KÜTÜPHANE VE BİLGİ BİLİMİNDE BÜYÜK DİL MODELLERİNİN TEMEL BULGULARI VE ETKİLERİ
- TKD Istanbul Subesi
- 2 Oca
- 3 dakikada okunur
Potansiyel Uygulamalar ve Yetenekler
Standart Olmayan ve Sofistike Görevlerin Gerçekleştirilmesi: Çalışma, Üretken Yapay Zeka araçlarının, özellikle GPT gibi Büyük Dil Modellerin, mevcut metnin yalnızca özetlenmesinin veya genişletilmesinin ötesine geçebileceğini göstermektedir. Elektronik bilgi kaynaklarıyla ilgili standart olmayan ancak karmaşık görevleri yürütme potansiyeline sahiptirler. Bu, etkileşimli katılımı kolaylaştırmayı, tanımlayıcı meta verilerin çıkarılmasına ve bileşimine yardımcı olmayı, kaynakların indekslenmesini ve hatta sınıflandırılmasını içerir.
İçerik Oluşturma ve Düzenleme: Büyük Dil Modelleri, istemlere dayalı yeni metin içeriği oluşturmak ve önceden var olan bilgileri değiştirmek veya düzeltmek için oldukça etkilidir. Bu, netliği artırmak için düzenleme, biçimlendirme, dil iyileştirme ve karmaşık cümleleri yeniden yazmayı içerir. Bu yetenek, akademik bağlamlarda ana dili İngilizce olmayanlar için özellikle faydalıdır.
Bilgi Alma ve Özetleme: Geleneksel arama motorları yerine Büyük Dil Modeli tabanlı araçlar, akademik makaleleri özetleyerek, temel fikirleri belirleyerek ve belirsizlikleri vurgulayarak “Yapay Zeka araştırma asistanları” olarak hizmet eder. Bilimsel sorulara doğrudan yanıt verebilir ve dizinlenmiş depolarda gezinebilir, kapsamlı genel bakışlar ve özetler sağlayabilirler.
PDF Etkileşimi ve Veri Çıkarma: ChatPDF gibi araçlar, kullanıcıların bir insanla sohbet ediyormuş gibi PDF dosyalarıyla etkileşime girmesini sağlar. Bu araçlar PDF'leri değerlendirebilir, özetler oluşturabilir, ilgili bilgileri çıkarabilir ve hatta içeriği sınıflandırabilir.
Anlamsal Dizin Oluşturma ve Sınıflandırma: Büyük Dil Modelleri PDF bileşenlerine anlamsal/semantik indeksleme uygulayabilir, paragraflar için dizinler oluşturabilir ve değerli bilgiler çıkarabilir. Bazı küçük yanlışlıklara rağmen Evrensel Ondalık Sınıflandırma ve Kongre Kütüphanesi Sınıflandırması gibi çerçeveleri kullanarak içeriği sınıflandırabilirler.
Meta Veri Açıklaması ve Dönüştürme: Büyük Dil Modelleri, elektronik kaynaklardan tanımlayıcı meta verilerin, anahtar kelimelerin ve göze çarpan bilgilerin açıklamasını ve çıkarılmasını otomatikleştirebilir. Ayrıca meta verileri MARC21 gibi farklı biçimlere dönüştürebilirler.
Bibliyografya Üretimi: Büyük Dil Modelleri, yapılandırılmış meta veri biçimlerinin yokluğuna rağmen tatmin edici olabilecek yapılandırılmamış metinden çeşitli stillerde (örneğin, APA, Harvard) bibliyografik kayıtlar oluşturabilir.
Sınırlamalar ve Zorluklar
İstatistiksel İşleyiş ve Derin Anlama Eksikliği: Büyük Dil Modelleri anlamı gerçekten anlamadan kelime olasılıklarını tahmin ederek “halüsinasyon” (kendinden emin ancak yanlış bilgi üretme) gibi sorunlara yol açar.
Önyargı ve Stereotipler: Büyük Dil Modellerinde eğitilmiş veriler genellikle, özellikle marjinalleştirilmiş popülasyonlarla ilgili olarak önyargılı veya aşağılayıcı çıktılara yol açabilen sosyal önyargıları ve klişeleri içerir ve pekiştirir.
Doğruluk ve Güvenilirlik Endişeleri: Büyük Dil Modelleri genellikle üretilen içeriğin doğruluğunu, tutarlılığını ve güvenilirliğini garanti edemez, bu da sahte haberlerin ve uydurma akademik araştırmaların çoğalmasıyla ilgili endişeleri artırır. Bilgiyi doğrulama ve eleştirel düşünme, bu sorunları ele almak için gereklidir.,
Teknik Kısıtlamalar: Büyük Dil Modelleri tek bir etkileşimde işleyebilecekleri metin miktarını sınırlayan maksimum belirteç kapasitesine sahiptir. Bu, çok hacimli belgeler için uygulanabilirliklerini kısıtlar ve kısaltılmış veya durdurulmuş yanıtlara yol açabilir.
Yapılandırılmış Verilere Bağımlılık: Büyük Dil Modellerinde veriler tanınan meta veri standartlarına bağlı olarak kesin ve tutarlı bir yapıda (örn. XML) sunulduğunda daha iyi performans gösterir. Yapılandırılmamış verilerle performansları sorgulanabilir.
Bu teknolojilerin sorumlu bir şekilde benimsenmesi için insan uzmanlığı, eleştirel düşünce ve sürekli gözetim vazgeçilmezdir. Akademik ve profesyonel uygulamalarda etik çerçeveler ve kılavuzlar geliştirilmesi, bu teknolojinin potansiyelinden tam olarak yararlanırken risklerini en aza indirmek için kritik öneme sahiptir. Gelecek, bu araçların yaygın olarak benimsenmesini gerekli kılacaktır.
Sajan ve Kyle (2023) tarafından belirtildiği gibi: "Gelecekteki soru, bu teknolojiyi benimseyip benimsemeyeceğimiz değil, nasıl benimseyeceğimiz olacaktır." Bu bağlamda, kütüphaneler ve bilgi profesyonelleri bu dönüştürücü teknolojiye uyum sağlamak durumundadır.
Formanek, M. (2025). Exploring the potential of large language models and generative artificial intelligence (GPT): Applications in Library and Information Science. Journal of Librarianship and Information Science, 57(2), 568-590. https://doi.org/10.1177/09610006241241066 (Original work published 2025)
Sajan BP and Kyle L (2023) ChatGPT: The future of discharge summaries? The Lancet. Digital health 5(3): e107–e108.
Yöntem Notu: Bu araştırma notu Büyük Dil Modellerinin mesleğe katkısını sorgular ve küçük bir not koymayı amaçlar. Konu hakkında detaylı bilgi içerdiği düşünülen makaleler; Üretken yapay zeka araçları olan NotebookLM rapor üretme ve Scispace chatPDF özellikleri kullanılarak oluşturulmuş ve bilgiler eleştirel düşünme kriterleri göz önüne alarak doğrulanmıştır. Yazar metninin sorumluluğu üstlendiğini beyan eder.
Formanek(2025) tarafından kaleme alınan ve Büyük Dil Modelleri ile Üretken Yapay Zeka'nın , özellikle de GPT modelinin, Kütüphane ve Bilgi Bilimi alanındaki potansiyel uygulamalarını inceleyen bilimsel makale bize mesleki açıdan bir vizyon sunar.
Makale Büyük Dil Modellerinin; metin oluşturma, bilgi kaynaklarını yönetme ve metaveri işleme gibi rutin görevlerde önemli potansiyele sahip olduğunu ortaya koymaktadır. Ana uygulama alanları arasında içerik düzenleme, dilbilgisi düzeltme, metin özetleme, anahtar kelime çıkarma, PDF belgeleriyle etkileşimli diyalog kurma ve bibliyografik kayıt oluşturmayı sayabiliriz.
