How to incorporate artificial intelligence (AI) into your library workflow
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This paper aims to highlight the recent developments in artificially intelligent chatbots and how the resulting tools can be incorporated into the daily workflow of library work. Design/methodology/approach Recent literature is examined, parallels to librarian reactions to the birth of the original internet search engines are drawn and suggestions for the use of specific tools for specific tasks are given. Findings Although effectively less than 6 months old, the field of artificial intelligence (AI) chatbots is already fulsome enough to be able to be usefully incorporated into the profession. More tools are imminent, though each of them does and will continue to have shortcomings of which informational professionals need to be aware. Practical implications This paper provides practical suggestions and specific tools to incorporate into the workflow of different library specialties, along with important caveats for quality and bias. Social implications The public has adopted the use of AI chatbots faster than any previously introduced technology. Librarians have a history of moving more slowly when it comes to the core values of the profession, such as information searching. It is vital for information professionals, such as librarians, to understand both the value and the pitfalls of these tools to be able to work with patrons and stay relevant in the eyes of the public and institutional funders. Originality/value This paper fills a need for practical advice in using AI to perform daily library work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,011 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle