What can Artificial Intelligence tools currently do? And how might that affect work in academic libraries? Using the example of Elicit.org.
Notice bibliographique
Résumé
This presentation provides a brief introduction to some of the basics of so-called Artificial Intelligence (AI) and its current fields of use. Based on a number of example applications, a non-exhaustive overview of the current market is provided to show in which areas AI tools already exist. The presentation then turns its spotlight onto the bibliographic discovery tool Elicit.org. This is an AI tool for identifying scholarly literature based on research questions that are submitted to the application and converted into search strings using Natural Language Processing (NLP). A list of matches relevant to the research question is then generated from the Semantic Scholar corpus of academic literature using the GPT-3 large language model. The retrieved papers are summarized and critically evaluated by the tool. At the end of the presentation, some shortcomings as well as potential library use cases of this application and of AI tools in general are discussed in order to encourage a critical but measured reflection on these instruments. The presentation is aimed to be an entry-level contribution to building AI literacy.
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 | 0,011 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,016 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,035 | 0,026 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,005 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,017 |
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 ».