ChatGPTを使用した電子論文および博士論文のLCSH主題割り当ての実験

Conceitos essenciais

LMMはLCSH生成に有用であり、人間のカタログ作成者が重要性を保持する。

Resumo

この研究は、大規模言語モデル（LLM）を使用してLibrary of Congress Subject Headings（LCSH）を生成する可能性に焦点を当てています。ChatGPTを使用して、電子論文および博士論文（ETD）のタイトルと要約に基づいて主題見出しを生成しました。結果は、一部の生成された主題見出しが有効であることが示されましたが、特定性と包括性に関する問題がありました。LLMは、学術図書館でカタログ化待ちアイテムの対応策として機能し、迅速なLCSH生成のための費用対効果の高いアプローチも提供します。ただし、人間のカタログ作成者は、LLMによって生成されたLCSHの妥当性、包括性、特定性を検証および向上させるために不可欠です。

Introduction

• MARC and LCSH Systems:
  • MARC形式：図書館資料に関する情報を整理するデータ形式。
  • LCSH：1898年から遡る豊富な歴史がある。
• Automatic Cataloging Record Generation:
  • 機械学習を使用した自動的な主題見出し付与。
• Subject Analysis for Theses and Dissertations:
  • 論文や博士論文の主題分析。

Methodology

• ChatGPT内部知識と3つの例を使用してMARC 21形式で出力記述。
• Prompt設計：コンテキスト、指示、出力指示子と入力データ。

Results

• ChatGPTは各ETDレコードごとに3〜5件の主題見出し（多くはサブディビジョン付き）を生成。
• マークフィールドコーディング：90%以上が正確。
• LCSH割り当て：7つのETDレコードで問題なくLCSHが生成された。

Discussion

• LLMs（ChatGPT）はカタログ作成者に依存できる程度までマークフィールドコーディング精度が高い。
• LCSH妥当性問題への解決策：
  • 手動検索や既存ソフトウェア利用など。

Conclusion

• LLMs（ChatGPT）はLCSH生成に有望な探索手法。
• ChatGPT内部知識ベースが更新され続けることから人間カタログ作成者が品質監視を継続的に行う必要あり。

Estatísticas

30件中3件だけエラー含むマークコーディング結果

Citações

Principais Insights Extraídos De

An Experiment with the Use of ChatGPT for LCSH Subject Assignment on Electronic Theses and Dissertations

by Eric H. C. C... às arxiv.org 03-26-2024

https://arxiv.org/pdf/2403.16424.pdf

Perguntas Mais Profundas

異なる枠組みや他種類作品への適用も考えられますか？

現在の研究では、ChatGPTを使用してElectronic Theses and Dissertations（ETDs）のタイトルと要約に基づいてLibrary of Congress Subject Headings（LCSH）を生成する実験が行われました。この手法は、特定の文献資料に対する主題割り当てにおいて有効であることが示されました。将来的には、同様のアプローチが異なるフレームワークや他種類の作品にも適用可能であると考えられます。例えば、書籍や音声・映像資料などさまざまな形式の情報資源に対しても同様の方法論を応用し、主題割り当てを自動化することが可能です。

LLMsが将来的にどう進化するか予測可能ですか？

LLMs（Large Language Models）は急速に発展しており、今後もさらなる進化が期待されます。将来的には、より大規模で高度な言語モデルが登場し、精度や処理能力が向上すると予測されます。また、Retrieval-Augmented Generation（RAG）技術など新たな手法やアーキテクチャの導入によって性能向上が見込まれます。オープンソースLLMやカスタムモデルトレーニングへの取り組みも増加し、これらから得られた知見を元に次世代LLMsはより高度で多目的な活用範囲を持つことでしょう。

この技術導入後、人間カタログ作成者役割や必要スキルセットは変わりますか？

LLMs等AI技術導入後でも人間カタログ作成者は重要性を保ちつつあります。AIモデルは初期分類業務を支援する一方で、「validity, exhaustiveness, specificity」等確認すべき点では依然として人間カタログ作成者の判断力・専門知識不可欠です。
今後AI技術普及拡大時でも「quality control」「監督学習」「訓練データ管理」等領域強化必要。「Faceted Application of Subject Terminology (FAST)」利用推奨事項含めた教育体系改善・職員トレーニング計画立案重要。
In conclusion, AI technologies like LLMs will augment the role of human catalogers rather than replace them entirely. The skills required for cataloging roles may shift towards more quality control, supervision of AI models, and training data management. Improving education systems to include recommendations like "Faceted Application of Subject Terminology (FAST)" and devising staff training plans will be crucial in adapting to the changes brought about by the introduction of these technologies.