Ομιλητής
Περιγραφή
Η λειτουργική μετάβαση των βιβλιοθηκών σε νέα πληροφοριακά συστήματα συνιστά μια πολυδιάστατη πρόκληση. Μεταξύ άλλων διεργασιών, η σε βάθος αποκωδικοποίηση αυτής της οργανωσιακής μετάπτωσης απαιτεί την ανάλυση αδόμητων ποιοτικών δεδομένων, μια εγγενώς χρονοβόρα διαδικασία. Με την ενσωμάτωση των Μεγάλων Γλωσσικών Μοντέλων (LLMs), αναδεικνύεται η δυναμική προηγμένων υπολογιστικών προσεγγίσεων για την ταχύτερη νοηματική επεξεργασία του απομαγνητοφωνημένου κειμενικού σώματος των συνεντεύξεων. Η παρούσα μελέτη αναπτύσσει ένα καινοτόμο, υβριδικό μεθοδολογικό πλαίσιο (Human-in-the-Loop) που συνδυάζει την ανθρώπινη ερμηνευτική ευελιξία με την υπολογιστική κλίμακα της Τεχνητής Νοημοσύνης (ΤΝ). Παράλληλα, μετουσιώνει αυτή τη μεθοδολογία σε πρακτικές κατευθυντήριες γραμμές, εξοπλίζοντας τους βιβλιοθηκονόμους για την επιστημονικά άρτια αξιοποίησή της.
Το πρωτογενές δείγμα της έρευνας συνίσταται σε ποιοτικά δεδομένα που αντλήθηκαν από 9 ημι-δομημένες συνεντεύξεις βιβλιοθηκονόμων και προσωπικού βιβλιοθήκης. Οι συνεντεύξεις επικεντρώθηκαν ειδικά στις προκλήσεις και τις δυσκολίες που αντιμετώπισαν κατά τη διαδικασία μετάβασης από το παλαιό στο νέο τους σύστημα. Η προσέγγιση αναπτύσσεται μέσω ενός κλιμακωτού μοντέλου. Αρχικά, διενεργήθηκε η πρωτογενής θεματική κωδικοποίηση (human primary coding) από τους ίδιους τους ερευνητές, δημιουργώντας τη βασική γραμμή αλήθειας (ground truth) και διασφαλίζοντας την κατανόηση του συγκειμένου (context). Στη συνέχεια, τα κειμενικά δεδομένα τροφοδοτήθηκαν σε παραγωγικό μοντέλο ΤΝ. Μέσω αυστηρά δομημένης μηχανικής εντολών (prompt engineering) βασισμένης σε πρωτόκολλα όπως το πλαίσιο ACTOR, η ΤΝ αξιοποιήθηκε μηχανισμός αναλυτικής ενίσχυσης. Στόχος είναι η υπολογιστική επέκταση της ανάλυσης, η πολυδιάστατη ομαδοποίηση των δεδομένων (clustering) και η ανακάλυψη λανθανουσών σημασιολογικών συσχετίσεων (latent semantic relationships) που μπορεί να μην γίνονται αντιληπτές κατά την αρχική θεματική ανάλυση.
Η αντιπαραβολή της ανθρώπινης κωδικοποίησης με το υπολογιστικό μοντέλο παράγει ενδιαφέροντα ευρήματα. Η αλγοριθμική επεξεργασία αναδιατάσσει τον θεματικό ιστό, αποκαλύπτοντας μη-γραμμικά, κρυμμένα δομικά μοτίβα σχετικά με την τεχνολογική αποδοχή και την αδράνεια. Αν και η πλήρης χαρτογράφησή τους παραμένει υπό ερμηνευτική διερεύνηση, η μηχανική μάθηση επιτυγχάνει ένα πιο σύνθετο επίπεδο ανάλυσης, υπό την προϋπόθεση αυστηρού ανθρώπινου γνωστικού ελέγχου (cognitive input) προς αποφυγή αλγοριθμικών παρανοήσεων. Καταλήγοντας, η μελέτη παρέχει έναν χρηστικό οδηγό (workflow) βέλτιστων πρακτικών. Οι βιβλιοθηκονόμοι καθοδηγούνται στο πώς να διαμορφώνουν εντολές και να αναλύουν υπολογιστικά αδόμητα ποιοτικά δεδομένα, μετατρέποντάς τα σε στρατηγική γνώση εφαρμόσιμη στην καθημερινή πρακτική.
Περίληψη (Αγγλικά)
The functional transition of libraries to new information systems constitutes a multidimensional challenge. Among other procedures, the in-depth decoding of this organizational transition requires analyzing unstructured qualitative data, an inherently time-consuming process. With the integration of Large Language Models (LLMs), the potential of cutting-edge computational approaches for the faster semantic processing of transcribed interview corpora emerges. The present study develops an innovative, hybrid methodological framework (Human-in-the-Loop) that combines human interpretive flexibility with the computational scale of Artificial Intelligence (AI). At the same time, it translates this methodology into practical guidelines, equipping librarians for its scientifically sound utilization.
The primary research sample comprises qualitative data from 9 semi-structured interviews with librarians and library staff. The interviews focused specifically on the challenges they faced during the transition from their old system to their new one. The approach is developed through a tiered model. Initially, primary thematic coding (human primary coding) was conducted by the researchers themselves, establishing the ground truth and ensuring a contextual understanding. Subsequently, the textual data were fed into a generative AI model. Through strictly structured prompt engineering based on protocols such as the ACTOR framework, AI was utilized as an analytical enhancement mechanism. The goal is the computational extension of the analysis, the multidimensional clustering of data, and the discovery of latent semantic relationships that might not be perceived during the initial thematic analysis.
Comparing human coding with the computational model yields interesting findings. Algorithmic processing rearranges the thematic fabric, revealing non-linear, hidden structural patterns related to technological acceptance and organizational inertia. Although their complete mapping remains under interpretive investigation, machine learning achieves a more complex level of analysis, provided there is strict human cognitive control (cognitive input) to avoid algorithmic misinterpretations. In conclusion, the study provides a practical guide (workflow) of best practices. Librarians are guided in formulating prompts and computationally analyzing unstructured qualitative data, transforming it into strategic knowledge applicable in daily practice.
| Λέξεις Κλειδιά | ποιοτική_έρευνα, συνεντεύξεις, θεματική_ανάλυση; τεχνητή_νοημοσύνη; μηχανική_εντολών |
|---|---|
| Τίτλος (Αγγλικά) | Enhancing Qualitative Research in Libraries through Artificial Intelligence: A Hybrid Thematic Analysis Framework and Practical Guidelines |
| Λέξεις Κλειδιά (Αγγλικά) | qualitative_research; interviews; thematic_analysis; artificial_intelligence; prompt_engineering |