ضرورت توجه به خواندن به‌عنوان امری تخصصی در کتابخانه‌ها

تاریخ ارسال : 1404/09/02

این پژوهشگر کتابخانه‌های عمومی، بیان کرد: در بحث ترویج خواندن به مسئله مشاوره خواندن پرداخته می‌شود، یعنی چگونه خواندن را به امری لذت‌بخش مبدل کنیم که منجر به یادگیری و توسعه و تعالی فردی، شود این دکتری علم اطلاعات و دانش‌شناسی با ذکر این پرسش که آیا می‌توان مثنوی را تندخوانی کرد، افزود: باید خواندن را گفت‌وگویی نیز در نظر گرفت و به جنبه‌های دیگری از خواندن، همچون جنبه احساسی و عاطفی آن، توجه کرد موحدیان با محوریت تکنولوژی‌های مرتبط با خواندن و رایج شدن آن‌ها در جامعه، تصریح کرد: متأسفانه در حوزه علم اطلاعات و دانش‌شناسی در ایران، مسئله فناوری خواندن نیز مورد غفلت قرار گرفته و پژوهش چندانی درباره آن، انجام نشده است اهمیت ردیابی چشم در هنگام خواندن در این نشست، مهدی زاهدی نوقابی، دکتری علم اطلاعات و دانش‌شناسی نیز با محوریت شیوه نگاه‌کردن افراد هنگام خواندن، بیان کرد: خوانندگان، اطلاعات جدید را ترجیح می‌دهند و انتظار دارند که آن را در سمت راست فضای نمادی ببینند؛ برای زبان‌های راست به چپ، برعکس است زاهدی نوقابی همچنین در این نشست، ضمن نمایش نمودارهای علمی و تخصصی و تصویرهای مختلف، مطالبی با محوریت مکان خواندن، خواندن و ردیابی چشم، دیدگاه‌های مختلف مربوط به استفاده از ردیاب چشمی در مطالعات مربوط به خواندن به شیوه‌های گوناگون، ساختار حرکت چشم، چشم انسان، ادراک انسان و، بیان کرد

این نشست با حضور جمعی از مدیران و کارشناسان سازمان کتابخانه‌ها، موزه‌ها و مرکز اسناد آستان قدس رضوی و همچنین علاقه‌مندان، یکشنبه، هفتم اردیبهشت‌ماه ۱۴۰۴، در تالار اندیشگاه رضوی کتابخانه مرکزی این آستان مقدس، برگزار شد.
قاسم موحدیان، مدرس دانشگاه در این نشست، گفت: متأسفانه مسئله خواندن در حوزه علم اطلاعات و دانش‌شناسی و کتابخانه‌ها به‌صورت تخصصی مورد توجه قرار نگرفته است.
در واقع، در حرفه کتابداری بیشتر به امر تأمین منابع و دسترس‌پذیرکردن متون برای مخاطبان، توجه شده است. این پژوهشگر کتابخانه‌های عمومی، بیان کرد: در بحث ترویج خواندن به مسئله مشاوره خواندن پرداخته می‌شود، یعنی چگونه خواندن را به امری لذت‌بخش مبدل کنیم که منجر به یادگیری و توسعه و تعالی فردی، شود.
وی، ادامه داد: ترویج خواندنی که مدنظر ما قرار دارد نیز، شامل خواندن ابزاری و هدفمند و خواندن گفت‌وگویی، می‌شود. دراین‌بین، همواره خواندن ابزاری و هدفمند، غالب بوده است و در نتیجه با قالب‌هایی همچون تندخوانی، مواجه شدیم.
این دکتری علم اطلاعات و دانش‌شناسی با ذکر این پرسش که آیا می‌توان مثنوی را تندخوانی کرد، افزود: باید خواندن را گفت‌وگویی نیز در نظر گرفت و به جنبه‌های دیگری از خواندن، همچون جنبه احساسی و عاطفی آن، توجه کرد. موحدیان با محوریت تکنولوژی‌های مرتبط با خواندن و رایج شدن آن‌ها در جامعه، تصریح کرد: متأسفانه در حوزه علم اطلاعات و دانش‌شناسی در ایران، مسئله فناوری خواندن نیز مورد غفلت قرار گرفته و پژوهش چندانی درباره آن، انجام نشده است.

اهمیت ردیابی چشم در هنگام خواندن

در این نشست، مهدی زاهدی نوقابی، دکتری علم اطلاعات و دانش‌شناسی نیز با محوریت شیوه نگاه‌کردن افراد هنگام خواندن، بیان کرد: خوانندگان، اطلاعات جدید را ترجیح می‌دهند و انتظار دارند که آن را در سمت راست فضای نمادی ببینند؛ برای زبان‌های راست به چپ، برعکس است.
وی ادامه داد: خوانندگان، اطلاعات کلی‌تر را در بالا و اطلاعات خاص‌تر را در پایین فضای نمادی، ترجیح می‌دهند. همچنین خوانندگان، اطلاعات مهم‌تر را در مرکز صفحه و اطلاعات کم‌ارزش‌تر را در پیرامون آن، جست‌وجو می‌کنند.
سخنران نشست افزود: خوانندگان، عناصر برجسته گرافیکی و فرامتن‌ها را نیز، جست‌وجو می‌کنند. خوانندگان، عناصر مرتبط به هم را با قاب‌بندی ابزارهایی مانند خط‌ها و پیکان‌ها، پیگیری می‌کنند.
همچنین خوانندگان، قبل از نگاه دقیق‌تر به واحدهای خاصی، فضای نمادی را، پیمایش می‌کنند. وی با محوریت زمان خواندن نیز، گفت: اطلاعات زودتر کسب شده از متن می‌تواند بر سنجه‌های زمان دیدن، تأثیرات مهمی بگذارد.
مدت خیره‌شدن روی یک کلمه نیز با خصوصیات واژگانی اصلی آن مانند بسامد و طول، تغییر می‌کند. وی ادامه داد: خیره‌شدن به کلمات با بسامد کمتر نسبت به کلمات با بسامد بالاتر، مدت طولانی‌تری است، درعین‌حال، طولانی‌تر بودن یک کلمه به‌احتمال بیشتر خواننده را مجبور به خیره‌شدن مجدد می‌کند که در عمل، مدت نگاه‌کردن زیادتری را، ایجاد می‌کند.
زاهدی نوقابی همچنین در این نشست، ضمن نمایش نمودارهای علمی و تخصصی و تصویرهای مختلف، مطالبی با محوریت مکان خواندن، خواندن و ردیابی چشم، دیدگاه‌های مختلف مربوط به استفاده از ردیاب چشمی در مطالعات مربوط به خواندن به شیوه‌های گوناگون، ساختار حرکت چشم، چشم انسان، ادراک انسان و...، بیان کرد.

از کتابخانه تا لایه‌های پنهان: علم اطلاعات چگونه به هوش مصنوعی قدرت می‌دهد؟

تاریخ ارسال : 1404/09/02

هوش مصنوعی (AI)، به‌ویژه مدل‌های زبان بزرگ (LLMs) مانند ChatGPT، دیگر یک مفهوم علمی-تخیلی نیستند؛ آن‌ها عمیقاً در تار و پود زندگی روزمره ما تنیده‌اند. از تولید محتوا و خلاصه‌سازی مقالات پیچیده گرفته تا کمک به تصمیم‌گیری‌های حیاتی، این ابزارها قابلیت‌های چشمگیری از خود نشان داده‌اند. با این حال، قدرت واقعی این سیستم‌ها تنها در الگوریتم‌های پیچیده یادگیری عمیق نیست، بلکه در توانایی آن‌ها برای سازماندهی، درک و بازیابی حجم عظیمی از اطلاعات نهفته است. موتور محرک اصلی پشت این انقلاب، دانش نحوه مدیریت دانش بشری است؛ دانشی که از دهه‌ها پیش در رشته علم اطلاعات و دانش‌شناسی (Information Science) ریشه دارد. این مقاله قصد دارد نشان دهد که چگونه مفاهیم بنیادین علم اطلاعات، ستون فقرات فناوری‌های پیشرفته هوش مصنوعی را تشکیل می‌دهند و چگونه این دو حوزه در حال هم‌گرایی هستند. ما سه حوزه کلیدی را بررسی خواهیم کرد: سازماندهی دانش، بازیابی اطلاعات و چالش‌های مربوط به دقت و سوگیری. بخش ۱: سازماندهی دانش در مغز ماشین (مفاهیم پایه علم اطلاعات) هوش مصنوعی، در هسته خود، یک ماشین پردازش اطلاعات است. برای اینکه یک مدل بتواند پاسخ‌های منسجم و مرتبط تولید کند، باید بتواند داده‌های خام ورودی را به دانش ساختاریافته تبدیل کند. اینجا جایی است که اصول علم اطلاعات اهمیت پیدا می‌کنند. ۱.۱. سلسله مراتب داده، اطلاعات، دانش و خرد (DIKW Pyramid) یکی از مفاهیم اساسی در علم اطلاعات، مدل DIKW (Data, Information, Knowledge, Wisdom) است که سلسله مراتب ارزشی داده‌ها را تبیین می‌کند: داده (Data): حقایق خام و بدون زمینه (مانند: "دمای اتاق: ۲۵ درجه سانتی‌گراد"). اطلاعات (Information): داده‌هایی که پردازش، سازماندهی و زمینه‌مند شده‌اند (مانند: "دمای اتاق در ساعت ۱۰ صبح امروز ۲۵ درجه سانتی‌گراد بود"). دانش (Knowledge): اطلاعاتی که در بافتی خاص درک شده و امکان اقدام را فراهم می‌کنند (مانند: "از آنجا که دمای اتاق بالاست، باید سیستم تهویه را روشن کنیم"). خرد (Wisdom): استفاده از دانش در شرایط پیچیده برای تصمیم‌گیری‌های اخلاقی و بلندمدت. هوش مصنوعی، به‌ویژه در مرحله آموزش، مجبور است حجم عظیمی از داده‌های خام (متن، تصاویر، صدا) را از طریق فرآیندهای یادگیری ماشین (مانند یادگیری نظارت نشده یا نیمه نظارت شده) به سطوح بالاتر این هرم منتقل کند تا بتواند "دانش" را استخراج کند. یک LLM تنها زمانی مفید است که بتواند داده‌های متنی را به اطلاعات مفید تبدیل کرده و از آن دانش استخراج کند. ۱.۲. متا‌داده‌ها و هستی‌شناسی (Ontology): زبان مشترک هوش مصنوعی برای اینکه ماشین‌ها بتوانند داده‌ها را به درستی تفسیر کنند، به ساختار و معنا نیاز دارند. اینجاست که متا‌داده‌ها (داده‌هایی درباره داده‌ها) و هستی‌شناسی‌ها (Ontologies) وارد می‌شوند. متا‌داده: متا‌داده‌ها به ماشین‌ها کمک می‌کنند تا بفهمند یک قطعه داده دقیقاً چیست و چه اطلاعاتی را در بر می‌گیرد. برای مثال، در مورد یک سند، متا‌داده شامل نویسنده، تاریخ انتشار، و موضوع اصلی است. این اطلاعات به مدل‌های هوش مصنوعی اجازه می‌دهد تا اسناد را فیلتر کرده و فقط موارد مرتبط را برای پردازش انتخاب کنند. هستی‌شناسی (Ontology): هستی‌شناسی‌ها پیچیده‌تر هستند و به تعریف رسمی روابط بین مفاهیم در یک حوزه خاص می‌پردازند. این ابزارها به مدل‌های AI کمک می‌کنند تا روابط معنایی پیچیده را درک کنند. برای مثال، هستی‌شناسی می‌تواند تعریف کند که: "سیب" (Fruit) یک نوع "میوه" است. "سیب" (Company) یک نوع "شرکت تکنولوژی" است. بدون چنین ساختارهای معنایی، هوش مصنوعی در تشخیص تمایزات ظریف دچار مشکل می‌شود. درک اینکه چگونه این مفاهیم به هم مرتبط هستند، مستقیماً به توانایی مدل در استدلال و ارائه پاسخ‌های دقیق کمک می‌کند. بخش ۲: بازیابی اطلاعات: از کلیدواژه تا قصد کاربر شاید مهم‌ترین کاربرد عملی هوش مصنوعی در امروز، توانایی آن در پاسخگویی به سوالات پیچیده باشد. این عملکرد مستقیماً به تئوری‌های سنتی و نوین بازیابی اطلاعات (Information Retrieval - IR) گره خورده است. ۲.۱. نقص جستجوی سنتی (Keyword Matching) سیستم‌های جستجوی قدیمی (مانند بسیاری از موتورهای جستجوی پایگاه داده‌ای در گذشته) عمدتاً بر تطابق دقیق کلیدواژه‌ها استوار بودند. اگر کاربر عبارت "بهترین رستوران‌های ایتالیایی نزدیک من" را جستجو می‌کرد، سیستم به دنبال اسنادی می‌گشت که دقیقاً حاوی این کلمات باشند. این رویکرد دارای دو اشکال اساسی بود: عدم درک هم‌معنایی (Synonymy): اگر سندی از "پاستا" صحبت می‌کرد اما از کلمه "رستوران ایتالیایی" استفاده نکرده بود، ممکن بود نادیده گرفته شود. عدم درک قصد (Intent): سیستم نمی‌دانست که کاربر در واقع به دنبال تجربه غذا خوردن در یک مکان خاص است، نه صرفاً یک متن که کلمات کلیدی را تکرار می‌کند. ۲.۲. بازیابی معنایی (Semantic Retrieval) و LLMs هوش مصنوعی مدرن با استفاده از مدل‌های جاسازی (Embeddings) و توجه (Attention Mechanisms)، بازیابی معنایی را به سطحی جدید برده است. این مدل‌ها به جای تطابق کلمات، "مفهوم" یا "قصد" کاربر را درک می‌کنند. هنگامی که یک LLM ورودی کاربر را دریافت می‌کند، آن را به یک بردار عددی در فضای چندبعدی تبدیل می‌کند (Embedding). این بردار، معنای نهفته در پرسش را کدگذاری می‌کند. سپس، مدل این بردار را با بردارهای متون موجود در پایگاه دانش خود مقایسه می‌کند. این مقایسه بر اساس شباهت معنایی است، نه صرفاً تطابق کاراکتری. [ \text{Similarity} = \cos(\theta) = \frac{A \cdot B}{|A| |B|} ] این رویکرد، که ریشه در تئوری‌های IR برای سنجش ارتباط و رتبه‌بندی (Ranking) دارد، به هوش مصنوعی اجازه می‌دهد تا حتی در مواجهه با پرسش‌های مبهم یا غیرمستقیم، مرتبط‌ترین نتایج را پیدا کند. این تکنیک‌ها به هوش مصنوعی قدرت می‌دهند تا فراتر از جستجوی اطلاعات، به درک اطلاعات بپردازد. بخش ۳: چالش‌های امروز: سوگیری، دقت و قابلیت اعتماد همانطور که علم اطلاعات به هوش مصنوعی قدرت سازماندهی و بازیابی می‌دهد، مسئولیت‌های جدیدی را نیز بر دوش آن می‌گذارد. چالش‌هایی که امروزه در مورد AI مطرح می‌شوند، اغلب بازتابی از مسائل کلاسیک علم اطلاعات هستند. ۳.۱. سوگیری در داده‌ها (Bias in Data) هوش مصنوعی‌ها از داده‌هایی تغذیه می‌شوند که توسط انسان‌ها تولید شده‌اند. اگر منابع آموزشی دارای سوگیری‌های اجتماعی، نژادی، جنسیتی یا فرهنگی باشند، مدل هوش مصنوعی ناگزیر این سوگیری‌ها را در خروجی خود تکرار خواهد کرد. این یک مسئله کلاسیک در علم اطلاعات در مورد عينيت (Objectivity) و پوشش‌دهی (Coverage) منابع است. یک کتابدار یا متخصص اطلاعات می‌داند که هر مجموعه‌ای از منابع، نمایانگر جهان به شکلی خاص است و ممکن است گروه‌های خاصی را نادیده بگیرد. وقتی یک مدل هوش مصنوعی بر روی مجموعه داده‌ای آموزش می‌بیند که عمدتاً نماینده فرهنگ غربی یا تاریخچه مردان است، خروجی‌های آن نیز همین دیدگاه را تقویت می‌کند. کنترل و شناسایی این سوگیری‌ها نیازمند روش‌های دقیق ارزیابی منابع و مجموعه داده‌ها است که مستقیماً از اصول کتابداری و علم اطلاعات نشأت می‌گیرند. ۳.۲. توهم (Hallucination) و استناد: بازگشت به ریشه‌ها یکی از بزرگترین نگرانی‌ها در مورد LLMs، پدیده "توهم" است؛ یعنی تولید پاسخی که کاملاً ساختگی، اما بسیار قانع‌کننده به نظر می‌رسد. از دیدگاه علم اطلاعات، توهم زمانی رخ می‌دهد که مدل در فرآیند تولید متن، پیوند بین اطلاعات استخراج شده و منبع اصلی را از دست می‌دهد. مدل به جای بازیابی دانش، در حال شبیه‌سازی ساختار زبان بر اساس آموخته‌های آماری خود است. این مشکل، اهمیت حیاتی استناد (Citation) و ارزیابی منبع (Source Evaluation) را برجسته می‌کند. متخصصان علم اطلاعات همواره بر اهمیت پیگیری منشأ هر قطعه اطلاعات تأکید دارند. در دنیای هوش مصنوعی، این بدان معناست که ما باید مدل‌هایی را توسعه دهیم که نه تنها پاسخ دهند، بلکه مسیر رسیدن به آن پاسخ را نیز شفاف‌سازی کنند. نیاز به "استناد هوشمند" که هوش مصنوعی را مجبور به اتصال خروجی‌هایش به متون مرجع دقیق می‌کند، یک گام ضروری برای افزایش قابلیت اعتماد است.

نتیجه‌گیری و چشم‌انداز آینده

علم اطلاعات و هوش مصنوعی دو روی یک سکه هستند. قدرت شگفت‌انگیز LLMs از توانایی آن‌ها در اجرای اصول بنیادین علم اطلاعات – یعنی سازماندهی کارآمد (متا‌داده و هستی‌شناسی)، بازیابی هدفمند (جستجوی معنایی) و نقد منابع (تشخیص سوگیری و توهم) – نشأت می‌گیرد.همانطور که هوش مصنوعی پیچیده‌تر می‌شود، نقش متخصصان علم اطلاعات نیز حیاتی‌تر خواهد شد. آینده این حوزه، هدایت و نظارت بر این سیستم‌های هوشمند است تا اطمینان حاصل شود که آن‌ها بر پایه دانش معتبر، منصفانه و قابل دسترس بنا شده‌اند. همکاری عمیق‌تر بین دانشمندان کامپیوتر، متخصصان یادگیری ماشین و متخصصان علم اطلاعات برای ساختن نسل بعدی هوش مصنوعی ضروری است.