高校图书馆参考馆员

高校图书馆参考馆员

角色概览

高校图书馆参考馆员处于信息架构、学术支持与研究方法论的交汇点。在研究型大学的环境中，这一角色远不止在咨询台前答疑解惑。参考馆员需要建立和维护面向特定学科的研究指南，为本科生和研究生讲授信息素养课程，与教师就馆藏建设进行协商，并驾驭复杂的电子资源许可协议。

实际工作中的要求相当严苛。在一所中等规模的研究型大学，一位参考馆员可能需要支撑三到五个学术院系，管理数百个授权数据库，处理从大一新生首次撰写注释书目到博士生进行系统性文献综述等各类研究咨询，同时还要为证明图书馆教学成效的认证文件贡献力量。

机构层面的压力也在不断加剧。十多年来，大学的预算持续挤压图书馆采购经费，迫使馆员用使用数据来论证每一份资源续订的合理性。与此同时，越来越多的学生带着“谷歌式”速查答案的期待走进图书馆，在专业指导的深度与用户期望的响应速度之间制造了张力。参考馆员的核心价值——深厚的学科知识、信源评估专长以及研究策略能力——恰恰是当前AI开始逼近的领域，这也使得这一角色成为高等教育中最具深远影响的转型故事之一。

人工智能如何重塑这一角色

这场变革并非以单一颠覆性事件的形式来临，而是通过一系列工作流层面的替代逐步累积，悄无声息地重新分配着参考馆员的时间投入。

即时需求场景中的对话式人工智能。 诸如集成AI后台的LibraryH3lp，以及通过API部署的ChatGPT或Claude等机构级工具，正在处理相当大比例的一线参考咨询——包括引文格式问题、数据库导航协助、开放时间与访问权限咨询，以及基础的布尔检索构建。在北卡罗来纳州立大学和密歇根大学等机构，AI聊天试点已吸收了此前需要人工回复的30%至50%的聊天咨询量，将馆员从重复性的分诊工作中解放出来。

人工智能辅助的文献发现。 Elicit、Consensus、Research Rabbit 和 Semantic Scholar 的AI功能等平台，正在改变研究生和教师进行文献综述的方式。学生来到咨询台时，往往已使用AI工具大致描绘了研究图景，这使得馆员的角色从介绍信息源，转向批判性地评估AI生成的参考文献目录——检视是否存在虚构的引文、覆盖范围缺口以及方法论盲点。

目录与元数据智能。 AI增强的发现层——例如采用机器学习排序的Ex Libris Primo，以及EBSCO的AI相关性调优——正在减少查找资料的阻力，而这一直以来支撑了参考咨询中相当一部分教学需求。“如何找资料”这类问题正变得越来越少；“如何评价与综合我已找到的资料”则变得愈发核心。

系统综述的自动化。 Rayyan、Covidence和Nested Knowledge等工具，现已能使用训练好的分类器自动完成标题与摘要筛选。专长于健康科学或社会科学系统综述的参考馆员，正经历着角色的转变：从亲自执行筛选，转向设计检索策略、验证AI筛选决策，并依照PRISMA规范编制方法学文档。

人工智能可自动化的任务

• 回答方向性和流程性的参考咨询问题（开馆时间、访问方式、打印、基本导航）
• 根据自然语言描述的研究问题生成初始布尔检索式
• 根据原始书目数据自动生成 APA、MLA、Chicago 等格式的引文
• 整合现有 LibGuide 内容和数据库说明，生成初稿学科研究指南
• 在系统综述工作流程中，快速筛选大批检索结果的相关性
• 生成使用统计摘要和馆藏重叠分析报告，为数据库续订决策提供依据
• 转录并概括研究咨询录音，用于后续记录与存档
• 在编目维护流程中识别重复记录和不一致的元数据
• 根据给定的学习目标，草拟信息素养模块的教学内容
• 监测特定学科领域的新出版物，并通过自动化新讯通报服务推送给教师或研究生

价值持续提升的技能

对AI生成研究成果的审慎评估。 学生提交的AI辅助文献综述中充斥着虚构的DOI、张冠李戴的研究发现和看似合理却根本不存在的期刊，能够系统审计这些产出的参考馆员正成为学术诚信中不可或缺的合作伙伴。这不仅需要来源核验技能，还要求理解大语言模型在文献语境下会以何种方式出错。

研究方法咨询。 咨询服务正在向上游转移。馆员不再只是帮人查找资料，而是越来越多地就研究设计提供建议——某个问题需要什么样的证据基础，采用范围综述还是系统综述更为合适，如何构建可复现的检索策略以经得起同行评审的审视。

数据素养与研究数据管理。 NIH、NSF和盖茨基金会等资助机构已强制要求将数据管理计划作为资助条件。在数据仓储、Dublin Core和DataCite等元数据标准以及FAIR数据原则方面具备专长的馆员正变得炙手可热，且目前尚无AI可以替代。

面向AI时代的信息素养教学设计。 教会学生不仅如何查找信息，更要学会如何审视AI生成的信息——理解信息溯源，识别自信满满的错误，在原始资料间交叉验证——这是一项新的教学能力，需要兼具教学技巧和技术素养。

供应商谈判与授权策略。 随着Elsevier、Springer、Wiley等出版社将AI功能嵌入其平台，并试图重新谈判授权条款以获取AI训练数据权，具备合同素养和谈判经验的馆员正以人类判断力和机构知识守护着所属机构的利益。

嵌入型图书馆服务与院系合作。 融入研究团队、出席实验室组会、参与资助申请、合著论文方法部分的馆员，正在建立起AI无法复制的关系。这种模式正在R1类研究型大学中扩散，作为对基础参考服务商品化的直接回应。

重要性逐渐降低的技能

• 记忆数据库特有的检索语法（多数平台现已支持自然语言查询）
• 手动格式化引文和构建参考文献列表
• 为用户执行详尽的目录检索，而如今用户可在AI辅助下自行完成
• 将静态纸质工具书作为核心研究资源进行维护
• 面向普通本科生讲授“如何使用数据库”入门课程，这类教学正逐渐由数据库商制作的教程和AI聊天服务承担
• 手动为教师编制信息动态摘要
• 对可通过开放获取或AI辅助发现的文献进行常规馆际互借筛选

本行业当前的AI采用情况

采用情况不均衡，因机构而异，但方向是一致的。大型 R1 研究型大学走在前列，这得益于 IT 基础设施、资助基金支持的实验项目以及教师的压力。小型文理学院则进展较慢，受限于预算和人员编制。

目前最广泛的部署集中在资源发现和聊天服务领域。几乎每个主要的集成图书馆系统供应商——Ex Libris、OCLC、Innovative Interfaces——都已将机器学习嵌入到相关度排序和推荐功能中。数十家研究图书馆协会（ARL）成员机构正在开展 AI 聊天机器人试点，但多数仍处于人工监督或混合模式，尚未实现完全自主运行。

健康科学图书馆在 AI 采用方面领先于普通学术图书馆，这源于循证医学对系统综述工作流程的刚性需求。美国国家医学图书馆对生物医学自然语言处理（NLP）的投入，以及 PubMed 的 AI 辅助检索等工具，已使 AI 增强型研究在临床和公共卫生领域成为常态。

专业界正积极探讨其深层影响。大学与研究图书馆协会（ACRL）于 2023 年发布了首份 AI 素养框架指南，而美国图书馆协会（ALA）年会和查尔斯顿会议上的讨论焦点，也已从“我们是否应该接触 AI”转变为“我们如何负责任地治理它”。

未来工作流程演变

作为物理和概念核心的参考咨询台，其长期衰落仍在持续。取而代之的是一种分散的、以咨询为主的模式，图书馆员更像是嵌入式研究顾问，而非信息守门人。

未来三到五年，研究型大学可能形成的工作流程大致如下：AI 自主处理所有一线查询，复杂或敏感问题则触发人工升级机制。图书馆员的大部分时间将用于预约咨询、融入研究团队、教授高年级和研究生信息素养课程，并管理机构知识基础设施——包括知识库、数据管理系统及开放获取出版流程。

参考访谈——这种帮助研究人员理清真实需求的结构化对话——将变得更有价值，而非反之，因为 AI 系统提供的信息如此之多，问题的性质已从稀缺转为令人不堪重负的泛滥和质量的不确定性。能以严谨方法论帮助研究人员驾驭这种信息富集的图书馆员，正在从事一项自动化难以推广的工作。

馆藏建设将日益依赖数据驱动，由 AI 工具分析使用模式、引文重叠和开放获取可得性，生成订阅建议。但最终决策——尤其是涉及影响特定研究社群的期刊停订——仍需基于机构发展战略优先级、院系关系及长期研究规划做出人为判断。

常见的人工智能应用场景

• 研究咨询准备。 在预定的咨询开始前，馆员使用AI工具生成读者研究主题的初步文献图谱，标出关键期刊、主要作者和近期高被引论文，使咨询过程能聚焦于策略与评估，而非基础性引导。
• 系统综述检索策略制定。 健康科学馆员利用AI从PICO框架中生成候选检索词和MeSH主题词，然后手工优化检索策略，再将其应用于MEDLINE、Embase和CINAHL数据库。
• LibGuide指南初稿撰写。 学科馆员通过精心设计的提示词工作流，为新的跨学科项目生成研究指南初稿，自动纳入相关数据库、核心期刊和文献管理指导，随后根据准确性和本校特色进行编辑修改。
• 馆藏重叠分析。 馆藏发展馆员借助OCLC或Intota的AI增强工具，分析现行订阅资源与开放获取版本之间的重叠，从而在预算谈判前确定可停订的备选清单。
• 信息素养教学设计。 馆员使用AI助手为嵌入大一写作课程的信息素养模块生成测验题、情境化练习和评分量表用语，再审视并修改以贴合教学目标。
• AI生成参考文献的引文核查。 馆员开发一套验证工作流——融合DOI查询、Google Scholar交叉核对和数据库验证——用以审查学生提交的参考文献中是否存在AI幻觉，并将这一流程作为研究方法教学的一部分传授给学生。

推荐 AI 工具栈

文献发现与图谱

• Elicit — 带有证据提取功能的结构化文献综述
• Research Rabbit — 引文网络可视化与发现
• Semantic Scholar — 开放研究语料库，具备 AI 驱动的相关性功能
• Connected Papers — 面向陌生领域的可视化文献图谱

系统综述支持

• Rayyan — AI 辅助的标题与摘要筛选
• Covidence — 完整的系统综述工作流，支持机器学习辅助筛选
• Nested Knowledge — 高级综合和持续更新的综述功能

参考咨询与教学支持

• LibraryH3lp 或集成 AI 的 Springshare LibAnswers — 分层级聊天支持
• 集成 AI 草拟辅助的 Springshare LibGuides — 学科指南开发
• 带有 AI 插件的 Zotero — 引文管理与文献注释

馆藏智能

• OCLC Collection Manager — 重复馆藏分析与基准比较
• Unsub — 用于期刊包谈判的订阅解绑分析
• 带有 AI 功能的 Ex Libris Alma Analytics — 基于使用数据的馆藏决策

通用生产力与内容

• Claude 或 ChatGPT（机构 API 部署）— 文案草拟、总结、咨询准备
• 基于 Otter.ai 或 Whisper 的转录 — 咨询记录文档

风险与挑战

文献上下文中的幻觉问题关系到患者安全与学术诚信。 在健康科学领域，系统综述中出现一个虚构的临床试验引用绝非小错。参考馆员正日益成为防止 AI 生成文献错误进入已发表研究的最后一道防线，由此带来的责任与职业伦理问题，该领域尚未彻底解决。

供应商锁定与数据主权。 随着 AI 功能嵌入授权平台，图书馆面临对供应商 AI 系统产生依赖的风险，这些系统会处理读者的检索数据、咨询记录和机构科研活动。在《家庭教育权利与隐私法案》(FERPA)框架下的隐私影响，以及供应商将这些数据用于模型训练的条件，目前既无统一标准，也缺乏妥善治理。

职业去技能化风险。 如果 AI 持续数年承担常规咨询服务，那么通过这类日常工作积累深厚专业经验的馆员培养梯队可能会收窄。问题并非迫在眉睫，但在结构上与其他领域中自动化挤掉学徒层的现象相似。

公平与可及性差距。 AI 增强型图书馆服务需要稳健的机构 IT 基础设施、员工培训预算和供应商关系，而社区学院、传统黑人大学、地方性大学等较小机构往往缺乏这些资源。风险在于，资源充裕机构与资源不足机构之间研究支持质量的鸿沟会进一步扩大。

机构对角色重塑的抵触。 习惯于通过咨询量来衡量参考服务价值的图书馆管理层和大学领导，可能不会认可也不会资助向高接触咨询、嵌入式研究支持的转变。要证明更少但更深入互动的价值，需要新的评估框架，而许多机构尚未建立此类框架。

行业内部的 AI 素养差距。 现有参考馆员队伍中有相当一部分人在生成式 AI 成为现实之前就已入行。相对于变革速度，面向 AI 流畅性的继续教育基础设施发展滞后，导致不同机构和从业群体之间的能力参差不齐。

未来展望（3–5年）

参考馆员这一角色不会消失，但会发生分化。在研究密集型院校，角色将向研究方法论专家和信息基础设施专家的方向演变——深度嵌入研究工作流，参与基金申请书撰写，管理数据仓储，并为研究生水平的研究方法课程授课。职位名称也会随之变化；相比五年前，“研究数据馆员”“学术交流馆员”“嵌入式研究顾问”这类头衔在R1类院校已经更为普遍。

在教学导向的院校，压力则有所不同。由于科研体量较小而本科生规模较大，信息素养教学职能仍将居于核心，但教学内容将大幅度转向AI评估、信息来源核实，以及AI中介的信息环境中的研究伦理。

能够顺利渡过这一转型期的院校，是那些投资于在职馆员技能重塑、重新定义岗位描述以体现新的价值主张，并构建能捕捉咨询深度和研究影响力、而非简单计量事务处理量的评估体系的高校。反之，如果做不到这些，高校参考咨询部门将逐渐空心化：AI处理那些显性、可计量的工作，而隐性、高价值的工作则得不到认可和资助。

专业身份认同的问题真实存在。参考馆员这一职业在历史上一直以“获取”来定义自身——将人与信息连接起来。在信息获取不再构成瓶颈的环境下，该专业需要一个新的组织原则。最有说服力的候选方向是认知质量——帮助研究者、学生和机构在信息丰裕与不可靠并存的环境中辨明方向，在这样的环境中，评价、核实与综合信息的能力，远比单纯检索信息的能力更为稀缺。

最终洞见

参考馆员最深厚的专长——不仅了解信息存在于何处，更能判断其可信度、洞悉其产生过程，并准确把握其对特定研究问题的实际意义——正是大型语言模型虽然能令人信服地模拟，却无法可靠执行的能力。这种模拟与可靠之间的差距，恰恰凝结着这一职业未来的核心价值。

未来五年内能脱颖而出的图书馆员，既不是抗拒人工智能工具的人，也不是不加批判地全盘接受的人，而是那些与人工智能系统建立起复杂、审辨关系的人——他们足够了解这些系统的失败模式，以捕捉其错误；清楚其优势，以善加利用；洞悉其局限，以向研究者解释清楚。而研究者们正日益同时依赖人工智能与图书馆员，却对二者都缺乏完整的理解。

这是这份工作更为艰难、对智力要求更高的版本，同时也是一个更具职业保障的版本。