在人工智能（AI）深刻重塑知识生产与组织方式的时代，图书馆界面临着一场前所未有的变革。各类AI工具正以前所未有的速度渗透到元数据创建的各个环节，然而，业界普遍缺乏一个统一的、体系化的框架来评估、部署和管理人机协作的复杂模式。这种理论的缺失导致实践中的探索往往是零散的、缺乏战略指导的。为应对这一挑战，本文提出一个名为“图书馆元数据创建量表”（Library Metadata Creation Scale - LMCS）的全新概念模型，旨在为这场变革提供一个清晰的分析坐标。
一、 LMCS框架的提出
生成式人工智能（Generative AI）的崛起，给图书馆元数据领域带来了范式级的冲击。它既预示着前所未有的效率提升与服务创新的可能性，也同时引发了业界对于元数据质量、学术诚信及专业角色定位的深刻忧虑。在实践中，围绕AI工具的讨论往往迅速陷入一种两极化的困境：要么是坚守传统、拒绝任何AI介入的“全手动”模式，要么是拥抱技术、追求极致效率的“全自动”愿景。这种非此即彼的二元对立，不仅无助于解决现实问题，反而加剧了从业者的焦虑与决策的混乱。
“图书馆元数据创建量表”（LMCS）正是在这一背景下被构想和提出的。其核心目的在于超越“允许或禁止”的简单化论断，为图书馆界提供一个更精细、更具操作性的结构化框架。该框架旨在为管理者、编目员和技术开发者提供一种通用语言，用以清晰地定义和沟通在不同场景下人机协作的边界、模式与责任。其理论构建主要基于以下几点考量：
- 回应实践中的“二元困境”，倡导精细化治理：LMCS的诞生，首先是对当前行业讨论中简单二元论的直接回应。它认识到，将AI视为一个单一、同质化的概念是错误的。相反，AI在元数据创建中的应用是一个连续的光谱。LMCS试图将这个光谱解构为五个清晰、可管理的等级，其设计理念从一个初步的“红绿灯”模型（如“禁止AI”、“部分允许”、“完全允许”）演化而来，最终形成一个更具指导性的分级体系。这使得图书馆可以根据资源类型、重要性及处理目标，进行差异化的策略选择，而非一刀切。
- 借鉴技术整合的历史经验，提供前瞻性路径：纵观历史，每一项颠覆性技术——从复印机、计算机到互联网——在被图书馆接纳之初，都曾被视为对传统技能和工作流程的威胁。然而，这些技术最终都找到了与专业实践相融合的路径，并成为不可或缺的基础设施。LMCS借鉴了这一历史视角，认为与其被动地抵制或仓促地接纳，不如主动地设计一个循序渐进、权责分明的整合路径。它为AI工具从辅助性的“咨询顾问”（2级）到深度的“合作伙伴”（4-5级）的演进，提供了可预期的发展阶梯。
- 调和行业内在的理论张力，实现理论自洽：LMCS框架深度植根于图书馆编目领域百年来持续存在的理论辩论中。它试图系统性地调和两种核心价值追求：一方面，是以查尔斯·阿米·卡特（Charles Ammi Cutter）为代表的、追求单条记录尽善尽美的“规范理想”（对应LMCS的1-2级）；另一方面，是为了应对海量信息而兴起的、强调“可用性优先”的现实主义原则，如档案馆界的“多产出，少流程”（MPLP）思想（对应LMCS的3-5级）。LMCS并非要评判孰优孰劣，而是承认这两种理论在不同情境下的并存价值，并为其在统一的战略框架下共存提供了可能。
综上所述，LMCS旨在成为一个集诊断、规划与沟通功能于一体的战略工具。它不仅为当下的实践提供指导，更重要的是，它试图将关于AI的讨论从一种以“威胁”和“替代”为核心的防御性话语，重塑为一种以“协同”、“增强”和“职业演进”为核心的建设性对话。
该量表将元数据创建中的人机协作模式，从完全依赖人类智力到完全由机器自主运行，划分为五个递进的等级。
| 等级 (Level) | 名称 (Name) | 核心描述 (Core Description) | 关键要求与编目员责任 (Key Requirements & Librarian's Responsibility) | 典型应用场景 (Typical Application Scenarios) |
|---|---|---|---|---|
| 1 | 人工原始编目 (Original Cataloging) | 元数据记录完全由编目员手动创建，不使用任何AI生成工具。编目员依赖RDA、MARC21、LCSH等传统工具和标准。 | 编目员对记录的每一个字段的准确性、完整性和合规性负全部责任。 这是传统编目工作的基准。 | - 为独特馆藏（如手稿、档案、学位论文）进行原始编目。 - 创建国家书目或权威机构的高标准“黄金”记录。 - 培训新编目员掌握编目基础规则和思维。 |
| 2 | AI辅助建议 (AI-Assisted Suggestion) | AI作为咨询工具，为特定字段提供建议或选项，但不直接生成完整记录。 | 编目员负责批判性地评估所有AI建议，做出最终选择，并手动完成记录。 AI是辅助思考的工具，编目员仍是记录的唯一创作者。 | - AI根据题名、摘要或全文推荐主题词（LCSH/FAST）或分类号（DDC/LCC）。 - AI从文本中提取可能的关键词或实体（人名、地名）。 - AI建议适用的MARC字段标签。 |
| 3 | AI辅助增强与清理 (AI-Assisted Enhancement & Cleanup) | AI对一个已存在的、不完整的或低质量的记录（如供应商记录、简编记录）进行增强、修正或格式化。 | 编目员提供初始记录，并必须审查AI的所有修改，确保其准确性、未改变核心语义，并符合本地政策。 编目员的角色是“编辑”和“校对者”。 | - 自动校正MARC记录中的标点符号和子字段代码。 - 根据权威文档（如VIAF）自动规范化人名、团体名称。 - 自动将缩写词展开或将摘要翻译成另一种语言。 - 丰富记录，如根据内容自动添加内容附注（505字段）。 |
| 4 | 机器生成记录，人工审核 (Machine-Generated Record, Human Review) | AI根据资源本身（如扫描的文本、PDF文件、音视频）自动生成一个完整的、待审核的元数据记录。 | 编目员的核心职责从“创建”转变为“审核与验证”。 必须仔细检查AI生成的初步记录，修正错误、补充遗漏，并最终批准。这是人机协作的主要模式。 | - 对大批量电子书或期刊文章进行快速编目，AI自动提取作者、标题、ISBN、摘要等。 - 为数字化图像集合自动生成描述性元数据（如识别图像内容、提取EXIF数据）。 - 将非结构化的书目信息（如参考文献列表）转换为结构化的MARC记录。 |
| 5 | 全自动元数据生成 (Fully Automated Metadata Generation) | AI自主完成元数据的创建、验证和入库流程，仅在遇到无法处理的异常或置信度低的情况时才触发人工干预。 | 编目员的角色转变为“系统管理者”和“质量监控者”。 负责配置AI规则、监控系统整体性能、定期抽样审计记录质量，并处理AI上报的疑难问题。 | - 实时处理大规模的出版商数据流或开放获取资源库，自动生成元数据并加载到发现系统。 - 为机构知识库中的提交内容（如预印本）自动创建元数据记录。 - 对用户生成内容（如照片、视频）进行自动标签和分类。 |
二、讨论
LMCS的价值远不止于其作为操作指南的实用性，更在于它是一个理论棱镜，折射并试图调和图书馆专业内部长期存在的根本性张力，并由此推导出一条逻辑严谨的职业重塑路径。
LMCS的五个等级，并非简单的技术阶梯，而是对图书馆编目史上核心理论辩论的系统化编码与回应。这场辩论的核心，始终围绕着“规范理想”与“效率现实”之间的张力。
-
“规范理想”的传承与限定：LMCS的1-2级，是查尔斯·阿米·卡特（Charles Ammi Cutter）“书目对象”（Bibliographic Objectives）原则在当代的直接体现。它追求为每一份资源创造一份尽善尽美的记录，强调人类智力在语义理解、知识关联和权威控制中的核心作用。这种“工匠精神”是图书馆专业性的基石，确保了核心馆藏和高价值知识资产的深度揭示。然而，LMCS框架也清醒地认识到，将此理想应用于所有资源，在信息爆炸时代既不现实也无必要。它通过将这种模式限定在特定场景（如珍本、手稿），从而保护了其价值，避免了其被无限泛化而导致的体系崩溃。
-
“效率现实”的整合与升华：LMCS的3-5级，则吸收并发展了档案馆界“多产出，少流程”（More Product, Less Process, MPLP）的现实主义思想。MPLP承认，对于海量积压的馆藏，“足够好”的元数据远胜于没有元数据。LMCS将这一原则从一种应对积压的权宜之计，提升为一种主动的、分级的战略选择。它不再是“完美”的对立面，而是构成了一个与“完美”互补的、服务于不同信息发现需求的策略组合。
更重要的是，LMCS标志着一个根本性的理论转变：从“书目控制”（Bibliographic Control）走向“书目治理”（Bibliographic Governance）。传统的“书目控制”强调的是一种中心化的、由机构主导的、对单条记录的权威性生产与把关。而在LMCS框架下，图书馆的角色转变为一个元数据生态系统的“治理者”。“治理”意味着：图书馆不再是所有元数据的唯一生产者，而是人、机器、供应商、甚至是用户生成内容等多元生产主体的协调者。其核心任务从“创建”转变为设计和监督一个可信的、质量可控的、人机协同的元数据生产体系。这是一种更高维度的控制，一种基于规则、策略和质量审计的系统性治理。
基于上述理论辨析，LMCS为图书馆员的职业演进描绘了一条清晰的实践路径，其本质是一场深刻的“专业管辖权”（Professional Jurisdiction）转移，并可能催生组织形态与服务范式的变革。
- 专业管辖权的转移与技能重构：传统编目员的核心管辖权在于对编目规则的精湛诠释和手动应用。而在LMCS的高级别模式中，机器承担了大部分规则应用的工作，图书馆员的新核心管辖权在于对自动化流程的“设计、验证与伦理监督”。工作的重心从“生产线上的工匠”，转变为知识体系的“架构师”。这种演进要求技能栈发生系统性重构：
- 在1-2级，价值体现在深厚的目录学、主题法、分类法等内容知识（Content Knowledge）。
- 在3-4级，价值体现在数据评估、模式识别、人机交互效率等过程知识（Process Knowledge）。
- 在5级，价值则体现在系统思维、数据分析、策略规划和伦理决策等元知识（Metacognitive Knowledge）。
- 组织架构的必然变革：专业管辖权的转移必然冲击传统的、基于同质化任务的部门结构。全面采纳LMCS的图书馆，其技术服务部门将从单一的“编目部”演化为一个功能分化的“元数据策略中心”。该中心可能包含：
- 特藏与原始编目组（主攻1-2级）：由资深专家组成，负责处理独特、复杂、高价值的馆藏，传承专业核心技艺。
- 批量处理与数据增强组（主攻3-4级）：人机协作的主力军，负责大规模数字与实体资源的处理，强调效率与质量的平衡。
- 元数据系统与策略组（主攻5级）：负责制定全馆元数据政策、评估与配置AI工具、监控自动化流程的质量与伦理合规性，是整个体系的“大脑”。
- “元数据即服务”（MaaS）概念的扩展：组织架构的变革，使元数据部门有能力从一个内部生产单位，转变为一个面向内外部用户的“服务提供商”。在AI能力的加持下，“元数据即服务”（Metadata-as-a-Service）的内涵得以极大扩展。例如，可以为本校研究人员提供“按需元数据生成”服务，快速处理他们的研究数据集；或利用AI进行大规模元数据分析，为学科服务提供决策支持；甚至可以向缺乏技术能力的小型文化机构提供元数据清理与增强的咨询服务，从而拓展图书馆的社会价值。
这种演进预示着技术服务部门的组织变革，即从一个基于任务同质化的“生产线”模式，转变为一个基于LMCS等级和资源类型的“项目组合管理”（Portfolio Management）模式。不同的团队将专注于不同的LMCS层级，形成一个由“特藏编目专家”（1-2级）、“数据增强与质量控制团队”（3-4级）和“元数据策略与系统分析师”（5级）组成的、功能互补的专业生态。
三、 批判性审视
作为一个理论模型，LMCS的优雅简洁背后也潜藏着值得警惕的风险。一种批判性的审视揭示了其在实践中可能面临的四大核心挑战。
- “线性进步”的幻觉：将五个等级视为从“落后”到“先进”的进化阶梯，是一种危险的技术决定论。我们必须强调，LMCS是一个适用于不同情境的“诊断工具箱”，而非一个必须达成的“进化目标”。对于一份中世纪手稿，1级永远是比5级更“先进”、更合适的选择。工作的价值不应由自动化程度来定义，否则将导致对专业判断和“工匠精神”的贬低，侵蚀图书馆的核心价值。
- “算法黑箱”的伦理危机：高级别的自动化严重依赖AI模型，而这些模型在训练数据上可能存在系统性的偏见（如语言、文化、地域偏见）。当图书馆员的角色从“创作者”转变为“审核者”时，他们识别和纠正这些深植于算法内部的、更为隐蔽的认识论偏见的能力是否会随之减弱？这不仅是技术问题，更是关乎知识公平（Knowledge Equity）和认识论正义（Epistemic Justice）的伦理危机，直接挑战图书馆作为中立、包容的知识守护者的社会承诺。
- 专业技能的“空心化”风险：如果新一代图书馆员长期在3-4级的环境中工作，缺乏在1-2级模式下的系统训练，他们可能“知其然，而不知其所以然”，无法深入掌握支撑整个专业大厦的底层逻辑和复杂规则。当AI出错时，他们可能无法进行根本性的修正。长此以往，这可能导致专业技能的代际流失，最终使我们在与机器的协同中丧失知识主导权和专业权威，从“架构师”沦为“维修工”。
- 加剧新的“数字鸿沟”：高质量的AI编目工具和服务，无论是商业采购还是自主研发，都需要巨大的资金和技术投入。这极有可能在图书馆界内部创造一个新的鸿沟。资金雄厚的大学图书馆可以轻松实现4-5级的高效自动化，而经费紧张的公共图书馆或地方性机构可能仍停留在1-2级。这种“元数据生产力的分化”将直接导致信息资源揭示水平的巨大差异，最终演变为服务质量和用户访问权的鸿沟，与图书馆促进信息公平的根本使命背道而驰。
结语
“图书馆元数据创建量表”（LMCS）为我们提供了一个审视和导航AI时代元数据实践的有力工具。但它更重要的意义在于，它迫使我们直面行业的核心矛盾，并重新思考图书馆员的专业价值。
未来的道路并非在“全手动”和“全自动”之间做出二元选择。真正的挑战在于，图书馆员能否超越单纯的规则执行者，成为人机协同系统的批判性设计者和伦理守护者。这意味着，我们既要拥抱自动化带来的效率，更要捍卫深思熟虑的人类判断、维护知识表述的公平性，并确保专业智慧在新的技术生态中得以传承和升华。唯有如此，我们才能在智能时代，真正驾驭技术，而非被技术所定义。
