هوش مصنوعی برای کتابداران و آرشیو اسناد فارسی

پشت باجه‌ی امانت، دو کارتن کتاب اهدایی دو ماه است منتظر مانده. یکی ترجمه‌ای است که شناسنامه ندارد، یکی چاپ سنگی است و ناشرش معلوم نیست، بقیه هم باید موضوع بخورند و رده بگیرند. کتابدار می‌داند این کار چند ساعت وقت می‌خواهد و همان چند ساعت را ندارد.

این صف مخصوص کتابخانه‌ی عمومی شهرستان نیست. آرشیو شرکت، مرکز اسناد دانشگاه و گنجینه‌ی نسخ خطی یک آستان هم همین وضع را دارند: منبع رسیده، ثبت نشده، و تا ثبت نشود عملاً وجود ندارد.

هوش مصنوعی برای کتابداری دقیقاً همین‌جا کار می‌کند — نه اینکه جای فهرست‌نویس بنشیند، بلکه پیش‌نویس رکورد را آماده کند تا آدم فقط تصحیح کند. در ادامه هم می‌بینیم این ابزار کجا خطرناک می‌شود.

چرا کار روی میز می‌ماند

گلوگاه اغلب دانش نیست، تایپ است. کتابدار در نگاه اول می‌داند این کتاب موضوعش چیست؛ چیزی که وقت می‌برد پر کردن ده‌ها فیلد است، از عنوان موازی و پدیدآور تا شابک و یادداشت‌ها.

در آرشیو اسناد وضع بدتر است، چون سند اغلب هیچ فیلد آماده‌ای ندارد؛ تاریخ و فرستنده و موضوعِ یک نامه‌ی اداری قدیمی را باید از دل متن بیرون کشید. این همان کاری است که مدل زبانی در آن خوب است: خواندن متن نامرتب و ریختنش در قالب ثابت.

فهرست‌نویسی: از صفحه‌ی عنوان تا رکورد

روش عملی ساده است: از صفحه‌ی عنوان و شناسنامه عکس بگیرید و بخواهید فیلدها در قالبی ثابت بیرون بیایند. متن چاپی فارسی روی عکس گوشی معمولاً درست خوانده می‌شود.

اما یک قید حیاتی دارد: بگویید فیلدی که در تصویر نیست باید خالی بماند. اگر نگویید، مدل جای خالی را پر می‌کند — سال نشر را حدس می‌زند و محل نشر را «تهران» می‌گذارد چون بیشتر کتاب‌ها تهران‌اند. همان چیزی که در توهم هوش مصنوعی شرح داده شده و در فراداده مرگبار است.

خروجی را به استاندارد کتابخانه‌تان نزدیک بخواهید. برای رکوردهای ساده عناصر Dublin Core کافی است؛ در محیط MARC مدل فیلدها را برچسب می‌زند، ولی شماره‌ی تگ‌ها را خودتان کنترل کنید.

موضوع‌دهی و کلیدواژه‌گذاری

اینجا وسوسه بزرگ است و خطا هم. اگر بنویسید «برای این کتاب موضوع پیشنهاد بده»، عبارت‌های خوش‌ظاهری می‌گیرید که در هیچ سرعنوان رسمی نیستند — و رکوردی که موضوعش خارج از اصطلاحنامه است، در جست‌وجوی موضوعی هرگز پیدا نمی‌شود.

راه درست: فهرست اصطلاحات مجاز خودتان را در پرامپت بگذارید، بخواهید فقط از همان انتخاب کند، و اگر هیچ‌کدام نخورد صریح بنویسد «موردی یافت نشد». همین یک قید، خروجی را از تزئینی به قابل استفاده تبدیل می‌کند.

خلاصه‌ی محتوای منبع

برای پایان‌نامه‌ها، گزارش‌های پژوهشی و مجموعه‌های اسناد، یک خلاصه‌ی سه‌خطی در رکورد ارزش زیادی دارد؛ پژوهشگر بدون رفتن سراغ اصل منبع می‌فهمد به دردش می‌خورد یا نه. روش کار روی فایل‌های بلند در خلاصه‌کردن متن و PDF آمده است.

یک نکته‌ی جدی: بخواهید عدد و آمار را مگر عیناً از متن نیاورد. خلاصه‌ای با رقم ساختگی بعدها در مقاله‌ی کسی تکرار می‌شود و ردش به کتابخانه‌ی شما می‌رسد.

میز مرجع و راهنمای پژوهشگر

پرسش‌های میز مرجع اغلب تکراری‌اند: چطور منبع پیدا کنم، ارجاع را چطور بنویسم، تفاوت دو پایگاه چیست. یک راهنمای گام‌به‌گام که با کمک مدل نوشته و بعد تأیید شود بار زیادی برمی‌دارد — به‌ویژه برای مراجعانی که مسیرشان در هوش مصنوعی برای دانشجو باز شده است.

ولی برای «این کتاب را دارید یا نه» به مدل تکیه نکنید. موجودی قفسه‌ی شما را نمی‌داند و وقتی نداند، اسم می‌سازد. جواب از فهرست کتابخانه می‌آید، نه از حافظه‌ی مدل.

دیجیتال‌سازی و OCR فارسی — و جایی که می‌ایستد

روی متن چاپی تمیزِ چند دهه‌ی اخیر، OCR فارسی به سطحی رسیده که خروجی‌اش با ویرایش سبک قابل استفاده است. روش عملی‌اش در تبدیل عکس به متن فارسی آمده.

روی چاپ سنگی، روزنامه‌ی کاهی و خط نسخِ دست‌نویس داستان فرق می‌کند. خطا فقط «حروف اشتباه» نیست؛ گاهی خروجی متنی روان و کاملاً ساختگی است، چون مدل حدس زده به‌جای اینکه بخواند. برای نسخ خطی، خروجی را فقط کمکِ جست‌وجو بدانید و مقابله را انسان انجام بدهد. ریشه‌ی زبانی این ضعف را محدودیت‌های فارسی در هوش مصنوعی شرح داده است.

و یک قاعده‌ی بی‌استثنا: تصویر اسکن‌شده اصل است، متن OCR مشتق. متن را جایگزین تصویر نکنید، حتی اگر جا کم است.

آرشیو دیجیتال و نام‌گذاری فایل

آرشیوهای دیجیتالی که به هم می‌ریزند، معمولاً از نبود نرم‌افزار خوب نمی‌ریزند؛ از نام‌گذاری آشفته‌ی فایل‌ها می‌ریزند. یک الگوی ثابت — سال، مجموعه، شناسه‌ی یکتا، بدون فاصله — کل تفاوت را می‌سازد.

مدل در ساختن این الگو و نوشتن رویه‌ی مکتوبش کمک می‌کند؛ تغییر نام دسته‌ای هزاران فایل هم با یک اسکریپت کوچک شدنی است — اول روی رونوشت آزمایش کنید.

حفاظت بلندمدت و پشتیبان

آرشیو دیجیتال بدون نسخه‌ی پشتیبانِ آزموده، آرشیو نیست. سه نسخه روی دو رسانه‌ی متفاوت و یکی خارج از ساختمان، قاعده‌ی قدیمی و هنوز درستی است. مهم‌تر از گرفتن پشتیبان، بازیابی آزمایشی است: نسخه‌ای که هرگز باز نشده، معلوم نیست سالم باشد.

قالب فایل را هم باز و بادوام بگیرید؛ قالب اختصاصیِ نرم‌افزاری که شاید فردا نباشد، آرشیو را گروگان می‌گیرد.

پرامپت آماده برای استخراج فراداده

این الگو را با تصویر صفحه‌ی عنوان بفرستید و فهرست موضوعی خودتان را جایگزین کنید:

نقش: دستیار فهرست‌نویسی کتابخانه
ورودی: تصویر صفحه‌ی عنوان و شناسنامه‌ی کتاب
خروجی دقیقاً در این فیلدها:
عنوان اصلی | عنوان فرعی | پدیدآور | مترجم |
ناشر | محل نشر | سال نشر | نوبت چاپ |
تعداد صفحه | شابک | یادداشت
قواعد:
- فیلدی که در تصویر نیست: بنویس نامشخص
- هیچ مقداری را حدس نزن، حتی محل نشر
- سه موضوع پیشنهاد بده، فقط از این فهرست: [فهرست خودتان]
- اگر موضوعی از فهرست نخورد بنویس: موردی یافت نشد

ساختن پرامپت برای بقیه‌ی کارهای آرشیو همین منطق را دارد؛ اصولش در پرامپت‌نویسی فارسی آمده و در نارنگی می‌شود روی یک کتاب واقعی امتحانش کرد.

مرزی که نباید رد شود

و صریح‌تر: در فهرست‌نویسی توصیفیِ نسخ خطی — تعیین کاتب، تاریخ کتابت، تشخیص الحاقات — این ابزارها جای نسخه‌شناس را نمی‌گیرند و نباید بگیرند؛ خروجی مدل آنجا حداکثر یک فرضیه است.

جمع‌بندی

سود واقعی این ابزار در کتابخانه و آرشیو، حذف کار تایپی است نه حذف قضاوت حرفه‌ای. پیش‌نویس رکورد، خلاصه‌ی منبع، پیشنهاد موضوع از فهرست مجاز و مرتب کردن آرشیو — این‌ها ساعت برمی‌گردانند.

در مقابل، سرشناسه و رده‌بندی و نسخه‌شناسی را به آن نسپارید، خروجی OCR خط نسخ را متن نهایی حساب نکنید، و هیچ فیلدی را حدس‌زده ثبت نکنید. ساعتی که امروز صرف بازبینی می‌شود، جلوی گم شدن دائمی یک منبع را می‌گیرد.

برای ادامه:

• هوش مصنوعی برای خواندن متون کهن و ادبیات فارسی
• مطالعه‌ی متون دینی و کهن با کمک هوش مصنوعی
• یادداشت‌برداری هوشمند و دانش قابل استفاده