大学図書館レファレンス司書

大学図書館レファレンス司書

役割の概要

大学図書館レファレンス司書は、情報アーキテクチャ、学術支援、研究方法論の結節点に位置する専門職です。研究大学の環境において、この役割は単にヘルプデスクで質問に答えるだけにとどまりません。レファレンス司書は、分野別の研究ガイドを作成・維持し、学部生や大学院生に情報リテラシーを教え、教員と連携してコレクション構築を進め、電子リソースの複雑なライセンス契約を扱います。

現場の実態は極めて多忙です。中規模の研究大学に勤務する一人のレファレンス司書が、3～5の学術部門を担当し、数百にのぼる契約データベースを管理し、新入生の初めての注釈付き参考文献作成から博士課程学生の系統的文献レビューに至るまで多様なリサーチコンサルテーションに対応し、同時に図書館の教育効果を証明する認証評価資料の作成にも携わるといった状況が日常です。

制度的なプレッシャーは強まっています。大学予算は10年以上にわたって図書館資料費を圧迫しており、司書はすべての購読更新を利用統計データで正当化せざるを得ません。一方で、学生はGoogle検索のような即時回答を当然と考えるようになっており、専門家による深いガイダンスと利用者が期待するスピードとの間に緊張が生じています。レファレンス司書が提供する価値——深い領域知識、情報源評価の専門性、研究戦略の立案——こそ、まさにAIが模倣し始めている領域であり、この職種は、高等教育における最も重要な変革のストーリーの一つとなっています。

AIがこの役割をどのように変革しているか

変革は単一の破壊的イベントとして訪れるのではなく、ワークフローレベルの一連の置き換えとして徐々に蓄積されており、レファレンス司書が時間を費やす対象を静かに再分配している。

その場のニーズに応える会話型AI AIバックエンドと統合されたLibraryH3lpや、APIを介したChatGPTやClaudeの機関導入などのツールが、現在、一次レファレンス質問のかなりの部分を処理している。引用フォーマットに関する質問、データベースナビゲーションの手助け、開館時間やアクセスに関する質問、基本的なブール検索の構築などである。ノースカロライナ州立大学やミシガン大学などの教育機関では、AIチャットの試験運用によって、これまで人間の応答が必要だったチャット量の30～50％を吸収しており、司書を反復的なトリアージから解放している。

AIを活用した文献発見 Elicit、Consensus、Research Rabbit、Semantic ScholarのAI機能などのプラットフォームが、大学院生や教員の文献レビューへのアプローチを変えている。学生はすでにAIを使って研究領域をマッピングした上で相談に訪れるため、司書の役割は情報源の紹介から、AIが生成した文献リストに含まれる幻覚引用、カバレッジの欠落、方法論的な盲点を批判的に評価することへと移行している。

目録とメタデータのインテリジェンス 機械学習によるランキングを搭載したEx Libris PrimoやEBSCOのAI関連度チューニングといったAI強化型発見レイヤーは、資料を見つける際の摩擦を軽減しており、これまではレファレンス指導のかなりの部分を正当化していた。「どうやって資料を見つけるか」という質問は少なくなり、「見つけたものをどう評価し、統合するか」という質問がより中心的なものになっている。

体系的な文献レビューの自動化 Rayyan、Covidence、Nested Knowledgeなどのツールは、訓練された分類器を用いてタイトルと抄録のスクリーニングを自動化するようになった。健康科学や社会科学のシステマティックレビューを専門とするレファレンス司書は、スクリーニングの実施から、検索戦略の設計、AIのスクリーニング判断の検証、PRISMA準拠のための方法論文書化へと、その役割が移行しつつある。

AIが自動化できるタスク

• 利用案内や手続きに関するレファレンス質問への回答（開館時間、アクセス方法、印刷、基本的な館内案内）
• 自然言語による研究質問から初期ブーリアン検索式を生成すること
• 生の書誌データからAPA、MLA、シカゴなどのスタイルで引用文献を整形すること
• 既存のLibGuidesコンテンツやデータベース説明を集約して、主題別研究ガイドの初稿を作成すること
• システマティックレビューのワークフローにおいて、大量の検索結果を関連性に基づいてスクリーニングすること
• サブスクリプション更新判断のために、利用統計の概要やコレクション重複レポートを生成すること
• 研究相談の録音を文字起こしし、要約してフォローアップ文書を作成すること
• 目録メンテナンスのワークフローにおいて、重複レコードや不整合なメタデータを特定すること
• 学習目標の入力に基づいて、情報リテラシーモジュールの教育コンテンツの草案を作成すること
• 特定の分野の新着文献を監視し、自動化されたカレントアウェアネスフィードを通じて教員や大学院生に通知すること

重要性を増すスキル

AI生成研究アウトプットの批判的評価。 学生がAI支援で文献レビューを提出し、そこに幻のDOI、誤った引用、もっともらしいが実在しない学術誌が含まれる中で、これらの成果を体系的に検証できるレファレンス司書は、学術的誠実性を守る上で不可欠なパートナーとなる。これには、単なる情報源検証スキルだけでなく、大規模言語モデルが書誌情報においてどのように誤りを生じるかの理解も求められる。

研究方法論コンサルティング。 コンサルテーションは上流工程に移行している。情報源を見つける手助けから、司書は研究デザインについて助言する機会が増えている——ある問いに必要なエビデンスの種類、スコーピングレビューとシステマティックレビューのどちらが適切か、ピアレビューの精査に耐えうる再現可能な検索戦略の構築方法などを助言する。

データリテラシーと研究データ管理。 NIH、NSF、ゲイツ財団の助成要件では、研究費交付の条件としてデータ管理計画の提出が求められるようになっている。データリポジトリやDublin Core、DataCiteといったメタデータ標準、FAIRデータ原則に精通した司書への需要は高く、これにはまだAIの代替が利かない。

AI時代の情報リテラシー教育の設計。 情報の探し方だけでなく、AI生成情報を吟味する方法——情報の出所を理解し、自信たっぷりに述べられる誤りを見分け、一次資料と突き合わせて検証する——を教えることは、新たな教育コンピテンシーであり、教育的スキルと技術的スキルの両方が求められる。

ベンダー交渉とライセンス戦略。 Elsevier、Springer、Wileyといった出版社が自社プラットフォームにAI機能を組み込み、AI学習データの権利を取り込もうとライセンス条件の再交渉を試みる中、契約リテラシーと交渉経験を持つ司書は、人間の判断力と機関固有の知識を要する形で、機関の利益を守っている。

エンベデッドライブラリアンシップと教員との連携。 研究チームに溶け込み、研究室のミーティングに参加し、研究費申請に貢献し、方法論のセクションを共著する司書は、AIでは再現できない関係性を築いている。このモデルは、基礎的なレファレンスサービスのコモディティ化への直接的な対応として、R1大学で拡大している。

重要性が低下しているスキル

• データベース固有の検索構文の暗記（現在、ほとんどのプラットフォームが自然言語を受け付ける）
• 手作業による引用整形と参考文献リスト作成
• 利用者に代わって行う網羅的なカタログ検索（現在ではAIの支援により利用者自身が行える）
• 主要な研究リソースとして静的な印刷版レファレンスコレクションを維持すること
• 一般の学部生向けの「データベースの使い方」導入指導の実施（ベンダー制作のチュートリアルやAIチャットによって代替が進んでいる）
• 教員向けカレントアウェアネスダイジェストの手作業による編集
• オープンアクセスやAI支援の文献発見ツールで入手可能な資料に対する、日常的な相互貸借の優先度判断

この業界における現在のAI導入状況

導入状況は一様ではなく、機関によって濃淡があるが、方向性は共通している。大規模なR1研究大学は、IT基盤や助成金による試験的取り組み、教員側からの圧力を追い風に導入が最も進んでいる。予算や人員に制約のある小規模なリベラルアーツ・カレッジでは、導入速度は緩やかである。

現時点で最も広く導入が進んでいるのは、ディスカバリとチャットの領域である。Ex Libris、OCLC、Innovative Interfacesなど主要な統合図書館システムベンダーは、ほぼすべての製品で関連度ランキングやレコメンデーション機能に機械学習を組み込んでいる。数十のARL（研究図書館協会）加盟館ではAIチャットの試験運用が行われているが、その多くは完全自律型ではなく、スタッフによる監視下またはハイブリッドモードでの運用にとどまっている。

保健科学系図書館は、一般の大学図書館よりもAI導入で一歩先んじている。これは、エビデンスに基づく医療で必須となるシステマティックレビューのワークフロー要件が背景にある。米国国立医学図書館（NLM）による生物医学NLPへの投資や、PubMedのAI支援検索などのツールにより、臨床や公衆衛生の領域ではAIを活用した研究がすでに一般的になっている。

専門家コミュニティも、AIがもたらす影響について活発に向き合っている。ACRL（大学・研究図書館協会）は2023年に初のAIリテラシー・フレームワークガイダンスを発表し、ALA年次大会やチャールストン会議での議論は「AIに関与すべきか」から「どう責任をもって統治するか」へと焦点を移している。

将来のワークフローの進化

物理的にも概念的にも拠点としての役割を縮め続けてきたレファレンスデスクは、いまや分散型で相談が中心のモデルへと置き換わりつつある。そこでは司書は情報の門番というよりも、研究チームに密着したリサーチコンサルタントのように活動する。

3～5年後の研究大学で想定されるワークフローは次のようなものだ。AIが一次的な問い合わせをすべて自律的に処理し、複雑な質問や機密性の高い質問に対しては人間へのエスカレーションプロトコルが用意される。司書は時間の大半を、スケジュールされた相談業務、研究チームへの参加、上級生や大学院生向けの情報リテラシー教育、そして機関の知識基盤（リポジトリ、データ管理システム、オープンアクセス出版ワークフロー）の管理に費やすことになる。

研究者が本当に必要としているものを明確にするための構造化された対話であるレファレンスインタビューは、その価値が低下するどころか高まる。AIシステムが膨大な情報を提示するため、問題は情報の不足から圧倒的な過剰と品質の不確実性へと移行するからだ。方法論的な厳密さをもって研究者がこの過剰を乗り越えるのを助けられる司書は、自動化では代替しにくい機能を果たしている。

コレクション構築はますますデータ駆動型になり、AIツールが利用パターン、引用の重複、オープンアクセスの利用可能性を分析して購読の推奨を生成するようになる。しかし最終的な判断、特に特定の研究コミュニティに影響を与える購読中止に関しては、機関の優先事項、教員との関係、長期的な研究戦略についての人間の判断が必要となる。

一般的なAI活用事例

研究相談の準備 予定された相談の前に、司書はAIツールを利用して利用者のトピックに関する予備的な文献マップを作成し、主要なジャーナル、主要な著者、最近の高被引用論文を特定する。これにより、相談では基礎的なオリエンテーションではなく、戦略と評価に集中できる。

系統的レビューの検索戦略策定 健康科学分野の司書が、AIを用いてPICOフレームワークから候補となる検索語とMeSHタームを生成し、その後手動で戦略を精緻化してからMEDLINE、Embase、CINAHLで実行する。

LibGuideの草案作成 主題専門司書が、プロンプトエンジニアリングを活用したワークフローを用いて、新たな学際プログラム向けの研究ガイドの初稿を生成し、関連データベース、主要ジャーナル、引用管理ガイダンスを取り込み、正確性と機関固有の事情に合わせて編集する。

コレクション重複分析 OCLCやIntotaのAI強化ツールを用いて、コレクション開発司書が現在の購読とオープンアクセスでの利用可能性との重複を分析し、予算交渉に先立って解約候補を特定する。

情報リテラシー教育の設計 司書がAIアシスタントを使用して、1年次ライティングコースに組み込まれた情報リテラシーモジュール向けのクイズ問題、シナリオベースの演習、ルーブリック表現を生成し、教育上の整合性を確認して加筆修正する。

AI生成文献リストの引用監査 司書が、DOIルックアップ、Google Scholar照合、データベース検証を組み合わせた検証ワークフローを開発し、学生が提出した文献リストに含まれるAIのハルシネーションを監査する。そして、このワークフローを研究方法指導の一環として教える。

推奨AIスタック

文献発見とマッピング

• Elicit — 証拠抽出を伴う構造化文献レビュー
• Research Rabbit — 引用ネットワークの可視化と発見
• Semantic Scholar — AIによる関連性機能を備えたオープン研究コーパス
• Connected Papers — 未習熟分野でのビジュアルな文献マッピング

システマティックレビュー支援

• Rayyan — AI支援によるタイトル・抄録スクリーニング
• Covidence — MLスクリーニング支援付きの完全なレビューワークフロー
• Nested Knowledge — 高度な統合とリビングレビュー機能

レファレンス・利用指導支援

• AI統合型の LibraryH3lp または Springshare LibAnswers — 階層型チャットサポート
• AI下書き支援付き Springshare LibGuides — 主題ガイドの作成
• AIプラグイン対応 Zotero — 引用管理とアノテーション

コレクションインテリジェンス

• OCLC Collection Manager — 重複分析とベンチマーキング
• Unsub — ジャーナルパッケージ交渉のための購読バンドル解除分析
• AI機能付き Ex Libris Alma Analytics — 利用データに基づくコレクション判断

一般的な生産性向上とコンテンツ作成

• Claude または ChatGPT（機関API導入） — 下書き、要約、コンサルテーション準備
• Otter.ai または Whisperベースの文字起こし — コンサルテーションの文書化

リスクと課題

文献参照におけるハルシネーションは、患者安全と学術的誠実性の問題です。 健康科学領域では、システマティックレビューに含まれる架空の臨床試験引用は軽微な誤りでは済みません。レファレンス司書は、AIによって生み出された書誌的誤りが公刊研究に入り込むのを防ぐ最後の防衛線となりつつあり、このことが、現場でいまだ十分に解決されていない法的責任や専門的責任に関する問いを生じさせています。

ベンダーロックインとデータ主権。 AI機能が契約プラットフォームに組み込まれるにつれ、図書館では、利用者の検索データや相談記録、機関の研究活動を処理するベンダーAIシステムに依存するリスクが生じます。FERPA（家族教育権利とプライバシー法）に基づくプライバシーへの影響や、ベンダーがモデル訓練にこのデータを利用できる条件については、未だ標準化も十分なガバナンスも確立されていません。

専門職における脱スキル化のリスク。 AIが数年にわたって日常的なレファレンス業務を担うようになると、その日常業務を通じて深い専門性を培ってきた司書の育成パイプラインが細る恐れがあります。これは差し迫った懸念ではありませんが、自動化によって徒弟制度的な層が取り除かれた他の専門職で起きたことと構造的に類似しています。

公平性とアクセスの格差。 AIで強化された図書館サービスには、堅牢な組織的IT基盤、職員研修予算、ベンダーとの関係が必要ですが、コミュニティカレッジやHBCU（歴史的黒人大学）、地方大学など小規模機関では往々にしてこれらが不足しています。リソースの豊かな機関と乏しい機関との間で、研究支援の質の格差が広がることがリスクです。

役割再定義への組織的抵抗。 トランザクション件数でレファレンスの価値を測ることに慣れた図書館管理者や大学幹部は、高接触型のコンサルテーションや埋め込み型研究支援への移行を認識せず、予算を割り当てない可能性があります。より少なく、より深いやりとりの価値を示すには、多くの機関がまだ整備できていない新たな評価枠組みが必要です。

専門職内のAIリテラシー格差。 現在のレファレンス司書の多くは、生成AIが現実的なものとなる前にこの職業に入りました。AIを使いこなすための継続教育の基盤は変化の速度に比べて未整備であり、機関や世代によって能力にばらつきが生じています。

今後3〜5年の展望

レファレンス司書という役割が消えることはないが、二極化するだろう。研究集約型の大学では、その役割は研究方法論の専門家や情報インフラのスペシャリストに近いものへと進化し、研究ワークフローに深く組み込まれ、助成金申請書の作成に貢献し、データリポジトリを管理し、大学院レベルの研究方法を教えるようになる。肩書も変わるかもしれない。「研究データ司書」「学術コミュニケーション司書」「埋め込み型研究コンサルタント」といった名称は、すでに5年前と比べてR1大学（研究活動が極めて盛んな大学）では一般的になりつつある。

教育中心の大学では、圧力の性質が異なる。研究活動の規模が小さく学部生の比率が高い環境では、情報リテラシー教育機能は引き続き中核を占めるが、その内容は、AI評価、情報源の検証、AIが介在する情報環境における研究倫理へと大きくシフトするだろう。

この移行をうまく乗り切る機関は、現職の司書の学び直しに投資し、職務記述書を新たな価値提案を反映したものに再定義し、単なる取引件数ではなく、コンサルテーションの深さや研究インパクトを捉える評価フレームワークを構築する機関である。そうしなければ、レファレンス部門は徐々に空洞化し、AIが可視化できて数えられる業務を処理する一方で、目に見えない高価値の業務は認識されず、資金もつかなくなるだろう。

職業的アイデンティティの問題は現実のものだ。レファレンス・ライブラリアンシップは歴史的に「アクセス」——人と情報を結びつけること——を軸に自己を定義してきた。情報へのアクセスがもはやボトルネックではなくなった環境において、この専門職には新たな組織原理が必要だ。最も説得力のある候補は「認識論的品質」、すなわち知識の確かさである。豊富さと不確かさが共存し、検索する能力よりも評価し、検証し、統合する能力の方がはるかに希少である情報環境を、研究者や学生、機関が進んでいくのを支えることが、これからの使命となる。

最終的な洞察

レファレンス司書の最も深い専門性——情報のありかだけでなく、それが信頼できるかどうか、どのように生成されたか、特定の研究課題に対して実際に何を意味するのかを知ること——は、大規模言語モデルが説得力をもってシミュレートするものの、信頼性をもって実行しないことそのものである。シミュレーションと信頼性の間のギャップこそが、この職業の将来価値が集中する場所である。

今後5年間で成功する司書は、AIツールに抵抗する者でも、無批判に受け入れる者でもなく、AIシステムに対して洗練された批判的な関係を築く者——その失敗モードを十分に理解して捕捉し、その強みを十分に理解して活用し、その限界を十分に理解して、AIと司書の双方にますます依存しながらもそのどちらも完全には理解していない研究者たちに説明できる者——である。

それは、より困難で、知的により要求の厳しい仕事のあり方である。そして、より守りやすいあり方でもある。