Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
01/10/2011
Allison, DeeAnn, "chatbots en la Biblioteca: es la hora?" (2011). Publicaciones de la facultad, UNL Bibliotecas. Papel 280.
http://digitalcommons.unl.edu/libraryscience/280
Este artculo es trado a usted por el acceso libre y abierto por las Bibliotecas de la Universidad de Nebraska-Lincoln en DigitalCommons @ Universidad de Nebraska Lincoln. Ha sido aceptado para su
inclusin en la Facultad de Publicaciones, Bibliotecas UNL por un administrador autorizado de DigitalCommons @ Universidad de Nebraska - Lincoln.
Introduccin
La tecnologa est cambiando la forma en que nos comunicamos. Los estudiantes de hoy prosperan en los aspectos sociales
Las herramientas de redes como Tweeter, Facebook y Foursquare. Chatbots no se incluyen normalmente en
Esta agrupacin pero atraer a los usuarios con una interfaz ldica que es familiar para una generacin que
creci con los juegos en lnea. En una reciente publicacin por Beloit College acerca de la clase entrante de
siempre ha tenido el privilegio de hablar con un chatterbot.Las bibliotecas que buscan maneras de involucrar
esta generacin debe considerar la conversacional como una herramienta ms para llegar a los usuarios que esperan ms
En este documento se trata de la adaptacin de la tecnologa de inteligencia artificial para los servicios de referencia. AI
ha recorrido un largo camino como Watson de IBM demostr cuando gan Jeopardy en febrero de
2011. Los avances en inteligencia artificial (IA) combinados con la disponibilidad de lnea
recursos hacen que sea el momento de considerar la inteligencia artificial como una herramienta para la biblioteca.
charlatanes) son aplicaciones informticas que imitan la personalidad humana. Un conversacional es interactivo,
responder con frases que hacen un seguimiento de la conversacin de una manera que sea significativo para los seres humanos. Esta
caracterstica de imitar las apelaciones del discurso a los usuarios de bibliotecas que quieren una biblioteca ms interactivo
experiencia, algo ms vivo que un motor de bsqueda, y encaja bien con la dirigida socialmente
Uno de los puntos de venta de estos robots es su capacidad para manejar direccional comn y
preguntas predecibles. Sobresalen en tareas rutinarias y repetitivas que pueden liberar a los bibliotecarios de la mayor parte
preguntas comunes. Motores de bsqueda se aplanan un sitio web, cuando alguien habla con un bot que no necesitan
conocer el diseo del sitio web, o los recursos disponibles para ellos. El chatbot est programado
Puede un conversacional realmente sustituir la experiencia de alguien que disfruta de una buena entrevista de referencia? Lo es
Incluso es posible identificar las mejores caractersticas de una experiencia de referencia y desarrollar un programa de
algoritmo que repetir dicha experiencia? En un estudio de 1996 llevado a cabo por Nardi y O'Day
(Nardi, O'Day 1996), los autores analizaron las actividades de las sesiones de referencia cara a cara a
determinar las mejores caractersticas de los agentes humanos. Se han identificado dos caractersticas principales de
la referencia de sesin: la personalizacin de las bsquedas con respecto a la actividad especfica del cliente
(Deben saber algo sobre el cliente), y la colaboracin con el cliente para aclarar y ajustar
la bsqueda. Se identifican adems los tipos de bsquedas que pensaban que eran ms adecuados para una
agente de ordenador: vigilancia (bsquedas en base a trminos previstos por el buscador y son a menudo
repite para las actualizaciones), planificada (informacin de mltiples pasos que implica la bsqueda de varias bsquedas) y
Chatbots pueden admitir conocido bsquedas repetitivas programando las bsquedas en el bot
respuestas. Chatbots tambin pueden manejar bsquedas bsicas de mltiples pasos a travs de una serie ms compleja de
preguntas y algoritmos para contestar. bsquedas exploratorias son ms difciles, pero pueden hacerlo una conversacional
proporcionar una orientacin general y hacer referencias a los bibliotecarios de asistencia ms adicional.
servicios de mensajera de texto y de chat se estn convirtiendo en populares servicios de referencia en las bibliotecas, y
ambos son similares a una experiencia conversacional en que ni son cara a cara e implican una tecnologa
interfaz. Por esta razn, podemos ser capaces de aplicar las lecciones de la sesin de chat humana en el diseo
patrones interesantes. Este estudio de ms de 500 sesiones de chat (ver tabla 1) indican que 35% de la
las bsquedas se realizaron consultas sobre temas de base de datos o que se parezcan-ups para ttulos especficos, que se aproxima
la categora de monitoreo en el estudio Nardi / O'day a. El siguiente porcentaje ms alto, 16% involucrado
preguntas sobre los servicios (Cmo renuevo un libro, etc.), la siguiente categora fue del 15% para la investigacin
preguntas que equiparar con las bsquedas exploratorias y planificadas en el Nardi y O'Day
artculo. Referencia (referencia listo), que Nardi y O'Day decidieron no explorar, fue del 11% de
las preguntas de chat. El diez por ciento de las consultas fueron sobre problemas del sistema (autenticacin de inicio de sesin
temas, etc.). Las ltimas tres categoras fueron a responder preguntas sencillas (6%), personal (4%)
preguntas que afecte a la no-biblioteca, y consultas de direccin sobre dnde encontrar algo
el comportamiento observado por Nardi y O'Day que fue importante en la entrevista de referencia. En general, el
chatear preguntas en el registro de la UNL parecan ser muy variados y, a veces resultaron en referencias a
Por qu la gente elige conversar a travs de los servicios de referencia? Un estudio realizado en 2005 por Ward (Ward 2005)
servicios de chat encontrados fueron utilizados por los graduados y estudiantes para una variedad de razones: era
ms rpido (48%), la biblioteca estaba demasiado lejos (16%), haba odo cosas buenas sobre el servicio
(10%), no le gustaba que hace la pregunta en persona (5%), era el nico lugar a donde ir (4%) y otros (15%).
Estas razones fueron independientes del tipo de pregunta para que la sala concluy bibliotecas planeando
oferta de chat debe esperar a campo Todos los tipos de preguntas. Sea o no aprobamos, claramente cualquier
servicio de chat debe ser capaz de manejar casi cualquier tipo de pregunta. Afortunadamente, la disponibilidad de
recursos en lnea hace que sea posible programar un conversacional con esta funcionalidad.
difcil con la tecnologa actual para satisfacer la personalizacin del proceso de bsqueda, o la
refinacin de colaboracin de las bsquedas que se produce en las sesiones de referencia de uno-a-uno con software,
Sin embargo a travs del uso de un agente de conversacin, tales como conversacional de inteligencia artificial, es
Idioma interaccin natural (INT) que estn diseados para simular una conversacin. La ventaja
de procesamiento NLI es la capacidad adicional para usar la redaccin (verbos, nombres, adjetivos, etc.) a partir de
la entrada para el suministro de una respuesta que es ms sensible a la intencin de la pregunta. Hay dos
diferentes tipos de NLI, chatbots basados en texto donde la interaccin se suministra a travs de una entrada de texto
y de salida, y materializa agentes de conversacin, donde la interfaz se representa por una figura
con un cuerpo y o la cara que interacta con el usuario, y puede incluir audio, por ejemplo, hay una
La web contiene informacin valiosa que un conversacional puede buscar, las bibliotecas se suscriben a
bases de datos que contienen informacin dinmica que est fcilmente disponible para chatbots. Los nuevos bots pueden
aprovechar los recursos en silos, recuperar la informacin y volver a empaquetar casi de la misma manera que un descubrimiento
La tecnologa Chatbot ha existido durante algn tiempo, pero las bibliotecas han sido lentos en adoptar
La tecnologa. Rubin y Chen inform en 2010 que entre las bibliotecas canadienses, ninguna de la parte superior
20 bibliotecas encuestadas empleadas incorporados agentes conversacionales para cualquiera de su ion lnea accesible
servicios. En cuanto a las aplicaciones basadas en texto NLI, hubo una aproximacin.(Rubin, Chen y
Thorimbert 2010) En esta era de la Universidad de Ontario Occidental, que utiliza un agente basado en texto
Haz Bibliotecas occidentales para recuperar las mejores respuestas coincidentes de preguntas frecuentes, que sustituy a la
(Http://www.sub.uni-hamburg.de/bibliotheken/projekte/chatbot-stella.html) en Bibliothekssystem
inaccesible. Dos bibliotecas pblicas en los EE.UU., (Mentor Biblioteca Pblica (MPL) y Akron-Summit
Biblioteca Pblica del Condado (ASCPL), estn cooperando en el desarrollo de chatbots (que ellos llaman
catbots) para proporcionar ayuda y guiar a los usuarios al catlogo para responder preguntas sobre la disponibilidad de
materiales, y cuentas de usuario. Utilizaron AIML metadatos para crear los robots utilizando el Pandorabots
conversacional inspir el desarrollo del Proyecto de Referencia Virtual de Ohio (OVRP), que es una
colaboracin entre las bibliotecas pblicas en Ohio. Tabla 3 contiene una lista de chatbots biblioteca.
Las bibliotecas universitarias en los EE.UU. han sido lentos en adoptar chatbots. La Universidad de
( http://pixel.unl.edu ) Comenz el desarrollo en el otoo de 2010. Pixel est instalado localmente en un SQL
base de datos y se est desarrollando mediante el intrprete de PHP de cdigo abierto diseado para AIML llamada
Programa-O ( http://www.program-o.com/launch/ ). AIML fue seleccionado por dos razones: en primer lugar, la
estructura de metadatos es flexible para adaptarse a la variedad de preguntas procedentes de usuarios de la biblioteca,
y en segundo lugar, debido a la disponibilidad de los archivos AIML que han sido aportados por el abierto
comunidad de cdigo. Estos archivos de la comunidad proporcionaron la base para el desarrollo de la biblioteca
metadatos especficos, pero en algunos casos se han revisado para adaptarse mejor al propsito de la UNL conversacional.
Pixel proporciona respuestas a las preguntas del usuario introducidos en lenguaje natural en las respuestas de texto breves.
Estas respuestas se formulan por un partido en palabras clave y palabras clave combinaciones de una base de datos
AIML de categoras. Las categoras proporcionan respuestas a preguntas especficas, y hacen referencias a
personal de la biblioteca. Esto ltimo es importante porque estamos lejos de la poca en que el software puede proporcionar
el nivel de apoyo (tanto el conocimiento y emocional) que un miembro del personal de referencia puede proporcionar.
La clave para este proyecto es encontrar el equilibrio entre los usuarios necesitan para una respuesta rpida (la
conocimiento).
Pixel proporciona una experiencia interactiva que imita una conversacin humana, al tiempo que
respuestas inmediatas a preguntas acerca de los servicios de biblioteca y recursos. Pixel aplana el sitio web por lo
los usuarios no tienen que interpretar el sitio web y navegar a travs de pginas para encontrar la especfica
informacin que estn buscando. Tambin est diseado para guiar a los investigadores hacia los recursos apropiados y
ayudan a resolver problemas de una manera similar a la FAQ ms convencional. La diferencia importante
entre Pixel y herramientas ms convencionales es que Pixel simula una entrevista de referencia y
proporciona respuestas directas basadas en la sintaxis de la consulta que se pueden reunir recursos de la biblioteca.
Las bibliotecas proporciona acceso a bases de datos con licencia, Innovative Interfaces
Repositorio para UNL), y CONTENTdm para colecciones de imgenes. Todos estos recursos estn integrados
Pixel incorpora todos estos recursos en las respuestas de contexto sensibles que genera.
La interfaz de usuario diseada para Pixel es bsico. Consiste en una mquina de escribir como respuesta a
las preguntas entraron con un teclado. Una ventana iframe mostrar el contenido de la primera
eslabn de una respuesta en un cuadro que aparece a continuacin la sesin de chat. Un usuario introduce su pregunta y una
consulta se enva a la base de datos que encuentra, o no se encuentra una coincidencia, y luego responde ya sea con
el partido o una lnea de recogida. Los metadatos soporta la capacidad de cadena una conversacin. Esto es
Pixel lograr cuando hace una pregunta de seguimiento en respuesta a la entrada inicial. Sobre la base de la
Se proporciona respuesta, informacin adicional del usuario, y por lo que para. El uso de este Q y un enfoque
sorprendentemente conversaciones complejas se pueden realizar entre el robot y la charla. Figura uno
La fase de desarrollo se produjo a partir de octubre de 2010 hasta enero de 2011. Durante este tiempo
el software, que consista en el programa basado-o aplicacin PHP y base de datos SQL para almacenar
las categoras. La siguiente lista describe el proceso para la construccin de la base de datos de respuesta:
1. Instalar programa-o.
3. Evaluar y revisar los archivos aportados. Esto incluy la eliminacin del personal
referencias que fueron aportados por los miembros de las conversaciones sociales. estas respuestas
lneas de recoleccin (respuestas desarrolladas para mantener a las personas que interactan con el bot) fueron tambin
revisada en declaraciones abiertas para sugerir temas relacionados con las bibliotecas adecuadas, por
ejemplo cambiando Oh, usted es un poeta. a Est buscando un ttulo especfico, digamos
4. El examen de la web de la biblioteca y la extraccin de los hechos que fueron convertidas en categoras.
5. El examen de los registros de chat desde el departamento de referencia y aadiendo categoras de preguntas
y respuestas.
6. El examen de los registros de Google Analytic para Encore y catlogo clsico para incluir frecuentes
bsquedas.
7. El examen de preguntas frecuentes de otras bibliotecas para identificar e incluir las preguntas ms frecuentes
preguntas.
8. seguimiento diario de los registros Chatbot para identificar y corregir omisiones o mejorar
respuestas de la pregunta.
Pixel se hizo pblica en febrero de 2011 y fue introducido a la comunidad a travs de la UNL
base de datos para Pixel poda responder el 95% de las preguntas. El registro de la conversacin era una fuente valiosa para
refinacin y que complementa la base de datos y dado lugar a modificaciones de las lneas de recogida y
reas temticas.
Descubrimos que Pixel es particularmente atractivo para los usuarios del chat sociales, que a menudo prefieren
charlar con el bot en un nivel personal sobre preguntas relacionadas con las bibliotecas. Esto requiere cierta
modificacin de las categoras para adaptarse a su necesidad de jugar con el bot, y el intento de
reorientar sus conversaciones en reas relacionadas con las bibliotecas. A su vez, estas estrategias llevan a
mejoras en las respuestas del Chatbot mediante la adicin de sugerencias que ayudaran al estado de la charla
su peticin en trminos de xito del Chatbot podra seguir. Grfico de dos es un ejemplo de un chatbot
sesin en la que la respuesta de pxel lleva la charla para introducir una solicitud de seguimiento (o refinamiento en su
pregunta).
gran comunidad de cdigo abierto de los usuarios bajo la direccin de la Fundacin ALICIA AI
(Http://www.alicebot.org/aiml.html). AIML conjuntos de archivos son archivos de texto identificados por la extensin del archivo
AIML, y consisten en categoras (pregunta y respuesta metadatos) que por lo general se agrupan por
contenido en los nombres de archivo asociado. Con la excepcin de dos archivos, atomic.aiml y default.aiml,
la convencin de nomenclatura de archivos slo es importante en la gestin de flujo de trabajo, ya que mantener como categoras
juntos en un archivo. Por ejemplo, ponemos todas las categoras sobre el contenido de materia en un solo archivo
subjects.aiml llamado. Las categoras en partido atomic.aiml antes categoras en default.aiml, y ambos
Cada conjunto AIML consiste en un grupo de etiquetas de metadatos que se abre y se cierra con categora.
La seccin pregunta de relacin tiene la apertura y cierre de etiquetas de patrn, la respuesta es parte
enmarcado con la apertura y cierre de etiquetas de plantilla. Las respuestas pueden incluir direcciones URL que tienen la
capacidad para pasar preguntas directamente a un motor de bsqueda. En el siguiente ejemplo se pasa el
<Template> <pensar> <set name = "es"> <set name = "tpico"> <estrellas /> </ set> </ set> </ pensar> puedo buscar <!
[CDATA [<a target = "_nuevo"
href = "http://encore.unl.edu/iii/encore/search/C|S<star/>;|Origh TResult & # 124; & # 85;? lang = eng 1 & amp; Suite
= perla ">]]> Encore <! [CDATA [</ a> de <estrellas />]]> <!. Srai> Adult FriendFinder < persona /> </ Srai> </
template> </ category>
El ejemplo anterior incluye los metadatos tema opcional que establece el tema para
variables para su uso posterior y tambin se utilizan para partidos globales. Ellos son repetibles y funcionan como
un comodn aceptar cualquier valor. El _ se utiliza con precaucin en juego ya que anula toda
exactamente.
Hay varios predicados tiles en la formacin respuestas. Los reveses persona predicados
pronombres personales, de modo que el robot parece estar siguiendo conversaciones. La estrella acta como una variable
y almacena la entrada de un * o _ como una variable. Cuando hay mltiples variables que son
emparejado, es posible asignar a cada variable de forma independiente por referirlos con el TAF ndice.
Por ejemplo, en el modelo de cmo * * puede hacer referencia <ndice estrella =2 > para indicar el
valor en el segundo asterisco. Nombre del conjunto y el conjunto de temas proporcionan un medio para adaptar las respuestas a la
contexto de la conversacin, lo que permite la conversacional para seguir las conversaciones. Se puede reducir la
como la variable de estrella, que se establece como el tema. El trmino Nebraska ser retenido hasta que el
charla entra en una frase que establece un nuevo contenido para el tema variable.
La categora de reduccin es similar a una referencia cruzada; se utiliza para hacer referencia a la entrada del usuario a una
categora nica. El objetivo principal de las categoras de reduccin es mapear el idioma del usuario en
<Categora> <patrn> * RESEA * </ pattern> <template> <Srai> * Reseas de libros </ Srai> </
template> </ category>
Srai es el designador de campo para una reduccin y cuando Estoy buscando un libro revisiones en
Lo que el viento se llev Se introduce el sistema suministrar la respuesta que coincide con el_ LIBRO
REVISIN *patrn. Del mismo modo la consulta, Tiene una resea de un libro sobre el Lo que el viento se llev ?
coincidir con la misma categora y suministrar las mismas reducciones de respuesta uso es posible
crear una sola respuesta a mltiples formas en que la pregunta puede ser contestada.
El algoritmo principal en pxeles es simple pregunta y respuesta. La charla hace una pregunta
y el robot responde a la base de datos. Sin embargo, cuando sea apropiado como en el caso de contexto
preguntas delicadas, por ejemplo, dnde est el bao el robot responde con adicional
Para situaciones ms complejas, el tema puede ser usado para crear conversaciones que son nicos
a un contexto particular. Un tema es una clasificacin para la conversacin y coincide con el otro
Categoras con el mismo tema. Los temas son tiles cuando el contexto de la conversacin hara
como resultado diferentes respuestas. Pixel emplea temas para diferentes grupos de usuarios. Educacin a distancia
estudiantes, usuarios de la comunidad y los estudiantes pre-universitarios obtendrn diferentes respuestas cuando tiene que Pixel
informacin.
Otra herramienta para mantener conversaciones es el que designador de campo. Contiene una
punto de partido de la respuesta anterior del robot. Esto es particularmente til cuando las necesidades del Chatbot
informacin adicional para aclarar la pregunta del usuario, o para proporcionar una respuesta de seguimiento. por
ejemplo, la entrada es una pregunta sobre el prstamo interbibliotecario y el robot responde bsica con
informacin sobre cmo usarlo, donde se encuentra, etc. El usuario responde que le falta algn
partidos otra categora que proporciona informacin adicional sobre la realizacin del formulario debido
Pixel no est siendo diseado para responder a las preguntas de investigacin complejos - los que se har referencia
someter a los bibliotecarios. Pixel est diseado para responder a las preguntas de direccin, preguntas sobre los servicios
y polticas, y para usuarios del chat directos a recursos de propsito general. Es principalmente una herramienta para
estudiantes e investigadores que buscan informacin rpida y consejos sobre la bsqueda en las bases de datos y
llevar a cabo una investigacin. Como tal, Pixel enva preguntas sobre los hechos, (lo que es la poblacin de los EE.UU.) a
Google.
Uno de los mayores desafos en la construccin de la base de datos es cada vez usuarios del chat para hacer peticiones
que tienen la mejor posibilidad de hacer coincidir la base de datos. Esto no es muy diferente a la apertura
cuestin en una consulta de referencia cuando el usuario comienza con una pregunta que desde su perspectiva parece
razonable, pero desde el punto de vista del bibliotecario necesita aclaracin, por ejemplo, Busco
algo acerca de ...Aqu es donde las lneas de recoleccin se hacen tiles. El original de cdigo abierto
respuestas de archivos se han cambiado a las preguntas que se refieren a la biblioteca. Esta simple lista de pick-up lneas
est diseada para guiar la charla de nuevo a un tema Pixel puede responder:
Lneas de recoleccin no son tiles cuando la charla entra faltas de ortografa, o utiliza la palabra equivocada.
Estos casos incluso puede ser un reto para el bibliotecario ms informada, por ejemplo, Ese libro
patrn est convencido de que malas hierbas extraterrestres vienen de otro planeta.
Cuando la charla introduce informacin que no coincide con una categora, responde con un Pixel
lnea de la recoleccin, que intenta obtener informacin adicional que coincida. Otros aparatos tiles son
Adult FriendFinder y <sr />, que se suman la capacidad de unirse a las respuestas de varias categoras. Este legado es
se utiliza cuando queremos provocar una charla social para hacer una pregunta que es relevante para la biblioteca. por
ejemplo, cuando la charla pide pixel por su nombre, el robot responde Pixel, y porque <sr /> es
aadido a la plantilla de respuesta, una de las lneas de la recoleccin se selecciona aleatoriamente y se aadi a la
respuesta.
Adult FriendFinder y <sr /> se aaden para unir dos categoras separadas cuando la pregunta puede ser
cuestin que podra significar muchas cosas. Podra ser una simple solicitud de informacin sobre los hechos o
requerir ms de palpacin. La respuesta inicial incluye un link para buscar en Google con la entrada del usuario.
Sin embargo, debido a que la entrada podra coincidir con otra categora, la adicin Adult FriendFinder proporcionar tanto
categoras. Por ejemplo, la pregunta qu sabe usted acerca de la qumica devuelve el Google
enlace que buscar el trmino qumica en las gafas, sino que tambin coincide con una categora de Qumica
que aade enlaces a un LibGuide, bases de datos, Encore, y el nombre del especialista en la materia. los
reduccin <Srai> etiquetas tambin se puede aadir a una respuesta para unir dos categoras diferentes, pero relacionados,
sin embargo, la etiqueta <Srai> requiere una categora denominada, mientras que el Adult FriendFinder y <sr /> etiquetas aceptarn
La capacidad para aleatorizar respuestas es otra caracterstica de AIML que mantiene las respuestas
Fresco. Esto es importante para los aspectos sociales de pxeles, cuando una respuesta en particular no es importante.
Cuando las personas hacen la misma pregunta, Pixel seleccionar una respuesta al azar de una lista de posibles
respuestas. Por ejemplo, si la charla se pregunta cul es su base de datos favorita? Pixel seleccionar una
la respuesta al azar de la lista de bases de datos. Al utilizar esta funcin aleatoria, un grado de imprevisibilidad
Se pueden aadir a las respuestas del pixel para mantener el inters del chat. La Figura 1 proporciona un simple
conclusiones
Hemos aprendido que es imposible predecir qu usuarios del chat dirn Pixel y debido
saben que estn conversando con un bot, que van a decir cosas que nunca le dira a un ser humano.
Mirando a travs de los registros con malas palabras se pone molesto por lo que desarroll un rea temtica cuando pxel
negarse a responder hasta que la charla se disculpa. Las respuestas del Chatbot han mejorado como el
registros fueron minados, pero el reto ha sido mantener las personas interesadas lo suficiente para volver
y otra vez cuando su primera experiencia puede no haberles dado la respuesta que necesitaban. Nosotros
espero que el aspecto de la personalidad del robot ser atraer usuarios del chat de regreso si lo que el robot aprende.
Pixel sigue siendo como un nio pequeo, aprendiendo con cada interaccin, mejorando gradualmente tanto en
calidad y complejidad. Pixel trabajar 24x7 con menos de 1% el tiempo de inactividad, y proporcionar
respuestas coherentes. Se busca a travs de las fuentes vara y rene informacin en un similares
forma un bibliotecario funcionara con un patrn. Si tenemos xito en esta fase tendremos una
conversacional que puede golpear ligeramente en un nivel bsico de conocimientos compilada de expertos en el tema (por la minera
Libguides y otra informacin proporcionada por los expertos), buscar bases de datos ocultos y sugerir
recursos para reunir la mejor combinacin de respuestas a las preguntas de servicio con consejos sobre la
investigacin. Pixel se referir preguntas ms complejas para los bibliotecarios, que pueden pasar ms tiempo en el
cuestiones complejas y menos en cuestiones bsicas. Puede llegar un momento en el futuro, cuando podamos
reducir la cantidad de tiempo que el personal del mostrador de referencia, liberando a los bibliotecarios para tareas ms complejas
que requieren las habilidades que son nicas para los seres humanos. Es dudoso que muchos bibliotecarios de referencia ser
animar ese da; bibliotecarios, como la mayora de las personas son reacias a ver tecnologa toma ms de incluso una pequea
parte de su trabajo. Herreros se burlaron de los primeros automviles, pero sabemos cmo termin.
Debe hacer referencia a los bibliotecarios que temer chatbots como pxeles? Dudo que se hace una diferencia;
La tecnologa consume puestos de trabajo y la carrera para construir el mejor robot. En marzo de 2011 Google
anunci Google Talk Guru (http://guru.googlelabs.com/), un servicio experimental que permite
Direcciones
personal 4%
4%
sencillo
solucin de problemas 6%
10% servicios
16%
investigacin 11%
15%
lookup
referencia 34%
la
Figura 1
Tabla 2
Tabla 3
pixel http://pixel.unl.edu
Universidad de Wolverhampton Biblioteca Lisa http://lisweb.wlv.ac.uk/chatbot/
del robot
Kornhaus Biblioteca
Ward, D. 2005, "Por qu los usuarios eligen Chat: un estudio del comportamiento y motivaciones", Internet
Referencia de Servicios trimestral, vol. 10, no. 1, pp. 29-46.