Les performances des grands modèles de la famille des transformateurs génératifs préentraînés en soutien aux services de référence virtuelle automatisés en bibliothèque
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.017 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".