- 제목 : “Hey librarian, what can AI and analytics do for you”: a systematic literature review and sociotechnical perspective
- 저자 : Ransome Bawack, Roseline Bawack
- Aslib Journal of Information Management
- ISSN: 2050-3806
- 발행일 : 2025년 1월 14일
초록
목적
이 연구는 도서관 운영에서 인공지능(AI) 및 분석 애플리케이션에 대한 현재 연구에 대한 심층적인 개요를 제공하고, 그 도입의 기술적, 사회적 의미를 강조하는 것을 목표로 한다.
설계/방법론/접근
이 연구는 학술도서관의 AI 및 분석에 대한 기존 연구를 종합하기 위해 PRISMA 지침을 따른다. 이 검토에서는 사회기술시스템(STS) 이론을 프레임워크로 사용하여 이러한 기술을 통합하는 데 관련된 기술적 측면과 사회적 역학을 평가한다.
연구 결과
AI와 분석이 도서관 자원 관리, 의사결정, 이용자 서비스를 크게 향상시킬 수 있다는 것을 보여준다. 그러나 책임감 있는 구현을 위해서는 직원 교육과 협업을 포함한 윤리적, 사회적, 기술적 과제를 해결해야 한다.
독창성/가치
이 연구는 학술 도서관 운영에서 AI와 분석을 적용하는 데 초점을 맞춘 최초의 STS 기반 분석을 제공합니다. 이 연구는 이러한 기술의 고유한 적용과 잠재력에 대한 실행 가능한 인사이트를 제공하여 도서관별 운영 관리에 관한 문헌의 격차를 해소한다.
인용
Bawack, R. and Bawack, R. (2025), ““Hey librarian, what can AI and analytics do for you”: a systematic literature review and sociotechnical perspective”, Aslib Journal of Information Management, Vol. ahead-of-print No. ahead-of-print.
https://doi.org/10.1108/AJIM-04-2024-0317
1.서론
학술도서관은 학생, 교수진, 기관을 위한 가치를 통해 기관의 목표를 지원하도록 설계된 전략적 기관이다(Oakleaf, 2010). 그러나 디지털 기술의 급속한 발전으로 학술도서관은 리소스를 효율적으로 관리하고, 원활한 서비스를 제공하며, 다양한 이해관계자의 요구를 충족하는 데 있어 여러 가지 문제에 직면해 있다(Cox, 2021; Maleksadati 외., 2023). 예를 들어, 온라인 데이터 가용성의 증가로 인해 연구의 데이터 집약도가 높아지면서 사서들은 적절한 연구 지원 서비스를 제공하기 위해 새로운 기술, 자원, 인프라를 습득해야 했다(Koltay, 2019; Zhang 외., 2023a). 코로나19 팬데믹으로 인해 온라인 교육과 학습이 새로운 표준이 되면서 도서관 전문가들은 새로운 도서관 서비스 수요에 대한 급격한 변화를 겪게 되었다(Huang et al., 2021; Martzoukou, 2021).
이러한 과제에 대응하기 위해 도서관 전문가들은 도서관 운영에서 인공지능(AI)과 분석 기술의 잠재적 가치를 점점 더 높이 평가하고 있다. AI는 “외부 데이터를 올바르게 해석하고, 그러한 데이터를 통해 학습하며, 유연한 적응을 통해 특정 목표와 작업을 달성하기 위해 그러한 학습을 사용하는 시스템의 능력”을 말한다(Kaplan과 Haenlein, 2019, 15쪽). 한편 분석 기술은 “데이터를 분석하고, 인사이트를 얻고, 정보를 얻고, 의사 결정을 지원하기 위해 정성적, 정량적, 통계적 계산 도구와 방법을 적용하는 체계적인 사고 프로세스”를 지원하는 기술을 말한다(51페이지, Power 외., 2018). 이러한 기술은 오늘날 디지털 시대에 운영 효율성을 높이고, 리소스 관리를 최적화하고, 이용자 경험을 개선하려는 학술도서관의 전략으로 부상하고 있다(Hussain, 2020).
AI와 분석을 통합하면 데이터 기반 인사이트와 자동화된 프로세스를 통해 장서 관리부터 이용자 지원에 이르기까지 전통적인 도서관 기능을 혁신할 수 있다(Noh, 2015; Oakleaf et al., 2017). 그러나 학술도서관 운영 관리에서 AI와 분석의 범위와 의미를 종합적으로 이해하기 위해서는 기존 문헌을 체계적으로 검토하는 것이 필수적이다. 학술도서관 맥락에서 AI와 분석을 도입하는 것에 대한 이전 검토는 광범위한 기회와 과제에 초점을 맞추었다(Echedom and Okuonghae, 2021; Shahzad 외., 2024). 그러나 특정 AI 및 분석 기술, 기법 또는 관행이 도서관 운영 관리에 가져올 수 있는 가치와 그 구현이 기관의 구조, 워크플로, 이용자 경험에 미치는 영향을 이해하는 것이 구현 성공에 가장 중요하다.
이 체계적 문헌고찰(SLR)은 학술도서관 사서와 고등교육계의 리더에게
(1) 학술도서관 운영 관리에서 AI와 분석의 적용에 관한 현황 연구에 대한 포괄적인 개요와
(2) 이러한 기술 채택의 기술적, 사회적 의미를 제공하는 것을 목표로 한다.
이 연구 목표를 달성한다는 것은 다음과 같은 중요한 연구 질문에 답하고자 하는 시도를 의미한다.
RQ1. 도서관 운영과 관리를 지원하기 위해 AI와 분석 도구를 성공적으로 구현하려면 어떻게 해야 하는가?
이 검토의 중요성은 연구자, 도서관 관리자 또는 책임자, 기관 정책 입안자에게 AI와 분석이 도서관 운영에 가치를 더할 수 있는 특정 영역에 대해 알려줄 수 있는 잠재력에 있다. 이 SLR은 기존 문헌을 비판적으로 분석하여 AI와 분석이 어떻게 도서관 워크플로를 최적화하고 의사결정 과정을 개선하며 이용자 서비스를 향상시킬 수 있는지를 밝힐 것이다. 또한 AI 및 분석 도구의 기술적 측면과 그 도입과 사용을 둘러싼 사회적 역학 및 조직 문화를 고려하는 것이 중요하다는 점을 강조한다. 우리는 사회기술시스템(STS) 이론을 사용하여 도서관 운영 관리에 AI와 분석을 성공적으로 통합하기 위해 기술적 전문성과 사회적 고려 사항을 포함하는 협력적 접근법의 필요성을 강조한다.
이 연구는 기존 연구가 학술도서관에서 AI와 분석의 일반적인 기회와 과제를 탐구한 반면, 본 연구는 STS 이론을 바탕으로 도서관 운영 관리의 맥락에서 이러한 기술의 구체적인 적용에 초점을 맞춘다는 점에서 독창적이며 기존 연구(Barsha와 Munshi, 2024)와 차별화된다. 이 이론은 학술도서관의 사회적, 기술적 구조 내에서 이러한 기술의 통합을 이해하기 위한 새로운 프레임워크를 제공한다. 이 연구가 도서관 운영 관리에서 AI와 분석의 윤리적, 사회적, 기술적 함의에 대한 추가 논의를 촉진하기를 바란다.
2. 선행 연구
최근 도서관이 서비스, 자료, 이용자 경험을 최적화하기 위해 AI와 분석을 학술 도서관 운영에 통합하는 것이 학계의 큰 관심을 받고 있다. 여러 연구에서 학술 도서관 운영에서 AI와 분석을 사용하여 다양한 학습 요구를 가진 개인을 지원하는 방법을 탐구했으며, 학생의 성공을 위한 학술 도서관 지원을 강화하기 위한 지능형 시스템의 필요성을 강조했다(Kharbat 외., 2020). 일부는 학술 도서관의 학습 분석 도입에 초점을 맞춰 윤리적 및 개인정보 보호 문제를 해결하면서 학생의 성과를 개선할 수 있는 잠재력을 강조한다(Jones and Salo, 2018; Jones et al., 2020).
실제로 학술도서관에서 AI와 분석을 사용하는 것은 도덕적, 윤리적 딜레마, 특히 이용자 개인정보 보호와 복지에 관한 딜레마를 제기한다(Jones and Salo, 2018; Jones et al., 2020). 디지털 혁신을 달성하고 도서관 서비스를 개선하기 위해 이러한 기술에 투자하는 학술도서관에서 AI와 분석의 긍정적인 영향을 얻기 위해서는 윤리적 고려 사항을 우선순위에 두고 기술 설계에 포함시키는 것이 중요하다(Doty, 2020; Komosany와 Alnwaimi, 2021; Oakleaf 외., 2017). 한편, 다른 연구에서는 AI와 분석을 활용하여 도서관 서비스를 개인화하는 데 중점을 두어 서비스 품질을 향상시키기 위해 이용자의 고유한 요구를 이해하는 것이 중요하다는 점을 강조했다(Khavidaki 외., 2023). 따라서 학술도서관에서 AI와 분석을 성공적으로 구현하기 위해서는 도서관 전문가의 기술 통합, 특히 데이터 사서와 관련된 지식을 업데이트하는 교육 프로그램이 중요하다(Koltay, 2019; Mansour, 2017; Semeler et al., 2024).
이 문헌에서 나온 주제는 학술 도서관 운영에서 AI와 분석 통합의 진화하는 환경을 보여주며, 도서관 서비스를 개선하고 학생의 성공을 지원하기 위한 윤리적 고려사항과 개인화된 서비스를 강조한다. 이러한 연구는 학술 도서관 상황에서 AI와 분석의 적용에 대한 귀중한 통찰력을 제공하며, 이러한 기술을 활용하여 학습 성과를 향상하고 도서관 및 정보과학 분야의 지식을 발전시키기 위한 향후 연구의 토대를 마련한다(Borgohain 외, 2024; Cox, 2023; Cox와 Mazumdar, 2022; You 외, 2024).
그럼에도 불구하고 다양한 AI 및 분석 도구나 기법이 도서관 전문가의 다양한 업무 측면을 어떻게 지원할 수 있는지에 대한 연구 기반 증거에 대한 통합된 개요를 제공하는 연구는 없다. 지식의 희소성으로 인해 전문가들은 서로 다른 기술이 어디에 관련될 수 있는지 알기 어렵기 때문에 도서관 운영에 AI와 분석을 도입하는 것은 매우 어려운 일이다. 이 연구는 연구자와 전문가에게 특히 사회기술적 관점에서 AI와 분석이 도서관 운영 관리를 어떻게 지원할 수 있는지에 대한 연구 기반 증거에 대한 명확한 이해를 제공함으로써 이러한 격차를 해소하고자 한다.
3. 이론적 배경: 사회기술 시스템 이론
사회기술시스템(STS) 이론은 AI와 분석 도구가 도서관 운영과 관리를 어떻게 향상시킬 수 있는지 이해하는 데 유용한 프레임워크를 제공한다. 이 이론은 조직의 불확실성과 변화를 탐색하기 위해 인간 참여자와 기술 간의 협업을 강조한다(Trist, 1981; Trist and Bamforth, 1951). 또한 시스템 설계에 작업자를 참여시키고 프로세스에 대한 통제권을 부여함으로써 운영 성과를 개선할 수 있다고 주장한다(Pasmore et al., 2019). 따라서 효과적인 STS 설계를 위해서는 인간과 기계의 행동을 이해해야 한다(Muller, 1989). STS 환경 내에서 조정을 용이하게 하는 설계 원칙에는 호환성, 작업 사양, 분산 제어, 다기능성, 유연한 경계, 효율적인 정보 흐름, 지원적 사회 시스템, 인간 중심 설계, 재설계 분석을 통한 지속적인 개선을 강조하는 반복적 개선이 포함된다(Cherns, 1976).
오늘날 빠르게 진화하는 기술 환경 속에서 4차 산업혁명 기술이 조직 설계를 앞지르는 상황에서 STS 사고는 여전히 유효하다(Pasmore et al., 2019). 이 패러다임은 조직의 사회적 역동성과 채택하고자 하는 기술을 일치시킬 수 있는 유연한 변화 모델을 제공한다(Appelbaum, 1997). 따라서 STS 이론은 현대 조직 내에서 AI와 분석 도구의 통합을 이해하기 위한 메타 이론적 접근 방식으로 작용하여 작업자의 업무 수행을 지원할 수 있다(Bostrom et al., 2009; Sony and Naik, 2020). 이전 연구에서는 도서관에서 조직 차원의 기술 채택과 사용을 이해하기 위한 이론적 렌즈로서 STS를 사용하는 것이 관련성이 있다는 증거를 제시하면서 도서관을 STS로 강조했다(Manoff, 2015; Rosenbaum and Joung, 2004; Tammaro, 2024). 이 이론은 학술도서관 운영에서 AI 및 분석 도구의 기술적 측면, 사회적 역학, 도입과 사용을 둘러싼 조직 문화를 고려하는 것이 중요하다는 점을 강조하는 근거가 될 것이다.
4. 방법론
이 SLR은 검토 과정의 투명성, 엄격성 및 재현성을 보장하기 위해 체계적 문헌고찰 및 메타분석을 위한 선호 보고 항목(PRISMA) 가이드라인을 따른다(Page et al., 2021; Petersen et al., 2021). PRISMA는 학술도서관에서 AI 및 분석 연구의 다양하고 학제적인 특성을 정확하게 포착하는 데 중요한 포괄적이고 편견 없는 문헌 종합을 보장하는 잘 정립된 프레임워크로 특별히 선택되었다. 또한 이 SLR은 AI와 분석의 통합을 분석할 때 기술적 요소(예: AI 및 분석 도구, 데이터 관리 관행)와 사회적 역학(예: 도서관 직원, 조직 문화)을 모두 고려해야 할 필요성을 강조하는 STS 원칙에 따라 진행되었다. 이러한 이론적 조율을 통해 관련 기술 응용을 식별하고 학술도서관의 광범위한 사회적 맥락에서 그 의미를 비판적으로 검토할 수 있다.
인공지능 및 분석을 특징짓는 다양한 용어(“인공지능” 또는 “인공 신경망” 또는 “사례 기반 추론” 또는 “인지 컴퓨팅” 또는 “인지 과학” 또는 “컴퓨터 비전” 또는 “데이터 마이닝” 또는 “데이터 과학” 또는 “딥러닝” 또는 “전문가 시스템” 또는 “퍼지 언어 모델링” 또는 “퍼지 논리” 또는 “유전 알고리즘” 또는 “이미지 인식” 또는 ″k-평균” 또는 “지식-기반 시스템” 또는 “논리 프로그래밍” 또는 “머신 러닝” 또는 “머신 비전” 또는 “자연어 처리” 또는 “신경망” 또는 “패턴 인식” 또는 “추천 시스템” 또는 “추천 시스템” 또는 “시맨틱 네트워크” 또는 “음성 인식” 또는 “지원 벡터 머신” 또는 “SVM” 또는 “텍스트 마이닝” 또는 “분석” 또는 “음성 비서” 또는 “디지털 비서”) 및 학술 도서관(“학술 도서관” 또는 “학교 도서관” 또는 “대학교 도서관” 또는 “대학 도서관”) 등)를 사용하여 Web of Science(WoS) 및 Scopus 데이터베이스를 검색했다.
검색 전략에서 ‘OR’을 사용한 것은 문헌을 포괄적으로 포착하기 위한 의도적인 선택이었다. 이 접근 방식을 통해 학술 도서관 운영에서 AI 및 분석의 모든 측면을 다루는 모든 관련 연구를 포함할 수 있었기 때문에 검토 범위를 넓히는 동시에 관련 문헌이 누락되지 않도록 보장할 수 있었다. 주요 변형은 복수의 용어를 포함하고 포괄성을 위해 데이터베이스에서 제안한 키워드를 포함하는 것이었다. 검색 결과 WoS에서 374개, Scopus에서 654개의 문서, 즉 총 1,028개의 문서를 찾아 내었다. 결과를 병합한 후 중복으로 인해 645개의 문서가 제거되었고, 영어가 아니라는 이유로 56개의 문서가 제거되었으며 327개의 선별된 문서가 남았다. 서적, 철회된 논문, 사설 또는 리뷰라는 이유로 93개의 문서가 추가로 제외되어 234개의 문서가 검색 대상에 남았다. 18개 문서는 학술지 데이터베이스에 없어 검색할 수 없었고, 결국 216개의 문서가 적격성 평가 대상으로 남았다. 도서관 운영에서 AI 및 분석의 적용과 직접 관련이 없는 문서는 분석에서 제외했다. 따라서 키워드, 제목, 초록에 대한 평가에 따라 54개의 문서가 제외되었고, 콘텐츠 분석에 따라 91개의 문서가 제외되었다. 따라서 71개의 문서가 철저하게 분석되었다.
이 분석에 포함된 문서는 2003년부터 2024년 3월 31일까지 영어로 출판된 동료 심사 논문과 컨퍼런스 논문이다. 데이터는 이 연구의 목적에 부합하는 참조, AI 및 분석 도구, 도서관 운영에서의 적용, 부가가치, 기술적 고려 사항, 사회문화적 고려 사항을 포함하도록 표준화된 형식으로 추출되었다.
검토 및 데이터 추출은 두 명의 독립적인 검토자가 수행했으며, 이들은 세 번째 검토자와의 토론과 협의를 통해 불일치하는 부분을 해결하고 합의를 도출했다. 이러한 접근 방식은 데이터 추출 위험과 보고 편향성을 최소화하는 데도 도움이 되었다.
5. 결과 및 논의
이 장에서는 SLR의 결과를 보고하고 논의한다. 연구 결과는 도서관 워크플로우를 개선하는 리소스 관리, 의사결정, 이용자 서비스에서 특정 AI 및 분석 애플리케이션을 강조함으로써 연구 질문과 연결된다. 연구 결과는 성공적인 구현은 데이터 관리 및 통합과 같은 기술적 측면과 윤리적 고려, 직원 교육, 이용자 참여와 같은 사회적 역학을 고려하는 데 달려 있음을 강조한다. 이러한 인사이트는 도서관 환경에서 AI 도구가 기술적으로 효과적이고 사회적, 윤리적으로 적절한지 확인하기 위해 기술과 사회적, 조직적 맥락을 조화시키는 것이 중요하다는 점을 강조하는 STS 프레임워크와도 일치한다. 자세한 분석은 (1) 다양한 AI 및 분석 기술 또는 접근법의 가치, (2) 기술적 의미, (3) 사회적 의미, (4) 사회기술적 의미의 네 가지 주요 섹션으로 나누어 아래에 제시되어 있다.
5.1 다양한 AI 및 분석 기술 또는 접근 방식의 가치
5.1.1 데이터 마이닝(Data mining)
데이터 마이닝은 전통적인 통계 분석과 머신 러닝과 같은 분야의 기술을 통합하여 패턴을 모델링하고 감지한다(Jackson, 2002). 가설 기반 또는 데이터 기반 접근 방식을 사용하여 대규모 데이터 세트의 추세를 밝혀낸다. 수치 데이터뿐만 아니라 문자(텍스트 마이닝)(Lowe 외, 2021)와 서지 데이터(비블리오마이닝)에도 적용된다(Azam 외, 2013; Firat and Aslay, 2022). 도서관 운영에서 데이터 마이닝은 서지 및 텍스트 데이터에서 인사이트를 추출하여 대출자의 행동 패턴을 파악하여 관리와 예산 편성을 최적화한다(Azam et al., 2013). 도서관은 사용 추세를 분석함으로써 리소스를 보다 효과적으로 할당하고 인구통계 및 선호도 데이터를 기반으로 장서 구입을 조정하여 전략적 투자를 지원할 수 있다(Firat and Aslay, 2022). 또한 데이터 마이닝은 장서 개발을 자동화하여 대출률에 영향을 미치는 요인을 파악하고 정보에 입각한 장서 구축을 지원한다(Nicholson, 2003; Ochilbek, 2019). 또한 사용 데이터는 도서관이 이용자 관심사에 맞춰 장서 조달을 맞춤화하여 만족도를 높이는 데 도움이 된다(Xia and Liu, 2019). 또한 도서관은 이용자 패턴 분석을 통해 학습 성과를 개선하여 학업 성공을 지원하기 위한 맞춤형 개입을 개발할 수 있다(Renaud et al., 2015). 마지막으로, 인용 및 키워드 패턴을 분석하면 연구 검색 가능성을 높이고 학술 활동을 지원할 수 있다(Lowe et al., 2021). [그림 1]은 연구 결과를 요약한 것이다.
[그림1] 도서관 운영에서 데이터 마이닝의 가치
5.1.2 추천 시스템
추천 시스템은 명시적으로 수집되거나 추론된 이용자 선호도에 따라 서비스 제공을 개인화하여 이용자에게 맞춤형 제품이나 서비스를 안내한다(Park et al., 2012). 도서관 운영을 지원하는 AI 기반 추천 시스템은 이용자 선호도를 분석하여 도서 검색을 향상시키는 경우가 많다. 이러한 방식은 검색 효율성을 개선하고 수동 검색 비용을 줄여 도서관 운영을 더욱 비용 효율적으로 만든다(Ahmed and Letta, 2023). 이러한 시스템은 개인의 관심사에 맞는 자료를 추천함으로써 학습과 이용자 경험을 개선하여 이용자가 자신의 목적에 맞는 콘텐츠를 찾을 수 있도록 한다(Liu and Hatamleh, 2022; Verma and Patnaik, 2024). 또한 이용자 취향에 맞는 전자책을 추천하여 참여도를 높일 수 있다(Giannopoulou와 Mitrou, 2020; Verma와 Patnaik, 2024). 추천 시스템은 도서 외에도 인용 패턴과 연구 동향을 분석하여 연구 접근을 용이하게 한다. 이러한 시스템은 연구자가 해당 분야의 최신 정보를 유지하는 데 도움이 되는 개인화된 문서 추천을 제공한다(Dhanda and Verma, 2018; Yang et al., 2022). 학생의 경우, 이러한 시스템은 개인의 관심사와 목표에 따라 논문 주제를 제안하여 학업 성공과 경력 개발을 지원한다(Fiarni et al., 2021). [그림 2]는 연구 결과를 요약한 것이다.
[그림2] 도서관 운영에서 추천 시스템의 가치
5.1.3 머신 러닝 및 딥 러닝
머신러닝을 통해 컴퓨터는 명시적인 프로그래밍 없이도 데이터로부터 학습할 수 있으며, 알고리즘에 의존하여 패턴을 감지할 수 있다(Mahesh, 2020). 머신러닝의 하위 집합인 딥러닝은 이미지, 텍스트, 음성 등 다양한 데이터 유형에서 복잡한 데이터 패턴을 분석하기 위해 다계층 계산 모델을 활용한다(LeCun 외., 2015). 머신러닝과 딥러닝은 도서관 패턴 인식과 데이터 분석을 통해 운영을 최적화한다. 예를 들어, 과거 구매 및 자금 지원 데이터를 분석하면 효율적인 예산 배분을 지원하여 이용자의 요구에 맞는 자원을 확보할 수 있다(Ruixiang, 2019; Zhou 외., 2024). 도서관은 또한 이러한 기술을 사용하여 이용자 선호도를 분석하여 자원 배분을 개선하고 서비스 품질과 이용자 만족도를 향상시킬 수 있다(Ho et al., 2008; Zhang et al., 2023b). 도서관은 여러 가지 방법으로 머신러닝으로 이용자 경험을 개인화할 수 있다. 예를 들어, 학업 성취도 데이터를 분석하여 학생의 성공을 지원하기 위한 맞춤형 개입을 제공하는 데 사용할 수 있다(Hang et al., 2022). 또한 채팅 기록을 분석하고 응답 프로세스를 간소화하여 이용자 지원을 강화하는 데에도 사용할 수 있다(Wang, 2022). 또한 머신러닝은 학술 메타데이터를 표준화하는 데에도 사용될 수 있다. 이러한 관행은 연구 검색 가능성을 높이고(Choudhury 외., 2023) 기관의 연구 동향을 파악하는 데 도움이 될 수 있다(Saputra 외., 2019). 마지막으로 머신러닝은 목표 서비스 품질 개선을 안내할 수 있다. 예를 들어, 사서의 업무 성과 추적에 도움이 될 수 있다(Wang, 2013). 또한 비효율적인 사용 패턴을 감지하여 비용을 절감하고 지속 가능성을 지원함으로써 에너지 관리에 도움을 줄 수 있다(Li et al., 2019, 2022; Zhou et al., 2020). 또한 이러한 알고리즘은 환경 데이터를 분석하여 쾌적함과 에너지 절약을 위해 일광 음영을 최적화하는 데 도움이 될 수 있다(Wen et al., 2023). [그림 3]은 연구 결과를 요약한 것이다.
[그림3] 도서관 운영에서 머신러닝과 딥러닝의 가치
5.1.4 ChatGPT 및 챗봇
OpenAI의 AI 콘텐츠 생성기인 ChatGPT는 이용자가 개인화된 콘텐츠를 자동으로 생성할 수 있도록 지원한다(Wu et al., 2023). 지능형 챗봇으로서 과거 상호작용을 기억하고 상세한 답변을 제공하며 이미지 캡션 및 요약과 같은 작업을 수행한다(Liu et al., 2023). ChatGPT는 혁신적인 교육 전략을 통해 다양한 과제, 특히 학생 참여 문제를 해결함으로써 도서관 운영을 크게 개선할 수 있다(Torres, 2024). 사서의 안내에 따라 맞춤형 리소스, 퀴즈, 연습 문제를 제공하면서 학생들과 대화식으로 상호작용하기 때문에 도서관은 ChatGPT를 활용하여 능동적인 학습을 촉진할 수 있다(Lund and Wang, 2023; Yamson, 2023). 이러한 접근 방식은 학생의 학습을 심화시키고 교육 경험을 풍부하게 할 수 있다.
또한 규칙 기반과 달리 AI 챗봇은 최소한의 백엔드 개입으로 사람의 대화를 시뮬레이션하므로 도서관 이용에 적합하다(Kaushal and Yadav, 2022; Sanji et al., 2022). 이러한 챗봇은 ChatGPT를 통해 시간이나 장소에 구애받지 않고 연중무휴 24시간 효율적인 참고 서비스를 제공하여 이용자 만족도를 높일 수 있다(Lappalainen and Narayanan, 2023). 또한 일상적인 문의를 처리하여 전문 지식 없이도 리소스에 대한 액세스를 간소화하므로 도서관 직원이 복잡한 업무에 집중할 수 있다(Ehrenpreis와 DeLooper, 2022; Rodriguez와 Mune, 2022).
5.1.5 컴퓨터 비전
컴퓨터 비전은 컴퓨터가 현실 세계의 시각 정보를 해석하고 이해할 수 있도록 하는 AI의 한 분야이다(Szeliski, 2022). 컴퓨터가 디지털 이미지나 동영상에서 의미 있는 인사이트를 분석, 처리, 추출할 수 있도록 하는 알고리즘과 기술을 개발하는 것이 포함된다.
컴퓨터 비전 기술은 공간 점유에 대한 귀중한 인사이트를 제공하여 도서관 공간 관리를 향상시킴으로써 도서관 운영을 개선할 수 있다(Dong and Cheng, 2023). 컴퓨터 비전 기술은 실시간 비디오 피드 또는 정적 이미지를 분석하고 전략적으로 배치된 카메라에서 이용자 행동을 모니터링하여 도서관 공간 점유율을 실시간으로 평가하고 피크 사용 시간과 유동인구 패턴을 파악하는 고급 이미지 처리 기술을 제공한다. 이러한 데이터 기반 접근 방식은 도서관 내 개인의 움직임을 추적하여 관리자에게 공간 점유율과 인기 있는 구역에 대한 정보를 제공한다. 이 정보를 통해 도서관 공간 설계, 좌석 배치, 리소스 배치, 직원 배치를 최적화하여 도서관 기능, 사용성, 이용자 경험을 개선할 수 있다.
5.1.6 예측 분석
예측 분석은 데이터, 통계 알고리즘, 머신러닝을 활용하여 과거 및 현재 데이터를 분석함으로써 도서관이 추세를 예측하고 운영을 개선할 수 있게 해준다(Klimberg, 2023). 주요 응용 분야는 도서 대출 수요를 예측하여 자원 배분을 최적화하고 대출 정책을 효과적으로 관리하는 데 도움이 된다(Sun and Yang, 2017). 도서관은 과거 대출 데이터와 이용자 추세를 분석하여 이용자 수요를 더 잘 충족하고, 품절을 최소화하며, 대출 관리를 강화할 수 있다. 또한 예측 분석은 이용자 선호도와 장서 흐름의 패턴을 조사하여 도서관의 장서 개발 및 수집 전략을 안내하여 관련성과 예산 효율성을 높여 수요 중심의 장서 구입을 지원한다(Jiang et al., 2019). 장서 흐름 데이터와 시장 동향을 기반으로 도서 구매 수요를 예측하면 장서 구입과 재고 관리가 더욱 향상된다(Wu et al., 2022). 이러한 인사이트는 도서관이 이용자 수요에 맞춰 장서를 구입하고 예산 배분을 개선하며 최적의 재고 수준을 유지하는 데 도움이 된다.
또한 도서관 관리자는 사용 패턴을 분석하여 자원 활용도를 예측하고 전략적으로 자원을 할당하여 자원 개발과 운영 효율성을 높일 수 있다(Iqbal 외., 2020). 이러한 접근 방식은 도서관이 피크 사용 시간, 인기 있는 분야, 수요 변동을 파악하는 데 도움이 되어 레이아웃, 인력 배치, 자원 관리를 개선할 수 있다(Kanarkard 외., 2017). 마지막으로 예측 분석은 과거 사용량과 환경 데이터를 기반으로 에너지 수요를 예측하여 에너지 관리를 개선함으로써 도서관이 비용을 절감하고 지속 가능한 운영을 할 수 있도록 도와준다(Chen et al., 2023). [그림 4]는 연구 결과를 요약한 것이다.
[그림4] 도서관 운영에서 예측 분석의 가치
5.1.7 기타 분석 유형
웹, 감성, 시각적 분석은 도서관 운영을 개선하는 데 유용한 도구이다. 예를 들어 웹 분석을 통해 도서관은 디지털 리소스 사용량을 평가할 수 있고, Google 애널리틱스와 같은 도구를 통해 리소스 인기도와 효과성에 대한 인사이트를 얻을 수 있다(Coughlin 외., 2016). 이러한 데이터 중심 접근 방식은 이용자의 변화하는 요구를 충족하기 위해 리소스를 전략적으로 할당하고, 자료 구입에 대한 결정을 내리고 도서관 장서의 관련성을 높이는 데 도움이 된다. 이용자 리뷰와 댓글의 감정 분석은 도서관 서비스에 대한 이용자의 인식을 드러내어 도서관이 개선할 부분을 파악하는 데 도움을 줄 수 있다(Hensley and Miller, 2010). 이용자 정서를 이해함으로써 도서관은 서비스 만족도를 높이고 이용자 우려 사항을 해결하기 위해 선제적으로 목표에 맞는 개입을 실행할 수 있다. 차트, 그래프, 대화형 대시보드를 사용하는 시각적 분석은 도서관 데이터를 이해관계자에게 제시하는 데 매우 중요하다. 도서관은 주요 메트릭과 성과 지표를 시각화함으로써 도서관의 영향력과 가치를 종합적으로 파악하여 정보에 입각한 의사 결정과 리소스 할당을 도울 수 있다(Eclevia 외., 2019). 이 시각화는 학술도서관의 강점, 개선이 필요한 영역, 잠재적 투자 기회에 대한 실행 가능한 인사이트를 제공한다.
5.2 기술적 영향
도서관 운영에서 AI와 분석을 사용하려면 여러 가지 기술적 함의를 수반하는데, 이는 학술 도서관 운영에서 AI와 분석을 효과적으로 구현하는 데 중요한 기초 및 운영 데이터 관련 측면을 의미한다. 이러한 측면에는 데이터 수집, 통합, 분석 및 활용이 포함된다.
5.2.1 데이터 수집
학술도서관에서 AI와 분석을 성공적으로 구현하려면 이용자 행동, 프로필, 대출 기록, 서지 정보, 이용 행태에 관한 다양한 데이터를 수집하는 것이 중요하다. 여기에는 이용자 데이터(예: 행동, 선호도, 댓글), 도서관 리소스(예: 대출 기록, 도서 대출반납), 도서관 사용량(예: 에너지 소비, 거래), 시스템 데이터(예: 타임스탬프, 채팅 참조) 수집이 수반된다. 다양한 소스에서 이렇게 다양하고 광범위한 데이터 세트를 수집하는 것은 AI와 분석 도구에 데이터를 제공하는 데 매우 중요하다. 강력한 데이터 수집 메커니즘이 없다면 의미 있는 인사이트를 생성하는 AI 및 분석의 잠재력은 크게 제한될 것이다.
5.2.2 데이터 통합
도서관 운영에서 AI와 분석을 성공적으로 구현하려면 여러 소스의 데이터를 통합해야 하므로 강력한 통합 메커니즘이 필요하다. 이러한 요구 사항에는 연결되지 않은 데이터 소스와 매우 큰 데이터 세트를 처리해야 하는 과제가 있다. 데이터 통합에는 인사 시스템, 학술 데이터베이스, 디지털 도서관 인터페이스, 과거 기록과 같은 다양한 소스의 데이터를 통합하는 작업이 포함된다. 효율적인 통합을 통해 서로 다른 데이터 소스를 조화롭게 통합하여 종합적인 도서관 데이터 분석과 활용이 가능한다. 도서관 운영과 이용자 상호 작용을 전체적으로 파악할 수 있어 정보에 입각한 의사 결정과 리소스 최적화가 가능하다.
5.2.3 데이터 관리
도서관 운영에서 AI와 분석을 성공적으로 구현하는 데 필요한 방대한 양의 데이터를 관리하려면 과거 대출이력 데이터, 도서 대출 데이터, 참조 검색 내용, 도서관 방문 데이터 등 효율적인 저장, 정리 및 검색 메커니즘이 필요하다. 여기에는 대용량 데이터베이스, 데이터 웨어하우스 또는 대량의 데이터를 처리할 수 있는 기타 스토리지 솔루션의 활용이 포함된다. 효과적인 데이터 관리는 AI 및 분석 처리 데이터를 액세스 가능하고 안전하며 체계적으로 관리하여 도서관 직원과 이해관계자가 데이터를 원활하게 분석하고 활용할 수 있도록 해준다.
5.2.4 데이터 분석
데이터를 분석하여 수요, 공급, 가격, 대출 패턴, 이용자 행동, 선호도 등 도서관 운영에 필요한 인사이트를 도출하는 것이 AI와 분석을 사용하는 궁극적인 목표이다. 이를 통해 도서관은 숨겨진 패턴을 발견하고, 추세를 파악하고, 데이터 기반 의사결정을 내려 서비스와 이용자 경험을 향상시킬 수 있다. 또한 이용자의 요구와 이용 패턴에 따라 리소스 할당, 컬렉션 개발, 서비스 계획을 최적화할 수 있다. 그러나 이는 학술도서관이 AI와 분석 기법을 사용해 분석과 모델링을 수행할 수 있는 기술적 데이터 전문 지식과 기술을 갖춰야 함을 의미한다. 따라서 데이터 사서의 역할이 중요해진다(Semeler et al., 2019).
5.2.5 데이터 활용
도서관 운영 최적화, 이용자 경험 개선, 정보에 입각한 의사 결정에 데이터를 활용하려면 데이터 분석을 통해 얻은 인사이트를 활용하여 서비스를 개선하고, 이용자 경험을 개인화하며, 리소스 할당을 최적화해야 한다. 데이터 기반 인사이트를 활용함으로써 도서관은 이용자 요구에 맞게 서비스를 맞춤화하고, 리소스 액세스를 개선하며, 전반적인 이용자 만족도를 높일 수 있다. 따라서 도서관 관리자는 개선이 필요한 영역을 파악하고, 목표에 맞는 개입을 실행하며, 시간에 따른 변화의 영향을 측정해야 한다.
5.2.6 데이터 인프라 요구 사항
도서관 운영에서 AI와 분석을 성공적으로 구현하려면 대규모 데이터 세트 처리, 실시간 분석 수행, 데이터 보안 및 개인정보 보호를 위한 인프라 요건을 충족해야 한다. 여기에는 확장 가능한 컴퓨팅 리소스를 배포하고, 강력한 데이터 보안 조치를 구현하고, 데이터 개인정보 보호 규정을 준수하는 것이 포함될 수 있다. 적절한 인프라를 갖춘 도서관은 데이터를 효율적으로 처리, 분석, 저장하는 동시에 도서관 데이터의 무결성, 기밀성, 가용성을 보장할 수 있다. 또한 AI와 분석 도구의 원활한 통합을 지원하여 도서관이 데이터 기반 인사이트의 잠재력을 최대한 활용하여 운영과 서비스를 개선할 수 있도록 한다.
5.2.7 AI 및 분석 도구
ChatGPT, 머신러닝 알고리즘, 데이터 시각화 도구와 같은 AI 및 분석 도구를 활용하면 더 나은 도서관 운영 관리에 필요한 데이터 분석과 해석을 용이하게 할 수 있다. 실제로 이러한 도구는 도서관이 대량의 데이터를 효율적으로 처리 및 분석하고, 추세를 파악하고, 숨겨진 패턴을 발견하고, 작업을 자동화하고, 실행 가능한 인사이트를 생성하여 의사결정을 지원할 수 있는 강력한 힘을 가지고 있다. 또한 시각화, 보고서, 대시보드를 통해 인사이트를 효과적으로 전달하여 도서관 직원과 이해관계자 간의 지식정보 공유와 협업을 촉진할 수 있다. 그러나 이러한 도구는 도서관의 목적, 인프라 및 사용 가능한 기술에 따라 신중하게 선택해야 한다(Slater, 1984).
5.3 사회적 영향
AI와 분석을 도서관 운영에 통합하면 학업 경험이 재편되고 도서관이 학생, 교수진, 교직원에게 서비스를 제공하는 방식이 변화한다. 데이터 마이닝은 이용자 행동 패턴을 밝혀내어 도서관이 다양한 요구 사항을 적응적으로 충족하고 포용적인 접근을 지원할 수 있게 해준다. 추천 시스템은 개인의 스타일과 관심사에 맞춰 학습을 향상시켜 개인화되고 매력적인 환경을 조성한다. AI 기반 챗봇은 연중무휴 24시간 지원을 제공하여 시간적 장벽을 없앤다. 컴퓨터 비전과 예측 분석은 공간 사용과 자원 관리를 개선하여 친근하고 효율적인 환경을 조성한다. 또한 AI 기반 에너지 관리는 지속 가능성을 촉진하여 도서관을 기업의 사회적 책임과 연계하고 친환경적이고 이용자 중심의 혁신을 위한 기반을 마련한다.
그럼에도 불구하고 이 연구에서 분석한 문서들은 그로 인한 사회적 문제를 정확히 파악하지 않은 채 도서관 운영에 AI와 분석을 적용하는 데 초점을 맞추고 있다. 학습 분석을 비판하는 문헌을 바탕으로, 도서관 운영에 AI와 분석을 사용할 수 있기 때문에 사용해야 하는 것이 아니다(Jones and Salo, 2018; Jones, 2019; Jones et al., 2020). 도서관 맥락에서 이러한 기술의 공평한 접근과 윤리적 사용을 보장하기 위해 중요한 잠재적 우려를 해결해야 한다.
5.3.1 자율성 및 동의에 관한 우려 사항
학생, 교직원, 교수가 AI 및 분석을 위해 자신의 식별 가능한 데이터를 공유하고 활용하는 것에 대해 사전 동의를 받지 않으면 이해관계자의 자율성에 잠재적으로 해로운 영향을 미칠 수 있다는 우려가 생긴다(Doty, 2020; Jones, 2019). 실제로 이러한 관행은 이용자 개인정보 보호와 지적 자유에 대한 도서관 업계의 약속과 모순될 수 있다. 따라서 이해관계자의 참여는 의사결정 과정의 실행을 대표하고 영향을 미치는 데 매우 중요할 수 있다. 예를 들어, 학생들의 지적 행동에 관한 데이터를 수집, 집계, 분석, 조치하는 사회기술적 관행에 학생들을 참여시키면 AI와 분석에 대한 수용도를 높일 수 있다.
5.3.2 감시 범위 및 윤리적 우려 사항
고등 교육 기관 직원들이 생성한 분석 가능한 디지털 흔적이 널리 퍼져 있다는 것은 AI와 분석의 감시 측면이 학생을 넘어선다는 점을 강조한다. 저작권이 있는 정보의 감시를 위해 대학과 공급자가 협력하고 데이터 유출 및 민감한 데이터를 취합하는 것은 심각한 우려를 불러일으킨다. 비밀번호와 실제 신원을 포함한 이러한 데이터는 악의적인 공격자가 액세스할 수 있어 추가적인 위험을 초래할 수 있다. 또한 다양한 기관에서 학생 및 교직원 데이터를 합법적 또는 불법적 조사 대상으로 삼아 개인정보 침해 가능성을 제기할 수 있다(Doty, 2020). 또한 학생들이 경험하는 비자발적 자기 인식, 내부 및 외부 낙인, 권력 불균형, 알고리즘 편향, 자기 충족적 예언, 새로운 개인정보 보호 규범 수립, 신뢰 관계 유지 등은 AI와 분석의 대상이 되는 사람들이 직면하는 중요한 윤리적 문제이다(Doty, 2020; Jones and Hinchliffe, 2023).
5.3.3 잠재적 해결책
미국도서관협회(ALA)의 윤리 강령과 미국의 연방교육권 및 개인정보 보호법(FERPA)과 같은 전문 윤리 강령은 윤리적 회색 지대를 탐색하는 방법에 대한 필수 지침을 제공할 수 있다(Doty, 2020; Jones, 2019). 물론 다른 국가에서도 상황에 맞는 윤리 강령을 고려해야 한다. 그러나 이러한 원칙의 해석과 적용은 기관의 상황과 사서의 인식, 기관의 우선순위와 같은 실질적인 고려사항에 따라 달라진다. 가장 중요한 윤리적 감독은 도서관 운영에서 AI 및 분석 사용과 관련된 윤리적 문제를 다루는 신중한 데이터 거버넌스 원칙을 시행해야 하는 기관 심의위원회에서 이루어져야 한다(Jones, 2019). 학술 도서관은 또한 대중을 대상으로 하는 개인정보 보호 정책을 개발하고 데이터가 AI 및 분석에 어떻게 사용되고 어떻게 보호되는지에 대해 이용자가 인지할 수 있도록 해야 한다(Mann et al., 2023). 특히 웹과 인터넷의 사용자 데이터는 개인정보 보호 문제에 많이 노출되어 있으므로 고급 도구를 사용하여 개인정보 보호 이니셔티브를 지원할 수 있다(Quintel and Wilson, 2020).
5.3.4 기술 및 지식 격차 완화
대부분의 도서관 및 정보과학(LIS) 전문가는 정량적으로 엄격한 AI 및 분석 프로젝트를 이끌 수 있는 기술과 준비가 부족하다. 고급 방법론 교육을 받은 개인, 사내 또는 외부 기술 전문가와의 협업이 필수적이다(Jones, 2019). 또한 도서관 직원은 지속적인 교육 노력을 통해 윤리의식을 함양하고 데이터 윤리에 관한 지식 격차를 해소하기 위해 전문 기관의 지원을 구해야 한다(Jones, 2019).
5.4 사회기술적 의미
이 연구는 학술도서관에 AI와 분석을 효과적으로 통합하는 데 있어 기술 시스템과 사회 시스템 간의 미묘한 관계를 STS 이론의 렌즈를 통해 강조한다. 데이터 마이닝과 추천 시스템부터 챗봇과 예측 분석에 이르기까지 각 AI와 분석 기술 또는 기법은 도서관 내의 사회적 역학 관계와 적극적으로 상호작용하고 변화시킨다. 이러한 기술은 리소스 관리와 운영 효율성을 간소화하여 개인화된 추천을 제공하고 데이터 기반 서비스 맞춤화를 가능하게 함으로써 이용자 경험을 형성한다.
그러나 AI와 분석을 도입하려면 단순한 기술 업그레이드를 넘어 리소스 할당, 예산 계획, 관리 프로세스 등 조직 구조와 관행에 근본적인 변화가 필요하다. 예를 들어 챗봇은 이용자 지원 서비스를 향상시켜 잠재적으로 직원의 역할을 재편할 수 있다. 데이터 프라이버시, 알고리즘 공정성, 일자리 대체와 같은 윤리적, 사회적 영향은 이러한 통합을 더욱 복잡하게 만든다. 이러한 문제를 해결하려면 도서관이 AI 기술의 투명성, 책임성, 공정성 표준을 준수해야 한다.
이러한 사회기술 융합에 적응하려면 균형 잡힌 도서관 발전을 위해 이러한 도구를 효과적으로 사용할 수 있도록 직원을 교육하고, 혁신적인 문화를 조성하고, 이해관계자를 참여시켜야 한다. 이러한 시너지 효과를 수용함으로써 도서관은 운영 효율성을 높이고, 이용자 참여를 강화하며, 디지털 시대에 정보 접근의 민주화라는 사명을 완수할 수 있다. <표 1>은 연구 질문(도서관 운영과 관리를 지원하기 위해 AI와 분석 도구를 어떻게 성공적으로 구현할 수 있는가?)의 결과와 이 연구의 STS 중심 논의 사이의 연관성을 요약한 것이다.
<표 1> 조사 결과 요약 및 주요 결론
| 연구 질문 | 핵심 결과 | 사회기술적 고려사항 |
|---|---|---|
| 자원 관리 최적화 | 데이터 마이닝 및 머신 러닝과 같은 AI 도구는 이용자 행동, 대출 패턴, 리소스 사용량을 분석하여 예산 할당 및 획득을 최적화할 수 있음 | 예측 분석 및 머신러닝 모델을 구현하여 리소스 수요를 예측하고, 인수를 간소화하며, 예산을 효과적으로 관리함 |
| 의사 결정 프로세스 개선 | AI 기반 분석은 고급 데이터 분석을 통해 트렌드, 패턴, 이용자 선호도를 파악하여 데이터 기반의 의사결정을 가능하게 함 | 추천 시스템 및 딥러닝과 같은 AI 도구를 통합하여 컬렉션 개발 및 이용자 서비스 등의 영역에서 의사결정을 지원함 |
| 윤리적 및 사회적 영향에 대한 대응 | 윤리적 고려사항은 데이터 프라이버시, 알고리즘 편향성, 이용자 동의의 필요성 등이 있음. 사회적 영향은 직원의 역할과 이용자 신뢰에 미치는 영향을 포함 | 엄격한 데이터 거버넌스 정책을 개발 및 시행하고, AI 사용 투명성을 제공하며, 윤리적 AI 관행에 대한 직원 교육을 제공함 |
| 협업 촉진 및 직원 교육 | 성공적인 AI 통합을 위해서는 기술 전문가와 도서관 직원 간의 협업과 새로운 기술에 대한 지속적인 교육이 필요함 | 도서관 직원을 위한 지속적인 전문성 개발 프로그램을 수립하고 IT 부서 및 AI 전문가와의 협업을 장려함 |
5.5 실무적 시사점
이 연구는 도서관 관리자와 이해관계자가 이러한 기술을 효과적으로 활용할 수 있도록 안내하는 몇 가지 실질적인 시사점을 제공한다. 먼저, AI와 분석은 사용 패턴을 파악하여 도서관이 예산을 보다 효율적으로 할당하고 이용자 요구에 따라 컬렉션 개발을 간소화함으로써 리소스 관리를 최적화할 수 있다. 추천 시스템은 리소스 제안을 개인화하여 이용자 경험을 향상시킬 수 있다. 한편 예측 분석은 리소스 수요를 예측하여 재고와 서비스를 선제적으로 관리할 수 있도록 도와준다. 또한 AI 기반 챗봇은 연중무휴 24시간 지원을 제공하여 이용자 만족도와 접근성을 향상시킬 수 있다. 하지만 이를 구현하려면 데이터 프라이버시와 관련된 윤리적 문제를 해결하고, 이용자 데이터를 안전하게 처리하며, AI 도구를 효과적으로 관리하기 위한 직원 교육이 필요하다. 도서관은 기술적 역량과 도서관 환경의 사회적 역학 관계에 모두 집중함으로써 AI와 분석을 사용하여 운영 효율성을 높이고 이용자 중심의 윤리적이며 적응력 있는 도서관 서비스 생태계를 조성할 수 있다.
5.6 제한 사항 및 향후 연구
이 연구의 한 가지 한계는 WoS 및 Scopus 데이터베이스에 색인된 논문과 학술대회 논문에만 의존하기 때문에 출판 편향이 발생할 수 있다는 점이다. 이러한 편향은 검토 결과의 포괄성과 대표성에 영향을 미쳐 도서관에서 AI 및 분석 기술의 전반적인 잠재력을 왜곡할 수 있다. 모든 관련 연구를 포함하려는 노력에도 불구하고 언어 제한(영어), 데이터베이스 선택, 검색어 등으로 인해 SLR의 범위와 적용 범위가 제한되었다. 따라서 다른 언어나 다른 데이터베이스로 출판되었거나 검색어 및 관련 변형에 포함되지 않은 경우 필수적인 연구나 결과가 간과되어 검토 결론에 공백이나 편견이 생길 수 있다. 또한 연구 설계, 방법론, 보고 기준이 연구마다 다르기 때문에 증거의 신뢰성과 견고성을 정확하게 평가하기가 어려울 수 있다. 새로운 연구나 AI 및 분석 기술의 혁신적인 적용은 연구 수행과 발표 사이의 시차로 인해 적절하게 반영되지 않을 수 있다.
또한 조직 구조, 자원, 이용자 인구 통계, 기술 인프라의 차이로 인해 SLR의 결과는 다양한 도서관 환경과 맥락에 일반화하기 어려울 수 있다. 한 도서관 환경에서 잘 작동하는 것이 다른 환경에는 반드시 적용되지 않을 수 있으므로 다양한 환경에 걸쳐 조사 결과와 권장 사항을 추정하기는 어렵다. 또한 문화적 규범, 법적 프레임워크, 제도적 정책과 같은 맥락적 요인이 도서관에서 AI 및 분석 기술의 구현과 결과에 영향을 미칠 수 있다. 이러한 한계에도 불구하고 이 연구는 도서관 운영에서 AI 및 분석 기술을 구현하고 평가할 때 의사결정에 도움이 되는 정보를 제공한다.
향후 연구에서는 이 제한 사항을 보완하고 성공적인 구현의 맥락적 결정 요인을 조사하기 위해 다른 학술 데이터베이스 컬렉션과 정보 소스를 탐색할 수 있다.
6. 결론
AI와 분석 애플리케이션을 종합하여 학술도서관 의사결정권자에게 실행 가능한 인사이트를 제공하며, 이러한 기술을 도서관 워크플로에 통합하는 방법에 대한 상세한 STS 기반 분석을 최초로 제공함으로써 이 연구는 이전 연구와 차별화되고 문헌의 중요한 공백을 메운다. 연구 결과는 학술도서관에 AI와 분석을 성공적으로 통합하려면 기술 및 사회적 요인을 다루는 균형 잡힌 접근 방식에 달려 있음을 보여준다. 기술적으로 AI와 분석을 효과적으로 사용하려면 강력한 데이터 수집, 통합, 관리, 분석 시스템과 함께 도서관별 요구사항에 맞춘 고급 AI 및 분석 도구가 필요하다. 직원 교육, 윤리적 데이터 관리, 이러한 기술 도입을 지원하는 협업 문화 조성과 같은 사회적 고려 사항도 마찬가지로 중요하다. 이러한 기술적 요건을 도서관 환경의 사회적 역동성에 맞춰 조정함으로써 AI와 분석은 의사결정 과정을 크게 개선하고 리소스 관리를 최적화하며 이용자 서비스를 개선하여 도서관 운영을 효과적으로 변화시킬 수 있는 잠재력을 실현할 수 있다. 중요한 다음 단계는 사회기술적 관점에서 학술도서관의 AI 및 분석에 대한 준비도를 맥락적으로 평가하는 것이다.
참고 문헌
Ahmed, E. and Letta, A. (2023), “Book recommendation using collaborative filtering algorithm”, in Forestiero, A. (Ed.), Applied Computational Intelligence and Soft Computing, Hindawi, Paris, Vol. 2023, pp. 1–12, doi: 10.1155/2023/1514801.
Appelbaum, S.H. (1997), “Sociotechnical systems theory: an intervention strategy for organizational development”, Management Decision, Vol. 35 No. 6, pp. 452–463, doi: 10.1108/00251749710173823.
Azam, I., Sohrawardi, S.J., Das, H.S., Alam, M.S., Alvy, M.S. and Rahman, R.M. (2013), “Bibliomining on North South University library data”, Eighth International Conference on Digital Information Management (ICDIM 2013), IEEE, Islamabad, pp. 235–240. doi: 10.1109/ICDIM.2013.6693969.
Barsha, S. and Munshi, S.A. (2024), “Implementing artificial intelligence in library services: a review of current prospects and challenges of developing countries”, Library Hi Tech News, Vol. 41 No. 1, pp. 7–10, doi: 10.1108/LHTN-07-2023-0126.
Borgohain, D.J., Bhardwaj, R.K. and Verma, M.K. (2024), “Mapping the literature on the application of artificial intelligence in libraries (AAIL): a scientometric analysis”, Library Hi Tech, Vol. 42 No. 1, pp. 149–179, doi: 10.1108/LHT-07-2022-0331.
Bostrom, R., Gupta, S. and Thomas, D. (2009), “A meta-theory for understanding information systems within sociotechnical systems”, Journal of Management Information Systems, Vol. 26 No. 1, pp. 17–48, doi: 10.2753/MIS0742-1222260102.
Chen, W.T., Wang, C.H., Merrett, H.C., Liu, S.-H. and Chang, J.-J. (2023), “Electricity consumption prediction – a case study of a university library”, Journal of Building Engineering, Vol. 76, 106990, doi: 10.1016/j.jobe.2023.106990.
Cherns, A. (1976), “The principles of sociotechnical design”, Human Relations, Vol. 29 No. 8, pp. 783–792, doi: 10.1177/001872677602900806.
Choudhury, M.H., Salsabil, L., Jayanetti, H.R., Wu, J., Ingram, W.A. and Fox, E.A. (2023), “Metaenhance: metadata quality improvement for electronic theses and dissertations of university libraries”, 2023 ACM/IEEE Joint Conference on Digital Libraries (JCDL), IEEE, New York, NY, pp. 61–65, doi: 10.1109/Jcdl57899.2023.00019.
Coughlin, D.M., Campbell, M.C. and Jansen, B.J. (2016), “A web analytics approach for appraising electronic resources in academic libraries”, Journal of the Association for Information Science and Technology, Vol. 67 No. 3, pp. 518–534, doi: 10.1002/Asi.23407.
Cox, J. (2021), “Positioning the academic library within the institution: a literature review”, Positioning the Academic Library Within the University, Abingdon, Oxfordshire, pp. 9–33.
Cox, A. (2023), “How artificial intelligence might change academic library work: applying the competencies literature and the theory of the professions”, Journal of the Association for Information Science and Technology, Vol. 74 No. 3, pp. 367–380, doi: 10.1002/Asi.24635.
Cox, A.M. and Mazumdar, S. (2022), “Defining artificial intelligence for librarians”, Journal of Librarianship and Information Science, Vol. 56 No. 2, pp. 330–340, doi: 10.1177/09610006221142029.
Dhanda, M. and Verma, V. (2018), “Personalized recommendation approach for academic literature using high-utility itemset mining technique”, in Sa, P., Sahoo, M., Murugappan, M., Wu, Y. and Majhi, B. (Eds), Advances in Intelligent Systems and Computing, Springer International Publishing Ag, Cham, Vol. 519, pp. 247–254, doi: 10.1007/978-981-10-3376-6_27.
Dong, X. and Cheng, S. (2023), “A machine vision–based, quantitative method of capturing spatiotemporal activity for post-occupancy evaluation research”, Science and Technology for the Built Environment, Vol. 29 No. 2, pp. 185–211, doi: 10.1080/23744731.2022.2151272.
Doty, P. (2020), “Library analytics as moral dilemmas for academic librarians”, The Journal of Academic Librarianship, Vol. 46 No. 4, 102141, doi: 10.1016/J.Acalib.2020.102141.
Echedom, A.U. and Okuonghae, O. (2021), “Transforming academic library operations in Africa with artificial intelligence: opportunities and challenges: a review paper”, New Review of Academic Librarianship, Vol. 27 No. 2, pp. 243–255, doi: 10.1080/13614533.2021.1906715.
Eclevia, M.R., Vinzon, M.R., Balbas, Y. and Janio, R.V. (2019), “Creative ways of demonstrating your value using a library dashboard”, Qualitative and Quantitative Methods in Libraries, Vol. 8 No. 4, pp. 535–546.
Ehrenpreis, M. and Delooper, J. (2022), “Implementing a chatbot on a library website”, Journal of Web Librarianship, Vol. 16 No. 2, pp. 120–142, doi: 10.1080/19322909.2022.2060893.
Fiarni, C., Maharani, H. and Lukito, B. (2021), “Recommender system of final project topic using rule-based and machine learning techniques” in Jiddin, A., Amjad, M., Subroto, I.M,I. and Facta, M. (Eds), International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), Institute of Electrical and Electronics Engineers, Semarang, pp. 216–221, doi: 10.23919/Eecsi53397.2021.9624310.
Firat, I. and Aslay, F. (2022), “Knowledge discovery from library automation via bibliomining using the apriori algorithm”, Gazi University Journal of Science, Vol. 35 No. 4, pp. 1344–1357, doi: 10.35378/Gujs.983642.
Giannopoulou, E. and Mitrou, N. (2020), “An AI-based methodology for the automatic classification of a multiclass ebook collection using information from the tables of contents”, IEEE Access, Vol. 8, pp. 218658–218675, doi: 10.1109/Access.2020.3041651.
Hang, H., Shuang, D., Jiarou, L. and Zhonglin, K. (2022), “Towards a prediction model of learning performance: informed by learning behavior big data analytics”, Frontiers of Education in China, Vol. 17 No. 1, pp. 121–156, doi: 10.3868/S110-007-022-0007-2.
Hensley, M.K. and Miller, R. (2010), “Listening from a distance: a survey of university of Illinois distance learners and its implications for meaningful instruction”, Journal of Library Administration, Vol. 50 Nos 5-6, pp. 670–683, doi: 10.1080/01930826.2010.488946.
Ho, T.-F., Shyu, S.J. and Wu, Y.-L. (2008), “Material acquisitions in academic libraries”, 2008 IEEE Asia-Pacific Services Computing Conference, IEEE, Los Alamitos, CA, pp. 1465–1470, doi: 10.1109/Apscc.2008.85.
Huang, K., Hao, X., Guo, M., Deng, J. and Li, L. (2021), “A study of Chinese college students’ covid-19-related information needs and seeking behavior”, ASLIB Journal of Information Management, Vol. 73 No. 5, pp. 679–698, doi: 10.1108/Ajim-10-2020-0307.
Hussain, A. (2020), “Industrial revolution 4.0: implication to libraries and librarians”, Library Hi Tech News, Vol. 37 No. 1, pp. 1–5, doi: 10.1108/Lhtn-05-2019-0033.
Iqbal, N., Jamil, F., Ahmad, S. and Kim, D. (2020), “Toward effective planning and management using predictive analytics based on rental book data of academic libraries”, IEEE Access, Vol. 8, pp. 81978–81996, doi: 10.1109/Access.2020.2990765.
Jackson, J. (2002), “Data mining; a conceptual overview”, Communications of the Association for Information Systems, Vol. 8 No. 1, p. 19, doi: 10.17705/1cais.00819.
Jiang, Z., Fitzgerald, S.R. and Walker, K.W. (2019), “Modeling time-to-trigger in library demand-driven acquisitions via survival analysis”, Library and Information Science Research, Vol. 41 No. 3, 100968, doi: 10.1016/J.Lisr.2019.100968.
Jones, K.M.L. (2019), “Just because you can doesn’t mean you should’: practitioner perceptions of learning analytics ethics”, Portal: Libraries and the Academy, Vol. 19 No. 3, pp. 407–428, doi: 10.1353/Pla.2019.0025.
Jones, K.M.L. and Hinchliffe, L.J. (2023), “Ethical issues and learning analytics: are academic library practitioners prepared?”, The Journal of Academic Librarianship, Vol. 49 No. 1, 102621, doi: 10.1016/J.Acalib.2022.102621.
Jones, K. and Salo, D. (2018), “Learning analytics and the academic library: professional ethics commitments at a crossroads”, College and Research Libraries, Vol. 79 No. 3, pp. 304–323, doi: 10.5860/Crl.79.3.304.
Jones, K.M.L., Briney, K.A., Goben, A., Salo, D., Asher, A. and Perry, M.R. (2020), “A comprehensive primer to library learning analytics practices, initiatives, and privacy issues”, College and Research Libraries, Vol. 81 No. 3, pp. 570–591, doi: 10.5860/Crl.81.3.570.
Kanarkard, W., Seemajaruek, C., Pongsuwan, T. and Inlam, T. (2017), “Predictive analytic of library patron behavior”, ACM International Conference Proceeding Series, Association For Computing Machinery, New York, NY, pp. 1–5, doi: 10.1145/3162957.3162961.
Kaplan, A. and Haenlein, M. (2019), “Siri, siri, in my hand: who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence”, Business Horizons, Vol. 62 No. 1, pp. 15–25, doi: 10.1016/J.Bushor.2018.08.004.
Kaushal, V. and Yadav, R. (2022), “The role of chatbots in academic libraries: an experience-based perspective”, Journal of the Australian Library and Information Association, Vol. 71 No. 3, pp. 215–232, doi: 10.1080/24750158.2022.2106403.
Kharbat, F.F., Alshawabkeh, A. and Woolsey, M.L. (2020), “Identifying gaps in using artificial intelligence to support students with intellectual disabilities from education and health perspectives”, ASLIB Journal of Information Management, Vol. 73 No. 1, pp. 101–128, doi: 10.1108/Ajim-02-2020-0054.
Khavidaki, S., Rezaei Sharifabadi, S. and Ghaebi, A. (2023), “Services personalization in digital academic libraries: a Delphi study”, Digital Library Perspectives, Vol. 39 No. 1, pp. 39–61, doi: 10.1108/Dlp-03-2022-0019.
Klimberg, R. (2023), Fundamentals of Predictive Analytics with JMP, 3rd ed., SAS Institute, Cary, NC.
Koltay, T. (2019), “Accepted and emerging roles of academic libraries in supporting research 2.0”, The Journal of Academic Librarianship, Vol. 45 No. 2, pp. 75–80, doi: 10.1016/J.Acalib.2019.01.001.
Komosany, N.B.A. and Alnwaimi, G.R. (2021), “Emerging technologies in academic libraries: artificial intelligence and big data”, International Transaction Journal of Engineering, Management, and Applied Sciences and Technologies, Vol. 12 No. 4, doi: 10.14456/Itjemast.2021.74.
Lappalainen, Y. and Narayanan, N. (2023), “Aisha: a custom AI library chatbot using the ChatGPT Api”, Journal of Web Librarianship, Vol. 17 No. 3, pp. 37–58, doi: 10.1080/19322909.2023.2221477.
Lecun, Y., Bengio, Y. and Hinton, G. (2015), “Deep learning”, Nature, Vol. 521 No. 7553, pp. 436–444, doi: 10.1038/Nature14539.
Li, K., Yang, R.J., Robinson, D., Ma, J. and Ma, Z. (2019), “An agglomerative hierarchical clustering-based strategy using shared nearest neighbours and multiple dissimilarity measures to identify typical daily electricity usage profiles of university library buildings”, Energy, Vol. 174, pp. 735–748, doi: 10.1016/J.Energy.2019.03.003.
Li, X., Yu, J., Wang, Q., Dong, F., Cheng, R. and Feng, C. (2022), “A short-term building energy consumption prediction and diagnosis using deep learning algorithms”, Journal of Intelligent and Fuzzy Systems, Vol. 43 No. 5, pp. 6831–6848, doi: 10.3233/Jifs-221188.
Liu, Q. and Hatamleh, I. (2022), “University library lending system model based on fractional differential equations”, Applied Mathematics and Nonlinear Sciences, Vol. 8 No. 1, pp. 1841–1848, doi: 10.2478/Amns.2022.2.0173.
Liu, H., Azam, M., Bin Naeem, S. and Faiola, A. (2023), “An overview of the capabilities of chatGPT for medical writing and its implications for academic integrity”, Health Information and Libraries Journal, Vol. 40 No. 4, pp. 440–446, doi: 10.1111/Hir.12509.
Lowe, D.B., Dollinger, I., Koster, T. and Herbert, B.E. (2021), “Text mining for type of research classification”, Cataloging and Classification Quarterly, Vol. 59 No. 8, pp. 815–834, doi: 10.1080/01639374.2021.1998281.
Lund, B.D. and Wang, T. (2023), “Chatting about chatGPT: how may AI and GPT impact academia and libraries?”, Library Hi Tech News, Vol. 40 No. 3, pp. 26–29, doi: 10.1108/Lhtn-01-2023-0009.
Mahesh, B. (2020), “Machine learning algorithms-a review”, International Journal of Science and Research (IJSR), Vol. 9 No. 1, pp. 381–386, doi: 10.21275/art20203995.
Maleksadati, I., Ziaei, S. and Kaffashan Kakhki, M. (2023), “What do experts say about the conditions affecting customer knowledge management in academic libraries? An integrated perspective”, ASLIB Journal of Information Management, Vol. 75 No. 2, pp. 342–363, doi: 10.1108/Ajim-01-2022-0034.
Mann, E.Z., Jacobs, S.A., Kinsley, K.M. and Spears, L.I. (2023), “Tracking transparency: an exploratory review of Florida academic library privacy policies”, Information and Learning Sciences, Vol. 124 Nos 9/10, pp. 285–305, doi: 10.1108/Ils-04-2023-0038.
Manoff, M. (2015), “Human and machine entanglement in the digital archive: academic libraries and sociotechnical change”, Portal: Libraries and the Academy, Vol. 15 No. 3, pp. 513–530, doi: 10.1353/pla.2015.0033.
Mansour, E. (2017), “A survey of digital information literacy (Dil) among academic library and information professionals”, Digital Library Perspectives, Vol. 33 No. 2, pp. 166–188, doi: 10.1108/Dlp-07-2016-0022.
Martzoukou, K. (2021), “Academic libraries in covid-19: a renewed mission for digital literacy”, Library Management, Vol. 42 Nos 4/5, pp. 266–276, doi: 10.1108/Lm-09-2020-0131.
Muller, G.W. (1989), “Designing effective organizations: the sociotechnical systems perspective”, Academy of Management Review, Vol. 14 No. 3, pp. 467–470, doi: 10.5465/Amr.1989.4279087.
Nicholson, S. (2003), “Bibliomining for automated collection development in a digital library setting: using data mining to discover web-based scholarly research works”, Journal of the American Society for Information Science and Technology, Vol. 54 No. 12, pp. 1081–1090, doi: 10.1002/Asi.10313.
Noh, Y. (2015), “Imagining library 4.0: creating a model for future libraries”, The Journal of Academic Librarianship, Vol. 41 No. 6, pp. 786–797, doi: 10.1016/j.acalib.2015.08.020.
Oakleaf, M. (2010), The Value of Academic Libraries: A Comprehensive Research Review and Report. Researched by Megan Oakleaf, Vol. 71, American Library Association, Chicago.
Oakleaf, M., Whyte, A., Lynema, E. and Brown, M. (2017), “Academic libraries and institutional learning analytics: one path to integration”, The Journal of Academic Librarianship, Vol. 43 No. 5, pp. 454–461, doi: 10.1016/j.acalib.2017.08.008.
Ochilbek, R. (2019), “Using data mining techniques to predict and detect important features for book borrowing rate in academic libraries”, 15th International Conference on Electronics, Computer and Computation, ICECCO 2019, Institute of Electrical and Electronics Engineers, Abuja, doi: 10.1109/ICECCO48375.2019.9043203.
Page, M.J., McKenzie, J.E., Bossuyt, P.M., Boutron, I., Hoffmann, T.C., Mulrow, C.D., Shamseer, L., Tetzlaff, J.M., Akl, E.A., Brennan, S.E., Chou, R., Glanville, J., Grimshaw, J.M., Hróbjartsson, A., Lalu, M.M., Li, T., Loder, E.W., Mayo-Wilson, E., McDonald, S., McGuinness, L.A., Stewart, L.A., Thomas, J., Tricco, A.C., Welch, V.A., Whiting, P. and Moher, D. (2021), “The PRISMA 2020 statement: an updated guideline for reporting systematic reviews”, Systematic Reviews, Vol. 10 No. 1, p. 89, doi: 10.1186/s13643-021-01626-4.
Park, D.H., Kim, H.K., Choi, I.Y. and Kim, J.K. (2012), “A literature review and classification of recommender systems research”, Expert Systems with Applications, Vol. 39 No. 11, pp. 10059–10072, doi: 10.1016/j.eswa.2012.02.038.
Pasmore, W., Winby, S., Mohrman, S.A. and Vanasse, R. (2019), “Reflections: sociotechnical systems design and organization change”, Journal of Change Management, Vol. 19 No. 2, pp. 67–85, doi: 10.1080/14697017.2018.1553761.
Petersen, E., Jensen, J.G. and Frandsen, T.F. (2021), “Information seeking for coping with cancer: a systematic review”, ASLIB Journal of Information Management, Vol. 73 No. 6, pp. 885–903, doi: 10.1108/AJIM-01-2021-0004.
Power, D.J., Heavin, C., McDermott, J. and Daly, M. (2018), “Defining business analytics: an empirical approach”, Journal of Business Analytics, Vol. 1 No. 1, pp. 40–53, doi: 10.1080/2573234X.2018.1507605.
Quintel, D. and Wilson, R. (2020), “Analytics and privacy”, Information Technology and Libraries, Vol. 39 No. 3, doi: 10.6017/ital.v39i3.12219.
Renaud, J., Britton, S., Wang, D. and Ogihara, M. (2015), “Mining library and university data to understand library use patterns”, The Electronic Library, Vol. 33 No. 3, pp. 355–372, doi: 10.1108/EL-07-2013-0136.
Rodriguez, S. and Mune, C. (2022), “Uncoding library chatbots: deploying a new virtual reference tool at the San Jose State University library”, Reference Services Review, Vol. 50 Nos 3-4, pp. 392–405, doi: 10.1108/RSR-05-2022-0020.
Rosenbaum, H. and Joung, K. (2004), “Sociotechnical interaction networks as a tool for understanding digital libraries”, Proceedings of the American Society for Information Science and Technology, Vol. 41 No. 1, pp. 206–212, doi: 10.1002/meet.1450410124.
Ruixiang, O. (2019), “The purchasing management and practice of sci-tech books in university library based on Back-propaqation artificial neural network”, in Zhu, Z. (Ed.), 2018 International Workshop on Advances in Social Sciences (IWASS 2018), Francis Acad Press, London, pp. 714–719, doi: 10.25236/iwass.2018.151.
Sanji, M., Behzadi, H. and Gomroki, G. (2022), “Chatbot: an intelligent tool for libraries”, Library Hi Tech News, Vol. 39 No. 3, pp. 17–20, doi: 10.1108/LHTN-01-2021-0002.
Saputra, M.I.N., Fauzy, D., Hakim, R.A., Dauni, P., Firdaus, M.D. and Taufik, I. (2019), “Implementation of Fuzzy C-Means algorithm to classifying research topics in informatics department, UIN Sunan Gunung”, Journal of Physics: Conference Series, Vol. 1402 No. 2, p. 022091, doi: 10.1088/1742-6596/1402/2/022091.
Semeler, A.R., Pinto, A.L. and Rozados, H.B.F. (2019), “Data science in data librarianship: core competencies of a data librarian”, Journal of Librarianship and Information Science, Vol. 51 No. 3, pp. 771–780, doi: 10.1177/0961000617742465.
Semeler, A., Pinto, A., Koltay, T., Dias, T., Oliveira, A., González, J. and Rozados, H.B.F. (2024), “Algorithmic literacy: generative artificial intelligence technologies for data librarians”, ICST Transactions on Scalable Information Systems, Vol. 11 No. 2, doi: 10.4108/eetsis.4067.
Shahzad, K., Khan, S.A. and Iqbal, A. (2024), “Factors influencing the adoption of robotic technologies in academic libraries: a systematic literature review (SLR)”, Journal of Librarianship and Information Science, doi: 10.1177/09610006241231012.
Slater, M. (1984), “Alternative careers for library-information workers”, ASLIB Proceedings, Vol. 36 No. 6, pp. 277–286, doi: 10.1108/eb050933.
Sony, M. and Naik, S. (2020), “Industry 4.0 integration with sociotechnical systems theory: a systematic review and proposed theoretical model”, Technology in Society, Vol. 61, 101248, doi: 10.1016/j.techsoc.2020.101248.
Sun, X. and Yang, B. (2017), “Prediction of library loan quantity using S model”, in Zhang, H. (Ed.), 4th International Conference on Economic, Business Management and Education Innovation (EBMEI 2017), Vol. 86, Singapore Management and Sports Science, Singapore, pp. 290–293, doi: 10.26602/lnms.2017.86.290.
Szeliski, R. (2022), Computer Vision: Algorithms and Applications, Springer Nature, Cham.
Tammaro, A.M. (2024), “Editorial: digital libraries as sociotechnical systems”, Digital Library Perspectives, Vol. 40 No. 1, pp. 1–3, doi: 10.1108/DLP-02-2024-144.
Torres, J.M. (2024), “Leveraging ChatGPT and bard for academic librarians and information professionals: a case study of developing pedagogical strategies using generative AI models”, Journal of Business and Finance Librarianship, Vol. 29 No. 3, pp. 169–182, doi: 10.1080/08963568.2024.2321729.
Trist, E.L. (1981), The Evolution of Sociotechnical Systems, Ontario Quality of Working Life Centre Toronto, Vol. 2.
Trist, E.L. and Bamforth, K.W. (1951), “Some social and psychological consequences of the longwall method of coal-getting”, Human Relations, Vol. 4 No. 1, pp. 3–38, doi: 10.1177/001872675100400101.
Verma, M. and Patnaik, P.K. (2024), “An automatic college library book recommendation system using optimized Hidden Markov based weighted fuzzy ranking model”, Engineering Applications of Artificial Intelligence, Vol. 130, 107664, doi: 10.1016/j.engappai.2023.107664.
Wang, P. (2013), “A measurement method for college librarian performance based on neural network”, Advanced Materials Research, Vols 756-759, pp. 3034–3038, doi: 10.4028/www.scientific.net/AMR.756-759.3034.
Wang, Y. (2022), “Using machine learning and natural language processing to analyze library chat reference transcripts”, Information Technology and Libraries, Vol. 41 No. 3, doi: 10.6017/ital.v41i3.14967.
Wen, S., Hu, X., Hua, G., Xue, P. and Lai, D. (2023), “Comparing the performance of four shading strategies based on a multi-objective genetic algorithm: a case study in a university library”, Journal of Building Engineering, Vol. 63, 105532, doi: 10.1016/j.jobe.2022.105532.
Wu, Y., Wang, X., Yu, P. and Huang, Y. (2022), “ALBERT-BPF: a book purchase forecast model for university library by using ALBERT for text feature extraction”, ASLIB Journal of Information Management, Vol. 74 No. 4, pp. 673–687, doi: 10.1108/AJIM-04-2021-0114.
Wu, T., He, S., Liu, J., Sun, S., Liu, K., Han, Q.-L. and Tang, Y. (2023), “A brief overview of ChatGPT: the history, status quo and potential future development”, IEEE/CAA Journal of Automatica Sinica, Vol. 10 No. 5, pp. 1122–1136, doi: 10.1109/jas.2023.123618.
Xia, T. and Liu, Y. (2019), “Application of improved association-rules mining algorithm in the circulation of university library”, in Wang, X. (Ed.), 2018 International Conference on Big Data and Artificial Intelligence (ICBDAI 2018), Francis Acad Press, Francis Acad Press, London, pp. 60–64, doi: 10.25236/icbdai.2018.010.
Yamson, G.C. (2023), “Immediacy as a better service: analysis of limitations of the use of ChatGPT in library services”, Information Development. doi: 10.1177/02666669231206762.
Yang, N., Jo, J., Jeon, M., Kim, W. and Kang, J. (2022), “Semantic and explainable research-related recommendation system based on semi-supervised methodology using BERT and LDA models”, Expert Systems with Applications, Vol. 190, 116209, doi: 10.1016/j.eswa.2021.116209.
You, S., Joo, S. and Katsurai, M. (2024), “Data mining topics in the discipline of library and information science: analysis of influential terms and Dirichlet multinomial regression topic model”, ASLIB Journal of Information Management, Vol. 76 No. 1, pp. 65–85, doi: 10.1108/AJIM-05-2022-0260.
Zhang, C., Mayr, P., Lu, W. and Zhang, Y. (2023a), “Guest editorial: extraction and evaluation of knowledge entities in the age of artificial intelligence”, ASLIB Journal of Information Management, Vol. 75 No. 3, pp. 433–437, doi: 10.1108/AJIM-05-2023-507.
Zhang, X., Shi, G. and Jin, Q. (2023b), “Critical factors in awakening the slumbering collections: a study based on XGBoost”, ASLIB Journal of Information Management, Vol. 75 No. 5, pp. 863–883, doi: 10.1108/AJIM-11-2020-0353.
Zhou, C., Fang, Z., Xu, X., Zhang, X., Ding, Y., Jiang, X. and ji, Y. (2020), “Using long short-term memory networks to predict energy consumption of air-conditioning systems”, Sustainable Cities and Society, Vol. 55, 102000, doi: 10.1016/j.scs.2019.102000.
Zhou, Y., Zhang, Z., Wang, X., Sheng, Q. and Zhao, R. (2024), “Multimodal archive resources organization based on deep learning: a prospective framework”, ASLIB Journal of Information Management, Vol. ahead-of-print No. ahead-of-print, doi: 10.1108/AJIM-07-2023-0239.
출처 : https://doi.org/10.1108/AJIM-04-2024-0317
0개의 댓글