Unlocking Web Histories: Leveraging LLMs and RAG to Transform Discovery in Web Archives
Notice bibliographique
Résumé
This paper explores how Large Language Models (LLMs) and Retrieval-Augmented Generation (RAG) can be applied to improve access to web archives. These collections are often difficult to navigate due to their complexity and the limitations of traditional search tools. The author examines how RAG can help address concerns around trust and transparency in AI by grounding LLM outputs in external, curated sources. At the University of Victoria Libraries, a custom RAG pipeline was developed to build on tools like WARC-GPT. This pipeline enables natural language querying with source attribution and incorporates optimizations in data preprocessing, chunking strategies, and hardware acceleration. When tested on real-world web archives of cultural significance, it demonstrated improved retrieval accuracy and computational efficiency. The discussion also considers the broader implications for digital preservation in an age of uncertainty, emphasizing the importance of trust, ethics, sustainability, and continued human oversight in AI-powered discovery. The findings suggest that RAG offers a promising way to unlock the value of underused digital heritage collections while upholding the foundational values of research libraries, including long-term preservation, equitable access, and responsible stewardship of historic materials.
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,010 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».