AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

图书馆员

创建 2026-09-20 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

图书馆员 —— 那些教授信息素养、承担研究咨询、建设馆藏与检索系统，并日益作为 AI 搜索与推荐工具的人类对应方的图书馆与信息专业人员。在知识库的研究中，他们是这样一些人：处理模型无法裁定的可信性问题——一项专利、一份技术标准或一份行业报告是否值得被依赖——并作为课程与政策共同设计的伙伴。他们在 教育中的 AI 的位置因此是双重的：既是教授来源评价与检索策略的教育者，又是构建于 AI 检索之上的系统内部的 人类层。

值得思考的问题

  • AI 现在能在几秒内回答图书馆员过去要受理的事实性参考问题。那份工作里哪一部分曾经是那个答案——哪一部分又是关于一个来源是否值得被相信的判断？
  • 在嵌入式图书馆员研究中，来源评价问题恰好在 AI 最不自信的那些案例里主导了咨询（38.5%）。这是一个要修的设计失败，还是可信性判断抗拒自动化的证据？
  • CHIIR 2026 研讨会 报告了一个信任缺口——学生对 GenAI 过度 信任，而教师不信任它。谁来弥合这样的缺口：图书馆员、教师，还是一个展示其来源与信心的界面？
  • Ithaka S+R 发现，机构既缺乏关于什么是 AI 技能的共识，也缺乏评估它们的框架。信息素养教学是这项工作天然的归宿吗——这样说，是否是在要求图书馆承担一份与其人员编制不匹配的负荷？

引言

图书馆员是坐在学习者问题与学术记录之间的专业人员：参考与学科联络馆员、学科专家、讲授信息素养教学的教学馆员，以及管理馆藏与机构知识库的工作人员。在 教育中的 AI 里，他们被点名的频率远低于 教师和 行政人员，然而语料库赋予了他们一个具体、可检验的角色。他们是 生成式人工智能 所造成的可信性问题的答案，是教授 评价判断与检索策略而不只是提供来源的教师，并且——在知识库最强的那个案例中——是一个 AI 系统的设计组件，而不是它旁边的一项服务。

本页把这个角色当作与其邻居不同的来对待。教育技术开发者 建造检索与推荐系统；图书馆员决定那些系统不应被信任去得出结论。学术诚信 把 AI 使用框定为作者身份与披露；图书馆员的框架——署名、来源、获取——与之相邻但更具体。

信息素养作为教学，而不只是协助

知识库中关于这个角色最详细的证据来自 Huang 的嵌入式图书馆员研讨平台，它为一支准实验中的工程研究团队而建，60 名来自三个项目的学生、历时八周（30 人在整合平台上，30 人接受常规图书馆教学）。整合组在一份基于 ACRL 的五点信息素养量表上增益 0.78 分，对照组 0.25 分，组内最大增益在检索技能（+0.87）与来源评价（+0.83），其次为信息综合（+0.73）与伦理使用意识（+0.70）。值得注意的是，仅表现型题目也产生了大效应，所以增益不纯粹是信心。所教的内容映射到图书馆工作：检索策略形成、来源鉴定、引用与知识库导航——正是后来主导咨询记录的四个类别。

更广的语料库补上了一个人员编制与交付问题。CHIIR 2026 研讨会报告 描述了一位图书馆员基于对 2,076 名学生与 101 名图书馆员的调查而建的长 15 周的数字素养 课程，并记录了报告人的判断：单次研讨会给学生留下一个被误解的基础；同一报告把一位图书馆员的教学覆盖计为约 1,700 名一年级学生。

在 AI 最弱的地方，图书馆员扛起了负荷

研讨平台刻意地分工：算法大规模处理检索，人类在不确定下处理评价——而记录显示这个分工在起作用。跨 312 次咨询（每位参与者 10.4 次），来源评价与质量占 38.5%，检索策略形成 29.2%，引用管理 18.6%，知识库导航 13.7%，73.4% 在六小时内得到答复。作者把这直接连到模型表现：推荐引擎达到精确率 0.68 与召回率 0.61，高于布尔关键词基线（0.52 与 0.48），但对专利与标准的可信性判断仍然不足，自然语言查询处理正确回答了 72.8% 的工程专属查询。满意度遵循同样的次序——馆员协助最高，为 5.0 中的 4.3，高于推荐（4.1）、查询（3.9）、研讨会（3.8）、学习路径（3.6）与 知识图谱（3.4）——而访谈记录了 30 名学生中 21 人提到对图书馆员在场的信任。使用是异质的——30 人中 11 人依赖 AI，8 人依赖馆员，11 人两者都用。

张力是双向的。AI 处理最差的案例是可信性问题，而平台自己的作者得出结论：在可信性决策点上保留一位人类专家，是实在的教训。但这项研究是单站点、非随机的，它的三个组件从未被分离，作者称结果"仅仅是初步的"，并指出从未测试过图书馆员支持撤出后的持续性。人类层是增益的原因，还是一个 0.68 精确率推荐器周围的安全网，仍然悬而未决。

共同设计、伙伴关系，以及谁来为验证付费

图书馆员也作为共同设计者而非服务提供者出现。Maybee、LeGrand 与 Fundator 记录了普渡大学的 Algorithmic Literacy Partners——一个由学术图书馆员促成、为期六周的学生—教师学习共同体，本科生与教师在此共同产出 AI 课程 政策和 AI 整合的 小组项目。作者把它框定为针对学生 AI 滥用之缺陷叙事的替代方案，而 SPIRaL 项目的学生反思显示出信息素养被重新学习：参与者起初把它等同于来源评价，随后转向把它读作一种与 主体性相连的分层学术实践。那个转变——从检查来源到判断知识生产——正是图书馆员被定位去促成的。

另外两条线索设定了这个角色的边界。PEARLS 框架 把获取（Access）、正当性（Legitimacy）与来源（Source）列为其六个验证维度之三，并指出验证要消耗数据库访问、学科语言，有时还有付费工具——因此资源较少的学习者要为证明负责任的使用承担更重的负担，而图书馆员被点名为共同设计所需要的各方之一。AARC 框架 把教学目标讲得明确：验证、引用与反思，作为通过研究过程来评估的反复承诺——包括检出捏造与偏见——而不是通过制品。Hingle 与 Johri 的综述显示，图书馆已经在用的那些设计同样可迁移：小组工作对信息素养的益处在 AI 素养学习中泛化，包括与 AI 智能体作为伙伴的情形。

对教育中 AI 的启示

  • 在可信性决策点上保留人类。 约 0.68 的精确率留下大约三分之一的被呈现材料未经核对，而来源评价是最常被请求的咨询类型——这是任何 AI 搜索或推荐层的一条设计线索。
  • 把信息素养当作教学。 在表现型题目上站得住的增益是检索策略与来源鉴定，这正是教学馆员已经在教的，也是归因与验证 AI 输出所需要的（学术诚信、批判性思维）。
  • 为异质路径设计。 在偏好 AI、馆员或两者的几近均等的群体下，按学科与工作量路由咨询，以每位参与者 10.4 次的速率吸收了 312 次；一条单一的强制路线会让一些学习者得不到充分服务。
  • 让信心与来源可见。 研讨会的"搜索即学习"线索追问哪些认知过程不应被外包，并呼吁保留决策点的界面——一份图书馆员可以从他们平常的"来源可见"工作标准来具体说明的 脚手架。
  • 为人类层做预算，而不只是为模型。 咨询在数小时内得到答复、达到规模，是因为工作人员被刻意地路由；假定学习者会独自处理可信性判断，就是把那份代价转移给最无力承担的人。

关联概念

关联文章

元数据

层次Higher Ed, K 12
目标读者Librarians, Learners
学习与教学脚手架, 探究式学习, 协作学习, 元认知
技术与方法生成式人工智能, 大语言模型（LLM）, 知识图谱, 推荐系统与学习路径, 人在回路, 教育NLP
机构与政策AI 治理, 教育人工智能政策
公平、伦理与负责任使用信任, 信任校准, 伦理
教育中的人工智能基础AI 素养, 批判性思维, 学术诚信, 人机协作
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。