张卓 高海亮 刘晓东

摘要：本论文研究了AI技术在CASHL（中国高校人文社会科学文献中心）学科服务中的创新应用，通过分析AI技术与CASHL服务各自的特点与现实需求，以及融入学科服务全流程的具体路径，阐述人机协同服务模式的构建优势，并探索AI驱动的动态评估体系的运作机制。研究表明，AI技术的应用，能够有效突破传统CASHL学科服务的局限，提升服务效率与质量，为CASHL学科服务开创全新范式，推动图书馆学科服务向智能化、个性化方向发展。

研究背景及目的与意义

研究背景

当前，人工智能技术（AI）的发展态势极其迅猛。尤其是以DeepSeek为代表的中国AI智能化系统的快速发展及其在社会应用领域的快速普及，深刻改变了社会各行各业的运行模式与底层逻辑。与此同时，高校图书馆学科服务作为支撑教学科研的核心业务，其服务效能直接影响高校学术创新水平与人才培养质量。而CASHL作为中国高校人文社会科学文献信息资源保障体系的关键枢纽，更是长期承担着文献资源整合、传递与学科情报服务的重要使命。在高校师生对学术资源需求日益精细化、个性化的今天，传统的CASHL学科服务模式，暴露出响应速度迟缓、资源匹配精准度不足、服务评估滞后等一系列问题，难以满足新时代学术研究的动态需求[1]。毋庸置疑，AI技术的崛起，为CASHL学科服务变革提供了新契机。

AI技术可通过将机器学习、自然语言处理（NLP）等数字核心技术，融入图书馆学科服务流程的方式[2]，实现服务的自动化与智能化升级，精准对接用户需求，优化服务体验。因此，深入研究AI技术与CASHL学科服务相互融合的创新路径，便成为推动高校图书馆人文社科领域知识服务转型的关键课题。

研究目的与意义

本研究旨在探索AI技术赋能下高校图书馆CASHL学科服务的创新路径，拟通过技术支持、人机结合、模式重构与机制优化等方式，构建智能化、高效化的学科服务体系。理论层面，以丰富图书馆学领域关于技术驱动服务创新的理论研究为基础，拓展AI技术在知识服务场景中的应用边界；实践层面，研究成果可为高校图书馆开展智能化学科服务提供可复制的实践方案，助力提升高校人文社会科学领域的学术研究效率与创新能力，以推动高校图书馆服务向专业化、个性化、智能化方向发展。

AI技术与CASHL学科服务融合创新的理论基础

AI技术概述

AI技术是以模拟人类智能为目标的交叉学科，其核心技术涵盖计算机学习、自然语言处理（NLP）与知识图谱等。其中，计算机学习是通过数据训练实现模型自主学习与预测，可以实现基于用户行为数据优化资源推荐策略；NLP技术能够突破人机交互壁垒，支持自然语言形式的需求检索与智能问答；知识图谱则通过构建实体逻辑关系网络，实现知识的结构化整合与关联分析，并为学科服务提供知识发现支撑。这些技术的综合协同应用，使AI具备强大的信息处理、模式识别与决策优化能力。如果AI技术能与高校图书馆的资源整合、支持服务等职能相结合，则可为图书馆CASHL学科服务创新注入新的活力，推动CASHL学科服务从传统人工模式向智能化、高效化方向转变。

CASHL学科服务的特点与需求

CASHL学科服务主要聚焦高校人文社会科学领域。基于自身服务内容的侧重点，CASHL学科服务有三大显著特征：其一，服务对象的专业性强，用户需求多集中于人文社会学科领域的前沿文献与深度分析；其二，服务内容复合化，涉及文献检索、文献传递、学科态势分析等多元业务；其三，个性化需求突出，不同学科、研究阶段的用户对资源类型、服务形式的需求存在显著差异。这使得CASHL学科服务要具备精准需求洞察、资源智能匹配、服务动态优化等能力，以满足学术研究的复杂性与动态性需求。

AI技术与CASHL学科服务融合的可行性

AI技术与CASHL学科服务具备高度可融合性，为学科服务的智能化转型提供了关键路径。从技术适配性看，AI技术的数据分析能力能够快速处理、筛选、过滤海量的文献资源与用户行为数据，实现用户需求的精准识别与资源的智能推送；NLP技术则可通过自然语言交互、人机对话的方式，降低用户使用门槛；机器学习算法则为服务效果的实时评估与动态优化提供技术保障。从业务需求看，AI技术能够弥补传统CASHL学科服务模式在服务效率与个性化服务方面的不足，满足高校师生对高效、精准学科支持的迫切需求。

AI技术在CASHL学科服务中的深度融合

需求分析的智能化

在传统CASHL学科服务的需求分析过程中，主要采用人工沟通方式。该模式虽具有人性化交互与个性化服务优势，但存在工作效率较低、重复性基础工作占比过高等问题，难以满足规模化服务需求。引入AI技术后，系统可通过NLP技术解析用户检索词及咨询文本的语义与意图，并结合用户历史行为数据，通过综合分析用户需求，动态构建精准化用户需求模型。例如，当用户输入“唐宋诗歌比较研究”时，系统可通过语义分析识别其研究方向，并结合知识图谱，挖掘出相关作者、流派、研究热点等信息，最终生成结构化需求分析报告。另外，系统可通过机器学习算法持续学习用户的行为数据，以便预测用户的潜在需求，主动推送更符合其个性化需求的相关资源与服务，以实现CASHL学科服务需求的精准性与智能化。

资源推荐的智能化

在传统CASHL学科服务中，资源推荐是笼统的、形式化的。引入AI技术后，系统可基于协同过滤、深度学习等算法，对用户需求与文献资源进行多维度匹配。例如，系统通过分析用户的学科背景、研究方向、阅读偏好等数据，结合文献的学术价值、引用频次、时效性等指标，构建更加个性化的推荐模型。针对“数字人文”领域的研究者，系统不仅可以推荐核心期刊论文，还可关联相关数据集、研究工具与学术会议信息，形成“资源+工具+服务”的立体、多维度的推荐体系。此外，AI技术可以进行强化学习及反复的智能强化训练，可根据用户的反馈动态调整推荐策略，持续优化CASHL学科服务资源推荐的效果。

服务交互的智能化

在传统CASHL学科服务中，服务交互长期受时间与空间的限制，难以满足用户的即时需求。引入AI技术后，系统可通过智能客服、虚拟现实（VR）与增强现实（AR）等技术，实现全时化服务响应与沉浸式交互体验。智能客服可基于NLP与知识图谱技术，实时解答80%以上的常见问题，如文献检索方法、传递流程等；对于复杂问题，系统可自动转接学科馆员，并同步推送历史交互记录，提升服务效率。VR/AR技术则为用户打造虚拟学术空间，如通过VR技术参与虚拟学术讲座，利用AR技术实现文献信息的实景叠加展示，进而增强服务交互的趣味性与直观性。

效果评估的智能化

在传统CASHL学科服务中，服务效果评估通常采用传统的问卷调查、人工汇总评估等方式，存在周期过长、数据片面等问题。引入AI技术后，系统可通过实时数据采集与智能分析的方式，构建智能化的高效动态评估系统。该动态评估系统可以自动收集用户资源的使用时长、点击率、满意度评分等多维度数据，并运用机器学习算法进行量化分析。例如，通过AI情感分析模型，解读用户反馈文本的情感倾向；通过AI关联逻辑分析，挖掘服务环节的潜在问题；通过AI预测模型，基于历史数据预判服务潜在风险。当某类资源推荐成功率下降时，系统会自动触发算法优化流程，实现服务效果的闭环优化。

CASHL学科服务模式：人机协同

人机协同服务模式的内涵

人机协同服务模式将AI技术与学科馆员的优势进行了科学的融合与互补[3]。由AI系统负责数据处理、规则化任务执行，如需求初筛、资源预推荐等，实现“量”的高效堆积与过滤；学科馆员则发挥专业深度优势，处理复杂问题，如深度情报分析、学术咨询指导等，实现“质”的深化与精进。通过数据共享与交互平台形成人机协作闭环：AI系统为学科馆员提供数据支持与决策建议，学科馆员对AI输出的结果进行专业审核与优化，共同打造精准、高效的学科服务。

人机协同服务模式的优势

一是效率提升。由AI自动化处理重复性、机械性任务，将馆员从低效劳动中解放出来，使其更专注于提供高价值、个性化的服务；同时，智能客服支持7×24小时即时响应，显著缩短用户等待时间并提升服务响应效率。

二是精准度提升。AI的大数据分析能力可提升用户需求识别与资源匹配的准确性，馆员的专业化把关会进一步确保服务质量，从而满足用户多样化需求。

三是服务拓展。人机协同打破服务边界，AI技术实现服务的规模化覆盖，馆员提供深度学术支持，进一步推动学科服务向研究支持、学术创新等高端领域延伸。

人机协同服务模式的构建

一是CASHL学科服务领域专业人员参与。图书馆服务的各领域专业性较强，尤其是CASHL学科服务更具专业性，在AI模型的构建过程中，CASHL学科服务领域专业人员要参与其中，以保证AI模型能够真正高效率地实现“为人服务”的目标，而非“人为AI服务”。AI模型构建中，首轮数据采集与筛查需确保高度精确，避免因初始数据误差引发的重复性数据修正或特征工程返工；同时，要强化人机互动功能，通过反复的人工训练，使AI模型逐步具备自我纠错、自主学习的能力。

二是数据共享与交互平台。搭建统一的数据中台，整合用户行为数据、文献资源数据、服务反馈数据等，实现数据的实时共享与跨系统交互。平台支持可视化数据分析，为学科馆员提供决策依据，同时接收学科馆员的优化指令，反向驱动AI模型迭代升级。

三是分工协作机制。制定明确的任务分工规则，即由AI负责机械性、重复性的资源采集与筛选，替代传统的、低效的人工服务；学科馆员负责对AI输出的信息进行专业判断，完成高价值资源的精准精选。例如，在文献推荐环节，AI系统基于算法生成候选资源列表，学科馆员结合学术判断力进行二次筛选与个性化补充；在学科情报分析中，AI系统完成数据采集与初步可视化，学科馆员负责深度解读与价值提炼，确保服务的专业性与可靠性。

四是培训与知识共享机制。建立双向知识传递体系，一方面，应通过开展AI技术培训的方式，提升学科馆员的数据处理与智能工具应用能力；另一方面，应将学科馆员的专业知识与服务经验转化为知识图谱或专家规则库，嵌入AI系统，增强其服务的专业性与精深程度。

AI驱动的动态评估机制

动态评估机制的概念与特点

AI驱动的动态评估机制以实时数据采集与智能分析为核心，具备三大特性，即实时性，通过数据流实时监测服务状态；精准性，基于多维度数据分析定位问题根源；自动化，通过算法模型自动生成优化策略，实现“评估―反馈―优化”的闭环管理。

动态评估机制的构建

一是数据采集与整合。在服务全流程中，系统部署数据采集节点，全面采集用户行为、资源使用及服务交互数据，并通过ETL技术进行清洗、转换与集成，构建支撑服务评估的综合数据库。

二是评估指标体系。构建包含需求分析准确率（用户需求确认率）、资源推荐满意度（资源使用率）、服务响应速度等20余项指标的评估体系，覆盖服务全生命周期。

三是AI分析与决策模型。基于深度学习构建服务评估模型，通过聚类分析识别服务异常模式，利用回归模型预测服务关键指标趋势；结合强化学习算法，自动生成参数调整与流程优化等决策方案。

本研究证实AI技术深度融入CASHL学科服务，能够实现需求分析、资源推荐、服务交互与效果评估的全流程智能化，重塑学科服务范式[4-6]。人机协同模式通过技术与人力的优势互补，显著提升服务效率与精准度；AI驱动的动态评估机制则为服务质量持续优化提供科学支撑。

未来，研究可聚焦三方面深化探索：一是加强新技术应用，如探索量子计算在大规模文献处理中的应用；二是完善人机协同机制，通过智能决策辅助系统实现人机深度融合；三是强化伦理治理，建立数据隐私保护、算法透明化的规范体系。随着AI技术的持续创新与实践探索的深入，其将持续赋能CASHL学科服务，推动高校图书馆人文社会科学学科情报服务向智能化、高效化升级，成为智慧图书馆生态系统中不可或缺的智能支撑节点。

同时，高校图书馆各领域专业人员应抓住AI技术发展的机遇，利用其处理重复性劳动的优势，聚焦学科领域深度研究，推动“人机结合”实现高效优质服务，避免技术替代风险。

吉林大学图书馆研究项目“AI赋能CASHL学科服务智能化升级与精准化服务体系构建研究”。

（作者单位：吉林大学图书馆）

参考文献：

[1]庞蓓.CASHL面向开放模式的服务体系的构建[J].图书馆学研究,2012(04):80-83.

[2]江珊,常定,张开阳,等.生成式人工智能辅助学科情报服务途径探析：以利用ChatGPT生成学科领域论文分析报告为例[J].大学图书馆学报,2025,43(01):93-102.

[3]王恒.基于用户反馈的智慧图书馆人机协同服务模式研究[J].图书馆研究与工作,2025(03):52-57.

[4]刘炜,张磊,嵇婷,等.以AI塑形智慧图书馆：基于智能体的下一代图书馆服务平台[J].农业图书情报学报,2025,37(05):15-26.

[5]黄如花,石乐怡,江语蒙.6I未来学习中心：高校图书馆数智赋能教学科研服务新探[J].中国图书馆学报,2024,50(05):42-58.

[6]张晓林,梁娜.知识的智慧化、智慧的场景化、智能的泛在化：探索智慧知识服务的逻辑框架[J].中国图书馆学报,2023,49(03):4-18.