大模型整理馆藏时如何避免文化偏见
大模型整理馆藏时如何避免文化偏见
馆藏目录里的某些类别并不“中立”。过去的编目方式可能把地方知识放在边缘，把少数语言作品归入模糊的“民俗”。大模型若直接学习这些标签，检索会更快复制旧偏见。图书馆应邀请相关社区和学科馆员检查主题词、译名与人物称谓，保留历史原记录，同时增加更尊重当事人的新入口。
改编目不是让机器悄悄改写书。每项变更留原标签、理由、修订人和可争议的地方。对殖民史、宗教或族群材料，不同描述可能并存，模型给读者说明来源与时代语境。用户可提交纠错，但馆员核实后再进入正式目录。
目录偏见可能表现得很安静：读者搜某地方语言，系统总返回通用语著作；搜女性劳动史，相关口述资料却被归在“家庭生活”。模型会放大元数据里的这些旧分类。馆方可以邀请社区成员试搜，记录他们使用的词，再与现有主题词对照，补充入口而非直接抹掉原记录。
历史资料的称谓有时代背景。目录可以保留原题名，同时增加当代解释，说明为什么不再将某个旧称用于新标签。模型生成新描述时，展示依据与修订者。涉及宗教、族群和殖民经历的资料，若有不同群体观点，不宜把其中一种写成馆方唯一立场。
评价时用相同主题的多种表达测试，看不同语言和文化背景读者能否找到相关馆藏。最热门的搜索词不能独占系统改进预算，冷门资料的可见性也是公共使命。
评价看冷门资料被找到的机会，也看错误关联能否被纠正。开放反馈渠道并定期审阅，避免“文化偏见”成为一次项目验收后再也不问的话题。
馆藏偏见的修订应让当事社区参与，而不只是请技术团队改同义词。对有争议的历史称谓，目录可同时保存原始标题、当代检索词和说明，读者看到的是历史脉络而非被机器悄悄改写的记录。测试时请不同语言背景的读者寻找同一主题，观察谁总被带到边缘材料。推荐和编目一起改，才不至于旧偏见换个界面继续存在。
编目修订的争议不必全部消除。馆方可为资料保留原名、当代检索词与出处说明，让读者看到某种称谓来自何时何地。AI 推荐如果仍把某文化只放在“民俗奇观”里，目录改词也不够。馆员应定期审查搜索结果与书架展示的整体效果。
馆方可以把修订后的检索结果请相关社区复看，确认不是换了一个更隐蔽的刻板分类。
争议资料可并列展示不同出处。
目录不仅告诉人书放在哪里，也悄悄决定什么知识容易被找到。
