Mga nadagdag:
- Kakayahang tukuyin ang pagkakaiba sa pagitan ng batay sa nilalaman at pakikipagtulungan na mga diskarte sa rekomendasyon at maiwasan ang mga pekeng mapagkukunan sa pamamagitan ng pag-verify sa bawat rekomendasyon sa tunay na koleksyon
- Kakayahang basagin ang filter bubble na may malay na pagkakaiba-iba at magpakita ng mga mungkahi na may malinaw na mga katwiran
- Pinoprotektahan ang privacy ng pagbabasa at kasaysayan ng paghahanap ng user at secure na pinoproseso ang data na ito
Maaaring magtanong ang isang mambabasa na "Natapos ko ang aklat na ito, ano ang susunod kong babasahin?" ', ang isang mahusay na librarian ay nagrerekomenda ng mga mapagkukunang naaangkop sa kanyang interes, antas at layunin. Sa digital world, ginagawa ito ng mga system ng rekomendasyon sa sukat: nagrerekomenda sila ng mga bagong mapagkukunan sa pamamagitan ng pagtingin sa dating interes ng isang user o sa mga katangian ng isang mapagkukunan. Sa unit na ito, matututunan mo kung paano gumagana ang mga sistema ng rekomendasyong batay sa artificial intelligence, kung ano ang dinadala ng mga ito sa library, at kung paano pamahalaan ang mga panganib gaya ng privacy, bias at "filter bubble".
Tukuyin natin ang mga konsepto. Ang rekomendasyong nakabatay sa nilalaman ay tumitingin sa mga katangian ng isang pinagmulan (paksa, may-akda, genre) at nagrerekomenda ng mga katulad na mapagkukunan: "Kung nagustuhan mo ang aklat ng kasaysayan na ito, maaari mo ring magustuhan ang isang ito, na sumasaklaw sa parehong panahon." Gumagana ang collaborative na pag-filter sa prinsipyo ng "nagustuhan din ito ng ibang mga user na nagustuhan ang mga mapagkukunang tulad mo." Ang bubble ng filter ay kapag ang isang sistema ng rekomendasyon ay nagla-lock sa user sa patuloy na magkakatulad na nilalaman at inilalayo sila sa bago at iba't ibang pananaw. Ang isang magandang rekomendasyon sa library ay parehong nakakakuha ng interes at nakakasira ng bubble.
Hakbang-hakbang: isang responsableng diskarte sa payo
1. Linawin ang layunin. Ano ang layunin ng panukala? Gusto mo bang ipagpatuloy ng user ang pagbabasa, palawakin ang kanilang pananaw, o maghanap ng mga mapagkukunan para sa isang partikular na tanong sa pananaliksik? Tinutukoy ng layunin ang uri ng rekomendasyon.
2. I-verify ang pinagmulan at pagiging tunay. Maaaring gumawa ang AI ng mga hindi umiiral na aklat kapag gumagawa ng mga mungkahi. I-verify na ang bawat iminungkahing mapagkukunan ay aktwal na umiiral sa koleksyon o sa isang maaasahang katalogo.
3. Panatilihin ang pagkakaiba-iba. Ang pagrerekomenda lamang ng "pinakakatulad" ay lumilikha ng filter na bubble. Sinasadyang isama ang iba't ibang pananaw, iba't ibang may-akda, at iba't ibang antas. Ang gawain ng aklatan ay upang buksan ang mga abot-tanaw, hindi upang ikulong ang mga ito sa ekolohiya.
4. Protektahan ang privacy. Ginagamit ng personalized na rekomendasyon ang kasaysayan ng pagbabasa ng user at napakatumpak nito. Huwag ibigay ang data na ito sa mga pangkalahatang tool ng AI; Iproseso lamang sa loob ng mga secure na system ng institusyon, na may pahintulot ng user.
5. Maging transparent. Ipaliwanag sa user kung bakit ginawa ang rekomendasyon: "Inirerekomenda ang mapagkukunang ito dahil nauugnay ito sa paksang interesado ka." Pinalalakas ng transparency ang tiwala at kaalaman sa impormasyon.
Tip: Maingat na magdagdag ng isang "medyo naiiba" na mapagkukunan sa isang listahan ng mga mungkahi at sabihin: "Ang mga ito ay malapit sa iyong lugar ng interes; idinagdag ko ito bilang isang refresher." Pareho nitong sinisira ang bubble ng filter at ipinapakita ang halaga ng pagtuklas ng library.
Etikal na dimensyon ng panukala
Ang mga sistema ng rekomendasyon ay mukhang inosente ngunit lumilikha ng makapangyarihang mga epekto. Aling mga mapagkukunan ang inirerekomenda sa isang gumagamit na humuhubog sa kanyang mundo ng impormasyon. Kung ang system ay nagha-highlight lamang ng mga mapagkukunan na sikat o mula lamang sa isang partikular na pananaw, ang mga boses ng minorya, magkakaibang pananaw, at hindi gaanong kilalang mahahalagang mapagkukunan ay hindi makikita. Maaaring palakasin ng AI ang trend na ito sa pamamagitan ng pagmamana ng kasikatan at bias sa data ng pagsasanay.
Dito pumapasok ang halaga ng pagiging librarian: ang aklatan ay hindi isang komersyal na engine ng rekomendasyon; Ang misyon nito ay tiyakin ang pantay at magkakaibang pag-access sa impormasyon. Responsibilidad ng librarian na ihanay ang sistema ng rekomendasyon sa halagang ito.
Pansin: Ang pagbabasa at kasaysayan ng paghahanap ng user ay isa sa pinakasensitibong data sa privacy. Ang binabasa ng isang tao ay maaaring magbunyag ng impormasyon tungkol sa kanyang kalusugan, pampulitikang pananaw, paniniwala, o personal na krisis. Huwag kailanman ilipat ang data na ito kasama ang pagkakakilanlan nito sa mga panlabas na system; Ang anonymization at pahintulot ay mahalaga.
tatlong mini case
Kaso 1 — Nagtagumpay ang rekomendasyong nakabatay sa nilalaman. Gumamit ang library ng paaralan ng content-based na system para magrekomenda ng mga mapagkukunan sa mga mag-aaral na katulad ng librong binabasa nila. Isang estudyante ang nakatapos ng isang science fiction novel; Inirerekomenda ng system ang tatlong aklat na sumasaklaw sa parehong tema ngunit mula sa ibang may-akda. Ang estudyante ay humiram ng dalawa; Nagpatuloy ang ugali sa pagbabasa. Nauna nang nakumpirma ng librarian na ang lahat ng mga mungkahi ay talagang umiiral sa koleksyon.
Kaso 2 — Nahuli ang pekeng mungkahi. Hiniling ng isang librarian sa AI na magrekomenda ng 8 aklat sa isang user. Sinuri niya ang listahan sa catalogue: 3 sa 8 mga libro ang nawawala; Ang AI ay gumawa ng mga kapani-paniwalang headline. Pinigilan ng hakbang sa pag-verify ang mga hindi umiiral na aklat na irekomenda sa user.
Case 3 — Nabasag ang lobo ng filter. Ang isang mananaliksik ay patuloy na nagtatrabaho sa mga mapagkukunan na may parehong punto ng view, at ang system ay palaging nagmumungkahi ng mga katulad. Ang librarian ay sadyang nagsama ng dalawang mapagkukunan na nagpakita ng isang magkaibang diskarte sa paksa at ginawa itong malinaw. Dahil lamang sa mga magkasalungat na mapagkukunang ito napagtanto ng mananaliksik ang hindi kumpletong aspeto ng kanyang pag-aaral.
Malamig na simula at bagong isyu ng user
Ang isang kilalang hamon ng mga system ng nagrerekomenda ay ang malamig na problema sa pagsisimula: hindi alam ng system kung ano ang irerekomenda sa isang bagong user o isang mapagkukunan na idinagdag lamang sa koleksyon kung saan walang makasaysayang data. Sa kasong ito, maraming mga sistema ang bumaling sa pinakasikat na mapagkukunan bilang ligtas na opsyon; Nangangahulugan ito na ang maliit na kilalang mahahalagang mapagkukunan ay hindi inirerekomenda sa lahat at ang kasikatan ay kumakain sa sarili nito. Sa mga tuntunin ng librarianship, sumasalungat ito sa halaga ng pantay na pag-access. Ang solusyon ay tanungin ang bagong user ng maikli, malinaw na katanungan sa kagustuhan (aling mga paksa, aling antas, aling layunin) bago gumawa ng rekomendasyon at i-highlight ang mga bagong idinagdag na mapagkukunan batay sa kanilang mga katangian ng nilalaman. Sa puntong ito, sa pamamagitan ng pagsusuri sa paksa at mga tampok ng isang mapagkukunan, maaaring i-link ng AI ang kahit isang aklat na hindi pa hiniram sa may-katuturang user; basta ang mungkahi ay galing sa tunay na koleksyon at napatunayan. Kaya, nakikita ng sistema hindi lamang ang "napakamahal" kundi pati na rin ang "kaugnay at mahalaga".
Tip: Kapag nagse-set up ng rekomendasyon para sa isang bagong user, i-base ito sa mga kasalukuyang pangangailangan ng user sa halip na sa makasaysayang data ng system. Ang isang magandang tanong ("para sa pananaliksik ba ito, para sa kasiyahan, hanggang sa anong antas?") ay kadalasang gumagawa ng mas tumpak na rekomendasyon kaysa sa mga buwan ng data ng pag-uugali.
Apat na maaaring kopyahin na mga template
1) Rekomendasyon ng katulad na mapagkukunan na batay sa nilalaman:
Nasa ibaba ang paksa/buod ng isang mapagkukunan na nagustuhan ng isang user. Nagbigay din ako ng listahan ng mga kasalukuyang mapagkukunan sa aming koleksyon. Mula lamang sa listahang ito, magmungkahi ng 5 mapagkukunan na katulad ng paksa at sumulat ng isang pangungusap na katwiran para sa bawat isa. Hindi nakalista ang mga nagmumungkahi na mapagkukunan. Paboritong pinagmulan: [dito] / Listahan ng koleksyon: [dito]
2) Mungkahi na nagdaragdag ng pagkakaiba-iba:
Sa listahan ng mga mungkahi sa ibaba, magdagdag ng 2 mapagkukunan na magpapalawak sa abot-tanaw ng user at mag-aalok ng ibang pananaw o subtopic (mula lang sa listahan ng koleksyon na ibinigay ko). Ipaliwanag kung bakit naiiba ang mga ito at mahalaga. Listahan: [dito] / Koleksyon: [dito]
3) Paliwanag ng dahilan para sa rekomendasyon:
Para sa bawat rekomendasyon sa ibaba, sumulat ng maikli, malinaw na katwiran na maaaring ipakita sa user: "Inirerekomenda ang mapagkukunang ito dahil..." Walang pagmamalabis, walang implikasyon ng personal na data. Mga Mungkahi: [dito]
4) Paunang pagsusuri sa privacy:
Naglalaman ba ang sumusunod na entry ng suhestyon na nagpapakilala o sensitibong impormasyon (nagpapahiwatig ng kalusugan, paniniwala, pananaw sa pulitika)? Kung gayon, markahan ito at imungkahi kung paano ito i-anonymize. Input: [dito]
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Magrekomenda ng 10 aklat para basahin ng user na ito.
Ang AI ay bumubuo ng mga mungkahi mula sa pandaigdigang memorya nito nang hindi nalalaman ang koleksyon; Maaari siyang gumawa ng mga aklat na wala at hindi iginagalang ang pagkakaiba-iba at privacy.
Napakahusay na prompt:
Ang iyong tungkulin: tagapayo sa mambabasa. Nasa ibaba ang paksang nagustuhan ng user at ang listahan ng mga totoong mapagkukunan sa aming koleksyon. (1) Magmungkahi ng 5 mapagkukunan na may kaugnayan sa paksa mula sa listahan. (2) Magdagdag din ng 2 source na may iba't ibang pananaw na magbubukas ng iyong mga mata. (3) Sumulat ng malinaw na katwiran para sa bawat mungkahi. Huwag umalis sa listahan, gumawa ng mga mapagkukunan, o magpahiwatig ng personal na data. Paksa: [dito] / Koleksyon: [dito]
Napakahusay na prompt; nililimitahan ito sa aktwal na koleksyon, humihingi ng pagkakaiba-iba, at nagdaragdag ng katwiran at panuntunan sa privacy.
Chart ng paghahambing ng uri ng rekomendasyon
Uri ng mungkahi
malakas na punto
panganib
Tungkulin ng Librarian
batay sa nilalaman
Mahusay na nakakakuha ng atensyon
bula ng filter
Magdagdag ng iba't-ibang
nagtutulungan
sorpresang pagtuklas
Privacy, bias sa kasikatan
Anonymity, balanse
Listahan ng produksyon ng AI
mabilis
gawang pinagmulan
patunayan ang katotohanan
Mga karaniwang pagkakamali
- Nag-aalok ng mga mungkahi nang walang pag-verify. Ang AI ay maaaring bumuo ng mga hindi umiiral na mapagkukunan.
- Inirerekomenda lang ang "pinaka kapareho". Ang filter bubble ay nagpapaliit sa mga abot-tanaw ng user.
- Pag-export ng kasaysayan ng pagbabasa sa panlabas na tool. Ito ang pinakasensitibong data ng privacy.
- Paglalahad ng mungkahi nang walang katwiran. Sinusuportahan ng transparency ang tiwala at literacy.
- Hindi pinapansin ang bias ng kasikatan. Ang mahalaga ngunit hindi gaanong kilala na mga mapagkukunan ay nawala.
Sa buod
Ang mga sistema ng rekomendasyon ay makapangyarihang mga tool na nagpapadali sa pagtuklas sa pamamagitan ng pagkuha ng interes ng user; Ang mga diskarte na nakabatay sa nilalaman at collaborative ay may iba't ibang lakas at panganib. Ang AI ay mabilis sa pagbuo ng mga mungkahi, ngunit maaaring mag-imbento ng mga hindi umiiral na mapagkukunan, pag-filter ng mga bula at pagpapatibay ng bias. Ang trabaho ng librarian; Upang i-verify ang bawat mungkahi sa tunay na koleksyon, upang basagin ang bubble na may malay na pagkakaiba-iba, upang protektahan ang privacy ng user at upang mapanatili ang halaga ng pantay at magkakaibang pag-access ng library sa pamamagitan ng pagpapakita ng mga mungkahi na may malinaw na mga dahilan.
Gawain ng aplikasyon
Maghanda ng maikling listahan ng mga makatotohanang koleksyon (10-15 source). Bumuo ng rekomendasyon para sa isang user gamit ang template na "nakabatay sa nilalaman na katulad na rekumendasyon" at i-verify na lahat sila ay talagang umiiral sa listahan. Pagkatapos, magdagdag ng mga source na may iba't ibang pananaw sa listahan gamit ang template na "Suggestion that adds diversity." Panghuli, gumawa ng malinaw na paliwanag para sa bawat mungkahi gamit ang template na "Pagpapaliwanag ng katwiran ng mungkahi" at planuhin kung paano mo ito ipapakita sa user.
checklist
- [ ] Na-verify ko na ang bawat mungkahi ay talagang umiiral sa koleksyon.
- [ ] Nagdagdag ako ng iba't-ibang para masira ang filter bubble.
- [ ] Pinapanatili kong ligtas ang kasaysayan ng pagbabasa/paghahanap ng gumagamit, hindi ko ito ibinigay sa isang panlabas na tool.
- [ ] Naghanda ako ng malinaw na katwiran para sa bawat mungkahi.
- [ ] Upang maiwasan ang bias sa kasikatan, binantayan ko ang mga hindi gaanong kilala at mahalagang mga mapagkukunan.