Adam Lisbon
University of Colorado Boulder. Japanese and Korean Studies Librarian
Automation, AI, and Coding: Practical Applications in Japanese Studies Librarianship
This presentation offers a framework to explore automating various aspects of work in Japanese studies librarianship using AI tools such as ChatGPT and CoPilot. Progressively complex use cases will demonstrate immediate solutions requiring little to no technical expertise, and advance to more sophisticate solutions that highlight AI's limits in automation and problem solving.
The framework I propose is built on several interrelated pillars: verifiability; expedience; expertise, both in subject matter and technical prowess; and active vs. passive learning.
- Verifiability: This core pillar scrutinizes the accuracy of automation solutions. Does checking the accuracy of AI’s outputs take more time than manual completion?
- Expedience: verifying AI's outputs should be easy and straightforward. Can an automation solution using AI be utilized without substantial investment in new skills?
- Passive/Active Learning: AI should assist rather than dictate actions. It should be a tool for empowerment rather than a source of dependency. Successful AI solutions should contribute to continuous learning and growth.
- Expertise: What is the knowledge base of the user? If subject expertise is lacking, can outputs be verified for accuracy? If technical expertise is lacking, such as coding or use of various software, can AI even be used to create a solution. We should question whether our lack of knowledge in the subject area or tools we use hinders implementing a solution.
Use cases will cover the limits of AI's generative abilities, text parsing, creating complex formulas and VBA/macro scripts in Excel, generating code in JavaScript, and hardcoding a program in the AutoHotKey (AHK) language without the help of AI to reduce labor in collection development work.
Intentionally translated with AI:
このプレゼンテーションは、ChatGPTやCoPilotなどのAIツールを使用して、日本研究図書館業務のさまざまな側面を自動化するためのフレームワークを提供します。段階的に複雑なユースケースを通じて、技術的専門知識がほとんど不要な即時解決策を示し、AIの自動化と問題解決の限界を強調するより高度な解決策へと進みます。
提案するフレームワークは、以下の相互に関連する柱に基づいています：検証可能性、迅速性、専門知識（主題と技術の両方）、および受動的学習と能動的学習。
- 検証可能性: この核心的な柱は、自動化ソリューションの正確性を精査します。AIの出力の正確性を確認するのに、手動での完了よりも時間がかかるかどうかを検討します。
- 迅速性: AIの出力を検証することは簡単であるべきです。新しいスキルへの大規模な投資なしに、AIを使用した自動化ソリューションを利用できるかどうかを検討します。
- 受動的/能動的学習: AIは行動を指示するのではなく支援するべきです。それは依存の源ではなく、エンパワーメントのツールであるべきです。成功したAIソリューションは、継続的な学習と成長に貢献するべきです。
- 専門知識: ユーザーの知識ベースは何か。主題の専門知識が不足している場合、出力の正確性を確認できるか。技術的な専門知識が不足している場合（例えば、コーディングやさまざまなソフトウェアの使用）、AIを使用してソリューションを作成できるかどうかを検討します。主題領域や使用するツールに関する知識の不足が、ソリューションの実装を妨げているかどうかを問いかけるべきです。
ユースケースは、AIの生成能力の限界、テキスト解析、Excelでの複雑な数式やVBA/マクロスクリプトの作成、JavaScriptでのコード生成、およびAIの助けを借りずにAutoHotKey（AHK）言語でプログラムをハードコーディングして、コレクション開発作業の労力を削減することをカバーします。