Les performances des grands modèles de la famille des transformateurs génératifs préentraînés en soutien aux services de référence virtuelle automatisés en bibliothèque
Notice bibliographique
Résumé
Cet article examine la littérature existante sur l’utilisation en bibliothèque des robots conversationnels basés sur les modèles de langage GPT, mettant l’accent sur leur viabilité, leur utilité et leurs performances en matière de réponse aux questions de référence. Les objectifs principaux sont de synthétiser la recherche actuelle, d’évaluer la performance des modèles GPT et de réfléchir au positionnement des bibliothécaires concernant l’intégration de ces technologies dans les services de référence en bibliothèque. La méthodologie comprend l’analyse de 11 études variées, avec une recherche effectuée dans diverses bases de données et une sélection rigoureuse des études pertinentes. Les résultats révèlent des performances prometteuses des modèles GPT, mais soulignent également des limites telles que leur incapacité à comprendre les nuances et les questions complexes. En outre, des défis persistent en matière de propriété intellectuelle, de confidentialité et de fiabilité des réponses. Les études comprennent des évaluations de performance, des revues narratives, une revue systématique et une étude de cas sur l’implémentation d’un chatbot basé sur ChatGPT dans une bibliothèque universitaire. Ces recherches offrent des perspectives intéressantes sur les avantages potentiels et les défis à relever pour l’intégration réussie de ChatGPT dans les services de bibliothèque.
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 | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,005 |
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 ».