نقش هوش مصنوعی در فهرست نویسی و رده بندی مواد کتابخانه ای

(لیزنا، مقاله های روز): دکتر جعفر مهراد استاد پیشکسوت دانشگاه شیراز و بنیانگذار موسسه ISC:  پیرامون نقش هوش مصنوعی در فهرست نویسی و رده بندی مواد کتابخانه ای باید گفت کتابخانه ها از دیرباز حجم وسیعی از اطلاعات را سازماندهی می کنند تا مواد و منابع موجود در کتابخانه ها به آسانی در دسترس عموم قرار گیرند. همه می دانیم که اکنون، اطلاعات دیجیتال، رشد تصاعدی دارد و مجموعه های کتابخانه ای نیز از پیچیدگی های خاص خود برخوردار می باشد و از این رو،  روش های فهرست نویسی و رده بندی سنتی،  برای این موارد ناکافی شده است. وی افزود: هوش مصنوعی یک فناوری تحول آفرین است که به اعتقادم در نحوه مدیریت منابع کتابخانه ها تحولی بزرگ بوجود آورده است.

 فهرست نویسی سنتی شامل فرایند های دستی دقیقی است که در آن کتابداران ابرداده ها را به کتابها، مقالات و سایر مواد اختصاص می دهند. این ابر داده ها شامل اطلاعاتی مانند نویسنده، عنوان، عناوین موضوعی و شماره رده بندی است. این روش در عین موثر بودن، کاری است فشرده، زمانبر و مستعد خطای انسانی. علاوه براین، حجم عظیم انتشارات جدید و منابع دیجیتال، ادامه استفاده از روش های مرسوم را چالش برانگیز ساخته است.

فناوری های هوش مصنوعی، به ویژه یادگیری ماشین و پردازش زبان طبیعی، با خودکار سازی و بهبود فرآیند های فهرست نویسی و رده بندی، از دامنه این چالش‌ها کاسته است. در اینجا به برخی از نقش های کلیدی هوش مصنوعی در سیستم های یک کتابخانه مدرن می پردازم:

 ١- تولید خودکار فراداده: 

هوش مصنوعی می تواند به طور خودکار برای مواد جدید ابرداده تولید کند. با تجزیه و تحلیل محتوای کتاب ها، مقالات و منابع دیجیتال، الگوریتم های هوش مصنوعی می توانند اطلاعات مرتبط با عناوین، نویسندگان، کلیدواژه ها و رده بندی موضوعی را استخراج کنند. طبیعی است این روند به طور قابل توجهی زمان و تلاش مورد نیاز برای فهرست نویسی دستی را کاهش می دهد.

 ٢- رده‌بندی براساس محتوا:

نظام های رده بندی سنتی، مانند رده بندی اعشاری دیویی، بر دسته بندی های از پیش تعریف شده تکیه دارند. اینحا، هوش مصنوعی می تواند مواد و منابع را براساس محتوای آنها رده‌بندی کند و امکان دسته‌بندی دقیق تر را فراهم آورد. مدلهای یادگیری ماشینی را می توان برای تشخیص الگو های پیچیده در متون آموزش داد، که امکان رده‌بندی دقیق تر موضوع را میسر سازد.

 ٣- تحلیل معنایی و نمایه سازی موضوعی:

تکنیک های پردازش زبان طبیعی، هوش مصنوعی را قادر می سازد معنای سمانتیک متون را درک کند، که به تولید  سرعنوانهای موضوعی دقیق تر و مرتبط تر کمک می کند. هوش مصنوعی می تواند اصطلاحات را ابهام زدایی کند، مترادف ها را تشخیص دهد و اطمینان حاصل کند که مواد و منابع تحت سرعنوانهای موضوعی مناسب نمایه سازی شده اند.

 ۴- جستجو و بازیابی پیشرفته:

موتور های مبتنی بر هوش مصنوعی می توانند بازیابی منابع کتابخانه ای را بهبود بخشند. با درک زمینه و هدف پشت پرسش های کاربر، هوش مصنوعی می تواند نتایج مرتبط تری را ارایه دهد. ویژگی هایی مانند سیستم های توصیه، که اغلب در پلاتفرم های تجاری مانند آمازون دیده می شوند، نیز در فهرست های کتابخانه ای برای پیشنهاد مطالب مرتبط تر پیاده سازی می شوند.

 ۵- رقومی سازی و تشخیص کاراکتر نوری:

برای کتابخانه هایی با مجموعه های فیزیکی گسترده، تشخیص کاراکتر نوری مبنی بر هوش مصنوعی می تواند متون را به سرعت دیجیتالی و فهرست نویسی کند. این رویکرد، نه تنها از مواد کمیاب و شکننده حفاظت می‌کند، بلکه آنها را از طریق کاتالوگ های دیجیتال دسترس پذیر تر می سازد. بعلاوه، هوش مصنوعی دقت تشخیص کاراکتر نوری را حتی برای اسناد دست نویس یا تاریخی افزایش می دهد.

 چندین موسسه و سیستم کتابخانه ای شروع به ادغام هوش مصنوعی در عملیات خود کرده اند که در اینجا به چند نمونه اشاره می کنم: 

١- کتابخانه ملی فنلاند:

کتابخانه ملی فنلاند از هوش مصنوعی برای تولید خودکار فراداده و نمایه سازی موضوعی استفاده می کند. مدل های هوش مصنوعی آنها متون را برای استخراج فراداده و رده بندی اسناد تجزیه و تحلیل و فرایند فهرست نویسی را ساده‌تر می کنند.

 ٢- مرکز کتابخانه رایانه ای پیوسته (OCLC):

مرکز کتابخانه رایانه ای پیوسته برای بهبود پایگاه اطلاعاتی WorldCat خود، که بزرگترین فهرست کتابشناختی جهان است، از هوش مصنوعی استفاده می کند. فناوری های هوش مصنوعی به حذف رکورد های تکراری، بهبود کیفیت ابرداده ها و پیشنهاد سرعنوان‌های موضوعی براساس تحلیل محتوا کمک می کنند.

 ٣- کتابخانه کنگره:

کتابخانه کنگره از هوش مصنوعی برای بهبود گردش کار فهرست نویسی و رده‌بندی استفاده می کند. هوش مصنوعی به تجزیه و تحلیل معنایی متون، بهبود نمایه سازی موضوعی و دسترسی بیشتر به مجموعه های گسترده کتابخانه برای پژوهشگران و عموم مردم کمک می کند.

 ۴- نظام ProQuest:

این سیستم که ارایه دهنده پایگاه های اطلاعاتی دانشگاهی است، از هوش مصنوعی برای نمایه سازی و رده‌بندی میلیون ها مقاله، پایان نامه و رساله دانشگاهی استفاده می کند. الگوریتم های هوش مصنوعی با ایجاد ابرداده ها و سرعنوان‌های موضوعی دقیق، قابلیت بازیابی این اسناد را افزایش می دهند.

 ۵- کتابخانه عمومی دیجیتال آمریکا (DPLA)

این کتابخانه از هوش مصنوعی برای جمع‌آوری و رده‌بندی محتوا از کتابخانه ها، آرشیو ها و موزه های مختلف استفاده می کند. هوش مصنوعی به تولید ابرداده یکپارچه و رده‌بندی منابع متنوع در یک کتابخانه دیجیتالی منسجم استفاده می کند.

 درباره چشم انداز استفاده از هوش مصنوعی در کتابخانه ها باید گفت با توجه به توسعه های هوش مصنوعی، انتظار می رود نقش آن در سیستم های کتابخانه ای گسترش یابد. به عنوان مثال، موارد زیر از آن جمله است:

١- تجربه های کاربر شخصی سازی شده: هوش مصنوعی می تواند توصیه های شخصی سازی شده را براساس تاریخچه «مطالعه »و اولویت های کاربران ارایه دهد، درست شبیه اینکه خدمات پخش پخش محتوا را پیشنهاد می کند.

٢- تحلیل پیش بینی پیشرفته: هوش مصنوعی می تواند روند استفاده از کتابخانه را پیش بینی و به کتابخانه ها کمک کند مجموعه ها و منابع را به طور کارآمدتر مدیریت کنند.

٣- دسترسی پیشرفته: هوش مصنوعی می تواند با ارایه پشتیبانی بهتر برای کاربرانی که  کم بینایی دارند، مانند فناوری های پیشرفته تبدیل متن به گفتار و تشخیص کاراکتر نوری دقیق تر برای مواد بریل، دسترسی را بهبود بخشد.

به طوری که مشهود است، با ادامه توسعه فناوری های هوش مصنوعی، کتابخانه ها برای رسیدگی به حجم فزاینده اطلاعات و پاسخگویی به نیازهای در حال رشد کاربران بیش از پیش مجهز خواهند شد.