Organizational Readiness to Adopt Artificial Intelligence in the Library and Information Sector of Pakistan
Notice bibliographique
Résumé
Objective – This study investigates the readiness for artificial intelligence (AI) adoption in library and information centres of Pakistani universities. The projected outcomes of this study are expected to contribute to the development of best practices for effectively motivating university administrators and preparing librarians for adopting AI in library and information centres. Methods – A theoretical framework combining the technology-organization-environment (TOE) framework and the Technology Readiness Index (TRI) guided this qualitative study. Interviews were conducted with 27 senior representatives, including library managers and registrars, from 27 universities across four provinces and the capital city, Islamabad. A systematic approach was employed to analyze the data. Results – The findings indicate that the concept of AI adoption in Pakistani university libraries is new. The library and information sector of Pakistan is slow in adopting AI, which could have implications for its future competitiveness, despite the push for AI adoption by university librarians and administrators. The readiness for AI adoption in this sector is influenced by factors such as organizational technological practices, financial resources, university size, and data management and protection concerns. Conclusion – Library managers and researchers can implement the TOE framework and TRI scale to facilitate AI adoption in a manner that is relevant to library and information settings in Pakistan as well as other parts of the world. Our research indicates that most adoptions are still in their nascent phases, and numerous library managers feel uneasy due to either uncertainties about the precise benefits AI can bring to their libraries or a lack of knowledge and skills for its effective implementation. To manage the networks of internal and external stakeholders essential for successful AI adoption, universities should consider appointing individuals with a specialized knowledge of AI within their libraries.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».