AI视域下的图书馆志愿者智...—以安徽师范大学图书馆为例_吴翔.pdf

51AI 视域下的图书馆志愿者智慧管理研究*以安徽师范大学图书馆为例吴 翔1 程龙阅2 王丽珍1（1.安徽师范大学图书馆 芜湖 241000；2.安徽师范大学物理与电子信息学院 芜湖 241000）摘 要 目的/意义 人岗匹配是图书馆志愿者管理的重要研究内容，精确的人岗匹配能体现人尽其用的原则，可以缓解馆员的工作压力，促进当地文化及公益事业的发展。图书馆志愿者的特征与其适合岗位之间存在复杂关系，AI 方法具有处理复杂关系的能力，但是当前基于 AI 方法的图书馆志愿者人岗匹配模型存在预测准确性不高的问题。方法/过程 利用遗传算法对模型进行优化，获得最佳个体作为图书馆志愿者人岗匹配模型的初始权值和阈值。结果/结论 以安徽师范大学图书馆为例开展研究，结果表明，优化后模型的重要性能指标均优于优化前的模型，模型的平均预测准确率达到 91.6%。优化后的模型能使图书馆志愿者人岗匹配准确率提高，提高现代图书馆管理的智能化水平，同时有助于创建优质的图书馆志愿者服务品牌。关键词 图书馆志愿者 智慧管理 人岗匹配 人工智能分类号 G258.6 TP391引用本文格式 吴翔,程龙阅,王丽珍.AI 视域下的图书馆志愿者智慧管理研究以安徽师范大学图书馆为例 J.图书情报研究,2023,16(2):51-57.Research on Intelligent Management of Library Volunteer from AI Perspective:Taking the Case of Libraries of Anhui Normal UniversityWu Xiang1,Cheng Longyue2,Wang Lizhen11.Library of Anhui Normal University,Anhui,Wuhu 241000,China;2.College of Physics and Electronic Information,Anhui Normal University,Wuhu 241000,ChinaAbstract Purpose/significance Person and post matching is one of the important issues of management of library volunteer.If person and post matching is accurate,library volunteers can be assigned to proper post,then working pressure of librarians can be relieved and local culture development can be promoted.There are complex and nonlinear relations between library volunteers and their matching posts,AI method has the ability to deal with complex relationships.But there is a problem that predictive accuracy of the model based AI method is not exact.Method/process Based on discussing structure of the model,a method that the model is optimized by genetic algorithm is proposed.The best individual is used as initial weight*本文系安徽省高校图工委研究基金项目“高校图书馆志愿者岗位管理研究”(项目编号：TGW18B22)、安徽省教育厅人文社会科学研究重点项目“数字创意产业视角下的图书馆创新服务研究”(项目编号：SK2020A0072)的研究成果之一2023 年第 2 期实践研究52and threshold values of BP neural network.Result/conclusion The research takes the case of libraries of Anhui Normal University,the results show that all the important performances of optimization model are better than original model,predictive accuracy can be reached 91.6%.Using the optimization model,intelligent level of modern library management can be improved.The model also helps to build an excellent library volunteer service brand.Key words library volunteer;intelligent management;genetic algorithm;person and post matching引言图书馆志愿者是志愿贡献精力与时间，无偿为图书馆提供公益性文化服务的群体或人1。良好的志愿者服务工作可以提升图书馆的服务水平，为读者提供优质和特色的服务，体现志愿者的自身价值，同时为弘扬正能量的社会风气创建了平台，因此如何做好图书馆志愿者的管理工作一直是学术界研究的热点2。在人力资源管理中，员工与其岗位如何合理匹配是一个基本问题3。企业招聘的员工大多具有与其岗位相关的专业背景，但是图书馆志愿者招募时通常是不面向岗位的，因此志愿者有不同的专业背景，他们的性格特点也各不相同。为了使得图书馆志愿者的服务工作顺利开展，首先要研究的就是根据志愿者的特征，为他们分配合适的岗位。赵琛4根据公共图书馆志愿者岗位设置的总体情况及存在的问题进行分析，就如何发挥志愿者作用，提出岗位具体设置优化方案、有效的配套保障措施等建议。该研究主要针对图书馆志愿者岗位的优化，较少涉及志愿者入岗前如何合理分配岗位。张燕5结合公共图书馆的馆情，根据志愿者服务意向，合理分配服务岗位，开展特色读者服务。该研究主要从理论层面说明合理分配志愿者岗位的重要性，尚未结合实际进一步研究。吴可嘉6分析了公共图书馆志愿者岗位设置的总体情况，对具体岗位设置提出建议，介绍保证岗位设置的配套工作。从上述分析可以看出，图书馆志愿者人岗匹配的研究主要在理论阶段，当前面临的主要问题是：大多数图书馆招募到志愿者后，主要安排志愿者从事书刊借阅、图书整理、读者引导、秩序维持等服务，这些基础服务工作不能充分体现志愿者的知识价值，致使他们工作积极性不高，难以长期稳定从事志愿者服务工作，因此需要在相关理论基础上深入开展实践性的研究。从数学角度看，人岗匹配是一个多输入、多输出的非线性问题，不易直接处理7。在第三次人工智能的研究浪潮下，人工智能技术渗透到图书馆的各个领域8。BP 神经网络是人工智能技术的一种，对于非线性有很好的逼近能力，因此是人岗匹配研究的重要工具。2018 年，戴卫东等学者9利用 BP 神经网络理论建立科技人员人岗匹配测评模型。2020 年，张斌10运用 BP 神经网络构建了国有大中型煤炭企业关键岗位人员数量及人岗素质匹配模型，实现人力资源的合理配置。这些研究取得了较好的人岗匹配效果。2020 年，程龙阅等学者11在图书馆志愿者人岗匹配研究领域取得进展，基于 BP 人工神经网络，把志愿者特点作为网络输入，志愿者岗位作为网络输出，构建了图书馆志愿者人岗匹配模型。该模型的预测准确率为 83.3%，还有进一步提高的空间。详细分析文献11预测准确率不高的原因，主要是 BP 神经网络的初始权值和阈值是随机选取的，若这些参数的选择不当，会使网络的收敛速度慢、陷入局部最优值，从而造成网络的非线性学习和泛化能力不足，特别是当模型的非线性程度较强时，这些不足之处就更加明显12-14。图书馆志愿人岗匹配问题的非线性特征较强，为了提高 BP 神经网络模型的整体性能，需要针对网络进行优化。在众多改进神经网络的算法中，遗传算法被认为可以帮助神经网络获得更加合理的结构。具体来说遗传算法具有较强的全局搜索能力，可以为 BP 神经网络寻找到更为合适的初始权值和阈值，进一步降低 BP 网络陷入局部最优的可能性，提高 BP 神经网络的收敛速度、匹配精度及模型的泛化能力15。为了体现人尽其用的原则，提升现代的图书2023 年第 2 期实践研究53吴 翔 程龙阅 王丽珍：AI 视域下的图书馆志愿者智慧管理研究以安徽师范大学图书馆为例馆管理的智能化水平，本文提出基于遗传算法优化的图书馆志愿者人岗匹配模型，使得遗传算法与 BP 神经网络优势互补，两者结合设计更优质的图书馆志愿者人岗匹配模型，并以安徽师范大学图书馆为例开展研究，验证优化后模型的性能指标。1 模型的结构设计在文献11的基础上，设计基于遗传算法优化的图书馆志愿者人岗匹配模型，其结构如图 1所示。遗传算法特征 1特征 2特征 n岗位 1岗位 2岗位 m输入层:志愿者特征隐含层输出层:志愿者岗位优化 BP神经网络的初始权值和阈值p个节点图 1 模型的结构图图中图书馆志愿者人岗匹配模型采用标准的三层 BP 神经网络。网络的输入层为志愿者的n个特征，网络的输出层代表志愿者的m个岗位。为了获取训练模型的数据，需要对工作优秀的志愿者进行问卷调查和数据处理。问卷依据志愿者的特点设计，针对每个特征设置 5 个问题，根据志愿者的答题情况获得得分，得分越高说明志愿者越具有这方面特征。在获得样本数据后，需要对数据进行归一化等处理，使之成为标准网络的训练样本11。比如，问卷中涉及的特征有四种：特性 1、特征 2、特征 3 和特征 4；问卷中涉及的岗位有三种：岗位 1、岗位 2 和岗位 3。如果有一位在岗位 1 上工作优秀的志愿者，他的四个特征得分为 0.2，0.3，0.6，0.3，那么输入 0.2 0.3 0.6 0.3，输出 1 0 0 就是一组有效的训练数据；如果另一位在岗位 2 上工作优秀的志愿者，他的四个特征得分为 0.1，0.7，0.6，0.3，那么输入为 0.1 0.7 0.6 0.3，输出为 0 1 0 就是另一组有效的训练数据。在 BP 神经网络中，如果隐含层的节点数足够多，网络就可以更好逼近非线性16。图中隐含层神经元个数采用试凑法确定。为提高人岗匹配模型的识别精度，利用遗传算法具有较强的全局搜索能力，为人岗匹配模型搜索合适的初始权值和阈值，降低模型陷入局部最优的可能性，从而提高模型的预测准确率。2 遗传算法的优化过程研究BP 神经网络的原理是通过调整其权值和阈值，不断减小实际输出与理想输出之间的误差，因此为获得优化的人岗匹配模型初始参数，需利用遗传算法搜索最佳个体，使得该误差达到最小。针对图书馆志愿者人岗匹配模型的特点，以下开展遗传算法的优化过程研究，算法流程如图2 所示。训练误差不再减小?利用初始权值和阈值,产生初始化种群基于训练误差,构建适应度函数对权值和阈值进行选择、交叉和变异操作开始获得优化的权值和阈值结束否是输入BP神经网络图 2 遗传算法的流程图 2 中，由于遗传算法优化的对象是图书馆志愿者人岗匹配模型的初始值，即 BP 神经网络的初始权值和阈值，所以个体就是网络所有的权值和阈值。根据图 1 可知，输入层为 n 个节点，隐含层为 p 个节点，那么输入层到隐含层共有 np个权值；输出层有 m 个节点，所以隐含层到输出层共有 pm 个权值；在网络的阈值方面，隐含层有 p 个阈值，输出层有 m 个阈值。通过以上分析可知，个体的长度为（n+1）p+（p+1）m。根据随机选取的初始权值和阈值，可以获得图书馆志愿者人岗匹配模型