- 권한신청
- P-ISSN1013-0799
- E-ISSN2586-2073
- KCI
초록
대학도서관 발전계획은 외부적으로는 도서관의 역할과 발전 방향에 대한 명시적인 선언이자 내부적으로는 도서관 서비스 제공을 위한 지침으로 기능한다는 점에서 중요한 의미를 지닌다. 발전계획 수립을 위해서는 국제적, 국가적 환경에 대한 이해, 개별 대학과 대학구성원에 대한 이해가 요구된다. 본 연구는 대학도서관과 관련된 국제 환경의 추세를 파악하기 위하여 해외 대학도서관 발전계획 사례를 조사하고, 내용분석과 네트워크 분석을 통해 그 동향을 파악하였다. 그 결과, 대부분의 해외 대학도서관에서는 ‘협업’, ‘컬렉션 개발 및 구축’, ‘연구지원’이라는 키워드를 주축으로 다양한 전략과 세부 계획을 제시하고 있는 것으로 나타났다. 이에 본 연구에서는 향후 대학도서관 발전계획 수립 시 고려해야 하는 사항으로, 발전계획 내 대학도서관의 사명과 비전, 가치의 구체적 명시, 문화적 다양성성과 형평성, 포용성 등의 핵심가치의 중요성 인식, 대학도서관 내외부의 파트너십 및 협업의 중요성 인식, 경영 목적 달성의 도구로서 대학도서관 발전계획의 활용을 제시하였다.
Abstract
The academic library development plan has external importance as it explicitly declares the library’s role and development direction. Internally, it is also a library service guideline. To develop the development plan, libraries must understand the trends and needs of international, national, and affiliating universities and their constituents. Accordingly, this research includes case, content, and network analyses of foreign academic libraries’ development plans to identify the trends. The analysis results show most foreign academic libraries employed various strategies and plans, which can be characterized as ‘collaboration,’ ‘collection development,’ and ‘research support.’ Consequently, we propose the following factors to consider when developing an academic library development plan: specification of mission, vision, and core values; recognition of core values such as diversity, equity, and inclusion; awareness of the significance of collaboration and partnership with other units within the universities and external organizations; and utilization of university library development plans as tools for achieving management objectives.
초록
본 연구는 단행본, 학술지, 보고서 등 다양한 종류의 발간물로 구성된 연구보고서의 참고문헌 데이터베이스를 효율적으로 구축하기 위한 것으로 딥러닝 언어 모델을 이용하여 참고문헌의 자동추출 성능을 비교 분석하고자 한다. 연구보고서는 학술지와는 다르게 기관마다 양식이 상이하여 참고문헌 자동추출에 어려움이 있다. 본 연구에서는 참고문헌 자동추출에 널리 사용되는 연구인 메타데이터 추출과 더불어 참고문헌과 참고문헌이 아닌 문구가 섞여 있는 환경에서 참고문헌만을 분리해내는 원문 분리 연구를 통해 이 문제를 해결하였다. 자동 추출 모델을 구축하기 위해 특정 연구기관의 연구보고서 내 참고문헌셋, 학술지 유형의 참고문헌셋, 학술지 참고문헌과 비참고문헌 문구를 병합한 데이터셋을 구성했고, 딥러닝 언어 모델인 RoBERTa+CRF와 ChatGPT를 학습시켜 메타데이터 추출과 자료유형 구분 및 원문 분리 성능을 측정하였다. 그 결과 F1-score 기준 메타데이터 추출 최대 95.41%, 자료유형 구분 및 원문 분리 최대 98.91% 성능을 달성하는 등 유의미한 결과를 얻었다. 이를 통해 비참고문헌 문구가 포함된 연구보고서의 참고문헌 추출에 대한 딥러닝 언어 모델과 데이터셋 유형별 참고문헌 구축 방향을 제안하였다.
Abstract
The purpose of this study is to assess the effectiveness of using deep learning language models to extract references automatically and create a reference database for research reports in an efficient manner. Unlike academic journals, research reports present difficulties in automatically extracting references due to variations in formatting across institutions. In this study, we addressed this issue by introducing the task of separating references from non-reference phrases, in addition to the commonly used metadata extraction task for reference extraction. The study employed datasets that included various types of references, such as those from research reports of a particular institution, academic journals, and a combination of academic journal references and non-reference texts. Two deep learning language models, namely RoBERTa+CRF and ChatGPT, were compared to evaluate their performance in automatic extraction. They were used to extract metadata, categorize data types, and separate original text. The research findings showed that the deep learning language models were highly effective, achieving maximum F1-scores of 95.41% for metadata extraction and 98.91% for categorization of data types and separation of the original text. These results provide valuable insights into the use of deep learning language models and different types of datasets for constructing reference databases for research reports including both reference and non-reference texts.