ibang mga format, ang gumagamit ay nakakaligtaan ang pinagmulan.
Sa buod
Sa pagbuo ng metadata, ang AI ay isang makapangyarihang katulong na mabilis na kumukuha ng impormasyon ng imprint at makabuluhang nagpapaikli sa oras ng pag-catalog. Ngunit ang presyo ng produktibidad ay mahigpit na pagpapatunay laban sa mga panganib ng katha: gawing malinaw ang target na pamantayan (MARC, Dublin Core), patakbuhin lamang ang AI na may tunay na kaalaman sa byword, mapa ang mga tuntunin ng paksa mula sa mga kinokontrol na bokabularyo, at patunayan ang mga form ng awtoridad. Sa halip na gumawa ng mga puwang, ang AI ay dapat na matapat na iwan itong blangko; Panatilihin mo ang huling pag-apruba.
Gawain ng aplikasyon
Ibigay ang teksto ng imprint page ng isang tunay na aklat na mayroon ka sa AI na may template na "Dublin Core draft" at kumuha ng draft. Pagkatapos ay gawin ang parehong aklat na may pamagat lamang ("Mahina ang prompt") at ihambing ang dalawang output: aling mga field ang ginawa? Pagkatapos, gamit ang template na "Pagmamapa ng paksa mula sa kinokontrol na bokabularyo," magbigay ng maikling listahan ng mga naaprubahang termino upang maitugma ang paksa at tingnan kung wala ang AI sa listahan.
checklist
- [ ] Ibinigay ko ang tunay na impormasyon ng pagkakakilanlan ng pinagmulan sa AI, hindi ko ito hinayaan sa paghula.
- [ ] Malinaw kong tinukoy ang target na pamantayan ng metadata (MARC/Dublin Core).
- [ ] Na-verify ko na ang taon ng publikasyon at ISBN verbatim gamit ang orihinal na pinagmulan.
- [ ] Na-map ko ang mga termino ng paksa mula sa kinokontrol na bokabularyo.
- [ ] Kinumpirma ko ang mga anyo ng awtoridad na may naaprubahang rekord.