論文の概要、ライセンス

# (参考訳) GLAMのためのAIトレーニングリソース:スナップショット [全文訳有]

AI training resources for GLAM: a snapshot ( http://arxiv.org/abs/2205.04738v1 )

ライセンス: CC BY 4.0
Andrew Darby and Catherine Nicole Coleman and Claudia Engel and Daniel van Strien and Mike Trizna and Zachary W. Painter(参考訳) 私たちは、Galleries, Libraries, Archives and Museums (GLAM)コミュニティに焦点をあてて、AIの教育と学習に利用可能な現在のリソースのスナップショットを取ります。 審査は2021年と2022年に行われた。 このレビューは、私たちが関連していると認識した資料の概要を提供し、この資料の説明を提供し、この分野における今後の作業について推奨します。

We take a snapshot of current resources available for teaching and learning AI with a focus on the Galleries, Libraries, Archives and Museums (GLAM) community. The review was carried out in 2021 and 2022. The review provides an overview of material we identified as being relevant, offers a description of this material and makes recommendations for future work in this area.
公開日: Tue, 10 May 2022 08:17:28 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
2 2 0 2 y a M 0 1 2 2 0 2 y a m 0 1 である。 0.53
] G L . s c [ ] G L。 sc [ 0.47
1 v 8 3 7 4 0 1 v 8 3 7 4 0 0.42
. 5 0 2 2 : v i X r a . 5 0 2 2 : v i X r a 0.42
AI TRAINING RESOURCES FOR GLAM: A SNAPSHOT glamのためのaiトレーニングリソース:スナップショット 0.61
Andrew Darby4, Catherine Nicole Coleman 2, Claudia Engel2, Daniel van Strien 1, Mike Trizna 3, and Zachary Andrew Darby4, Catherine Nicole Coleman 2, Claudia Engel2, Daniel van Strien 1, Mike Trizna 3, Zachary 0.44
A PREPRINT W. Painter プレプリント W. Painter 0.45
2 1British Library 2Stanford Libraries 2 1英国図書館 2スタンフォード図書館 0.56
3Smithsonian 3Smithsonian 0.39
4University of Miami Libraries マイアミ図書館の4大学 0.64
May 11, 2022 2022年5月11日 0.71
ABSTRACT We take a snapshot of current resources available for teaching and learning AI with a focus on the Galleries, Libraries, Archives and Museums (GLAM) community. ABSTRACT 私たちは、Galleries, Libraries, Archives and Museums (GLAM)コミュニティに焦点をあてて、AIの教育と学習に利用可能な現在のリソースのスナップショットを取ります。 0.58
The review was carried out during 2021 and 2022. 審査は2021年から2022年にかけて行われた。 0.60
The review provides an overview of material we identified as being relevant, offers a description of this material and makes recommendations for future work in this area. このレビューは、私たちが関連していると認識した資料の概要を提供し、この資料の説明を提供し、この分野における今後の作業について推奨します。 0.57
1 Keywords Galleries Libraries Archives and Museums · Machine Learning · Training Resources 1 キーワード ギャラリー 図書館 アーカイブとミュージアム ・機械学習 ・トレーニングリソース 0.63
Contents 1 Introduction 1.1 GLAM staff need to be able to apply machine learning in their organizations appropriately and critically. 内容 1 はじめに 1.1 GLAMのスタッフは、組織に適切にかつ批判的に機械学習を適用する必要がある。
訳抜け防止モード: 内容 1 はじめに 1.1 GLAM要員 組織に機械学習を適切にかつ批判的に適用できるようになります
0.52
1.2 GLAM staff need to be equipped to meet the challenges of working with their collections. 1.2 GLAMのスタッフは、コレクションを扱う際の課題を満たすために装備される必要がある。
訳抜け防止モード: 1.2 GLAM スタッフが必要。 コレクションで作業する上での課題を 満たすためです
0.73
. . . . . . . . . . . . 0.42
1.3 GLAM staff are uniquely positioned to shape the ethical use of machine learning and AI beyond their . . . . 1.3 GLAMのスタッフは、機械学習とAIの倫理的利用を..
訳抜け防止モード: 1.3 GLAM スタッフは独自に配置される 機械学習とAIの倫理的利用を、彼らを超えて形作る。
0.68
organizations. . . . . 組織だ . . . . 0.51
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
2 Method 3 Findings 3.1 Format . 2 方法 3 所見 3.1 フォーマット。 0.55
. . . . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 3.2 Content . . . . 3.2 内容 0.38
. . . . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 3.2.1 General Introductions to Machine Learning . . . . . . . . 3.2.1 機械学習の一般紹介 0.58
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
3.2.2 Introductions to a Specific Method or Tool 3.2.2 特定の方法やツールの紹介 0.45
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 3.2.3 Working with GLAM data . . . . . 3.2.3 GLAMデータを扱う。 0.52
. . . . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 3.3 Ethics . . . . . 3.3 倫理。 0.35
. . . . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 3.4 Audience . . . . . . . . 3.4 Audience . . . . 0.44
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
3.4.1 Pedagogy . 3.4.1 教育学。 0.42
. . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
2 2 2 3 3 4 2 2 2 3 3 4 0.42
4 4 5 5 5 5 4 4 5 5 5 5 0.42
5 6 1This review was collated as part of the ai4lam Teaching and Learning Working Group. 5 6 1このレビューは、ai4lameaching and Learning Working Groupの一部としてまとめられた。 0.51
All authors made an equal contribution すべての著者が同等の貢献をした 0.64
to the paper. 新聞に 0.29
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
3.4.2 Example Training Data . . . . 3.4.2 トレーニングデータの例。 0.86
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 3.4.3 Maintenance . . . . . 3.4.3 メンテナンス。 0.46
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 4 Recommendations for teaching and learning AI for GLAM . . . . 4 GLAMのためのAIの教育と学習の勧告 0.62
4.1 There is a need for machine learning concepts (without coding) . 4.1 機械学習の概念(コーディングなしで)の必要性。 0.84
. . . . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 4.2 Where coding is necessary, python is important . . . . 4.2 コーディングが必要な場合は、pythonが重要である 0.55
. . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . . . 0.42
4.3 Community building and project-based work will improve learning. 4.3 コミュニティ構築とプロジェクトベースの作業が学習を改善する。 0.66
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . 0.43
. . . . 4.4 Maintenance and discovery of training materials for the GLAM sector will benefit from community . . . . . . . . 4.4 GLAM分野の研修資料の整備・発見は,コミュニティの恩恵を受けるだろう。 0.57
organizing. . . . . 組織化。 . . . . 0.50
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . . . . . . . . . 0.43
. . . . . . . . . . . . . . 0.43
. . . . 4.5 An emphasis on critical data practices and the ethical implications of Machine Learning is necessary . . . . . 4.5 重要なデータプラクティスと機械学習の倫理的意味に重点を置く必要がある。 0.58
4.6 GLAM specific training data will improve teaching and learning. 4.6 GLAM特有のトレーニングデータにより、教育と学習が改善される。 0.58
. . . . . . . . . . . . . . . . . . 0.42
. . . . . . . . . . . . . . 0.43
. . . . 4.7 Effective implementation requires a focus on teaching the design and management of ML projects . . . . . 4.7 効果的な実装には、MLプロジェクトの設計と管理を教えることに注力する必要がある。 0.50
. 5 Conclusion 1 Introduction . 5 結論 はじめに 0.56
6 7 7 8 8 8 6 7 7 8 8 8 0.43
8 9 10 10 11 8 9 10 10 11 0.43
In this review, we take a snapshot of current resources available for teaching and learning AI with a focus on the Galleries, Libraries, Archives and Museums (GLAM) community. このレビューでは、Galleries, Libraries, Archives and Museums (GLAM)コミュニティを中心に、AIの教育と学習に利用可能な現在のリソースのスナップショットを取ります。 0.75
In particular, we seek to assess the content and topics covered by the material, the methods of delivery used, the target audience and the current maintenance state of the materials. 特に,材料が対象とする内容や話題,使用方法,対象のオーディエンス,現状の維持状況について検討する。 0.53
Most importantly we ask: How useful and relevant is the material for the GLAM community? GLAMコミュニティにとって、その材料はどれほど有用で関連性の高いものなのでしょうか? 0.67
Our objective is to identify to what extent existing materials, efforts, and approaches are useful and relevant for the GLAM community and to determine gaps where additional efforts are needed. 本研究の目的は, GLAMコミュニティにおいて, 既存の素材, 取り組み, アプローチがどの程度有用かを特定し, 追加の取り組みが必要なギャップを判断することである。 0.70
We argue that AI skill building in the GLAM sector is crucial for the following reasons: GLAMセクターにおけるAIスキル構築は、以下の理由から重要であると我々は主張する。 0.68
1.1 GLAM staff need to be able to apply machine learning in their organizations appropriately and critically. 1.1 GLAMのスタッフは、組織に適切にかつ批判的に機械学習を適用する必要がある。
訳抜け防止モード: 1.1 GLAM要員 組織に機械学習を適切にかつ批判的に適用できるようになります
0.76
Machine learning and artificial intelligence (AI) are rapidly developing both as academic fields of research and as tools used in software and services across the public and private sectors. 機械学習と人工知能(AI)は、学術的な研究分野として、そして公的および民間セクターでソフトウェアやサービスに使用されるツールとして、急速に発展している。 0.66
There is an increasing interest in using AI and machine learning in the GLAM sector2, but there are challenges that may be unique to GLAMs. GLAMセクター2では、AIと機械学習の使用に対する関心が高まっているが、GLAM特有の課題もある。 0.64
An absence of domain expertise and influence has been identified as one of the reasons that some of the academic advances in machine learning have not ‘translated’ into practical applications. ドメインの専門知識と影響力の欠如は、機械学習の学術的進歩のいくつかが実用的応用に‘翻訳’していない理由の1つとして認識されている。 0.64
For example, a recent review paper assessed machine learning work related to the detection and prognosis of COVID-19. 例えば、最近の論文では、新型コロナウイルスの検出と予後に関連する機械学習の研究を評価している。 0.48
Of the 64 studies included in the review after screening, they found “that none of the models identified are of potential clinical use due to methodological flaws and/or underlying biases.”3 Although the stakes may not usually be as high4, in the GLAM setting the potential benefits of AI/machine learning for the sector may not be fully realized if GLAM staff do not have the expertise to shape the application of machine learning. 検査後の64の研究のうち、「方法論上の欠陥や/または根底にあるバイアスにより、特定されたモデルのうちのどれかが潜在的に臨床的に有用でない」ことを発見した。3 GLAMでは、その分野におけるAI/機械学習の潜在的な利点は、GLAMのスタッフが機械学習の応用を形作る専門知識を持っていなければ、完全には実現されない可能性がある。 0.68
1.2 GLAM staff need to be equipped to meet the challenges of working with their collections. 1.2 GLAMのスタッフは、コレクションを扱う際の課題を満たすために装備される必要がある。
訳抜け防止モード: 1.2 GLAM スタッフが必要。 コレクションで作業する上での課題を 満たすためです
0.73
GLAM collections pose a range of challenges when used with modern machine learning methods and tools. GLAMコレクションは、現代的な機械学習メソッドやツールを使用する場合、さまざまな課題を引き起こす。 0.65
GLAM organizations have increasingly looked at AI to improve the often overwhelming task of accessioning and processing archival material and making it digitally available. GLAMの組織は、アーカイブ素材にアクセスし、処理し、デジタルで利用できるようにするという、しばしば圧倒的な課題を改善するために、AIに注目している。 0.45
There are also specific ‘technical’ challenges, for example effectively applying OCR to historic fonts with poorly preserved materials. 例えば、保存資料が不十分な歴史的なフォントにOCRを効果的に適用するなどです。
訳抜け防止モード: 技術的な課題もある。 保存資料が不十分な歴史的なフォントにOCRを効果的に適用する。
0.60
Other challenges come from working with collections that are closely linked to what gets archived and what eludes collection and preservation. その他の課題は、アーカイブと密接な関連があり、収集と保存を妨げているコレクションを扱うことにある。 0.74
Whilst collections can be comprehensive, the materials are often not representative and can significantly shape downstream models コレクションは包括的であるが、材料はしばしば代表的ではなく、下流モデルを大きく形成することができる。
訳抜け防止モード: コレクションは包括的だが、資料はしばしば代表的ではない 下流のモデルを 大きく形作り
0.73
2As identified in various recent reports, for example: Responsible Operations: Data Science, Machine Learning, and AI in Libraries, 2as: ライブラリ内のデータサイエンス、機械学習、aiなど、さまざまな最近のレポートで特定されている。 0.64
AI IN RELATION TO GLAMS TASK FORCE GLAMSタスクフォースに関するAI 0.44
Machine Learning + Libraries, 機械学習+ライブラリ。 0.68
3https://www.nature. com/articles/s42256- 021-00307-0 4Whilst GLAM data 3https://www.nature. com/articles/s42256- 021-00307-0 4Whilst GLAM data 0.16
is unlikely regularly used as あり得ない 定期的に使われる 0.66
to be the basis of というと 基礎 ですから 0.52
are other https://www.zooniver se.org/projects/drew deepsouth/southern-w eather-discovery https://www.zooniver se.org/projects/drew deepsouth/southern-w eather-discovery 0.16
areas with high stakes where GLAM data GLAMデータを用いた高利得領域 0.76
involved for example is かかわる 例えば は 0.60
in historic climate 2 clinical decision making 歴史的に 気候 2 臨床的意思決定 0.67
there research 研究によると 0.55
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
based on these collections. これらのコレクションに基づいて。 0.60
As an example, British collections related to the history of India are likely to be skewed towards English and Hindi language materials in comparison to other languages spoken in India. 例えば、インドの歴史に関するイギリスのコレクションは、インドで話されている他の言語と比較して英語やヒンディー語の資料に偏っている可能性が高い。 0.80
Administrators are looking for strategies to integrate AI into existing GLAM technologies and workflows, including catalogues and search interfaces. 管理者は、カタログや検索インターフェースを含む既存のGLAM技術とワークフローにAIを統合する戦略を探している。 0.73
Similarly, administrators often face the challenge of institutional buy-in and access to staff and funding, which requires their ability to make a good case for AI at their institution. 同様に、管理者は機関による購入とスタッフや資金へのアクセスという課題に直面することが多く、そのためには組織でaiを適切に扱う能力が必要となる。 0.63
1.3 GLAM staff are uniquely positioned to shape the ethical use of machine learning and AI beyond their 1.3 GLAMスタッフは、機械学習とAIの倫理的利用を、彼らを超えて形作るためにユニークな位置にいる
訳抜け防止モード: 1.3 GLAMスタッフは独自に配置される 機械学習とAIの倫理的利用を
0.79
organizations. GLAM curators and archivists are experts in the selection, description, preservation, and access to archival materials, including those that are increasingly digital. 組織だ GLAMキュレーターやアーキビストは、デジタル化が進んでいるものを含む、アーカイブ素材の選択、説明、保存、アクセスの専門家である。 0.62
A keen awareness of context informs GLAM practices of metadata development (classification) as well as collection development. 文脈に対する鋭い認識は、メタデータ開発(分類)とコレクション開発に関するGLAMの実践を知らせる。 0.77
The attention to provenance, in particular, helps place sources historically, socially, and politically and reveal patterns and absences, and this attention is sorely needed when it comes to the preparation of training data for machine learning. 特に証明への注目は、歴史的、社会的、政治的に情報源を配置し、パターンや欠如を明らかにするのに役立つ。
訳抜け防止モード: 特にプロヴァンスへの注意は 歴史的、社会的、政治的にソースを配置し、パターンと不在を明らかにする。 そして、機械学習のためのトレーニングデータの準備に関しては、この注意がとても必要です。
0.63
The AI community has also struggled, and too often failed, to address concerns of privacy, protection of intellectual property, transparency, and democratization, all of which are core values that GLAM organizations have been developed to address. AIコミュニティもまた、プライバシーや知的財産権の保護、透明性、民主化といった問題に対処するために苦労し、失敗することが多い。
訳抜け防止モード: AIコミュニティも苦労しており、失敗が多すぎる。 プライバシー、知的財産権の保護、透明性に関する懸念に対処するためです 民主化は GLAM組織が対処するために開発してきた中核的な価値です。
0.54
In the increasingly ethically challenged world of machine learning, GLAM staff are not only ideally positioned but have an obligation to bring their considerable experience and expertise to bear as stewards of training data -- its creation, documentation, preservation, and reuse. ますます倫理的に問題になっている機械学習の世界では、GLAMのスタッフは理想的に位置づけられているだけでなく、その作成、ドキュメント、保存、再利用といったトレーニングデータのスチュワードとして、経験と専門知識を積む義務がある。
訳抜け防止モード: 機械学習の倫理的課題がますます高まる中で、GLAMのスタッフは理想的な位置にいるだけでなく 彼らの経験や専門知識を トレーニングデータのスチュワードとして – 作成,ドキュメント,保存,再利用 – を担います。
0.72
Part of the inspiration to perform this review goes back to the recommendations of two prominent reports on AI in GLAMs related to training. このレビューを実行するためのインスピレーションの一部は、トレーニングに関連するGLAMにおけるAIに関する2つの著名なレポートの推奨に遡る。 0.60
Cordell in the Machine Learning + Libraries report (pp.60-63) recommends to: Cordell in the Machine Learning + Libraries Report (pp.60-63) では次のように推奨されている。 0.57
• • • Develop Modules for ML Training in MLIS Programs (section 5.5.2.) • • • MLISプログラムにおけるMLトレーニング用モジュールの開発(第5条5.2項) 0.50
Cultivate Opportunities for Professional Development in ML (section 5.5.3.) mlにおける専門的開発機会の育成(第5章5.3節) 0.68
Develop Guidelines for Vendor Solutions (section 5.5.5.) ベンダーソリューションのガイドライン(セクション5.5.5) 0.83
Padilla in Responsible Operations (p.18) suggests to: 責任ある作戦におけるパディーラ(p.18) 0.59
1. Initiate evidence-based evaluations of existing data science, machine learning, and AI training opportunities within and outside of the library community. 1.既存のデータサイエンス、機械学習、AIトレーニングの機会に関する証拠に基づく評価を図書館内外から始めること。 0.74
2. Pilot and/or support the development of evidence-based data science, machine learning, and/or AI training options that are grounded in library use cases. 2.エビデンスベースのデータサイエンス、機械学習、および/または図書館のユースケースに根ざしたAIトレーニングオプションの開発を支援する。 0.77
3. Explore, document, develop, and share sustainability models for keeping training opportunities free or low cost without sacrificing quality and fair compensation. 3. 品質と公平な報酬を犠牲にすることなく、トレーニング機会を無償または低コストに保つための持続可能性モデルを探求、文書化、開発、共有すること。 0.59
These two reports also have helped inform the ‘gaps’ we identify below and our recommendations. この2つのレポートは、以下に示す“ギャップ”や推奨事項を知らせるのにも役立っている。 0.57
Appropriate professional development and training may partially address the challenges faced by GLAM institutions and mentioned in these reports. 適切な専門的開発と訓練は、GLAM機関が直面している課題に部分的に対処する可能性がある。
訳抜け防止モード: GLAM機関が直面する課題に、適正な専門的開発と訓練が部分的に対処する可能性がある この報告書で言及しました
0.55
2 Method This review had two main goals: 2 方法 このレビューには2つの大きな目標があった。 0.43
• to gather a collection of teaching and learning materials for machine learning and (<特集>機械学習のための教材・教材の収集・収集) 0.57
• to carry out an evaluation of these materials. ・これらの材料の評価を行う。 0.64
The collection is based on Google searches5 and GitHub searches as well as materials the members of this working group were familiar with. このコレクションはGoogle Search5とGitHub検索と、このワーキンググループのメンバが慣れ親しんだ資料に基づいている。 0.67
We primarily collected resources with potential relevance for GLAMs, but we also included some courses with a broader focus. 主にglamsに関連のあるリソースを収集していますが、より幅広い分野にフォーカスしたコースもいくつか含まれています。
訳抜け防止モード: 主にGLAMに関連する可能性のあるリソースを収集しました。 より広範に焦点を絞ったコースも用意しました
0.60
It was beyond the scope of this review to capture all possible resources. このレビューの範囲を超えて、可能なすべてのリソースをキャプチャしました。 0.59
It was also not feasible to work through the materials in detail and evaluate their quality. また、材料を詳細に検討し、品質を評価することも不可能であった。 0.75
Instead, we aimed to provide a high level snapshot of current material and to identify strengths and limitations within a broader ecosystem. その代わりに、現在の素材の高レベルなスナップショットを提供し、より広いエコシステム内の強みと限界を特定することを目指しています。
訳抜け防止モード: その代わり 私たちは 電流材料の高レベルスナップショットを提供し、より広いエコシステム内の強度及び限界を特定する。
0.72
At the point of writing our spreadsheet contains 28 sources. スプレッドシートを書く時点で、28のソースが含まれています。 0.57
We assessed each teaching resource according to: topics covered, type of resource, study time required, creator/author, date published, updates, stated audiences, training data used, and whether the course had an explicit GLAM focus, either using GLAM collections or GLAM being mentioned as a target audience. トピック,リソースの種類,学習時間,作成者/著者,発表日,更新,オーディエンス,使用したトレーニングデータ,コースがGLAMコレクションやGLAMを対象のオーディエンスとして使用するかという明示的なGLAMに焦点を当てた。 0.70
5Discovery can be a bit challenging. 5Discoveryはちょっと難しいかもしれない。 0.65
For example, searching for ‘machine learning + libraries’ did not produce relevant results. 例えば、‘機械学習+ライブラリ’を探すと、関連する結果が得られなかった。 0.79
3 3 0.42
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
3 Findings 3.1 Format 3 所見 3.1フォーマット 0.66
The following table breaks down the resources by type. 次の表は、リソースをタイプ別に分解する。 0.74
Perhaps not surprisingly, more than half of the materials are based on Python and Notebooks. おそらく驚くことではないが、資料の半数以上がPythonとNotebooksをベースとしている。 0.67
A few require running commands in a shell. いくつかのコマンドはシェル内で実行する必要がある。 0.62
About 40% of the materials consist of Web based texts. 資料の約40%はwebベースのテキストである。 0.72
25% include video clips and lectures and very few provide slides. 25%はビデオクリップと講義を含み、スライドを提供するものはほとんどない。 0.71
We also identified 4 full length online courses. オンラインコースも全4コースに分けた。 0.73
Type Python (Jupyter or Colab Notebook) Command line Web page material Video Lectures Online Course / MOOC Powerpoint/Slides Type Python (Jupyter or Colab Notebook) コマンドライン Web ページ資料 Video Lectures Online Course / MOOC Powerpoint/Slides 0.91
Number % 15 2 11 7 4 2 Number % 15 2 11 7 4 2 0.43
53.6 7.1 39.3 25 14.3 7.1 53.6 7.1 39.3 25 14.3 7.1 0.24
Table 1: Form of material Though some of the resources are provided within the context of a course or a workshop all the materials can be used self-directed and self-paced. 表1:材料の形態 リソースの一部は、コースやワークショップのコンテキスト内で提供されるが、すべての材料は、セルフディレクティブとセルフペースで使用できる。 0.71
The suggested time commitment ranges from about 1 to up to 50 hours. 提案される時間は1時間から50時間程度である。 0.61
Many of the materials are relatively short, most are a ‘one shot’ learning experience, i.e. half-day workshop; there are few materials with a longer time horizon. 素材の多くは比較的短く、多くは「一発」の学習体験、すなわち半日のワークショップである。
訳抜け防止モード: 素材の多くは比較的短い。 多くは‘ワンショット’な学習体験、すなわち半日のワークショップです。 時間軸が長い材料は少ない。
0.66
The majority of the materials we identified (n = 21) were published more recently (20192021). 我々が同定した資料(n = 21)の大部分は、より最近出版された(20192021)。 0.75
Only 7 resources were published between 2016 and 2018. 2016年から2018年の間に7つのリソースが公開された。 0.49
This might underscore the recent increase of interest in training accessible to a broader audience. これは、より広いオーディエンスが利用できるトレーニングに対する最近の関心の高まりを後押しするかもしれない。 0.50
3.2 Content There is a potentially overwhelming amount of material focused on teaching machine learning6. 3.2 内容 機械学習6を教えることに焦点を当てた、潜在的に圧倒的な量の資料がある。 0.43
Out of the material we reviewed, the scope ranges from complete MOOC courses aiming to teach machine learning “from scratch” to blog posts covering the details of one particular technique in great detail. 私たちがレビューした資料の範囲は、マシンラーニングの“スクラッチ”を教えるためのMOOCコースから、特定のテクニックの詳細を詳細に説明したブログ記事まで、さまざまです。 0.69
Some well known MOOCs include; Andrew Ng’s Coursera Machine Learning course 7, which has over 4 million people enrolled and the fast.ai Practical Deep Learning for Coders course and Elements of AI, which has the goal of educating 1% of European Citizens on the basics of AI and is notable for not focusing primarily on using coding examples or exercises as a method for teaching machine learning. andrew ng氏のcoursera machine learning course 7は400万人以上が参加しており、fast.ai practical deep learning for coders course and elements of aiは、aiの基礎についてヨーロッパ市民の1%を教育することを目的としている。
訳抜け防止モード: 良く知られたMOOCには Andrew NgのCoursera Machine Learningコース7には400万人以上が参加 コーダーコースとAI要素のための高速.ai実践的ディープラーニング 欧州市民の1%をAIの基礎に教育するという目標がある 注目に値するのは 主に、機械学習を教える方法として、コーディングの例やエクササイズを使うことに焦点を当てない。
0.84
There is also a growing trend for universities to share material for machine learning courses openly shortly after or alongside the delivery of courses.8 また、大学が機械学習コースの教材を、コース.8の配信後あるいはその直後に公開して共有する傾向が増えている。 0.65
In addition, many machine learning frameworks and libraries offer courses for working with their tools. さらに、多くの機械学習フレームワークやライブラリがツールを扱うためのコースを提供している。 0.78
For example, the spaCy NLP library has an intro to NLP course, the scikit-learn library has extensive tutorials and the Keras library has a growing number of code examples. 例えば、paCy NLPライブラリには、NLP入門コースがあり、Scikit-learnライブラリには広範なチュートリアルがあり、Kerasライブラリにはコード例が増えている。 0.80
The materials in our review touched on a broad range of topics. 私たちのレビューの資料は、幅広いトピックに触れました。 0.65
Based on the topics extracted from the materials the content broadly covers the following topical areas: 資料から抽出されたトピックに基づいて、コンテンツは、以下のトピック領域を広くカバーする。 0.67
• Classification • Clustering •分類 •クラスタリング 0.79
• Natural Language Processing • Word Vectors •自然言語処理 •単語ベクトル 0.80
• Digital Assistants •デジタルアシスタント 0.79
• What is AI? • Use cases ・AIとは何か? ・利用事例 0.61
• Neural Networks, Deep Learning •ニューラルネットワーク、深層学習 0.77
• Ethics / societal implications of AI •AIの倫理・社会的意味 0.73
6As one example of this, a search for ’machine+learning+introduction’ in the ‘description’ field of GitHub repositories returns 3024 results. 例えば、GitHubリポジトリの‘記述’フィールドで‘machine+learning+introduction’を検索すると、3024の結果が返される。 0.80
Expanding this to ’machine+learning+introduction’ in the ‘readme’ of GitHub repositories returns 88177 (search carried out 2021/09/29) https://gist.github. com/davanstrien/df2b e4b0d5c5944f3f5974f3 f1c4085e GitHubリポジトリの‘readme’にある‘machine+learning+introduction’にこれを拡張すると、87177(2021/09/29) https://gist.github. com/davanstrien/df2b e4b0d55944f3f5974f3f 1c4085eが返される。 0.40
7https://www.courser a.org/learn/machine- learning 8For example Stanford: http://web.stanford. edu/class/cs224n and MIT: http://introtodeeple arning.com/ 7https://www.courser a.org/learn/machine- learning 8Stanford: http://web.stanford. edu/class/cs224n and MIT: http://introtodeeple arning.com/ 0.21
4 4 0.43
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
• Text • Images • Machine learning terminology and concepts ・テキスト ・画像 •機械学習の用語と概念 0.75
• Data • AI Project management ・データ •aiプロジェクト管理 0.71
• Python • APIs and Data collection • python • api とデータ収集 0.56
(for details see the Training Resources Content Map) (詳細は訓練資源コンテンツマップを参照) 0.79
Not surprisingly there is a certain overlap between the materials. 材料の間にはある程度の重複がある。 0.67
Broadly speaking, they fall into the following categories: 一般的には以下の分類に分類される。 0.66
3.2.1 General Introductions to Machine Learning 3.2.1 機械学習入門 0.79
These workshops/materials aim to provide an introduction to machine learning methods and potentially their particular application to Digital Humanities (DH) and/or GLAMs. これらのワークショップ/材料は、機械学習の方法を紹介し、デジタル人文科学(dh)やglamsに応用することを目的としている。
訳抜け防止モード: これらのワークショップ/教材は機械学習手法の紹介を目指す デジタル人間性(DH)への応用の可能性 および/またはGLAM。
0.77
Examples include the Carpentries lesson Intro to AI for GLAM (under development), the webinar Artificial Intelligence in the Library and the Intro to Machine Learning with Python workshop materials. 例えば、GLAM用のAI入門(開発中)、ライブラリ内のWebinar Artificial Intelligence、Pythonワークショップ資料によるIntro to Machine Learningなどがある。
訳抜け防止モード: 例えば、GLAM用のIntro to AI(開発中)のCarpentriesレッスンがある。 The webinar Artificial Intelligence in the Library and the Intro to Machine Learning with Python Workshop Materials (英語)
0.83
The high percentage of materials that require Python or command line skills indicate that the majority of the materials either focus on or require coding. Pythonやコマンドラインのスキルを必要とする材料の割合は、ほとんどの材料がコーディングに焦点を当てているか、必要としていることを示している。
訳抜け防止モード: pythonやコマンドラインのスキルを必要とする素材の割合が高いということは ほとんどの材料はコーディングに焦点を合わせている。
0.82
Notably, elementsofai.com provides an introduction to AI and ML concepts that does not require any coding. 特にementofai.comは、コーディングを必要としないAIとMLの概念を紹介している。 0.67
3.2.2 Introductions to a Specific Method or Tool 3.2.2 特定の方法やツールの紹介 0.73
These materials focus on introducing a particular method or specific tools to do tasks, such as tutorials on Named Entity Recognition using spaCy or the CoreNLP library. これらの資料は、scaCyやCoreNLPライブラリを使った名前付きエンティティ認識のチュートリアルなど、タスクを行う特定のメソッドや特定のツールの導入に重点を置いている。 0.71
There are also tutorials supporting the use of particular machine learning tools for GLAM sectors. GLAMセクター用の特定の機械学習ツールの使用をサポートするチュートリアルもある。 0.74
For example, Annif, a tool for automatic subject indexing, has associated tutorials that demonstrate the use of the tool.9 例えば、自動主題インデックス作成ツールのanifには、ツールの使用を示すチュートリアルが付属している。 0.69
3.2.3 Working with GLAM data 3.2.3 GLAMデータを扱う 0.64
A few of the courses focus on accessing GLAM data for use with ML. コースのいくつかは、MLで使用するGLAMデータへのアクセスに焦点を当てている。 0.64
Typically the focus is on a particular collection not on ML per se. 通常、焦点はmlではなく、特定のコレクションである。 0.67
Examples are the GLAM workbench, for GLAM collections mainly from Australia and New Zealand, the data explorer from the US Library of Congress, and the Cambridge Digital Library metadata. 例えば、GLAMワークベンチ、主にオーストラリアとニュージーランドのGLAMコレクション、米国議会図書館のデータエクスプローラ、ケンブリッジデジタル図書館のメタデータなどがある。 0.67
3.3 Ethics We identified four sources that teach and address ethics in the context of AI: Ethics of AI, Practical Data Ethics and Lesson 5 of the course FastAI Deep Learning for Coders. 3.3 倫理 我々は、AIの文脈で倫理を教え、対処する4つの情報源を特定した。AIの倫理、実践データ倫理、そしてFastAI Deep Learning for Codersコースのレッスン5である。 0.49
Lesson 9 of Full Stack Deep Learning. フルスタックディープラーニングのレッスン9。 0.51
These materials cover a comprehensive and wide range of issues, including discrimination and bias, privacy and surveillance, accountability and fairness, explainability, as well as global and economic issues of AI, human rights and algorithmic colonialism. これらの資料は、差別と偏見、プライバシーと監視、説明責任と公平性、説明可能性、およびai、人権、アルゴリズム植民地主義のグローバルおよび経済問題を含む、包括的で幅広い問題をカバーしている。 0.67
3.4 Audience The table below provides a summary of the training materials with GLAM staff in mind as the target audience, use GLAM collections as training data, or address applications and issues that are of particular relevance for GLAM workflows and operations. 3.4 聴衆 下記の表は、GLAMスタッフを対象とするトレーニング資料の要約、GLAMコレクションをトレーニングデータとして使用、あるいはGLAMワークフローや運用に特に関係のあるアプリケーションや問題への対処を提供する。 0.54
Assuming some disciplinary overlap between DH and GLAM, we included materials that had a focus on DH and as such are potentially useful for a GLAM audience. DH と GLAM の学際的な重複を仮定すると,DH に着目した教材が含まれており,GLAM のオーディエンスにとって潜在的に有用である。 0.67
DH materials focused on topic modelling, for example, may focus on the use of topic models to answer a research question, rather than the use of topic models as a tool for information retrieval or collection management. 例えば、トピックモデリングに焦点を当てたDH資料は、情報検索やコレクション管理のツールとして、トピックモデルを使用することよりも、研究の質問に答えるためのトピックモデルの使用に焦点を当てる可能性がある。 0.73
This suggests that relying solely on DH material for a curriculum may lead to gaps in topic and method coverage. これは、カリキュラムのDH資料のみに依存すると、トピックやメソッドカバレッジのギャップが生じる可能性があることを示唆している。 0.49
9These types of tutorials may overlap with a simple documentation of the functionality. 9theseタイプのチュートリアルは、機能の簡単なドキュメントと重複する可能性がある。 0.63
5 5 0.42
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
Focus Number GLAM DH General audience 焦点 番号 GLAM DHジェネラルオーディエンス 0.69
12 5 11 Table 2: Target audience 12 5 11 表2:ターゲットオーディエンス 0.56
In our survey we were able to identify 17 resources (60.7%) that have relevance for GLAM, including DH focused material. 我々の調査では、DHに焦点を当てた材料を含むGLAMに関連する17のリソース(60.7%)を特定できた。 0.69
Given that we specifically set out to identify GLAM relevant materials this large proportion may not be unexpected. GLAM関連物質を特に特定することを考えると、この割合は意外ではないかもしれない。 0.63
The remaining 11 sources are introductions for a general audience, though they tend to lean towards an audience with some programming background. 残りの11のソースは一般の聴衆向けの紹介だが、プログラミングのバックグラウンドのある聴衆に傾いている傾向がある。 0.78
Our search was aimed at materials for beginners i.e. they were introductions to a topic rather than assuming some previous knowledge of a topic and diving more deeply into one aspect of that topic. 我々の探索は初心者向けの資料,すなわちトピックに関する以前の知識を前提として,そのトピックの1つの側面に深く潜むのではなく,トピックを紹介した。 0.77
However, whilst they were introductory in nature, they often assumed at least some minimal Python knowledge and some familiarity with Jupyter notebooks for interacting with code, thus limiting the audience to GLAM staff with a certain familiarity of programming. しかし、これらは本質的には入門的だが、最低限のPython知識とコードと対話するためのJupyterのノートブックに習熟していたため、プログラミングに精通したGLAMスタッフに限定することが多い。 0.69
Although not aimed specifically at the GLAM sector, many of the not explicitly DH or GLAM focused courses have the potential to be used for teaching in the GLAM sector; the Elements of AI and fastai course, though not originally designed with GLAM in mind, have both been used by GLAM staff study groups.10 GLAMセクターを特に対象としていないが、明示されていないDHやGLAMに焦点を当てたコースの多くは、GLAMセクターの教育に使用される可能性がある。
訳抜け防止モード: GLAM分野を特に対象としていないが、明示されていないDHやGLAMに焦点を当てたコースの多くは、その可能性を秘めている。 GLAMセクターで教えるために使われる もともとGLAMを念頭に置いて設計されたものではない。 GLAM職員研究グループで使用されている。
0.77
3.4.1 Pedagogy Broadly speaking, materials can be divided into those that are shared as-is (“here it is, now you’re on your own”) and courses, as for example AI for Everyone, specifically designed with pedagogical and learning goals in mind. 3.4.1 教育 幅広い意味で言えば、教材は、(今やあなた自身で)共有されているものと、コース、例えば、すべての人のためのAI、特に教育的目標と学習目標を念頭に設計されているコースに分けられる。 0.49
elementsofai and buildingai have support structures in place and are linked to a discussion forum where participants engage with each other and the creators of the lessons. 要素相と構成相はサポート構造を有しており、参加者が相互に関与し、レッスンの作成を行うディスカッションフォーラムにリンクされている。 0.67
elementsofai additionally includes peer reviews of assigned short essays. elementsofaiには、割り当てられた短いエッセイのピアレビューも含まれている。 0.48
It is the nature of the web-based materials that they are generally self-directed and to be used independently, which can be convenient for some users. ウェブベースの素材の性質は、一般的には自己指揮型であり、独立して使用することができるため、一部のユーザにとって便利である。 0.67
It is also the nature of web-based materials that they are often not very interactive. また、Webベースの教材の性質として、あまりインタラクティブではないことが多い。 0.61
Jupyter notebooks can remedy this, though the interaction often does not go beyond executing and perhaps experimenting with the code. jupyter notebooksは、これを修正できるが、インタラクションは、多くの場合、実行や、おそらくコードの実験以上のものではない。 0.57
Two resources explicitly outline their teaching philosophies: Carpentries and fast.ai. 2つの資料は、その教えの哲学を明示的に概説している。 0.49
3.4.2 Example Training Data 3.4.2 サンプルトレーニングデータ 0.60
Example ML training data used in the materials covered several types of data. 素材で使用されるMLトレーニングデータの例は、いくつかの種類のデータをカバーしている。 0.53
The table below provides an overview of those training resources that included data11, which are 22 within our collection. 下の表は、コレクション内の22のdata11を含むトレーニングリソースの概要を示しています。 0.78
Over three quarters of the training data are based on text, and about one third uses images. トレーニングデータの4分の3以上がテキストに基づいており、約3分の1が画像を使用している。
訳抜け防止モード: トレーニングデータの4分の3はテキストに基づいています。 約3分の1は画像を使用します
0.66
Tabular data and audio visual materials are less represented. 表データや音声の視覚的な資料の表現は少ない。 0.60
Type of data Number % text image tabular audio, video データの種類%テキスト画像表音声、ビデオ 0.68
17 8 2 1 77.2 36.4 9.1 4.5 17 8 2 1 77.2 36.4 9.1 4.5 0.33
Table 3: Data Formats used 表 3: データフォーマットの使用 0.91
Some of the reviewed materials use GLAM data, but many use “generic” machine learning datasets or synthetically generated ‘toy’ data. レビューされた資料のいくつかはglamデータを使用しているが、多くは“ジェネリック”機械学習データセットや、合成された‘toy’データを使用している。 0.54
A few of the lessons use GLAM data, for example OCR and Machine Translation uses data from the Wilson Center Digital Archive’s collection on Iran-Soviet relations. たとえばOCRやMachine Translationは、Wilson Center Digital Archiveのイランとソビエトの関係に関するコレクションのデータを使っている。 0.57
There to is also working そこへ は また 働く 0.71
a with growing particular body と 特別に成長し 体 0.58
of GLAM materials collections, ですから GLAM 資料収集 0.46
that aim like to あれ 狙い 例えば へ 0.58
introductions https://glam-workben ch.github.io/, https://glam-workben ch.github.io/, 0.24
provide 10https://github.com /cncoleman/elementso fai4glam https://github.com/A I4LAM/fastai4GLAMS 11multiple types possible per resource 提供 10https://github.com /cncoleman/elementso fai4glam https://github.com/A I4LAM/fastai4GLAMS 11multiple types within resource 0.44
6 6 0.43
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
https://github.com/B L-Labs/Jupyter-noteb ooks-projects-using- BL-Sources, and https://github.com/L ibraryOfCongress/dat a-exploration. https://github.com/B L-Labs/Jupyter-noteb ooks-using-BL-Source s, and https://github.com/L ibraryOfCongress/dat a-Exploration 0.15
Whilst these materials are not always focused on machine learning directly they may help lower barriers to accessing collections and cover some of the required preprocessing steps for working with GLAM data for machine learning tasks. これらの素材は必ずしも機械学習に直接フォーカスするわけではないが、コレクションにアクセスするための障壁を低くし、機械学習タスクのためにGLAMデータを扱うために必要な事前処理ステップをカバーできるかもしれない。 0.59
The training data have limitations for teaching and learning in the GLAM sector: 学習データにはglamセクターにおける教育と学習の限界がある。 0.67
• It is often tidier than would be found in the ‘real world’; for example there are no missing labels, or the labels •「現実の世界」で見られるよりも、しばしば悲惨である。例えば、行方不明のラベルやラベルは存在しない。 0.66
are equally distributed between classes. クラス間で均等に分配されます 0.67
• It may have labels that are not as relevant for GLAM applications, making it harder for learners to translate •GLAMアプリケーションにはあまり関係のないラベルを持つ場合があり、学習者が翻訳するのが難しくなる。
訳抜け防止モード: • GLAMアプリケーションほど関係のないラベルがあるかもしれない。 学習者が翻訳を困難にすることは
0.82
the material to their own work. 彼らの作品の素材です 0.61
• The results may be better than would be achieved on real-world data, leading to unreasonable expectations of •実世界のデータよりも良い結果が得られ、不合理な期待に繋がる可能性がある。 0.77
performance. 3.4.3 Maintenance パフォーマンス。 3.4.3 メンテナンス 0.62
Based on information from the website or GitHub commits we tried to determine when the materials were last updated. ウェブサイトやgithubコミットの情報に基づいて、資料が最後に更新された時期を判断しました。 0.64
An overview is provided in the table below. 以下の表に概要が示されている。 0.73
Year published Year of last update Number 2016 2017 2017 2018 2018 2018 2019 2019 2019 2020 2020 2021 2016 2017 2018 2018 2018 2018 2019 2019 2019 2020 2020 2021の最新アップデートの年 0.70
2016 2020 2021 2018 2019 2020 2019 2020 2021 2020 2021 2021 2016 2020 2021 2018 2019 2020 2019 2020 2021 2020 2021 2021 0.42
1 1 1 2 1 1 5 1 2 5 3 5 1 1 1 2 1 1 5 1 2 5 3 5 0.43
Table 4: Year published and year last updated 表4:年表が公開、年表が更新 0.72
With regard to evaluating maintenance, we face the issue of later materials being less in need of updating. メンテナンスの評価については、後続の資料の更新の必要性が低い問題に直面します。 0.71
About half of the earlier materials were updated at least until the following year, while the other half of the materials published 2019 and earlier (8 out of the 15) were not kept updated in later years. 初期の資料の約半分は少なくとも翌年まで更新され、残りの半分は2019年とそれ以前のもの(15点中8点)は後年更新されなかった。 0.63
We observed some link rot with datasets for some lessons. いくつかの教訓のために、データセットとのリンクロートを観察した。 0.45
Creators of the materials are affiliated with academic institutions, libraries, private companies (fastai), or are software developers (scikit learn). 資料の作成者は、学術機関、図書館、民間企業(ファストアイ)、あるいはソフトウェア開発者(学術的学習)に関連付けられている。 0.67
It appears that often material was prepared for a particular workshop or event and not updated subsequently. 多くの場合、材料は特定のワークショップやイベントに備えられ、その後は更新されない。 0.63
This is not necessarily a problem, but as software libraries change and machine learning develops, it may be desirable to have material updated semi-regularly over time. これは必ずしも問題ではないが、ソフトウェアライブラリが変化し、マシンラーニングが発展するにつれて、半定期的な更新が望まれる。 0.70
In a similar vein, we considered whether the material was ’community developed’, i.e. developed and maintained by a larger group with a straightforward process for contributing12. 同様の例では、この物質が'コミュニティ開発'であるかどうか、すなわち、より大規模なグループによって開発・維持され、直接的に12。 0.60
Whilst community developed materials are by no means always desirable, there may be duplication of efforts by creating some similar material independently. コミュニティが開発した材料は必ずしも必ずしも望ましいものではないが、類似の材料を独立して作ることで、努力の重複が生じる可能性がある。 0.58
There may also be more scope for continued improvement, review and refinement of materials when developed collectively. また、総合的に開発された材料の改良、レビュー、改良の継続の範囲も拡大する可能性がある。 0.55
4 Recommendations for teaching and learning AI for GLAM 4 GLAMのためのAIの教育と学習の勧告 0.81
The greatest value for teaching and learning AI will come from a GLAM specific focus on the unique issues faced by GLAM institutions, targeting GLAM use cases and institutional contexts. AIの教育と学習の最大の価値は、GLAMのユースケースと制度的なコンテキストをターゲットとして、GLAM機関が直面するユニークな問題に、GLAM特有の焦点をあてることにある。
訳抜け防止モード: AIの教育と学習の最大の価値は、GLAMの機関が直面しているユニークな問題に特化することにある。 GLAMのユースケースと制度的コンテキストをターゲットに。
0.59
Below are the priorities we have identified, many of which do not appear in the materials reviewed. 以下は私たちが特定した優先順位であり、その多くはレビューされた資料には載っていない。 0.57
12This was easier to assess for materials hosted on GitHub where contributions are more visible. 12 コントリビューションがより見えるgithubにホストされている資料については,評価が容易だった。 0.59
For material hosted on Github the average number of contributors was 6, however this is skewed by a few materials having large number of contributors (maximum was 37). Githubにホストされた資料では,コントリビュータの平均数は6人だったが,コントリビュータの数の多い資料(最大37人)でスキューされている。 0.67
The mode value was 1. 7 モード値は1。 7 0.53
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
4.1 There is a need for machine learning concepts (without coding) 4.1 機械学習の概念(コーディングなしで)の必要性 0.88
As has been discussed above, there are many important parts of the Machine Learning pipeline that do not require or involve writing code. 上述したように、機械学習パイプラインには、コードを書く必要のない、あるいは関与しない重要な部分が多い。 0.74
This includes many important steps with implications for the success of machine learning projects, but also a conceptual understanding of the process and how the models are trained. これには、機械学習プロジェクトの成功に意味を持つ多くの重要なステップが含まれているが、プロセスの概念的な理解とモデルのトレーニング方法も含まれている。 0.73
We recommend that the AI4LAM community seek to ensure that not all materials focus on writing code as the primary way of engaging with machine learning. AI4LAMコミュニティは、すべての素材が機械学習に関わる主要な方法としてコードを書くことに集中しないことを保証することを推奨しています。 0.62
Whilst some of this material might be introductory in nature it is also useful to have non-introductory material focused on more ‘advanced’ or specialised topics which don’t include coding. この素材のいくつかは本質的に入門的なものかも知れませんが、コーディングを含まないより‘先進的な’あるいは専門的なトピックに焦点を当てた非導入資料を持つことも有用です。 0.60
To consider a number of shaped by the personas discussed above. 上記の人物が形成した数を考える。 0.54
“works as a metadata librarian at a large academic library and has joined a campus-wide AI initiative. M is enthusiastic to learn as much as possible about AI so they can be an active contributor to the group. They don’t expect to do much coding, but would like to try.” 「大規模な学術図書館でメタデータライブラリアンとして働き、キャンパス全体のAIイニシアチブに参加した。MはAIについてできるだけ学び、グループへの積極的なコントリビュータになれることを熱望している。コーディングを多く行おうとは思っていないが、試してみたい。」 0.72
Keeping this type of persona in mind we can identify the lack of materials that don’t focus on coding as a problem. このタイプのペルソナを念頭に置いておくと、問題としてコーディングに重点を置かない素材の欠如を識別できます。 0.61
the various GLAM roles more specifically we developed addressed adequately are the personas is ‘Metadata M’ who 私たちが適切に対処したGLAMの役割は、"Metadata M"というペルソナです。 0.66
The audiences we think are not 私たちが考える観客はそうではない 0.55
training and skill building for トレーニングとスキル構築 0.56
‘stick figure personas’13. フィギュア・パーソナラズ』13。 0.39
For example, one of Whilst many parts of the machine learning pipeline and machine learning projects involve writing code, this is not the only part of such projects and potentially not even the most critical part of the process. 例を挙げると、 機械学習パイプラインと機械学習プロジェクトの多くの部分はコードを書くことを含むが、これはそのようなプロジェクトの一部ではなく、プロセスの最も重要な部分でさえない可能性がある。 0.69
For example, clearly defining the business use case for machine learning, including how machine learning will integrate into workflows, might be more important than a specific method or tool being used. 例えば、機械学習のビジネスユースケースを明確に定義すれば、マシンラーニングがワークフローにどのように統合されるかは、使用する特定のメソッドやツールよりも重要だ。 0.77
These skills often require domain expertise and some broad understanding of machine learning and its limitations but often don’t require code to be written. これらのスキルは、ドメインの専門知識と、機械学習とその制限に関する広範な理解を必要とすることが多いが、コードを書く必要はない。 0.65
4.2 Where coding is necessary, python is important 4.2 コーディングが必要な場合は、pythonが重要である 0.68
Python and Jupyter Notebooks are standard tools for machine learning and thus constitute a large part of the training material, even if introductory. PythonとJupyter Notebooksは機械学習の標準ツールであり、たとえ導入されてもトレーニング資料の大部分を構成する。 0.79
Even in GLAM focused materials, some Python knowledge is often required. GLAMにフォーカスした資料であっても、Pythonの知識が必要な場合が多い。 0.57
This raises the question if introductory Python and Jupyter Notebooks training should be provided for GLAM staff before teaching basic ML concepts and if so, how that could or should be done, particularly for those without coding background. このことは、基本的なML概念を教える前に、GLAMスタッフに入門PythonとJupyter Notebooksのトレーニングを提供するべきかどうか、特にコーディングバックグラウンドを持たない人のために、どのようにやるべきなのか、という疑問を提起する。 0.65
On the other hand, we should consider and explore alternative approaches for hands-on approaches to teaching AI, that are interactive and intuitive and do not rely on coding. 一方、対話的で直感的で、コーディングに依存しない、AIを教えるためのハンズオンアプローチの代替アプローチを検討、検討すべきである。 0.56
4.3 Community building and project-based work will improve learning. 4.3 コミュニティ構築とプロジェクトベースの作業が学習を改善する。 0.66
Much of the AI training material is oriented to teaching machine learning to engineers and developers. AIトレーニング資料の多くは、エンジニアや開発者に機械学習を教えることを目的としています。 0.64
As a result, learners are typically left to their own devices to work through it and be resourceful in solving problems or answering questions they might have. 結果として、学習者は自分のデバイスに委ねられ、それを処理し、問題の解決や質問への答えに精通する。 0.65
Often the material is presented as step-by-step instructions or Jupyter notebooks to follow along. 素材はステップバイステップの指示やJupyterノートとして提示されることが多い。 0.68
As we have noted, integrating AI into the GLAM sector has implications for many different roles and areas of expertise beyond engineering. 私たちが指摘したように、AIをGLAMセクターに統合することは、エンジニアリング以外のさまざまな役割や専門分野に影響を与えます。
訳抜け防止モード: 私たちが指摘したように、 AIをGLAM分野に統合する 多くの異なる役割や専門分野に 影響しています
0.70
It will involve changes to our practices and processes. プラクティスやプロセスの変更も伴います。 0.54
If we are to move from learning machine learning to learning how to integrate machine learning methods into our practices and processes, a collaborative learning experience is necessary, with GLAM engineers and coders working side-by-side with subject experts, curators, and others. 機械学習の学習から、機械学習の方法をプラクティスやプロセスに統合する方法の学習に移行するためには、glamのエンジニアやコーダが、主題の専門家やキュレーターなどと並んで作業する、協調的な学習体験が必要です。 0.65
4.4 Maintenance and discovery of training materials for the GLAM sector will benefit from community 4.4 GLAM分野の研修資料の整備・発見はコミュニティの恩恵を受ける 0.82
organizing. We identified a certain extent of duplication of effort and the potential risks of material not being updated. 組織化。 我々は, ある程度の労力の重複と, 材料が更新されない可能性を見出した。 0.61
This raises the issue of sustained support structures for training materials. これにより、トレーニング材料に対する持続的支援構造の問題が提起される。 0.65
There may be some scope for developing a shared approach to creating, reviewing and maintaining teaching materials via community development, review and maintenance strategies. コミュニティ開発、レビュー、メンテナンス戦略を通じて教材を作成し、レビューし、維持するための共有アプローチを開発するには、ある程度のスコープがあるかもしれない。 0.52
This is a significant undertaking and would require broad community support. これは大きな取り組みであり、幅広いコミュニティの支援を必要とします。 0.65
There are examples to draw from, for example the Carpentries and Programming Historian, both of which have maintained a growing body of teaching materials for significant time periods. 例えば、カーペンタリーやプログラミング歴史学では、どちらもかなりの期間にわたって教材の育成を続けてきた。 0.47
A fist step would be to further explore the benefits and feasibility of developing these shared resources and assessing potential models for undertaking this type of project. fistのステップは、これらの共有リソースを開発するメリットと実現可能性をさらに探り、この種のプロジェクトを実施する潜在的なモデルを評価することである。 0.62
When researching materials for this report we followed a variety of pointers. 本報告の資料調査では,様々なポインタについて検討した。 0.59
There is no one stop shop for this kind of material. この種の材料にはワンストップショップはありません。 0.73
The CENL Awesome List is one example we found of curating a directory of GLAM focused machine CENL Awesome Listは、GLAMにフォーカスしたマシンのディレクトリをキュレートする一例です。 0.81
13A persona is a sketch, usually based on user research, of current or potential user types for a particular application/system/e tc. 13A personaは、通常、特定のアプリケーション/システム/etcの現在または潜在的ユーザタイプのユーザリサーチに基づくスケッチである。 0.80
These are intended to help make the assessment of systems or in this case teaching materials easier in relation to the needs of these different personas. これらは、システムの評価を助けることを目的としており、この場合、これらの異なるペルソナのニーズに応じて教材の教育を容易にする。 0.55
8 8 0.42
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
learning resources. While offering a potential route to increasing discoverability, long-term maintenance of this type of list may be challenging. 学習資源。 発見可能性を高めるための潜在的ルートを提供する一方で、この種のリストの長期的なメンテナンスは困難である。 0.69
Alternatively, there are potentially ‘quick wins’ to aid discover that don’t require as much maintenance: あるいは、メンテナンスをあまり必要としない発見を支援する“クイック・ウィン”がある可能性がある。 0.71
• • Applying GLAM or other similar topics to materials shared on GitHub would make it easier to disambiguate GLAM-focused material from other material, and for example help distinguish a search for ‘machine learning libraries’ (which provides an introduction to Named Entity Recognition for historic text) from ‘machine learning libraries’ (which provide an introduction to Pytorch). • • GLAMや他の類似のトピックをGitHubで共有した資料に適用することで、GLAMにフォーカスした資料と他の資料を区別しやすくなり、例えば‘機械学習ライブラリ’(歴史的テキストに名前付きエンティティ認識を提供する)と‘機械学習ライブラリ’(Pytorchの導入を提供する)の検索を区別することが可能になる。 0.56
Considering Search Engine Optimization when sharing teaching materials. 教材共有における検索エンジン最適化の検討 0.78
There is a large volume of blogs, notebooks, and YouTube videos related to machine learning and data science. 大量のブログ、ノートブック、YouTubeビデオが機械学習とデータサイエンスに関連している。 0.58
Relying solely on ‘generic’ machine learning keywords may limit how many people discover your material. 機械学習のキーワードを‘ジェネリック’だけに頼ると、その素材を見つける人の数を制限できる。 0.60
4.5 An emphasis on critical data practices and the ethical implications of Machine Learning is necessary 4.5 重要データ実践の重視と機械学習の倫理的意味 0.66
Data is a central component of machine learning but isn’t always given the same attention as models. データは機械学習の中心的なコンポーネントだが、必ずしもモデルと同じ注意を払っていない。 0.79
Since GLAM institutions already play such a central role in the collection, description, organization, transformation and dissemination of data, it is potentially even more important that data is given a prominent part in a GLAM-focused AI curriculum. GLAM機関は、データの収集、記述、組織化、変換、普及において、すでにそのような中心的な役割を担っているため、データがGLAMにフォーカスしたAIカリキュラムにおいて顕著な役割を果たすことは、おそらくさらに重要である。 0.60
This becomes even more important when considering the potential ethical ramifications of using data held by GLAM institutions. GLAM機関が保持するデータを使用することによる倫理的影響を考えると、これはさらに重要になる。
訳抜け防止モード: これはさらに重要になる GLAM機関が保持するデータを使用することによる倫理的影響を考える。
0.70
Strategies, tools and workflows for building training data, also include questions of provenance, metadata, and labeling and how to produce datasheets 14 for GLAM data used for training ML models. トレーニングデータを構築するための戦略、ツール、ワークフローには、証明、メタデータ、ラベル付けに関する質問や、MLモデルのトレーニングに使用されるGLAMデータ用のデータシート14の作成方法も含まれている。 0.59
Much of the material we reviewed focused on building the ‘model’ part of the machine learning pipeline. 私たちがレビューした資料の多くは、マシンラーニングパイプラインの‘モデル’構築に重点を置いています。
訳抜け防止モード: 私たちがレビューした資料の多くは 機械学習パイプラインの‘モデル’部分を構築する。
0.68
Often materials start with a prepared training set (often with a pre-created training/validation/ test split). 多くの場合、材料は準備されたトレーニングセット(しばしば事前に作成されたトレーニング/検証/テストの分割を伴う)から始まります。 0.47
The data collection and preparation stages of the ML pipeline, such as sampling, choosing labels, and annotating data are too often left out. MLパイプラインのデータ収集と準備段階(サンプリング、ラベルの選択、アノテートデータなど)は、あまり残されていないことが多い。 0.69
There is little attention given to the processes involved to actually get there: how to generate training data, decide labels, inter-annotator agreement etc., and the issues around these, that involve awareness of the biases and ethical implications of that process. 実際にそこに到達するためのプロセスには、トレーニングデータの生成方法、ラベルの決定方法、アノテータ間の合意など、そのプロセスのバイアスや倫理的影響の認識に関わる問題など、ほとんど注意が払われていない。 0.67
In addition, while there are several materials addressing ethics generally, none of them address ethics in the GLAM context. また、一般に倫理に対処する資料はいくつかあるが、GLAMの文脈で倫理に対処する資料はない。 0.47
Given the nature of GLAM collections and the particular awareness around ethical issues already existing in GLAM organizations, it is of particular importance to consider the implications for machine learning and steps which can be taken to mitigate ethical risks. GLAMコレクションの性質と、すでにGLAM組織に存在している倫理的問題に関する特に意識を考えると、機械学習や倫理的リスクを軽減するためのステップについて考えることが特に重要である。 0.55
The process of creating machine learning models involves a range of different stages including (but not limited to): 機械学習モデルを作成するプロセスには、さまざまなステージが含まれる(ただし、制限されない)。 0.82
• Collecting data • Sampling and processing data ※データの収集 ・データのサンプリング・処理 0.70
• Creating training sets including: •以下を含むトレーニングセットの作成 0.80
– Choosing (appropriate) labels – Identifying existing metadata schema to integrate with – Creating training, validation and test splits – Identifying biases in data – (適切な)ラベルの選択 – 統合するための既存のメタデータスキーマの識別 – トレーニング、検証、テスト分割の作成 – データのバイアスの識別。 0.81
• Tracking the provenance of various models and datasets •様々なモデルやデータセットの出所を追跡する 0.82
• Integrating models into tools or systems • モデルをツールやシステムに統合する 0.85
• Integrating or making use of predictions as part of existing or new workflows •既存のワークフローや新しいワークフローの一部としての予測の統合や利用 0.70
• Monitoring data drift and model performance overtime •データドリフトとモデルオーバータイムの監視 0.82
• Documenting models and data •文書化モデル及びデータ 0.97
• Communication to external and internal audiences ・外部及び内部の聴衆へのコミュニケーション 0.85
The broader data science community is also focusing increasingly on the data component of machine learning15 so there are likely to be potential synergies with non GLAM focused initiatives that will help with the development of data focused teaching materials. より広範なデータサイエンスコミュニティは、機械学習15のデータコンポーネントにも注目しているため、データ中心の教材の開発に役立つ、GLAMにフォーカスしないイニシアチブとのシナジーの可能性も高い。 0.63
14https://arxiv.org/ abs/1803.09010 15For example https://https-deeple arning-ai.github.io/ data-centric-comp/ 14https://arxiv.org/ abs/1803.09010 15例 https://https-deeple arning-ai.github.io/ data-centric-comp/ 0.14
9 9 0.42
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
4.6 GLAM specific training data will improve teaching and learning. 4.6 GLAM特有のトレーニングデータにより、教育と学習が改善される。 0.58
Data is a central component of machine learning but isn’t always given the same attention as models. データは機械学習の中心的なコンポーネントだが、必ずしもモデルと同じ注意を払っていない。 0.79
Since GLAM institutions already play such a central role in the collection, description, organization, transformation and dissemination of data, it is potentially even more important that data is given a prominent part in a GLAM-focused AI curriculum. GLAM機関は、データの収集、記述、組織化、変換、普及において、すでにそのような中心的な役割を担っているため、データがGLAMにフォーカスしたAIカリキュラムにおいて顕著な役割を果たすことは、おそらくさらに重要である。 0.60
The lack of training data has been identified as a barrier to adopting machine learning in libraries16. トレーニングデータの欠如は、ライブラリ16で機械学習を採用する上での障壁と認識されている。 0.68
This is not only a problem of implementation, it is also a problem for teaching and learning. これは実装の問題であるだけでなく、教育や学習の問題でもある。 0.66
Using GLAM specific data is crucial for helping the learner see the relevance of AI to their work. GLAM固有のデータを使用することは、学習者が自分の仕事に対するAIの関連性を理解するのに役立つ。 0.57
It offers opportunities to discuss challenges GLAM projects might face, e g poor OCR, grayscale images, historical language etc. GLAMプロジェクトが直面する可能性のある課題、例えば貧弱なOCR、グレースケールイメージ、歴史的な言語などについて議論する機会を提供する。 0.63
Time and money are barriers to developing training data both in academia and industry. 時間とお金は、学術と産業の両方でトレーニングデータを開発する上で障壁となる。 0.63
Training materials focused on this topic may help lower the barrier. この話題に焦点を当てたトレーニング資料は障壁を低くするのに役立つかもしれない。 0.47
The process of developing these datasets requires subject expertise and skills in data manipulation. これらのデータセットの開発には、データ操作の専門知識とスキルが必要である。 0.62
4.7 Effective implementation requires a focus on teaching the design and management of ML projects 4.7 効果的な実装には、mlプロジェクトの設計と管理の教育に焦点をあてる必要がある 0.64
None of the materials identified in this study address issues around the implementation and management of ML projects in GLAM organizations. 本研究で特定された資料はいずれも,GLAM組織におけるMLプロジェクトの実施と管理に関する問題に対処していない。 0.67
Issues to be addressed should include: 対処すべき課題は次のとおりである。 0.47
• Communicating the results of machine learning to other staff and the public ・機械学習の成果を他の職員や一般市民に伝えること 0.77
• How to collect annotated data for machine learning •機械学習のための注釈データの収集方法 0.85
• How to document training data (for example writing datasheets 17 •トレーニングデータの文書化方法(例えば、データシート17) 0.87
• How to document models (for example writing model cards18 • モデル(例えば、モデルカード18)の文書化方法 0.91
• How to evaluate model performance (in particular, in relation to a specific GLAM task or use-case as opposed ・モデル性能の評価方法(特に特定のGLAMタスクやユースケースに対して) 0.63
to ‘out of the box’ evaluation metrics) 評価指標を[箱から出る]ために 0.63
• Deployment’ of ML in libraries and how this might not always match industry approaches • ライブラリへのmlのデプロイと、それが必ずしも業界アプローチに合致しない可能性 0.69
• Communicating with end-users about the use of machine learning, e g how to share metadata produced • エンドユーザと機械学習の利用、例えば生成したメタデータの共有方法についてのコミュニケーション 0.82
through machine learning methods with end-users and how much disclaimer needs to be attached etc. エンドユーザーによる機械学習手法と、どの程度の使い捨てが必要なのかなどを通じて。 0.49
• Examples for the entire workflow of a ML project, that would move from collection through an ML process • コレクションからMLプロセスに移行するMLプロジェクトのワークフロー全体の例 0.58
and interpretation GLAM projects that share materials associated with both successful, and importantly, unsuccessful projects would contribute to learning resources. 解釈は GLAMプロジェクトは、成功と失敗の両方に関連する資料を共有し、そして重要なことは、学習リソースに寄与する。 0.59
Topics that such material would cover are: その内容は以下のとおりである。 0.45
• Why was the project chosen? • なぜプロジェクトが選ばれたのか? 0.80
How does it fit into a broader institutional context? 組織的な状況にどのように適合するか? 0.61
• What approach was taken by the project? •プロジェクトによってどのようなアプローチが採られたか。 0.64
Why was machine learning chosen as opposed to another approach? なぜ機械学習は別のアプローチに対して選ばれたのか? 0.74
• What data was available? •どのデータが利用可能だったか? 0.67
How it was gathered? どのように集められたか? 0.52
How were labels chosen? ラベルはどう選ばれた? 0.65
Who did the annotation? Were 誰がその注釈を? へえ 0.60
there challenges in shaping the annotation guidelines? ガイドラインの策定には 課題がありますか? 0.59
, etc. • How was the model ‘deployed’ or used by the institution? など。 ・モデル「展開」や「運用」はどのように行われたか。 0.60
• What challenges, barriers and failures were encountered along the way? •途中で遭遇した課題、障壁、失敗は何か? 0.75
Another model, suggested by Cordell (2020)19 is that of “Implementation Toolkits”: Cordell (2020)19 によって提案されたもう1つのモデルは "実装ツールキット" である。 0.67
“The specific workflows outlined in the existing literature can be hard to generalize from, particularly for teams new to ML work. 既存の文献で概説されている特定のワークフローは、特にMLに慣れたチームでは、一般化が困難です。 0.61
To that end, funders and leading ML libraries should support the development of ML Implementation Toolkits for distinct data types (e g text, image, audio, video) or in particular domains. そのために、資金提供者と主要なMLライブラリは、異なるデータタイプ(例えば、テキスト、画像、オーディオ、ビデオ)または特定のドメインのためのML実装ツールキットの開発をサポートするべきである。 0.64
These toolkits would include: 1. これらのツールキットは以下のようになる。 0.47
Model training data,with descriptions of annotation processes undertaken and an intellectual justification of the same. モデルトレーニングデータ、実行されたアノテーションプロセスの記述、および同一の知的正当化。 0.72
16https://labs.loc.g ov/static/labs/work/ reports/Cordell-LOC- ML-report.pdf 17datasheetshttps:// arxiv.org/abs/1803.0 9010 18https://arxiv.org/ pdf/1810.03993.pdf 19Machine Learning + Libraries 16https://labs.loc.g ov/static/labs/work/ reports/Cordell-LOC- ML-report.pdf 17datasheetshttps:// arxiv.org/abs/1803.0 9010 18https://arxiv.org/ pdf/1810.03993.pdf 19Machine Learning + Libraries 0.13
10 10 0.42
英語(論文から抽出)日本語訳スコア
AI training resources for GLAM: a snapshot GLAMのためのAIトレーニングリソース:スナップショット 0.80
2. An inventory of existing resources, including open-access, domain-specific collections; ML models, algorithms, and code that could be used or adapted; and prospective pre-training data from earlier ML projects in the domain. 2. オープンアクセス、ドメイン固有のコレクション、使用または適用可能なMLモデル、アルゴリズム、コード、ドメイン内の初期のMLプロジェクトからの事前トレーニングデータを含む既存のリソースの在庫。 0.66
3. A walkthrough of the full technical pipeline from related project, including training, valida- tion, and application of the model. 3. モデルのトレーニング、妥当性確認、適用を含む、関連するプロジェクトからの完全な技術パイプラインのウォークスルー。 0.69
4. Model code from related experiments. 4.関連する実験のモデルコード。 0.85
” (Cordell, 2020, p 58) は (cordell, 2020, p 58)。 0.72
These toolkits would cover a broader range of the pipeline and would serve as a guide for institutions wishing to work with machine learning. これらのツールキットはパイプラインの幅広い範囲をカバーし、機械学習に取り組みたい組織のためのガイドとして機能する。 0.69
We would challenge, however, the idea of these toolkits being produced only by "leading" libraries or GLAM institutions. しかし、これらのツールキットはライブラリやGLAMの機関によってのみ作られるという考え方に挑戦する。 0.65
Whilst some institutions may invest more in machine learning and should be encouraged to share lessons and guidance based on this experience, we believe broad sharing of lessons learned across the GLAM sector would be beneficial. 一部の機関は機械学習により多くの投資をし、この経験に基づいてレッスンとガイダンスを共有することを奨励するべきだが、GLAMセクターで学んだ教訓の広範な共有は有益だと考えている。
訳抜け防止モード: 一部の機関は機械学習に投資し、奨励すべき この経験に基づいて 教訓や指導を共有します GLAMセクターで学んだ教訓を幅広く共有することは有益だと考えています。
0.66
For example, the lessons learned in one setting, a national library, may not be as relevant to a local archive service. 例えば、ある場所で学んだ教訓、すなわち国立図書館は、地元のアーカイブサービスとはあまり関係がないかもしれない。 0.75
5 Conclusion While this review of materials, methods and target audiences for AI training is a snapshot from the period of time in which it was compiled, it brings to light a significant trend toward both upskilling and reskilling within the GLAM community. 5 結論 このレビューでは、AIトレーニングの材料、方法、ターゲットオーディエンスのレビューは、それがコンパイルされた期間からのスナップショットであるが、GLAMコミュニティ内でのスキル向上とリスキルの両面での顕著な傾向を示している。 0.62
Though not all GLAM resources are digitized and many may never be digitized, the training reviewed here can be applicable to GLAM work at the level of metadata. すべてのGLAMリソースがデジタル化され、多くのリソースがデジタル化されることはないが、ここでレビューされたトレーニングは、メタデータのレベルでGLAMの作業に適用できる。 0.61
At the same time, as the amount of digitized and born digital cultural heritage continues to grow, it seems abundantly clear that GLAM practices will need to adopt and adapt techniques from data science and, specifically, machine learning in order to keep pace. 同時に、デジタル化され誕生したデジタル文化遺産の量は増え続けているため、GLAMのプラクティスは、ペースを維持するためにデータサイエンス、特に機械学習のテクニックを採用し、適応する必要があることは明らかである。 0.74
To this end, this review offers guidance for the GLAM community about current offerings and future directions. この目的のために、このレビューはGLAMコミュニティに現在の提供と今後の方向性に関するガイダンスを提供する。 0.60
11 11 0.43
                       ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。