The Evolution of Library Workplaces and Workflows via Generative AI
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
ChatGPT was released on November 30 th 2022, and very quickly popularized generative artificial intelligence (AI) to the extent that it is now seen as a mainstream technology and used by many. However, this mainstreaming and popularity has also resulted in a hype, thereby overwhelming us by a wide range of opinions and news related to its current and future applications. While we can test generative AI applications and read news about their added value, it might be hard to envision the short-, medium- and long-term impact of these tools on library operations, resources, and services. Reflecting on how libraries and their existing workflows are evolving alongside the rise of generative AI is intriguing, yet extremely challenging due to the rapid development of the technology. This is further complicated by the variation across each library’s organization, management, and use. Indeed, even two libraries in the same institution might have a different approach regarding collection management, curation, user engagement, and technology integration. These differences can be further amplified by library size, disciplinary focus (e.g., university library, medical library, law library), services offered (e.g., education and training, evaluation), communities served (e.g., students, medical trainees, researchers, faculty, public), overall approach to technology, as well as their budget. Each library is made up of several units with specific goals and responsibilities. The same technology may have a different impact on each department of a library, as well as each employee, depending on their role and background. As a result, despite various opportunities and challenges presented by generative AI, librarians should consider charting their own personal roadmap to learn about and familiarize themselves with this technology based on their unique circumstances, interests, and needs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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