การสร้าง MyGPT สำหรับงานวิเคราะห์ทรัพยากรสารสนเทศ: ประสบการณ์ของสำนักงานวิทยทรัพยากร จุฬาลงกรณ์มหาวิทยาลัย
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้กล่าวถึงการทดลองของสำนักงานวิทยทรัพยากร จุฬาฯ ในการออกแบบ MyGPT สำหรับใช้สร้างระเบียนบรรณานุกรมหนังสือภาษาไทย วัตถุประสงค์ของการศึกษา คือ 1) ประเมินระดับความถูกต้องของระเบียนบรรณานุกรมหนังสือภาษาไทยที่สร้างโดย MyGPT 2) ศึกษารูปแบบความผิดพลาดที่สร้างโดย MyGPT ที่เกิดขึ้นซ้ำ 3) ศึกษาวิธีสร้างระเบียนบรรณานุกรมด้วย MyGPT ที่เหมาะสมในการปฏิบัติงาน วิธีการดำเนินการ คือ สร้าง MyGPT ด้วยคำสั่งที่ระบุขั้นตอนการทำงาน โครงสร้างข้อมูลที่ถูกต้อง และเขตข้อมูลที่ต้องการให้ปรากฏในระเบียนบรรณานุกรม จากนั้นทดสอบความสามารถในการสร้างระเบียนบรรณานุกรมของ MyGPT โดยใช้หนังสือภาษาไทย จำนวน 10 เล่ม เปรียบเทียบกับระเบียนบรรณานุกรมที่บรรณารักษ์สร้าง ผลการศึกษาพบว่า MyGPT ที่สร้างขึ้นยังไม่สามารถจัดทำระเบียนบรรณานุกรม
ที่นำไปใช้งานได้ทันทีโดยใช้รูปภาพส่วนนำและส่วนต่าง ๆ จากหนังสือ แต่เมื่อเปลี่ยนวิธีการเป็นการป้อนข้อมูลหนังสือเข้าสู่ MyGPT โดยตรงจะทำให้มีความถูกต้องมากขึ้น แสดงให้เห็นถึงศักยภาพของ MyGPT ที่พัฒนาต่อไปได้หากมีการทำงานร่วมกันระหว่างบรรณารักษ์และปัญญาประดิษฐ์ ด้านความถูกต้องของข้อมูลและโครงสร้างข้อมูล พบว่า เขตข้อมูลที่มีค่าคงที่มีคะแนนด้านความถูกต้องและโครงสร้างสูงกว่าเขตข้อมูลที่มีความซับซ้อนในการลงรายการ และความผิดพลาดที่เกิดขึ้นมากที่สุด คือ ความไม่สอดคล้องกับตามมาตรฐาน MARC, RDA และการกำหนดเลขผู้แต่ง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Briganti, G. (2024). How ChatGPT works: a mini review. Eur Arch Otorhinolaryngol, 281, 1565–1569. https://doi.org/10.1007/s00405-023-08337-7
Brzustowicz, R. (2023). From ChatGPT to CatGPT: the implications of artificial intelligence on library cataloging. Information Technology and Libraries, 42(3), 1-22. https://doi.org/10.5860/ital.v42i3.16295
Chan, C.K.Y., & Colloton, T. (2024). Generative AI in higher education: The ChatGPT effect. Routledge. https://doi.org/10.4324/9781003459026
Chow, E. H. C., Kao, T. J., & Li, X. (2024). An experiment with the use of ChatGPT for LCSH subject assignment on electronic theses and dissertations. Cataloging & Classification Quarterly, 62(5), 574–588. https://doi.org/10.1080/01639374.2024.2394516
Lazarinis, F. (2015). Cataloguing and classification : an introduction to AACR2, RDA, DDC, LCC, LCSH and MARC 21 standards. Chandos Publishing. Library of Congress. (1999, May 14). Discussion paper no. 117: Coding non-Gregorian dates. https://www.loc.gov/marc/marbi/dp/dp117.html
Mahmud, M.R. (2024). AI in automating library cataloging and classification, Library Hi Tech News. Advance online publication. https://doi.org/10.1108/LHTN-07-2024-0114
Mannheimer, S., Bond, N., Young, S. W. H., Kettler, H. S., Marcus, A., Slipher, S. K., Clark, Jason, A., Shorish, Y., Rossmann, Doralyn, & Sheehey, B. (2024). Responsible AI practice in libraries and archives: a review of the literature. Information Technology and Libraries, 43(3), 1-29. https://doi.org/10.5860/ital.v43i3.17245
Noruzi, A. (2023). The use of artificial intelligence in knowledge organization and subject indexing. Informology, 3(1), 1-8. https://informology.org/2024/v3n1/editorial5.pdf
OpenAI. (2022, November 30). Introducing ChatGPT. https://openai.com/index/chatgpt/
OpenAI. (2024, November). Creating a GPT. https://help.openai.com/en/articles/8554397-creating-a-gpt
Taniguchi, S. (2024). Creating and evaluating MARC 21 bibliographic records using ChatGPT. Cataloging & Classification Quarterly, 62(5), 527–546. https://doi.org/10.1080/01639374.2024.2394513
York, E., Hanegbi, D., & Ganor, T. (2024). Enriching bibliographic records using AI – a pilot by Ex Libris. Internet Reference Services Quarterly, 28(3), 287–291. https://doi.org/10.1080/10875301.2024.2361871
