старший научный сотрудник
Малый Знаменский пер., д. 11/11, Москва, 119991, Россия
ORCID 0000-0002-6351-6405; SPIN 8914-6161
11/11 Maly Znamensky Lane, Moscow, 119991, Russia
ORCID 0000-0002-6351-6405; SPIN 8914-6161
В условиях ограниченных вычислительных мощностей и малых объемов обучающих выборок проблема достижения высокого качества предметного индексирования приобретает особую остроту. Концепция «человек в цикле» (human-in-the-loop, HITL) предлагает решение, объединяющее автоматическую обработку с экспертным участием человека. Новизна предлагаемого подхода состоит в применении механизмов активного обучения и целевой разметки, что позволяет обеспечить точность индексирования, сопоставимую с результатами полнотекстовых нейросетевых моделей, при минимальных ресурсных затратах. Анализ распределения функций между участниками процесса свидетельствует: в эпоху алгоритмических методов именно человеческий интеллект и библиотечная классификация сохраняют роль гарантов качества и достоверности информации.
В рамках данной модели библиотекарь переходит от ручного индексирования к контролю качества и обучению системы, выполняя верификацию результатов алгоритма и коррекцию ошибок. Эксперт-предметник формирует обучающие выборки и обеспечивает интерпретацию научного контекста для системы. Программист, в свою очередь, разрабатывает интерфейс для внесения правок и реализует замкнутый цикл обратной связи, допускающий дообучение модели.
Обнаруженная ошибка в индексе трактуется не как индивидуальный просчет каталогизатора, а как сигнал к перенастройке взаимодействия всех участников процесса. Установлено, что структурированные вручную массивы данных превосходят автоматизированные аналоги по показателям эффективности обучения нейросетевых моделей. Деятельность библиотек по созданию и поддержке высококачественных метаданных не только не утрачивает актуальности, но и становится одним из ключевых факторов обеспечения качества систем искусственного интеллекта. В современных условиях ценность библиотеки определяется не объемом архивных фондов, а способностью преобразовывать информацию в качественные массивы данных, пригодные для решения задач современной науки.
In the context of limited computing power and small training sample sizes, the challenge of achieving high-quality subject indexing is particularly acute. The human-in-the-loop (HITL) concept offers a solution that combines automated processing with expert human input. The novelty of the proposed approach lies in the use of active learning and targeted tagging mechanisms, which enables indexing accuracy comparable to that of full-text neural network models with minimal resource expenditure. An analysis of the distribution of functions between process participants demonstrates that, in the era of algorithmic methods, human intelligence and library classification retain their role as guarantors of information quality and reliability.
Within this model, the librarian transitions from manual indexing to quality control and system training, verifying algorithm results and correcting errors. A subject expert generates training samples and provides interpretation of the scientific context for the system. The programmer, in turn, develops an interface for making edits and implements a closed feedback loop that allows for further model training.
A detected index error is interpreted not as an individual cataloger’s oversight, but as a signal to recalibrate the interactions of all participants in the process. It has been established that manually structured datasets outperform automated counterparts in terms of the effectiveness of training neural network models. Libraries’ efforts to create and maintain high-quality metadata not only remain relevant but are also becoming a key factor in ensuring the quality of artificial intelligence systems. In today’s environment, a library’s value is determined not by the size of its archival collections, but by its ability to transform information into high-quality datasets suitable for solving modern scientific problems.
The authors declare that there are no conflicts of interest present.