Архивтер мен құжаттарды басқару үшін әмбебап шешім емес ірі тілдік модельдер
Кілт сөздер:
архивтік сипаттама, ірі тілдік модельдер, архивтер және құжаттарды басқару, алгоритмдік бейтарапсыздық, кәсіби этика, генеративті жасанды интеллектАңдатпа
Мемлекеттік секторда ірі тілдік модельдердің (LLM) кеңінен таралуы тиімділікті арттыруға және қызмет көрсету сапасын жақсартуға елеулі мүмкіндік береді. Алайда, әсіресе ресурстары шектеулі ортада LLМ-дерді қолдану көбінесе жүйесіз және бейресми сипатта жүзеге асады. Архив қызметкерлерінің дайын (off-the-shelf) ірі тілдік модельдерді жеке аккаунттар арқылы, институционалдық бақылаусыз, бейімдеусіз және құрылымдалған сұраныс (prompt engineering) тәсілдерінсіз пайдалануы кәсіби қызмет үшін тәуекелдер туындатады. Бұл құралдар архивтік өңдеудегі артта қалушылықты жоюдың тиімді тәсілі бола алғанымен, жаңа пайдаланушылар контекстен ажыратылған модельдерді қолданумен байланысты тәуекелдерді толық түсінбеуі мүмкін. Бұл зерттеуде Ботсвана ұлттық архивінің бес архивтік құжаты негізінде үш коммерциялық қолжетімді LLM – DeepSeek, ChatGPT және Gemini – бағаланды. Зерттеу жаңа пайдаланушыға бағытталған эксперименттік кейс-талдау әдісіне негізделді. Арнайы салалық нұсқауларсыз берілген қарапайым сұраныс негізінде алынған нәтижелер архивтік қағидаттарға сүйене отырып қалыптастырылған он бір сипаттамалық санат бойынша бағаланды. Зерттеу нәтижелері бірқатар жүйелі тәуекелдерді анықтады: дереккөздің түпнұсқалылығына нұқсан келтіретін жалған (шынайы емес) ақпаратты «ойдан құрастыру» (hallucination); хронологиялық байланыстарды бұрмалайтын дәлелсіз уақыттық пайымдаулар; сипаттамалық стандарттарға сәйкес келмеу, соның салдарынан интероперабельділіктің бұзылуы; визуалды мүмкіндіктердің әркелкілігіне байланысты қорларға тән бұрмаланулар; сондай-ақ тарихи тұрғыдан сезімтал тілдік бірліктерді бірізді емес өңдеу. Бірде-бір LLM әмбебап тұрғыда тиімді екенін көрсеткен жоқ, бұл салалық бейімдеу кезінде мультимодальды және көпагентті мүмкіндіктерді ескеру қажеттігін білдіреді. Зерттеудің жаңалығы эмпирикалық нәтижелерді практикалық кәсіби ұсынымдарға айналдыруымен ерекшеленеді. Атап айтқанда, LLM енгізудің үш деңгейлі моделі (қолдаулы зерттеу, шартты автоматтандыру, интеграцияланған көмек), ресурстары шектеулі ортаға арналған енгізу матрицасы және шешім қабылдау блок-схемасы ұсынылған. Зерттеу қорытындысы бойынша, LLМ-дерді қауіпсіз енгізу рәсімдік тәртіпті, ортақ ресурстарды және архивтік жүйеге енгізілетін әрбір нәтижені адам тарапынан тексеруді талап етеді. Бұл тәсіл технологияны сынсыз автоматтандыру мен одан толық бас тарту арасындағы теңгерімді жолды ұсынады.
Жүктеп алулар
Әдебиеттер тізімі
Černý et al. 2026 – Černý, J., Avramov, K. and Pendse, L.R. ‘A multi-stage agentic AI system for extracting information from large digital archives: case study on the Czechoslovak year 1968 in CIA’s FOIA collection’, The Electronic Library. 2026. Рp. 1–26. Available at: https://doi.org/10.1108/EL-06-2025-0272.
Cherukuri et al. 2025 – Cherukuri, K.S. et al. ‘Large Language Models for Oral History Understanding with Text Classification and Sentiment Analysis’. 2025. arXiv. Available at: https://doi.org/10.48550/ARXIV.2508.06729
Fu et al. 2025 – Fu, Y. et al. (2025) ‘Innovative practice of archival data development workflow in the AGI era: a case study of scientist archives project’, Information Research an international electronic journal, 30 (iConf). 2025. Рp. 349–360. Available at: https://doi.org/10.47989/ir30iConf47335
Gonzalez-Agirre et al. 2024 – Gonzalez-Agirre, A. et al. ‘Building a Data Infrastructure for a Mid- Resource Language: The Case of Catalan’, in N. Calzolari et al. (eds) Jt. Int. Conf. Comput. Linguist., Lang. Resour. Eval., LREC-COLING - Main Conf. Proc. European Language Resources Association (ELRA). 2024. Рp. 2556–2566. Available at: https://www.scopus.com/inward/record.uri?eid=2-s2.0 85195920357&par tnerID=40&md5=7a00578176c9fce86e66cf46f96bea7b
Groppe et al. 2025 – Groppe, J. et al. ‘Automated Archival Descriptions with Federated Intelligence of LLMs’. arXiv. 2025. Available at: https://doi.org/10.48550/ARXIV.2504.05711
Hollow et al. 2025 – Hollow, A.G. et al. ‘The AI-powered archivist: Harnessing generative artificial intelligence for streamlined archival description’, Journal of Digital Media Management, 14(1). 2025. Р. 6. Available at: https://doi.org/10.69554/ZMQC4019
Humphries et al. 2024 – Humphries, M. et al. ‘Unlocking the Archives: Using Large Language Models to Transcribe Handwritten Historical Documents’. arXiv. 2024. Available at: https://doi.org/10.48550/ARXIV.2411.03340
Kim and Lee 2026 – Kim, H. and Lee, S.W. ‘Sorry, it’s my fault: Politeness, attribution, and anthropomorphism in managing generative AI hallucinations’, International Journal of Information Management, 86. 2026. Р. 102996. Available at: https://doi.org/10.1016/j.ijinfomgt.2025.102996
Lin and Zou 2024 – Lin, D. and Zou, R. ‘Applications, Risk, Challenges, and Future Prospects of ChatGPT in Electronic Records Management’, Journal of Artificial Intelligence Research, 1(1). 2024. Р. 1–9. Available at: https://doi.org/10.70891/JAIR.2024.100021
Nair et al. 2024 – Nair, A. et al. ‘Web Archives Metadata Generation with GPT-4o: Challenges and Insights’. arXiv. 2024. Available at: https://doi.org/10.48550/ARXIV.2411.05409
Nguyen et al. 2025 – Nguyen, H.D., Nguyen, T.-H.A. and Nguyen, T.B. ‘A Proposed Large Language Model-Based Smart Search for Archive System’, in W. Buntine et al. (eds) Information and Communication Technology. Singapore: Springer Nature Singapore (Communications in Computer and Information Science). 2025. Рp. 210–223. Available at: https://doi.org/10.1007/978-981-96-4285-4_18
Pandi et al. 2024 – Pandi, S.P. et al. ‘Can LLMs categorize the specialized documents from web archives in a better way?’, Proceedings of the 24th ACM/IEEE Joint Conference on Digital Libraries. JCDL ’24: 24th ACM/IEEE Joint Conference on Digital Libraries, Hong Kong China: ACM. 2024. Рp. 1–11. Available at: https://doi.org/10.1145/3677389.3702591
Patil and Gudivada 2024 – Patil, R. and Gudivada, V. ‘A Review of Current Trends, Techniques, and Challenges in Large Language Models (LLMs)’, Applied Sciences, 14(5). 2024. Р. 2074. Available at: https://doi.org/10.3390/app14052074
Pulijala 2024 – Pulijala, S. ‘Artificial Intelligence in Governance: Opportunities, Challenges, and Ethical Implications for Public Administration’, International Journal for Multidisciplinary Research, 6(6). 2024. Р. 29990. Available at: https://doi.org/10.36948/ijfmr.2024.v06i06.29990
Reusens et al. 2025 – Reusens, M., Adams, A. and Baesens, B. ‘Large Language Models to make museum archive collections more accessible’, AI & SOCIETY, 40(6). 2025. Рp. 4485–4497. Available at: https://doi.org/10.1007/s00146-025-02227-8
Rillig et al. 2023 – ‘Rillig, M.C. et al. ‘Risks and Benefits of Large Language Models for the Environment’, Environmental Science & Technology, 57(9). 2023. Рp. 3464–3466. Available at: https://doi.org/10.1021/acs.est.3c01106
Schellnack-Kelly and Modiba 2024 – Schellnack-Kelly, I. and Modiba, M. ‘Developing smart archives in society 5.0: Leveraging artificial intelligence for managing audiovisual archives in Africa’, Information Development. 1 OLIVERS YARD, 55 CITY ROAD, LONDON EC1Y 1SP, ENGLAND: SAGE PUBLICATIONS LTD. 2024. Available at: https://doi.org/10.1177/02666669241286224
Schwartz and Cook 2002 – Schwartz, J.M. and Cook, T. ‘Archives, Records, and Power: The Making of Modern Memory’, Archival Science, 2(1). 2022. Рp. 1–19. Available at: https://doi.org/10.1007/BF02435628.
Shao et al. 2024 – Shao, M. et al. ‘Survey of Different Large Language Model Architectures: Trends, Benchmarks, and Challenges’, IEEE Access, 12. 2024. Рp. 188664–188706. Available at: https://doi.org/10.1109/ACCESS.2024.3482107
Shujaa et al. 2026 – Shujaa, S., Dorleon, G. and Tang, A. ‘How LLMs Handle Cultural Bias: Reactions to Asian Minority Historical Narratives’, in S. Oh et al. (eds) Intelligence and Equity: Shaping the Future of Knowledge. 27th International Conference on Asian Digital Libraries, ICADL 2025, Metro Manila, Philippines, December 3-5, 2025, Singapore: Springer Nature Singapore (Lecture Notes in Computer Science). 2026. Рp. 39–52. Available at: https://doi.org/10.1007/978-981-95-4861-3_3
Sun et al. 2024 – Sun, Y., Yang, W. and Liu, Y. ‘The Application of Constructing Knowledge Graph of Oral Historical Archives Resources Based on LLM-RAG’, Proceedings of the 2024 8th International Conference on Information System and Data Mining. ICISDM 2024: 2024 the 8th International Conference on Information System and Data Mining, Los Angeles CA USA: ACM. 2024. Рp. 142–149. Available at: https://doi.org/10.1145/3686397.3686420
Svard and Seljan 2024 – Svard, P. and Seljan, S. ‘The Use of Language Models (LLMs) in the Public Sector and The Impact on Public Records: A Case of Sweden and Croatia’, Atlanti, 34(2). 2024. Рp. 53–72. Available at: https://doi.org/10.33700/2670-451X.34.2
Tharayil et al. 2024 – Tharayil, S.M. et al. ‘Transforming Knowledge Management System with AI Technology for Document Archives’, GOTECH. GOTECH, Dubai, UAE: SPE. 2024. Рp. D022S006R001. Available at: https://doi.org/10.2118/219313-MS
Vafaie et al. 2025 – Vafaie, M. et al. ‘End-to-end Information Extraction from Archival Records with Multimodal Large Language Models’, Proceedings of the 34th ACM International Conference on Information and Knowledge Management. CIKM ’25: The 34th ACM International Conference on Information and Knowledge Management, Seoul Republic of Korea: ACM, pp. 6075–6083. 2025. Available at: https://doi.org/10.1145/3746252.3761503
Yang et al. 2023 – Yang, J. et al. ‘Exploring the Application of Large Language Models in Detecting and Protecting Personally Identifiable Information in Archival Data: A Comprehensive Study*’, 2023 IEEE International Conference on Big Data (BigData). 2023. IEEE International Conference on Big Data (BigData), Sorrento, Italy: IEEE. 2023. Рp. 2116–2123. Available at: https://doi.org/10.1109/BigData59044.2023.10386949
Zhai 2024 – Zhai, C. ‘Large Language Models and Future of Information Retrieval: Opportunities and Challenges’, Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. SIGIR 2024: The 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, Washington DC USA: ACM. 2024. Рp. 481–490. Available at: https://doi.org/10.1145/3626772.3657848
Zhang et al. 2023 – Zhang, S. et al. ‘ArcGPT: A Large Language Model Tailored for Real-world Archival Applications’. arXiv. 2023. Available at: https://doi.org/10.48550/ARXIV.2307.14852
Талқылау
Әзірге пікір жоқ.