The Institutional Alignment Challenge: Grappling with AI in Collections
Notice bibliographique
Résumé
With the rise of publicly available generative artificial intelligence (GenAI) tools, librarians have been working to understand their impact on library-licensed e-resources while ensuring users receive accurate, timely guidance on privacy, intellectual property and other usage considerations. In response to this challenge, the University of Toronto Libraries (UTL) formed its Collections AI Response Team, to bring together expertise across collections and scholarly communications units and to strategize on how to best mitigate the risks posed by these tools to our institution, its members and the environment, while avoiding the potential stifling of innovative uses of these technologies by our community. So far, the Team’s efforts have focused on three areas: Collaboration and alignment with institution-wide working groups developing UofT’s response to GenAI ; Outreach to instructors and researchers via workshops and consultations, with a focus on licensing and IP ownership; the creation of our GenAI Tool Navigator, to gather and proliferate information about GenAI tools as they become available to users. As our institution’s approach to the ethical and practical implications of GenAI tools continue to evolve and reflect the diversity of approaches to GenAI within it, our Team has had to anticipate what the role of Collections should be in this conversation. The presentation will share our insights from this work so far, including the increased saliency of issues of privacy and openness in this work, as well as share our plans for future initiatives in this area.
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 | 0,100 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,036 | 0,056 |
| Communication savante | 0,070 | 0,053 |
| Science ouverte | 0,008 | 0,057 |
| Intégrité de la recherche | 0,012 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».