ChatGPT not Useful as a Tool to Streamline Library Cataloguing Processes
Notice bibliographique
Résumé
A Review of: Brzustowicz, R. (2023). From ChatGPT to CatGPT: The Implications of Artificial Intelligence on Library Cataloging. Information Technology and Libraries, 42(3). https://doi.org/10.5860/ital.v42i3.16295 Objective – To evaluate the potential of ChatGPT as a tool for improving efficiency and accuracy in cataloguing library records. Design – Observational, descriptive study. Setting – Online, using ChatGPT and the WorldCat catalogue. Subject – The Large Language Model (LLM) ChatGPT. Methods – Prompting ChatGPT to create MARC records for items in different formats and languages and comparing the ChatGPT derived records versus those obtained from the WorldCat catalogue. Main results – ChatGPT was able to generate MARC records, but the accuracy of the records was questionable, despite the authors’ claims. Conclusion – Based on the results of this study, the author concludes that using ChatGPT to streamline the process of cataloging could allow library staff to focus time and energy on other types of work. However, the results presented suggest that ChatGPT introduces significant errors in the MARC records created, thereby requiring additional time for cataloguers to correct the error-laden records. The author correctly stresses that if ChatGPT were used to assist with cataloguing, it would remain important for professionals to check the records for completion and accuracy.
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 | 0,038 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,016 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,009 |
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 ».