هم‌افزایی هوش مصنوعی و وب معنایی: تحول سه‌گانه‌ی کتابخانه در تولید، کشف و پیوند دانش

مقدمه:

در سال ۲۰۲۶، هویت کتابخانه‌ها دستخوش تغییری مهم شده است؛ آن‌ها دیگر صرفاً مخازنی فیزیکی یا دیجیتال برای انباشت منابع نیستند، بلکه به کانون‌های پویای پردازش و تولید دانش ارتقا یافته‌اند. با عبور از فاز هیجانی ظهور مدل‌های زبانی بزرگ  در اوایل دهه ۲۰۲۰، اکنون در مرحله‌ی بلوغ و یکپارچه‌سازی این فناوری‌ها قرار داریم. در این نقطه از تحول، چالش پیش‌روی کتابداران و مهندسان دانش تغییر ماهیت داده است: مسئله‌ی محوری دیگر تولید متن توسط هوش مصنوعی نیست، بلکه راستی‌آزمایی، ساختاردهی دقیق و اتصال معنایی اطلاعات است.

ازاین‌رو، این یادداشت تحلیلی به واکاوی کاربرد عملیاتی هوش مصنوعی که بر ستون فقرات وب معنایی و هستی‌شناسی‌ها استوار است، اختصاص‌یافته و درصدد ارائه‌ی راهکاری راهبردی برای گذار کتابخانه‌ها از سیستم‌های سنتی بازیابی اطلاعات به زیست‌بوم‌های هوشمند تولید و کشف دانش است.

هستی‌شناسی و هوش مصنوعی: زیرساخت معنایی کتابخانه‌

پیش از آنکه هوش مصنوعی بتواند در محیط کتابخانه کارآمد واقع شود، به یک نقشه‌ی راه دقیق نیاز دارد که هستی‌شناسی‌ها در بستر وب معنایی، از طریق تعریف رسمی مفاهیم و ترسیم روابط میان آن‌ها، این زیرساخت حیاتی را فراهم می‌آورند. در این مسیر تحولی، پارادایم مدیریت دانش از وضعیت سنتی تکیه بر رکوردهایی مارک و فهرست‌نویسی توصیفی فاصله گرفته و در سال جاری به سمت بهره‌گیری از چارچوب‌های پیشرفته‌ای نظیر BIBFRAME و گراف‌های دانش تکامل یافته است تا بستری غنی و ساختاریافته برای پردازش هوشمند اطلاعات مهیا شود (Ferilli et al.,2023).

در عرصه‌ی کاربرد عملی، این ساختار معنایی به هوش مصنوعی اجازه می‌دهد تا برای درک ماهیت یک منبع، به جستجوی کلمات کلیدی اکتفا نکند، بلکه از طریق هستی‌شناسی‌، زنجیره‌های عمیق مفهومی را درک کند؛ به عنوان نمونه، ماشین می‌آموزد که جنگ جهانی دوم به عنوان یک رویداد، منجر به بروز تغییرات ژئوپلیتیک شده و این تغییرات نیز ادبیات پسااستعماری را به عنوان یک ژانر ادبی تحت‌تأثیر قرار داده است. در نهایت، این درک ساختاریافته به هوش مصنوعی قدرت می‌دهد تا منابع را نه بر اساس برچسب‌های سطحی، بلکه بر اساس غنای محتوای مفهومی و ارتباطات ذاتی آن‌ها طبقه‌بندی و پردازش نماید (Krithika et al.,2025).

از فهرست‌نویسی خودکار تا پیوند تاریخی اسناد

در نخستین لایه از عملیات روزمره کتابخانه‌های برجسته در سال ۲۰۲۶، فهرست‌نویسی و تولید فراداده به طور کامل خودکار شده و نیازی به ورود دستی اطلاعات نیست. در این فرآیند، مدل‌های هوش مصنوعی چندوجهی با اسکن و خوانش متن منابع، با تکیه بر هستی‌شناسی‌های استانداردی که به گراف معنایی تبدیل شده‌اند (نظیر رده‌بندی دیویی یا کتابخانه کنگره)، اقدام به استخراج موضوعات، چکیده و روابط بین‌متنی می‌کنند (Roncaglia,2026). برای نمونه، این سیستم‌ها به صورت هوشمند تشخیص می‌دهند که یک منبع علمی جدید، در واقع پاسخی به یک نظریه قدیمی در آرشیو کتابخانه است و این رابطه استنادی معنایی را به دقت در گراف دانش ثبت می‌نمایند.

در لایه دوم، پارادایم جستجوی کلیدواژه‌ای دیگر منسوخ شده و جای خود را به کشف معنایی و دستیاران پژوهشی مبتنی بر فناوری RAG داده است. در این رویکرد، زمانی که کاربر پرسشی پیچیده؛ مانند تأثیر تغییرات اقلیمی بر معماری بومی ایران را مطرح می‌کند، موتور جستجو به جای تمرکز صرف بر کلمه معماری، از طریق هستی‌شناسی‌ها به ردیابی مفاهیم عمیق‌ و مرتبطی همچون سازگاری اقلیمی، مصالح بومی و الگوهای بادگیر در گراف دانش کتابخانه می‌پردازد و سرانجام، منابع مرتبط را به صورت هوشمند استخراج و خلاصه‌سازی می‌کند.

سومین لایه به حفظ دیجیتال و لینک‌دهی منابع تاریخی اختصاص دارد، جایی که هوش مصنوعی برای ترمیم و پیونددهی اسناد قدیمی به کار گرفته می‌شود. در این فرآیند، الگوریتم‌های هوشمند، اسناد تاریخی را به رویدادها، اشخاص و مکان‌های ثبت‌شده در وب معنایی نظیر ویکی‌داده متصل می‌کنند (نوروزی و همکاران،1398). دستاورد این یکپارچه‌سازی آن است که یک نسخه خطی موجود در کتابخانه‌ای در تهران، به صورت خودکار و از طریق اشتراک در هستی‌شناسی‌ واحد، به اسناد و منابع مرتبط در کتابخانه‌های برلین یا استانبول گره می‌خورد و شبکه‌ای جهانی و معنادار از دانش تاریخی را شکل می‌دهد.

آسیب‌شناسی پیاده‌سازی هوش مصنوعی در کتابخانه‌ها

با وجود پیشرفت‌های چشمگیر، پیاده‌سازی این سیستم‌ها همچنان با چالش‌های فنی و عملیاتی روبروست که مهم‌ترین آن‌ها مشکل جعبه سیاه و نیاز مبرم به توضیح‌پذیری است. در محیط‌های دقیق آکادمیک، اگر هوش مصنوعی منبعی را در طبقه‌ای مانند فلسفه سیاسی جای می‌دهد، باید بتواند بر اساس منطق هستی‌شناسی‌ دلیل آن را تشریح کند، چرا که بروز توهم  در استناددهی توسط مدل‌های زبانی، کاملاً مخرب و غیرقابل‌قبول است. در کنار این چالش اعتماد، مسئله هزینه و زمان سنگین تبدیل میلیون‌ها رکورد فراداده‌ای قدیمی به فرمت داده‌های پیوندی  و تطبیق آن‌ها با هستی‌شناسی‌های نوین قرار دارد که به عنوان یک مانع بزرگ زیرساختی، فرآیند مهاجرت به وب معنایی را به شدت پرهزینه و زمان‌بر کرده است (Godinez, 2025).

در سوی دیگر، چالش‌های معرفت‌شناختی و سوگیری نهفته در خود هستی‌شناسی‌ها، مانع دیگری بر سر راه همه‌گیری این فناوری‌هاست. هستی‌شناسی‌ها و ساختارهای طبقه‌بندی هرگز کاملاً بی‌طرف نیستند و اگر مدل‌های هوش مصنوعی و هستی‌شناسی‌های آن‌ها عمدتاً بر اساس داده‌ها و پارادایم‌های غربی طراحی و آموزش دیده باشند، در مواجهه با منابع بومی، محلی یا شرقی دچار خطاهای معنایی و تقلیل‌گرایی خواهند شد. این سوگیری ساختاری نه تنها دقت و عدالت در بازیابی اطلاعات را مختل می‌کند، بلکه می‌تواند به حاشیه‌رانی شدن دانش‌های غیرغربی در گراف‌های دانش منجر شود و نیازمند بازنگری‌های عمیق در نحوه طراحی، بومی‌سازی و تکثیر آنتولوژی‌ها در سطح جهانی است.

نقش نوین کتابدار به‌عنوان معمار دانش

بدین ترتیب، چشم‌انداز آینده کتابخانه‌ها در گرو تبدیل شدن آن‌ها به گراف‌های دانش زنده است؛ مدلی تحول‌آفرین که در آن کتابخانه دیگر صرفاً مخزنی از اشیاء و کتاب‌ها نیست، بلکه شبکه‌ای پویا، به‌هم‌پیوسته و معنادار از مفاهیم محسوب می‌شود (فرخاری و همکاران،1405). در این پارادایم نوین، نقش کتابدار نیز دستخوش تغییری اصولی شده و از جایگاه سنتی نگهبان کتاب به معمار دانش ارتقا می‌یابد. در این مقام جدید، وظیفه خطیر کتابداران نظارت دقیق بر هستی‌شناسی‌ها، تنظیم و پالایش روابط معنایی، و از همه مهم‌تر تضمین اخلاقی بودن و شفافیت الگوریتم‌های پیشنهادگر است تا اطمینان حاصل شود که این زیست‌بوم مفهومی، دانش را به دقیق‌ترین و عادلانه‌ترین شکل ممکن در دسترس کاربران قرار می‌دهد.

در نتیجه هوش مصنوعی بدون وب معنایی، همچون موتوری پرقدرت اما فاقد سیستم هدایت است؛ نیرویی عظیم که بدون معماری شناختی و جهت‌گیری معنایی، می‌تواند غیرقابل‌کنترل و حتی خطرناک باشد. در این میان، وب معنایی و هستی‌شناسی‌های آن مکانیزم فرمان و نقشه راه حیاتی را فراهم می‌آورند. کتابخانه‌هایی که بتوانند هم‌افزایی میان مدل‌های زبانی بزرگ و گراف‌های دانش بومی خود را محقق سازند، از مخازن حافظتی فراتر رفته و به کانون‌های پویای تولید و کشف دانش بدل خواهند شد؛ نهادهایی که قادرند الگوهای پنهان و پیوندهای عمیق میان‌رشته‌ای را آشکار سازند. سرانجام، تلفیق این دو پارادایم دیگر یک انتخاب راهبردی یا یک مزیت مجلل نیست، بلکه شرط بنیادین بقا و مرجعیت در زیست‌بوم پیچیده اطلاعاتی جهان است.

منابع

فرخاری، فاطمه و وزیری، اسماعیل . (1405). آینده‌پژوهی در حوزۀ علم اطلاعات و دانش‌شناسی ایران: با تأکید بر روش تحلیل لایه‌ای علت‌ها. مطالعات کتابداری و سازماندهی اطلاعات، 37(1)، 61-106.

10.30484/nastinfo.2025.3893.2353

نوروزی، یعقوب، رزمی شندی، مسعود و علیپور حافظی، مهدی . (1398). چارچوبی مفهومی برای بکارگیری فناوری اینترنت اشیاء در کتابخانه‌های دیجیتال: مروری نظام‌مند نوشته‌ها. تحقیقات کتابداری و اطلاع‌رسانی دانشگاهی، 53(4), 34-52.

10.22059/jlib.2020.293742.1443

Ferilli, S., Bernasconi, E., Di Pierro, D., & Redavid, D. (2023). A Holistic Ontology for Digital Libraries The IFLA-compliant Core. In CEUR WORKSHOP PROCEEDINGS (Vol. 3536, pp. 58-71). CEUR-WS.

https://ricerca.uniba.it/handle/11586/512844

Godinez, A. (2025). HySemRAG: A hybrid semantic retrieval-augmented generation framework for automated literature synthesis and methodological gap analysis. arXiv preprint arXiv:2508.05666.

https://doi.org/10.48550/arXiv.2508.05666

Krithika, M., SM, F. R., Prathi, S., & Elavarasi, M. (2025). Ontologies and Artificial Intelligence: Bridging Semantic Gaps in Machine Understanding. In 2025 7th International Conference on Innovative Data Communication Technologies and Application (ICIDCA) (pp. 139-143). IEEE.

doi: 10.1109/ICIDCA66325.2025.11280578.

Roncaglia, G. (2026). Cataloguing, Metadata, and Generative AI. Early Experiences and Future Perspectives. JLIS. it, 17(1), 106-127.

https://jlis.fupress.net/index.php/jlis/article/view/693