圖書館使用類ChatGPT工具的算法歧視及規制策略

摘 要：盡管圖書館使用類ChatGPT工具具有一定的前景空間，但是其引發的算法歧視風險不可忽視。從數據收集與訓練、服務供給與用戶使用、結果呈現的全生命周期中，都存在算法偏見，且呈現出隱蔽性、交叉性等新特征。設計者偏見、使用者偏差以及技術壁壘是生成算法歧視的主要原因。設計者偏見可能導致算法模型繼承和放大社會固有偏見；使用者偏差則會因用戶的數字素養差異而加劇服務利用的不均等；技術壁壘更會使弱勢群體難以觸達和應用智能技術。算法歧視的負面后果不容小覷，它可能使信息獲取的不平等演化為社會地位的不平等，產生知識生產話語權的不均等分配，并消解個體的主觀能動性。為有效防范算法歧視風險，圖書館應在歧視分析的基礎上，通過倫理算法干預破除設計者偏見，提升用戶的數智能力打破使用者偏差，營造數智包容環境跨越技術應用服務壁壘，以確保類ChatGPT工具在圖書館的合理使用。

關鍵詞：圖書館；類ChatGPT；算法歧視；算法包容

中圖分類號：G250.7 文獻標識碼：A

Risks of Algorithmic Bias in Library Use of ChatGPT-like Tools and Regulatory Strategies

Abstract Although there is significant potential for libraries to use ChatGPT-like tools， the risks of algorithmic discrimination they introduce cannot be overlooked. Across the entire lifecycle—from data collection and training to service provision， user interaction， and result presentation—algorithmic bias can arise， often with new characteristics such as hidden and intersectional biases. The main causes of algorithmic discrimination include designer biases， user biases， and technological barriers. Designer bias can lead algorithmic models to inherit and amplify societal biases; user bias may exacerbate unequal service access due to variations in users’ digital literacy; and technological barriers may prevent disadvantaged groups from accessing and utilizing intelligent technologies. The adverse effects of algorithmic discrimination are significant， potentially transforming information inequality into social status inequality， leading to unequal distribution of discourse power in knowledge production， and diminishing individual agency. To mitigate these risks， libraries should first analyze the sources of discrimination， then implement ethical algorithm interventions to counteract designer bias， enhance users’ digital literacy to reduce user bias， and foster an inclusive digital environment to overcome technological service barriers， ensuring the responsible use of ChatGPT-like tools in libraries.

Key words library; ChatGPT-like tools; algorithmic discrimination; algorithmic inclusion

類ChatGPT工具的普及，給圖書館帶來了新的發展機遇。既往學者對此展開了大量研究，在數據檢索[1]、圖書館轉型[2]、服務實踐[3]、館員發展[4]等方面取得了豐富成果，指出ChatGPT有望賦能圖書館實現智慧化轉型，重塑人機協同的知識服務新生態，推動知識資源的普惠共享，最終實現用戶體驗和社會價值的雙提升。然而，任何一種技術的發展，都可能會帶來信息歧視、引發數字鴻溝[5]，類ChatGPT工具亦不例外。既往學界對此表達了擔憂，在算法的地區歧視[6]、倫理歧視[7]、年齡歧視[8]、招聘歧視[9]、性別歧視[10]等方面進行了廣泛探討。由此可以發現，類ChatGPT工具在為智慧化服務轉型提供機遇的同時，也潛藏著數字鴻溝加劇和算法歧視等風險隱患。

既往學界鮮有聚焦圖書館使用類ChatGPT工具場景下的算法歧視進行專門分析。事實上，圖書館是知識獲取和信息平等的重要陣地，服務對象涵蓋社會各界群體。如果ChatGPT在圖書館的應用中產生算法歧視，將對用戶的知情權和受益權造成更為嚴重的損害，加劇數字鴻溝，引發信息獲取的馬太效應，動搖圖書館“知識守門人”的公信力。因此，亟需立足圖書館場景，分析ChatGPT算法歧視的特定風險和倫理困境，探索因地制宜的防范對策，以厚植人工智能時代圖書館的包容性發展土壤。

1 圖書館使用類ChatGPT工具產生算法歧視的新表征與新特征

圖書館使用以類ChatGPT為代表的智能工具，雖然有助于提升服務效率，拓展服務范圍，但從全生命周期來看，可能面臨一系列的算法歧視風險，產生新的歧視問題。無論是在數據準備和模型開發階段，還是在服務應用和結果呈現階段，都可能由于數據偏差、算法局限、服務差異、用戶稟賦等因素，導致不同背景和特征的用戶在獲取、使用和理解智能服務時面臨不平等的障礙和挑戰，影響服務的公平性。

（1）數據收集與訓練階段的歧視。數據歧視是指在大數據的收集、存儲、分析和應用過程中，由于數據本身的偏差或算法模型的缺陷，導致對某些群體產生不公平的對待或負面影響。這種歧視可能源于數據的代表性不足、數據標注的主觀性、歷史數據中的社會偏見等因素，進而在算法決策中復制和放大既有的不平等。類ChatGPT等語言模型是基于海量文本數據進行訓練的，而這些數據可能存在一定的偏差。當圖書館直接使用這些模型提供服務時，有可能無意中復制和強化了原有數據中的偏見。這種數據歧視可能導致多方面的負面影響。首先，它可能使得智能工具在回答某些問題時產生帶有偏見的結果，如對不同國家的刻板印象。其次，它可能使得智能工具對不同群體的需求和偏好估計失真，從而影響圖書館資源建設和服務供給的針對性。

（2）服務供給與用戶使用階段的歧視。服務供給階段的歧視主要源于圖書館智能化轉型的不平衡性。受館舍空間、硬件設施、經費投入、員工技能等因素的制約，不同地區、不同類型的圖書館在引入智能工具的廣度和深度上存在顯著差異。發達地區的圖書館可能率先啟動全面的智能化升級，而欠發達地區的圖書館可能仍處于傳統服務為主的階段。這種智能鴻溝現象可能導致不同背景的用戶在獲取智能服務的便捷性、完整性和質量上存在差距，從而產生服務供給的不公平。對于讀者而言，相較傳統圖書館服務，類ChatGPT等智能工具對用戶的數字素養、語言表達能力、邏輯思維能力等提出了更高要求。數字原住民可能更善于將自己的信息需求轉化為清晰、簡明的自然語言描述，從而獲得更精準、更全面的答復；數字移民則可能在組織檢索詞、界定對話語境等方面感到不適應，從而影響問題的解決程度。同時，不同年齡、職業、文化背景的用戶對隱私的認知和態度也不盡相同。這些差異可能導致不同用戶在使用智能服務的過程中獲得不同的體驗和收益，從而產生用戶使用的不公平。

（3）結果呈現階段的歧視。圖書館使用以類ChatGPT為代表的智能工具，在服務結果呈現階段可能面臨用戶接收與解釋能力差異而導致的算法歧視風險。智能工具生成的回復內容雖然通常具有一定的連貫性和邏輯性，但并非絕對可靠和權威。一方面，訓練數據和算法模型本身可能存在偏差，導致生成內容帶有某些刻板印象或錯誤認知；另一方面，人工智能尚不具備真正的理解和思考能力，其輸出結果可能存在語義偏移、因果倒置等問題，需要用戶甄別和判斷。然而，不同背景和特征的用戶在信息素養和批判性思維能力上存在顯著差異。受教育程度較高、邏輯思辨能力較強的用戶，更容易從智能工具的回復中識別出邏輯漏洞、信息失真等問題，進而選擇性吸收有價值的內容，形成自己的觀點和結論。而知識基礎相對薄弱、思維較為直觀的用戶，可能更傾向于直接采信智能工具的輸出結果，缺乏必要的質疑和反思，從而被錯誤或片面的信息所誤導，放大認知偏差。

算法歧視呈現出一些不同于傳統歧視的新特點。首先，算法歧視可能更加隱蔽和難以覺察。傳統圖書館服務中的不平等，往往源于顯性的制度安排或外部條件，如館際互借的限制、服務時間的差異等，用戶較容易感知。但算法歧視往往深嵌于數據采集、算法設計、系統實現等環節，并通過機器學習等方式自動強化，用戶較難直接察覺。圖書館閱讀推廣的推薦系統就是一個典型例子。例如，一些圖書館使用機器學習算法來推薦書籍或資源，但這些算法可能基于過去的用戶行為和歷史數據進行推薦。如果某些用戶群體（如少數民族或低收入群體）的使用數據較少，系統可能會對這些群體產生偏見，提供較少相關或個性化的推薦，導致這些群體在獲得資源方面受到隱性的不平等待遇，用戶難以察覺。其次，算法歧視可能更具交叉性和復合性。圖書館用戶的身份特征往往是多元復合的，如性別、年齡、收入等。在傳統服務中，這些特征相對獨立，較少交織疊加。但在智能服務中，數據挖掘和用戶畫像技術可能將多重特征組合關聯，相互影響，導致更復雜的交叉歧視。尤其是在智能服務環境中，數據挖掘和用戶畫像技術的應用使得多重特征組合關聯成為可能，從而導致更為復雜的交叉歧視現象。最后，算法歧視的波及范圍可能更廣。傳統歧視往往局限于特定場景和對象，而算法歧視則可能因為系統的規?；瘧谩祿墓蚕韽陀玫纫蛩匮杆贁U散，影響更多用戶。

2 算法歧視生成的原因

2.1 設計者偏見

設計者偏見（Designer Bias）是指智能工具的設計和開發過程中，設計者自身的背景、價值觀、知識結構等因素有意無意地影響算法模型，導致模型輸出結果偏向或歧視特定群體的現象。

與傳統圖書館服務相比，設計者偏見可能導致智能工具帶來一些新的歧視風險。在傳統圖書館服務中，歧視往往源于管理者或服務人員的主觀判斷和因人而異的措施，如對某些群體持有成見、在館藏建設中忽視某些類型的資源、在服務互動中采取區別對待等。這些歧視通常具有一定的情境依賴性和隨機性，且容易通過加強培訓、完善制度等手段加以識別和矯正。而智能工具中的設計者偏見一旦嵌入算法模型，就可能在系統運行中持續放大，產生更大范圍、更長時期的歧視效應。這種歧視往往隱藏在算法的黑箱之中，外部用戶無法直接觀測到偏見的存在和影響，甚至設計者本人也未必能意識到偏見的滲入，這使得歧視更難被發現和問責。此外，設計者偏見可能貫穿算法設計的全流程，從數據采集到特征選擇，從模型訓練到結果呈現，多個環節互相影響，形成系統性的累積效應，進而產生更嚴重的歧視后果。由于智能工具通常應用于海量數據和大規模用戶，設計者偏見一旦嵌入其中，可能在千千萬萬次的人機交互中不斷復制和放大，其影響范圍和持續時間遠超傳統服務。更值得警惕的是，智能工具往往具有自我學習和優化的能力，如果最初的設計者偏見沒有被及時識別和糾正，可能通過這種自我強化機制固化下來，形成惡性循環，加劇歧視效應。同時，由于現實世界的復雜性，智能工具可能同時應用了多個設計者或團隊開發的不同模塊和算法，多個設計者的偏見可能在系統中交叉疊加，形成更復雜的交互效應，進一步加劇歧視的復合性。

2.2 使用者偏差

使用者偏差（User Bias）是指圖書館用戶在利用類ChatGPT等智能工具進行信息搜尋、知識探究時，由于自身的背景、能力、偏好等因素，對工具的使用方式和結果解讀產生偏頗或失衡，進而影響服務效能和資源分配的現象。

與傳統圖書館服務相比，使用者偏差可能導致智能工具帶來一些新的歧視風險。在傳統圖書館環境中，用戶在館藏資源獲取、咨詢服務利用等方面的差異，往往受制于外部條件，如館藏資源的豐富度、服務人員的專業性、場館環境的舒適度等，這些差異通?？梢酝ㄟ^優化資源配置、加強業務培訓、改善服務設施等手段緩解。而當智能工具成為圖書館服務的新引擎時，用戶間的獲取和利用差距更多地取決于其內在的素養稟賦，這些差距如果得不到有效重視和應對，反而可能因智能技術的放大效應而加劇。數字素養高、學習能力強的用戶可以更充分地挖掘智能工具的知識潛力，優化自身的學習路徑和思維模式，在智能服務中掌握更多主動權和話語權，不斷拉開與其他用戶的差距。而數字技能弱、學習動力低的用戶則可能在人機互動中日益邊緣化，淪為算法推薦的被動接受者和同質化信息的無意識消費者。隨著時間推移，這種馬太效應可能使不同用戶群體在智能服務生態中的地位和收益日趨懸殊，加劇信息獲取和知識應用的不平等。

此外，由于智能工具通常內置海量訓練數據和知識圖譜，對不同領域、議題、觀點的覆蓋遠超傳統圖書館館藏，用戶與智能工具的互動深度和廣度大大提升，但用戶的注意力和精力仍然有限。因此，不同用戶在智能服務中的選擇性偏好和關注度分配可能更加突出，使得算法越發傾向于個性化推薦和同質化引導，形成信息繭房等現象，強化原有的使用偏差。如果缺乏有效的引導和干預，這種基于算法的信息推送所導致的同質化暴露現象，可能會導致不同用戶群體在認知模式、價值觀念和情感取向等方面的差異被進一步固化，甚至走向極端化。

2.3 技術壁壘

技術壁壘（Technological Barriers）是指圖書館在引入和應用類ChatGPT等智能工具的過程中，由于技術架構、數據規模、算法復雜度等因素，對計算資源、網絡設施、專業人才等方面提出了較高要求，而這些要求可能超出某些圖書館的承載能力和響應速度，進而影響智能服務的覆蓋范圍、功能質量和持續優化。智能工具的適配和優化往往需要根據不同圖書館的業務場景、用戶特征、資源稟賦等進行個性化調整和本地化部署，且智能工具的長期發展和迭代升級離不開持續的數據積累、模型訓練和功能擴展，這需要圖書館在數據治理、算法優化、功能創新等方面形成常態化機制和配套投入，而不同圖書館對此的認識和行動可能存在不小差距。

與傳統圖書館服務相比，技術壁壘可能導致智能工具服務中出現新的歧視現象。在傳統服務模式下，圖書館間的服務差距主要體現在館藏資源的規模、服務人員的數量、場館設施的條件等有形要素上，這些差距對個體用戶的影響相對有限且容易觀察，通過館際互借、異地服務等方式也能在一定程度上緩解。而在智能服務時代，圖書館間的技術稟賦差異可能帶來更隱蔽但影響更深遠的服務鴻溝。以類ChatGPT為例，其對自然語言的理解和生成能力很大程度上取決于海量語料的訓練積累和深度學習模型的優化迭代，而這些則高度依賴算力資源的支撐。擁有雄厚技術實力的圖書館可以通過持續的數據補充和模型升級，使類ChatGPT的知識覆蓋更全面、檢索結果更精準、交互體驗更流暢，從而為用戶提供更高質量的智能問答服務。而技術積累相對薄弱的圖書館，其類ChatGPT模型可能長期處于初級版本，存在知識盲區、檢索噪聲、交互延遲等問題，這不僅影響服務品質，也可能加劇用戶的認知負擔和使用障礙，使弱勢群體在智能服務中更易陷入邊緣化和失語化的境地。

以農村地區的公共圖書館為例，由于經費保障、人才引進、設施改造等方面的制約，其信息化水平普遍滯后于城市圖書館。在傳統服務時代，農村居民至少還能通過紙質閱讀、面對面咨詢等方式滿足基本的知識需求。而隨著智能技術的興起，農村圖書館在類ChatGPT等智能工具的引入和應用上可能遠遠落后于城市圖書館，農村居民獲取智能服務的機會減少、體驗降質，數字鴻溝因技術紅利分配不均而進一步拉大。與此同時，即便同在城市，不同圖書館的技術稟賦也可能存在較大差異。資源稟賦雄厚的圖書館可能率先引入定制化的類ChatGPT模型，并圍繞本地特色館藏、讀者畫像等開發個性化功能，讓智能服務更貼近本地需求。而資源稟賦相對匱乏的圖書館則可能難以及時跟進前沿技術，只能應用通用模型，服務同質化嚴重，難以激發用戶興趣。隨著時間推移，這種帶有馬太效應的資源配置失衡，可能使不同圖書館在智能服務競爭力上拉開顯著差距。

3 算法歧視的影響

3.1 從信息獲取不平等到社會的不平等

傳統圖書館時代，信息獲取的不平等主要源于實體資源的稀缺性和空間位置的局限性。印刷型館藏的更新迭代周期長，優質文獻資源的復本有限，難以滿足所有讀者的個性化需求。同時，圖書館的地理區位和服務輻射范圍的限制，導致偏遠地區和弱勢群體在信息可達性方面處于劣勢。數字革命的興起為圖書館突破時空桎梏、縮小信息鴻溝帶來了新的想象。借助數字資源平臺和智能推薦系統，圖書館可以低成本、高效率地為更多讀者提供個性化的知識發現和獲取服務。

然而，隨著類ChatGPT等智能問答系統在圖書館的應用日益深入，信息獲取不平等問題出現了新的表征形式和演化路徑。相較于傳統圖書館時代資源稀缺導致的信息不平等，“算法制導”下的信息獲取不平等更具隱蔽性和技術性。類ChatGPT基于海量數據訓練而成，其知識譜系和價值取向不可避免地傾向于主流話語和權威觀點。邊緣群體和非主流觀點在類ChatGPT的知識圖譜中往往處于失語和不可見的狀態。當圖書館大規模使用類ChatGPT進行知識組織和信息推薦時，這種基于主流話語霸權的算法偏見會進一步強化原有的信息不平等格局。掌握更多數字技能、擁有更強算法素養的優勢群體，能夠更高效地利用類ChatGPT“訓練”和“過濾”信息，占據知識生產和話語引導的制高點。而數字化能力薄弱的弱勢群體在類ChatGPT驅動的知識服務中則面臨邊緣化的風險，其信息獲取渠道日益收窄，知識生產與傳播空間不斷萎縮。

從長遠來看，這種由類ChatGPT引發的信息獲取不平等，如果得不到及時的系統應對，可能加劇不同群體在教育起點、就業機會、經濟收入等多個層面的社會不平等。信息獲取的數字鴻溝會轉化為知識應用的能力鴻溝，進而影響個體在社會網絡中的地位獲得、資源占有和發展空間。

3.2 知識生產話語權的不均等

在傳統圖書館時代，知識服務的不平等主要表現為館藏資源的學科分布和主題比重失衡。由于經費限制，圖書館傾向于采購具有廣泛需求的主流學術資源，邊緣學科則相對被忽視。這種偏向主流學術的資源配置，引導了讀者的借閱偏好，并加速了主導學科知識的再生產，形成了一定的話語霸權。盡管如此，傳統圖書館通過推薦購買機制和開架閱讀等服務，為讀者提供了相對開放和多元的知識獲取渠道，緩解了一部分知識生產的不平等。

然而，隨著類ChatGPT等智能問答系統的引入，這種知識生產的不平等被進一步放大。類ChatGPT系統依賴的訓練數據和算法模型通常反映了主流話語和權威觀點，邊緣群體和非主流學科在其知識圖譜中往往處于較為邊緣的位置。特別是在自然科學和工程技術等領域，知識的形式化和數據化特征使其更易被整合到類ChatGPT的訓練語料中。相對地，人文社科等領域的知識由于其隱性和情境化特征，難以被充分納入，導致這些領域的前沿理論和批判性話語難以通過類ChatGPT得到有效傳播。

這種算法內嵌的話語霸權邏輯可能導致非主流學科和弱勢群體在圖書館的知識服務中進一步邊緣化。主流學科通過類ChatGPT實現了知識供給的規?；途珳驶?，而非主流學科的話語空間則被持續壓縮。隨著讀者越來越依賴類ChatGPT解決知識需求，所接觸到的知識可能日益同質化，主要依賴于主流學科構建的知識體系。這不僅限制了非主流學科的知識創新能力和話語影響力，也可能使得原本多元開放的知識生態逐漸演變為“贏者通吃”的話語壟斷格局。

3.3 從“人的機器”到“機器的人”：個體主觀性的消解

在傳統圖書館時代，知識服務以人為本，通過技術手段如分類編目和學科導航來滿足讀者的知識需求。在這種模式下，技術作為賦能工具，擴展人的能力，機器是“人的機器”。然而，引入類ChatGPT的圖書館面臨算法歧視的挑戰，這種現象可能導致個體的主觀能動性消解，甚至使人成為“機器的人”。類ChatGPT模型在訓練過程中可能吸納主流話語和權威觀點，使得邊緣群體和非主流觀點的表征相對匱乏。這可能導致知識服務中的群體偏見和話語歧視，強化主流價值觀，從而影響讀者的思維定勢和話語習慣。

算法歧視加劇了“贏者通吃”的馬太效應，優勢群體的知識需求和認知偏好得到增強，而弱勢群體則易陷入認知陷阱，逐漸喪失表達和傳播自己觀點的動力。與傳統圖書館時代相比，類ChatGPT引發的話語霸權更具隱蔽性和持續性。傳統圖書館的知識服務受到館藏布局的影響，讀者仍有空間根據興趣和需求主動選擇資源，但類ChatGPT通過算法推理，將話語霸權自然化和常態化地融入人機互動，使得讀者在互動中不知不覺接受了偏見的數據訓練下的話語，削弱了個體的思維能動性和批判性。

4 算法歧視的規避策略

4.1 識別算法歧視提供均等化服務

圖書館作為知識傳播和文化交流的重要陣地，肩負著為讀者提供平等、無偏見的信息服務的使命。在引入類ChatGPT等智能問答系統時，圖書館必須高度重視算法歧視的問題，主動識別和評估系統中潛在的偏見和不公平，確保每個讀者都能夠獲得同等質量的服務體驗，維護圖書館的公信力和社會責任。

為了識別和量化算法歧視，圖書館可以采取以下措施。（1）建立數據偏差檢測機制。在數據采集和標注過程中，圖書館要關注是否存在對特定群體的偏見或者不平衡的表述?？梢允褂靡恍┝炕笜?，如簡單匹配系數、Jaccard相似度等，來度量數據集中不同群體的分布差異[11]。（2）開展模型公平性評估。在模型訓練和測試階段，圖書館可設置不同的人口統計學特征（如種族、性別、年齡等）和評價指標（如準確率、召回率、錯誤率等），比較模型在不同群體上的表現差異，從而發現潛在的偏見和歧視[12]。（3）應用算法去偏技術。對于已經訓練好的模型，可以使用一些后處理方法，如均衡化技術、對抗性去偏等，在不影響整體性能的前提下，緩解模型的歧視性輸出[13]。同時，圖書館還要建立長效機制，持續跟蹤模型的公平性表現，及時更新和優化去偏策略。

4.2 倫理算法干預破除設計者偏見

算法模型在機器學習過程中，難以完全避免設計者的主觀偏好和價值取向，這些隱性偏見會通過數據選擇、特征提取、權重設置等方式，潛移默化地影響算法的訓練效果，進而在知識服務中產生偏頗的推薦和錯誤的引導。因此，亟需倫理算法干預，破除設計者偏見，確保圖書館智能知識服務的公平正義。

倫理算法干預破除設計者偏見，需要從算法模型設計、訓練、應用等環節入手，嵌入人文關懷和倫理規制。首先，在算法模型設計階段，要進行全面的倫理風險評估，圍繞隱私保護、公平正義、知識多元化等維度，識別算法模型可能引發的倫理問題，并據此進行倫理增強設計，納入反歧視性別、種族等敏感屬性保護機制，確保算法模型的倫理合規性。其次，在算法模型訓練階段，要著力構建兼容并包的知識譜系，納入反映弱勢群體、非主流觀點的多元化數據，并合理配置樣本權重，盡量消解因數據代表性失衡而產生的群體性偏見。同時，還要加強算法模型的可解釋性，賦予其必要的倫理決策機制，使其能夠像人一樣進行倫理權衡，在面對復雜情景時秉持道德準則，規避風險決策。最后，在算法模型應用階段，加強人機協同，賦予人更多介入算法決策的機會。通過人工審核、反饋改進等方式，對算法推薦和生成的內容進行倫理評估，識別其中潛在的價值偏見和知識歧視，并借助人類的倫理判斷予以糾正和規避，形成人機互補、優勢互鑒的協同機制。

4.3 數智能力提升打破使用者偏差

提升讀者數智能力，打破類ChatGPT使用偏差，需要圖書館在讀者服務、素養教育等方面作出系統性的安排。首先，圖書館應面向讀者開展形式多樣的類ChatGPT應用培訓，幫助讀者了解類ChatGPT的基本原理、功能特點和使用技巧，掌握對類ChatGPT內容質量進行判斷、篩選的方法，提升對算法推薦機制的認知和辨析能力。同時，引導讀者樹立批判性思維意識，學會從不同角度、全面客觀地看待類ChatGPT呈現的觀點和結論，突破固有認知框架，審慎對待算法推薦，避免盲從和誤讀。

其次，圖書館還要拓展優質知識源，引導讀者廣泛涉獵多元化知識。通過構建兼收并蓄的館藏資源，開發聚合多源異構數據的知識發現系統，為讀者推薦不同領域、多元視角的知識資源，幫助其突破知識繭房，接觸非主流觀點，形成理性、均衡的知識結構。同時，鼓勵讀者利用類ChatGPT進行跨學科探索、對比不同觀點，培養批判性思辨能力，學會獨立思考和價值判斷，在海量信息中找尋真理，用個人經驗對類ChatGPT推薦內容進行校驗，破除過度依賴算法的使用慣性。

最后，圖書館還要搭建開放、包容的類ChatGPT應用社區，鼓勵讀者交流使用心得，分享獨特見解。通過構建跨群體、跨領域的交流互鑒平臺，引導不同背景的讀者充分表達觀點、碰撞思想，在群體智慧的交互中凝聚共識、尊重差異，破除同質化的話語環境。同時，積極宣導類ChatGPT使用倫理，引導讀者在人機交互中堅守信息客觀、知識平等的價值理念，自覺抵制算法內容可能存在的偏見和歧視，以平等、開放、兼容的視角看待不同群體的知識需求，促進類ChatGPT服務的公平普惠。

4.4 數智包容跨越技術應用服務壁壘

鑒于大型科技公司在計算能力和數據資源方面擁有顯著優勢，目前具備開發類ChatGPT模型能力的機構主要集中于這些科技巨頭。圖書館作為付費用戶，一般通過購買相關的應用服務來獲取類ChatGPT的功能，而這些服務多基于云計算平臺，與圖書館本身的算力基礎關聯性不大。這種服務模式雖然降低了圖書館的技術門檻，但也可能導致圖書館對服務提供商產生過度依賴。同時，由于不同服務提供商的技術實力和服務質量參差不齊，圖書館可能面臨服務覆蓋不足、更新滯后、定制化程度低等問題，進而影響到讀者的使用體驗和滿意度。為解決這些問題，提倡以數字智能包容理論為指導，推動圖書館服務均等化。這需要圖書館在服務采購、開放共享機制、創新應用模式等方面共同努力。

首先，圖書館應加強與大型科技公司的合作，爭取獲得優質的類ChatGPT應用服務。通過聯合采購等方式，提高議價能力，獲得更全面、更實惠的服務方案。及時反饋實際需求，推動服務的不斷完善。其次，建立健全類ChatGPT應用標準和迭代機制。圖書館應制定統一的服務評估標準，規范服務的功能、性能和數據安全等要求，并確保所有圖書館的服務至少達到基礎品質。此外，針對不同的服務需求，鼓勵圖書館在通用服務的基礎上開發特定的應用場景和解決方案，提高服務的適應性和有效性。最后，圖書館自身應創新服務模式，拓展智能知識服務的應用范圍。例如，開發適用于移動端的輕量級智能問答工具，將服務延伸到偏遠地區，確保圖書館服務的廣泛可及性。同時，通過與教育、社區治理、企業服務等外部場景的融合，擴大智能知識服務的社會影響力和應用價值。

5 結語

隨著類ChatGPT等智能問答系統在圖書館的應用日益深入，其算法模型中潛在的偏見和歧視風險不容忽視。設計者偏見、使用者偏差、技術壁壘等因素，可能使類ChatGPT在數據選擇、特征設計、結果呈現等環節產生有失公允的結果，侵蝕特定群體的知情權和受益權。為實現類ChatGPT賦能知識服務的包容性發展，圖書館應加強算法歧視的前瞻研判和防范應對。一方面，要加強算法倫理意識，將反歧視審查貫穿類ChatGPT服務的全生命周期，完善用戶參與和外部監督機制，及時發現和糾正算法偏見。另一方面，要立足數字包容，打造開放互惠的類ChatGPT生態，加強基礎設施和數據的共建共享，推廣通用標準，縮小不同群體在類ChatGPT服務可及性、交互體驗等方面的差距，用科技賦能服務均等化發展，最終實現知識普惠的目標。

參考文獻：

[1] 戴夢菲.以ChatGPT為代表的自然語言AI在數據庫內容檢索與生成中的應用：以全國報刊索引為例[J].情報探索，2024（5）： 103-108.

[2] 楊曉雯.ChatGPT驅動下的圖書館變革：構建智慧圖書館的新路徑[J].大學圖書情報學刊，2024，42（2）：46-52，89.

[3] 于曦.美國高校圖書館ChatGPT服務實踐及啟示[J].山東圖書館學刊，2023（6）：97-105.

[4] 吳智丹.ChatGPT帶給圖書館員的機遇與挑戰研究[J].河北科技圖苑，2023，36（6）：3-8，25.

[5] HOFFMANN A L.Where fairness fails： Data， algorithms， and the limits of antidiscrimination discourse[J].Information， Communication amp; Society，2019，22（7）：900-915.

[6] 劉志紅.AIGC中的算法偏見與歧視：識別、評估和緩解方法[J].電子元器件與信息技術，2024，8（2）：109-111，115.

[7] 李欣，曹藝萱.我國算法風險及其治理研究綜述[J].信息安全研究，2024，10（2）：114-121.

[8] 徐潔，燕穎川.算法年齡歧視的現實挑戰與規制路徑[J].學術交流，2023（7）：134-155.

[9] 趙嬋.AI招聘的算法歧視風險與治理之道[J].湘潭大學學報（哲學社會科學版），2023，47（3）：96-102.

[10] 甘湉，馬亮.算法性別歧視：特征、類型與治理[J].山東行政學院學報，2024（2）：97-105.

[11] HARDT M，PRICE E，SREBRO N.Equality of opportunity in supervised learning[J].Advances in Neural Information Processing Systems，2016，29：3315-3323.

[12] VERMA S，RUBIN J.Fairness definitions explained[C]//2018 IEEE/ACM International Workshop on Software Fairness （FairWare）.Piscataway， NJ：IEEE，2018：1-7.

[13] BELLAMY R K E，DEY K，HIND M，et al.AI Fairness 360： An extensible toolkit for detecting， understanding， and mitigating unwanted algorithmic bias[J].arXiv preprint arXiv：1810.01943，2018.

作者簡介：張記川，莘縣圖書館副研究館員，研究方向為智慧圖書館。

收稿日期：2024-07-10編校：王曉琳 俞月麗