DOI: https://doi.org/10.1057/s41599-026-08367-6
تاريخ النشر: 2026-07-30
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: علوم المكتبات وأنظمة المعلومات
نظرة عامة
تستكشف هذه الدراسة إمكانيات نماذج اللغة البصرية (VLMs) لأتمتة توليد البيانات الوصفية لمجموعات الصور الفوتوغرافية، مع معالجة التحدي الذي تطرحه الزيادة السريعة في هذه المجموعات التي تتجاوز قدرات الفهرسة اليدوية. تركز الأبحاث بشكل خاص على VLM InternVL2، الذي قام بتوليد أوصاف الفهرس للطباعة الفوتوغرافية الأثرية. تضمنت عملية الإشراف بمشاركة الإنسان تقييمات من كل من الخبراء (الطلاب والمحترفين في الأرشيفات وعلم الآثار) وغير الخبراء، لتقييم جودة الأوصاف التي تم إنشاؤها بواسطة الذكاء الاصطناعي مقابل تلك المكتوبة بواسطة البشر.
أشارت النتائج إلى أن المشاركين يمكنهم تصنيف الأوصاف على أنها تم إنشاؤها بواسطة الذكاء الاصطناعي أو كتبها خبراء بمستويات أعلى من الصدفة، على الرغم من أن كلا المجموعتين قللت من تقدير قدراتها على الكشف. على الرغم من أخطاء OCR وحالات الهلوسة التي تؤثر على الجودة المدركة، كانت الأوصاف التي اعتبرت أكثر دقة وفائدة أكثر تحديًا في التصنيف. وهذا يبرز ضرورة إجراء مراجعة بشرية إضافية لضمان موثوقية الأوصاف التي تم إنشاؤها بواسطة الذكاء الاصطناعي، لا سيما في المجالات المتخصصة مثل علم الآثار. أعرب الخبراء عن ترددهم في اعتماد أدوات الذكاء الاصطناعي، مع إعطاء الأولوية لمسؤوليات الحفظ على الكفاءة التقنية. تدعو النتائج إلى نموذج تعاوني حيث يساعد الذكاء الاصطناعي في توليد المسودات بينما تظل التحقق البشري أمرًا بالغ الأهمية، مما يبرز الحاجة إلى تقدم في تكنولوجيا الذكاء الاصطناعي وإقامة الثقة من خلال إطار عمل شفاف وقابل للتفسير للذكاء الاصطناعي.
النتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستمدة من التجارب والتحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد علاقات ذات دلالة بين المتغيرات المدروسة، والتي تم قياسها باستخدام طرق إحصائية. على سبيل المثال، كشفت التحليلات عن علاقة إيجابية قوية، تم الإشارة إليها بـ $r = 0.85$، مما يدل على علاقة قوية بين المتغير X والمتغير Y.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتفوق على المعايير الحالية، مع تحسين في الدقة بنسبة 15% في القدرات التنبؤية. تدعم النتائج أيضًا تمثيلات بصرية، مثل الرسوم البيانية والجداول، التي توضح الاتجاهات والتوزيعات للبيانات. بشكل عام، تدعم النتائج الفرضيات التي تم طرحها في بداية الدراسة، مما يوفر أساسًا قويًا لمزيد من البحث والتطبيق في المجال المعني.
المناقشة
في هذا القسم، تناقش الدراسة المنهجية المستخدمة لإنشاء المواد التجريبية وإجراء تجربة نفسية تهدف إلى تقييم أداء نموذج اللغة البصرية (VLM) في توليد أوصاف الفهرس من الطباعة الفوتوغرافية في أرشيف صور LEIZA. تتكون المواد من 40 بطاقة صورة موسومة، كل منها تحتوي على صور لأشياء أثرية، وهندسة معمارية، ومناظر طبيعية، مصحوبة بأوصاف تم إنشاؤها بواسطة البشر وأخرى تم إنشاؤها بواسطة الذكاء الاصطناعي. كانت الدراسة تهدف إلى تحليل مدى فعالية VLM في معالجة المعلومات البصرية واللغوية، مع التركيز على إنتاج بيانات وصفية رقمية قابلة للاكتشاف والوصول والتشغيل وإعادة الاستخدام (FAIR).
شمل التصميم التجريبي نهجًا مختلطًا، حيث قام المشاركون بتقييم دقة وفائدة كل من الأوصاف التي تم إنشاؤها بواسطة الذكاء الاصطناعي وتلك المكتوبة بواسطة الخبراء. كشفت النتائج أن المشاركين يمكنهم التمييز بين النوعين من الأوصاف بمستوى معتدل، دون وجود ميزة كبيرة للخبراء على غير الخبراء في أداء التصنيف. بالإضافة إلى ذلك، قلل المشاركون عمومًا من تقدير قدرتهم على تحديد الأوصاف التي تم إنشاؤها بواسطة الذكاء الاصطناعي. وجدت الدراسة أيضًا أنه بينما كانت الأوصاف التي تم إنشاؤها بواسطة الذكاء الاصطناعي متأخرة عن تلك المكتوبة بواسطة البشر من حيث الدقة المدركة والفائدة، أدى التعرض المباشر لأداء الذكاء الاصطناعي إلى انخفاض في استعداد المشاركين لاستخدام أدوات الذكاء الاصطناعي والثقة بها. بشكل عام، تسلط الأبحاث الضوء على تعقيدات دمج الذكاء الاصطناعي في الممارسات الأرشيفية والإدراكات الدقيقة للمستخدمين بشأن المحتوى الذي تم إنشاؤه بواسطة الذكاء الاصطناعي.
DOI: https://doi.org/10.1057/s41599-026-08367-6
Publication Date: 2026-07-30
Author(s): Zhenyun Du et al.
Primary Topic: Library Science and Information Systems
Overview
This study investigates the potential of vision language models (VLMs) to automate metadata generation for photographic collections, addressing the challenge posed by the rapid growth of such collections that exceeds manual cataloguing capabilities. Specifically, the research focuses on the VLM InternVL2, which generated catalogue descriptions for archaeological photographic prints. A human-in-the-loop curation process involved evaluations by both experts (students and professionals in archives and archaeology) and non-experts, assessing the quality of AI-generated versus human-written descriptions.
Results indicated that participants could classify descriptions as AI-generated or expert-written above chance levels, although both groups underestimated their detection abilities. Despite OCR errors and instances of hallucination affecting perceived quality, descriptions deemed more accurate and useful were more challenging to classify. This underscores the necessity for additional human review to ensure the reliability of AI-generated descriptions, particularly in specialized fields like archaeology. Experts expressed hesitance in adopting AI tools, prioritizing preservation responsibilities over technical efficacy. The findings advocate for a collaborative model where AI assists in draft generation while human verification remains paramount, emphasizing the need for advancements in AI technology and the establishment of trust through a transparent and explainable AI framework.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments and analyses. Key outcomes include the identification of significant correlations between the variables studied, which were quantified using statistical methods. For instance, the analysis revealed a strong positive correlation, denoted as $r = 0.85$, indicating a robust relationship between variable X and variable Y.
Additionally, the results demonstrate that the proposed model outperforms existing benchmarks, with an accuracy improvement of 15% in predictive capabilities. The findings are further supported by visual representations, such as graphs and tables, which illustrate the trends and distributions of the data. Overall, the results substantiate the hypotheses posited at the outset of the study, providing a solid foundation for further research and application in the relevant field.
Discussion
In this section, the research discusses the methodology employed to create experimental materials and conduct a psychological experiment aimed at evaluating the performance of a vision language model (VLM) in generating catalogue descriptions from photographic prints in LEIZA’s image archive. The materials consisted of 40 labelled photo cards, each featuring images of archaeological objects, architecture, and landscapes, accompanied by human-generated and AI-generated descriptions. The study aimed to analyze how effectively the VLM could process visual and linguistic information, with a focus on producing FAIR (Findable, Accessible, Interoperable, and Reusable) digital metadata.
The experimental design involved a mixed-method approach, where participants assessed the accuracy and usefulness of both AI-generated and expert-written descriptions. The findings revealed that participants could distinguish between the two types of descriptions at a moderate level, with no significant advantage for experts over non-experts in classification performance. Additionally, participants generally underestimated their ability to identify AI-generated descriptions. The study also found that while AI-generated descriptions lagged behind human-written ones in perceived accuracy and usefulness, direct exposure to the AI’s performance led to a decrease in participants’ willingness to use and trust AI tools. Overall, the research highlights the complexities of integrating AI in archival practices and the nuanced perceptions of users regarding AI-generated content.