民國115年 普通考試 圖書資訊管理 技術服務概要
第1題
隨著人工智慧（Artificial Intelligence, AI）的盛行，資訊組織也積極導入 AI 的應用，請論述AI 應用在分類號自動取號方面可能產生的錯…
題目
隨著人工智慧（Artificial Intelligence, AI）的盛行，資訊組織也積極導入 AI 的應用，請論述AI 應用在分類號自動取號方面可能產生的錯誤類型。 （25 分）
參考解答（AI 生成，非官方）
- 一、定義與分析架構：AI 自動取號係以機器學習或大語言模型（large language model, LLM），依書名、摘要、目次、全文等特徵，從《中文圖書分類法》、杜威十進分類法（DDC）或美國國會圖書館分類法（LCC）預測類號。其流程本質為「主題分析」與「類表對映」兩階段推論，任一階段失準均形成錯誤，可歸為語意判讀、類表結構、資料偏誤與作業一致性四個層面。
- 二、語意判讀層面的錯誤：一詞多義、比喻性書名與跨領域主題最易誤判。例如「雲端」可能指資訊科技或氣象，「細胞」可能指生物學或社會隱喻；文學作品以隱喻命名者，常被誤入自然科學類。多主題或邊緣學科（如醫療社會學）亦易出現主類選擇錯誤、漏取第二類號，或將主題複分誤作主類。
- 三、類表結構與複分規則的錯誤：模型未必熟悉類表層級與複分規則，常見層級過粗或過細（僅取上位類而未細分）、附表誤用（時代複分、地域複分錯置）、跨類衝突時未依館方政策擇定，以及忽略參照類目與優先順序註記。此類錯誤即使主題判對，類號仍不可用，屬「規則層」失誤。
- 四、資料偏誤與生成幻覺：訓練語料若偏重西文與自然科學，對臺灣本土主題、原住民族、宗教與地方文獻辨識力較弱，形成文化與語言偏誤。生成式模型更可能「幻覺」（hallucination）出類表中不存在的類號或不合法的複分組合，外觀合理卻無法查核，屬最需防範的錯誤類型。
- 五、一致性與作業層錯誤及因應：同一主題在不同批次取號結果不一、模型改版後漂移，導致館藏分類不一致，並與既有「讀者便利」「集中分類」政策衝突。因應上宜設定信心分數門檻、建立人工複核與抽檢機制、以館內歷史書目微調模型，並保留取號理由與版本紀錄供追溯，落實人機協作而非全自動化。
AI 依官方試題文字產生的參考解答，非考選部公告答案，內容僅供備考參考。