Reimagining Library Services in the Age of AI: A Case Study from a Canadian Academic Library
Notice bibliographique
Résumé
As artificial intelligence reshapes higher education, academic libraries are reimagining their services to meet emerging challenges and opportunities. This article presents a case study of the University of Manitoba Libraries (UML), a Canadian academic library actively integrating AI to improve service delivery, enrich research support, and enhance user engagement while upholding core values of access, equity, and scholarly integrity. Four key initiatives are discussed: (1) the development of an in-house AI chatbot built on Microsoft Azure services, offering real-time conversational assistance grounded in trusted library content; (2) the implementation of Ex Libris’ Primo Research Assistant to enhance discovery with GPT-based responses; (3) an exploratory research project applying Retrieval-Augmented Generation (RAG) to the institutional repository, MSpace, using metadata embeddings to improve access to open scholarship; and (4) the redesign of the science library as a future-ready, AI-enabled space featuring distributed service points, intelligent kiosks, and teaching labs for AI literacy. Together, these initiatives illustrate how AI can be adopted not as a replacement for human expertise, but as a tool for strategic innovation. The article reflects on the motivations, development processes, and ethical considerations guiding UML’s work, offering insights for libraries seeking to define their own responsible, user-centered AI trajectories.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,048 | 0,017 |
| Communication savante | 0,014 | 0,006 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».