مقدمه
در دهه‌های اخیر، مراکز اطلاع‌رسانی امواج متعددی از فناوری را پشت سر گذاشته‌اند؛ از اتوماسیون و دیجیتال‌سازی تا رایانش ابری. اما هوش مصنوعی مولد[1] ماهیتی متفاوت دارد؛ این فناوری نه تنها در لایه «ذخیره و بازیابی»، بلکه در لایه «تفسیر، تلخیص و سازمان‌دهی معنایی» مداخله می‌کند (Bawden & Robinson, 2022). پیاده‌سازی این ابزارها در کتابخانه‌ها دیگر مسئله‌ای آینده‌نگرانه نیست، بلکه واقعیتی در جریان کار روزمره است (Omame & Alex-Nmecha, 2020).
این تحول، سازمان‌های اطلاعاتی را در برابر یک دوراهی ساختاری قرار داده است: انفعال در برابر خروجی الگوریتم‌ها که به زوال دقت علمی و تنزل نقش کتابدار می‌انجامد، یا کنشگری آگاهانه و گذار از «نگهبانی فیزیکی/دیجیتال منابع» به «معماری جریان‌های داده و اعتبار».
تحلیل وضعیت: بحران معنا در عصر وفور داده‌های الگوریتمی
چالش کنونی اکوسیستم‌های دانشی، فقدان اطلاعات نیست، بلکه وفور محتوای غیرقابل‌اتکا و فاقد سیاق است؛ وضعیتی که فلوریدی (2023) آن را چالش بنیادین در فلسفه اطلاعات و اخلاق دیجیتال می‌نامد. الگوریتم‌ها با سرعت بالا خروجی تولید می‌کنند، اما فاقد درک بافتی، فهم بار معنایی واژگان تخصصی و حساسیت‌های اخلاقی هستند (Noble, 2018).
در این فضا، نقش کتابدار از «تسهیل‌کننده صرف دسترسی» به «اعتبارسنج الگوریتمی و کیوریتور داده» ارتقا می‌یابد (de Leon, 2026). کتابدار مدرن نه رقیب هوش مصنوعی، بلکه راهبر پیاده‌سازی اخلاقی و ساختاریافته آن درون بافت سازمان است؛ چارچوبی که مک‌کوئین (2026) آن را آمادگی نهادی کتابخانه‌ها برای گذار از آزمون‌وخطا به استقرار پایدار هوش مصنوعی توصیف می‌کند.
تجربه‌نگاری: ارزیابی عینی خودکارسازی فراداده‌نویسی و تغییر رویکرد مداخله
برای تبیین عینی این گذار، عملکرد یک مدل زبانی بزرگ در پروژه‌ای پایلوت برای «استخراج خودکار سرعنوان‌های موضوعی و چکیده‌نویسی ساختاریافته از ۱۰۰ سند پژوهشی تخصصی» مورد ارزیابی قرار گرفت.
۱. مرحله نخست: مواجهه با خطاهای الگوریتمی (استفاده از پرامپت خام)
در فاز اولیه، سندها با پرامپت‌های کلی (مانند: «موضوعات کلیدی و اصطلاحات تخصصی متن زیر را استخراج کن») به مدل داده شد. ارزیابی خروجی‌ها توسط کارشناسان علم اطلاعات نشان‌دهنده دو آسیب جدی بود:
- توهم دانشی[2]: مدل در ۲۲٪ موارد کلیدواژه‌هایی تولید کرد که اگرچه از نظر ظاهری علمی و مرتبط به نظر می‌رسیدند، اما در محتوای سند اصلاً مطرح نشده بودند و زنجیره استنادی را منحرف می‌کردند.
- عدم انطباق با اصطلاح‌نامه‌ها و سوگیری بافتی: مدل به جای اختصاص سرعنوان‌های استاندارد و معادل‌های مصوب بومی، مفاهیم را به سرعنوان‌های عمومی یا معادل‌های ناهمسان غربی ترجمه می‌کرد (برای نمونه: مفهوم بومی «سازمان‌دهی اسناد دولتی» به شکل نادرست با برچسب عام Public Administration برچسب‌گذاری شد).
[ورودی سند] ──> [پرامپت ساده / بدون سیاق] ──> [خطای توهم ۲۲٪ + عدم انطباق با اصطلاح‌نامه]
۲. مرحله دوم: تغییر رویکرد به «انسان در حلقه» و مهندسی پرامپت ساختاریافته
برای رفع این نقص، رویکرد پروژه از «برون‌سپاری کامل به ماشین» به «همکاری انسان و ماشین» تغییر یافت:
- تزریق اصطلاح‌نامه کنترل‌شده[3]: در دستورالعمل مدل، دامنه انتخاب واژگان به یک اصطلاح‌نامه استاندارد محدود شد و پرامپت‌های چندمرحله‌ای [4]همراه با نمونه‌های استاندارد ورودی – خروجی تدوین شد.
- دستور اکید عدم تخمین[5]: شرط پایه‌ای اضافه شد که مدل مجاز به معرفی هیچ مفهومی خارج از متن صریح سند نیست.
- اعتبارسنجی انسانی[6]: کتابدار نقش داور نهایی را بر عهده گرفت و صرفاً به بازبینی و تأیید موارد با ضریب اطمینان پایین پرداخت.
[ورودی سند + اصطلاح‌نامه استاندارد] ──> [پرامپت ساختاریافته Few-Shot] ──> [خروجی هوش مصنوعی] ──> [اعتبارسنجی کیفی کتابدار] ──> [نمایه‌سازی نهایی ۹۴٪+]
۳. دستاورد تجربی
با این تغییر رویکرد:
- زمان لازم برای نمایه‌سازی و آماده‌سازی هر سند از میانگین ۲۰ دقیقه به ۶ دقیقه کاهش یافت (۷۰٪ بهبود کارایی زمانی).
- دقت انطباق سرعنوان‌ها و اصطلاحات تخصصی با استاندارد به ۹۴٪ رسید.
- نقش کتابدار از یک «تایپیست و اپراتور ثبت داده» به یک «سیاست‌گذار داده، طراح پرامپت‌های تخصصی و ناظر کیفی» بازتعریف شد.
چشم‌انداز: بازآفرینی نقش کتابدار به مثابه معمار اکوسیستم دانشی
تحولات ناشی از فراگیری هوش مصنوعی مولد نشان می‌دهد که آینده حرفه اطلاعات در حصار دیوارهای فیزیکی کتابخانه‌ها یا حتی پایگاه‌های داده سنتی متوقف نخواهد ماند. حرکت به سمت هوش مصنوعی به معنای حذف کتابدار نیست، بلکه به معنای پایان قطعی وظایف تکراری، مکانیکی و ایستا در حوزه خدمات فنی و عمومی است. در این زیست‌بوم نوظهور، ارزش‌آفرینی متخصصان اطلاعات در چهار محور راهبردی بازتعریف می‌شود:
۱. حکمرانی داده، کنترل کیفیت و اخلاق الگوریتمی
با ورود سامانه‌های خودکار به چرخه پردازش اطلاعات، خطر تکثیر سوگیری‌های شناختی و خطاهای ساختاری افزایش یافته است (Noble, 2018). کتابدار در نقش معمار اطلاعات، متولی «حکمرانی داده[7]» در سازمان خواهد بود. این نقش شامل تعیین خط‌مشی‌های ارزیابی خلوص داده‌ها، پالایش مجموعه‌های آموزشی (Training Datasets) برای مدل‌های زبانی، جلوگیری از نقض حقوق مالکیت فکری و حفظ محرمانگی اطلاعات پژوهشگران در محیط‌های هوش مصنوعی است.
۲. مهندسی دسترسی، کیوریتوری معنایی و طراحی تعامل
الگوریتم‌ها در بازیابی پیوندهای آماری مهارت دارند، اما فاقد درک معنایی عمیق از سلسله‌مراتب دانش و ساختارهای هستان‌شناسی[8] هستند. معمار اکوسیستم اطلاعاتی وظیفه دارد میان دانش ساختاریافته انسانی (نظیر اصطلاح‌نامه‌ها و رده‌بندی‌ها) و فضاهای برداری نامنظم هوش مصنوعی پیوند برقرار کند (de Leon, 2026). کتابدار با طراحی سامانه‌های بازیابی ترکیبی (مانند Retrieval-Augmented Generation یا RAG) و تدوین الگوهای استاندارد تعاملی، اطمینان حاصل می‌کند که پاسخ‌های سیستم همواره مستند به منابع معتبر پایگاه سازمانی باشند.
۳. آموزش سواد الگوریتمی و سواد انتقادی هوش مصنوعی[9]
همان‌طور که کتابخانه‌ها در دهه‌های گذشته پیشگام آموزش سواد اطلاعاتی و سواد دیجیتال بودند، اکنون وظیفه دارند «سواد هوش مصنوعی» را به جامعه کاربران بیاموزند (McQueen, 2026). این آموزش فراتر از نحوه کاربری ساده ابزارهاست؛ هدف، ارتقای تفکر انتقادی کاربران برای شناسایی توهم‌های دانشی ماشین، سنجش اعتبار ارجاعات تولیدشده، شناخت سوگیری الگوریتم‌ها و درک پیامدهای اخلاقی استفاده از این ابزارها در پژوهش‌های علمی است.
۴. بازنگری بنیادین در برنامه‌های درسی و مهارت‌های میان‌رشته‌ای
تحقق این چشم‌انداز نیازمند بازطراحی سرفصل‌های دانشگاهی علم اطلاعات و دانش‌شناسی و دوره‌های بازآموزی ضمن خدمت است. تخصص‌هایی نظیر مبانی یادگیری ماشین، مهندسی پرامپت پیشرفته، تجزیه‌وتحلیل داده‌ها، و اخلاق کاربردی هوش مصنوعی باید از حاشیه به هسته اصلی برنامه‌های آموزشی منتقل شوند (Omame & Alex-Nmecha, 2020) تا نسل جدید کتابداران با زبانی مشترک در کنار مهندسان داده و توسعه‌دهندگان نرم‌افزار قرار گیرند.
نتیجه‌گیری
گذار از «نگهبانی منابع» به «معماری اکوسیستم‌های اطلاعاتی»، ضرورتی اجتناب‌ناپذیر برای بقا و اثربخشی نهاد کتابخانه در عصر هوش مصنوعی است. بحران اصلی امروز کمبود محتوا نیست، بلکه پراکندگی، عدم قطعیت و چالش اعتبارسنجی در عصر وفور اطلاعات تولیدشده توسط ماشین است (Floridi, 2023).
فناوری هوش مصنوعی ابزاری با توان محاسباتی و سرعت بی‌سابقه است، اما به خودی خود فاقد درک اخلاقی، تعهد اجتماعی، و بصیرت علمی است. پیاده‌سازی موفق این فناوری در گرو پذیرش مدل «انسان در حلقه» است؛ مدلی که در آن الگوریتم‌ها پردازش و سازمان‌دهی اولیه داده‌ها را تسریع می‌کنند و متخصصان علوم اطلاعات کیفیت، روایی و ارزش معنایی خروجی‌ها را تضمین می‌نمایند.
در نهایت، تحول ابزارها ماهیت رسالت تاریخی این حرفه را دگرگون نکرده است؛ غایت بنیادین کماکان ثابت مانده است: «فراهم‌آوری دسترسی به دانش معتبر، برای کاربر درست، در زمان مناسب و با رویکردی عادلانه و اخلاق‌مدار» (Bawden & Robinson, 2022). تفاوت در این است که کتابدار امروز نه با کلیدهای فیزیکی مخازن یا ثبت دستی رکوردهای فراداده، بلکه با طراحی سیاست‌های اعتبارسنجی، معماری پرامپت‌ها و هدایت راهبردی زیرساخت‌های دانشی، از اصالت و جریان آزاد اطلاعات پاسداری می‌کند.
منابع
Bawden, D., & Robinson, L. (2022). Introduction to information science (2nd ed.). Facet Publishing. https://doi.org/10.29085/9781783304974
de Leon, L. C. R. (2026). The algorithmic librarian: AI, data curation, and the future of research collaboration. College & Research Libraries, 87(4), 521–538. https://doi.org/10.5860/crl.87.4.521
Floridi, L. (2023). The ethics of artificial intelligence: Principles, challenges, and opportunities. Oxford University Press. https://doi.org/10.1093/oso/9780198883098.001.0001
McQueen, M. (2026). The AI toolkit for librarians. Bloomsbury Libraries Unlimited. https://doi.org/10.5040/9798216195801
Noble, S. U. (2018). Algorithms of oppression: How search engines reinforce racism. NYU Press. https://doi.org/10.2307/j.ctt1pwt9w5
Omame, I. M., & Alex-Nmecha, J. C. (2020). Artificial intelligence in libraries. In P. O. Peter & E. O. Okon (Eds.) , Managing and adapting library information services for future users (pp. 120–144). IGI Global. https://doi.org/10.4018/978-1-7998-1116-9.ch008
[1] Generative AI
[2] Hallucination
[3] Constrained Prompting
[4] Few-Shot
[5] Grounding Constraint
[6] Expert Validation
[7] Data Governance
[8] Ontologies
[9] AI Literacy