מדע המידע בעידן הבינה המלאכותית: לא בשולי המהפכה אלא בליבה

מדע המידע בעידן הבינה המלאכותית: לא בשולי המהפכה אלא בליבה 

Library and Information Science in the Age of Artificial Intelligence:  Not on the Margins of the Revolution, but at Its Core

 פרופ' גילה פריבור, המחלקה למדעי המידע, אוניברסיטת בר-אילן.  

Gila.prebor@biu.ac.il 

052-8633811 

להורדת המאמר

בחזרה לדף הבית 

תקציר 

מאמר זה מציע בחינה עיונית־מושגית של מקומו של מדע המידע בעידן הבינה המלאכותית. באמצעות סקירת ספרות היסטורית ותאורטית נטען כי ספרנות ומדע המידע אינם מצויים בשולי המהפכה, אלא מספקים חלק מן התשתית האינטלקטואלית והמוסדית הנדרשת להפעלת מערכות בינה מלאכותית עתירות ידע. הדיון עוקב אחר המשכיות רעיונית מתנועת התיעוד, אוטלה, ברייט וחזון ה־Memex של בוש ועד למטא־נתונים, אונטולוגיות, גרפי ידע ואחזור מועשר־יצירה (RAG). המסגרות של DIKW והביקורת עליה, הבחנותיו של באקלנד וגישת ניתוח התחומים של היורלנד משמשות להבהרת הפער בין עיבוד נתונים לבין משמעות, הקשר ושיפוט. הבינה המלאכותית הגנרטיבית מחדדת את הצורך בתנועה חוזרת של אימות, ביסוס והערכת מקורות. נוסף על כך נבחנים תפקידן של ספריות ומוסדות GLAM כזירות יישום והערכה,  והאתגרים של הטיה אלגוריתמית, אי־צדק אפיסטמי, קריסת מודלים ופיקוח אנושי משמעותי. המאמר מציע לראות במומחי מידע אדריכלי ידע המשתתפים בעיצוב תשתיות סמנטיות, מדיניות מידע ומנגנוני בקרה וממשל. עם זאת, תרומתו של מדע המידע משלימה מומחיות חישובית, הנדסית ותחומית ואינה מחליפה אותה; גם כלי ארגון הידע ופיקוח האדם אינם ניטרליים או מספקים כשלעצמם. לפיכך נדרשים מחקר אמפירי ושיתוף פעולה בין־תחומי כדי לבחון מתי עקרונות התחום משפרים בפועל אמינות, שקיפות ואחריותיות במערכות בינה מלאכותית. 

מילות מפתח: מדע המידע; בינה מלאכותית; ארגון ידע; אחזור מועשר־יצירה (RAG); אדם בלולאה (HITL). 

 Library and Information Science in the Age of Artificial Intelligence:  Not on the Margins of the Revolution, but at Its Core 

 Abstract 

This conceptual article examines the place of information science in the age of artificial intelligence. Drawing on a narrative review of historical and theoretical literature, it argues that library and information science is not peripheral to the AI revolution but provides part of the intellectual and institutional infrastructure required for knowledge-intensive AI systems. The discussion traces a conceptual continuity from the documentation movement, Otlet, Briet, and Bush’s Memex to metadata, ontologies, knowledge graphs, and retrieval-augmented generation (RAG). The DIKW hierarchy and its critiques, Buckland’s distinctions among forms of information, and Hjørland’s domain analysis are used to clarify the gap between data processing and meaning, context, and judgment. Generative AI underscores the need for a recurring process of verification, grounding, and source evaluation. The article also considers libraries and GLAM institutions as settings for implementation and evaluation, and addresses algorithmic bias, epistemic injustice, model collapse, and meaningful human oversight. It proposes that information professionals act as knowledge architects who contribute to the design of semantic infrastructures, information policy, oversight mechanisms, and governance. However, information science complements rather than replaces computational, engineering, and domain expertise, and neither knowledge-organization tools nor human oversight are neutral or sufficient on their own. Empirical research and interdisciplinary collaboration are therefore needed to determine when these principles improve the reliability, transparency, and accountability of AI systems in practice.

Keywords: Library and Information Science; Artificial intelligence; Knowledge organization; Retrieval-augmented generation (RAG); Human in the loop (HITL)

 מבוא: התפתחות הדיסציפלינה

נהוג לאפיין בטעות את דיסציפלינת הספרנות ומדע המידע (Library and Information Science – LIS) כתוצר ישיר של המהפכה הדיגיטלית בלבד, או כסוג של "שלוחה טכנולוגית" של מדעי המחשב. השקפה זו מתעלמת מן השורשים ההיסטוריים והחברתיים של התחום, שהתעצבו בתוך מקצועות הספרנות והמידע זמן רב לפני עידן המחשב, ומן העובדה שמדע המידע ממשיך גם כיום לעבור תהליך של התגבשות והגדרה מחודשת. כפי שמראה סרסביץ' בניתוח אופייה הבין־תחומי של הדיסציפלינה, מדע המידע הוגדר מראשיתו לא על ידי רשימת נושאים סגורה אלא על ידי הבעיות שניסה לפתור: תקשורת יעילה של ידע ושל תיעוד ידע בין בני אדם, בהקשרים מוסדיים וחברתיים משתנים (Saracevic, 1995). מחקר עדכני על טבעו הבין־תחומי של מדע המידע מדגיש כי התחום פועל בשיתוף שיטתי עם דיסציפלינות אחרות וכי גבולותיו התיאורטיים והמקצועיים ממשיכים להיבנות ולהיבחן מחדש (Rascão, 2018). מדע המידע צמח במפגש בין ספרנות, מדעי המחשב, מדעי הקוגניציה, בינה מלאכותית וחקר התקשורת, אך שמר על ממד חברתי ואנושי מובהק, החורג מן הטכנולוגיה. 

עם זאת, ליבת התחום נותרה מושרשת במסורת של ספרנות ומדע המידע: ניהול שיטתי של מקורות ידע, הבניית מערכות אחזור מידע והכוונת משתמשים לסביבות מידע אמינות ורלוונטיות. זהותו של התחום לא עוצבה בשבב הסיליקון, אלא במסורות העבודה של ספריות ומערכות מידע; מסורות אלו הן שמציבות את מדע המידע בעמדה ייחודית להתמודד עם אתגרי עידן הבינה המלאכותית, מן "התפוצצות המידע" והספרייה הדיגיטלית ועד למערכות AI עכשוויות.

מאמר זה הוא מאמר עיוני־מושגי המבוסס על סקירת ספרות היסטורית ותיאורטית בתחומי הספרנות ומדע המידע (LIS) והבינה המלאכותית. מטרתו להציע מסגרת להבנת תרומתן של מסורות ה־LISלמערכות בינה מלאכותית עתירות ידע, ולא להציג מחקר אמפירי חדש. הסקירה היא נרטיבית ותכליתית ואינה מתיימרת להיות שיטתית או ממצה. המקורות נבחרו לפי רלוונטיותם, איכותם וסמכותם, תוך העדפת מאמרים שפיטים ומקורות יסוד ושילוב מסמכי מדיניות ודוחות מקצועיים לצורך הדיון היישומי והרגולטורי. הסקירה מתמקדת בהתפתחות מדע המידע, בתשתיות ארגון ידע ואחזור ובהיבטים האתיים והמוסדיים של בינה מלאכותית. בשל אופייה היא חשופה להטיית בחירה ומסקנותיה מוצגות כסינתזה מושגית ביקורתית.

השאלה המנחה את המאמר היא: כיצד מסורות ארגון הידע, הערכת המקורות והממשל המקצועי של ספרנות ומדע המידע תורמות להפעלה אחראית של מערכות בינה מלאכותית עתירות ידע, ומהן מגבלותיה של תרומה זו?הדיון מתמקד במערכות הנשענות על איכותם, ארגונם והקשרם של מקורות ידע, ובהן מערכות אחזור מידע, מטא־נתונים, אונטולוגיות, גרפי ידע יצירה מעושרת-אחזור (RAG). טענת המאמר היא שמדע המידע הוא אחת התשתיות האינטלקטואליות והמוסדיות שעליהן נשענות מערכות בינה מלאכותית, לצד מדעי המחשב, סטטיסטיקה, למידת מכונה ותחומים נוספים. תרומתו מובחנת במיוחד בתחומי ארגון הידע, האחזור, הערכת המקורות, השקיפות והממשל, והיא משלימה את התרומה החישובית וההנדסית ואינה מחליפה אותה.

1.1 השורשים בתנועת התיעוד: מחזון אנלוגי לבינה מלאכותית

שורשיו של מדע המידע נעוצים בתנועת התיעוד שהתפתחה בראשית המאה ה־20. פול אוטלה, הנחשב לאחד מאבות הדיסציפלינה, חזה עולם שבו כלל הידע האנושי מקושר ומאורגן במסגרת מערכת גלובלית אחת (Otlet, 1934). מפעלו המרכזי, המיון העשרוני האוניברסלי (UDC), לא היה רק שיטת מיון טכנית, אלא ניסיון ליצור מעין "מנוע חיפוש אנלוגי" באמצעות פירוקם של ספרים ל"אטומים של ידע" וקישורם זה לזה באמצעות יחסים סמנטיים (Otlet, 1934).

סוזן ברייט היא שקידמה את מסורת התיעוד, ובחיבורה "מהו תיעוד?" הציעה הבנה מחודשת של המושג "מסמך" וטענה כי כל אובייקט יכול לתפקד כמסמך אם הוא מאורגן ומוצג כראיה (Briet, 1951). הרחבה זו קדמה לדיונים על נתונים, מטא־נתונים ואובייקטים דיגיטליים כמשאבי מידע, והיא מתכתבת עם האופן שבו מערכות בינה מלאכותית מעבדות יחד טקסט, תמונה וקול לצורך הפקת תוצרים (Day, 2006).

במקביל, וניבר בוש הציע בשנת 1945 חזון טכנולוגי מכונן במאמרו As We May Think, שבו תיאר את ה־Memex – מכשיר דמיוני לאחסון, ארגון וקישור של ידע אישי באמצעות "נתיבים אסוציאטיביים" (Bush, 1945). חזונו נתפס כמבשר ההיפר־קישוריות ומבנה הידע ברשת האינטרנט, והוא אף ניסח במפורש את הבעיה האפיסטמית המרכזית: צוואר הבקבוק של הקִדמה האנושית אינו בייצור ידע אלא ביכולת לארגן, לאחסן ולאחזר אותו ביעילות (Bush, 1945).

1.2 ההתגבשות הממוסדת של מדע המידע

המיסוד הפורמלי של מדע המידע התגבש באמצע המאה ה־20, כאשר החלו להיווצר מסגרות אקדמיות ומחקריות שהגדירו במפורש תחום בשם זה. ביטוי מוסדי בולט לתהליך היה שילובו של המונח “מדע המידע” בשמותיהן של מסגרות להכשרת ספרנים. כך, בשנת 1964 הוסיף בית הספר לספרנות באוניברסיטת פיטסבורג את המונח “מדע המידע” לשמו והפך ל־School of Library and Information Science; זה היה השימוש הראשון בצירוף “ספרנות ומדע המידע” בשם של בית ספר מסוג זה (Galvin, 1977). תהליכים אלה שיקפו מעבר רחב יותר מתפיסה הקושרת ידע למדיום מסוים - ספר, כתב עת או מסמך - לתפיסה של מידע כישות הניתנת לניתוח, לארגון ולאחזור במגוון אמצעי ייצוג (Buckland, 1991; Saracevic, 1995).

עם זאת, מדע המידע לא התגבש כתחום אחיד וסגור. מראשיתו הוא התאפיין במתח בין מסורות מחקר ופרקטיקה שונות. כפי שהראה דמפסי (Dempsey, 2025), תחום הספרנות ומדע המידע נוצר מתוך מפגש בין שתי מסורות – הספרנות מצד אחד ומדע המידע מצד אחר – והיחסים ביניהן לא היו תמיד הרמוניים. חוקרי התחום ומוריו פועלים לעיתים קרובות בצמתי ידע בין־תחומיים, בשיתוף פעולה עם דיסציפלינות כגון מדעי המחשב, תקשורת ומדעי החברה, ומעת לעת מתעורר חשש שמא מדע המידע ייטמע בתוך מסגרות רחבות וחזקות ממנו. ואולם, דווקא זהותו המורכבת וגבולותיו הנזילים של התחום מאפשרים לספרנות ולמדע המידע למלא תפקיד ייחודי: לתווך בין המנגנונים החישוביים העומדים בבסיסן של מערכות מידע לבין המשמעויות האנושיות, החברתיות והתרבותיות של הידע (Dempsey, 2025).

1.3 ספריות ותחום הספרנות – מידענות כליבה האפיסטמית של מדע המידע

מחקרים עדכניים שנערכו במסגרת יוזמת  LIS Forward (2023), קואליציה של חוקרים ומוסדות המבקשת לחזק את מקומה של הספרנות ומדע המידע בתוך בתי הספר למידע (iSchools) – מדגישים כי עתידם של בתי הספר למידע  ושל תחום הספרנות ומדע המידע תלוי בשימורה של ליבה מחקרית וחינוכית הרואה בספרייה מוסד מרכזי. בהיעדר ליבה זו, בתי ספר למידע עלולים להיטשטש אל מול מחלקות למדעי המחשב או למנהל עסקים ולאבד את ממדיו החברתיים וההומניסטיים של התחום. במסמכי LIS Forward (LIS Forward, 2023) ובקוד האתי של איגוד הספריות האמריקאי (American Library Association, 2021) הספריות מוצגות כתשתית מידע חיונית לחברה דמוקרטית, המבוססת על עקרונות של גישה שוויונית למידע, חופש אינטלקטואלי ושימור ידע לאורך זמן. עקרונות אלה ניצבים כיום גם בלב הדיון בבינה מלאכותית ובמדעי הנתונים. 

אם מדע המידע מבקש לנסח את התנאים האפיסטמיים הקובעים מה נחשב ראיה, כיצד מידע מיוצג ואילו תנאים תומכים בהסקה חישובית מהימנה, הרי שמחקר הספריות והפרקטיקה הספרנית משמשים מעבדה היסטורית שבה תנאים אלה עוצבו, יושמו ונבחנו. פרקטיקות של קטלוג, מפתוח, מיון ופיתוח אוספים ממחישות כיצד דרכי הייצוג והארגון של מידע מעצבות בפועל את נגישותו ואת פרשנותו, ואף את גבולותיו של הידע הנחשב לגיטימי. ספריות התמודדו במשך דורות עם שאלות של בחירת אוספים, חופש ביטוי וגישה למידע, ולכן הן מציעות מסגרת מבוססת־ערכים לבחינת מערכות מידע ובינה מלאכותית. מסגרת זו עשויה לתרום לנגישות, לשוויון ולאחריות כלפי הקהילה, אך אינה מבטיחה אותם ללא ביקורת מוסדית ושיתוף המשתמשים.

 1.4 משימור ידע סביל לאינפורמטיקה פעילה

על רקע זה, ובמקביל להשתלבותה המואצת של הבינה המלאכותית בשירותי ספרייה ומידע, הדיסציפלינה עוברת ממודל המתמקד בשימורו ובארגונו של ידע למודל של אינפורמטיקה פעילה, שבו מערכות חישוביות ממלאות תפקיד מרכזי בתיווך מידע, בסינונו ובהפקת תוצרים המבוססים עליו. סקירת ספרות שיטתית שערכו רגהוונדרה ועמיתיו (Raghavendra et al., 2025) מצביעה על אימוץ מהיר של בינה מלאכותית גנרטיבית במגוון שירותי ספרייה, ובהם שירותי יעץ, אוצרוּת מידע, יצירה והעשרה של מטא־נתונים וניתוח נתוני מחקר, לצד שילוב כלי בינה מלאכותית בהקניית אוריינות אלגוריתמית ובפיתוח שירותים מועצמי בינה בספריות אקדמיות.

מחקר נוסף, שבחן חמש שנות שילוב של טכנולוגיות AIבמערכות מידע ספרייתיות, מצא כי למידת מכונה, עיבוד שפה טבעית ומערכות מומחה הן מן הגישות המרכזיות בתחום ומשמשות לאחזור מידע מתקדם, לכריית טקסט, ליצירת פרופילי משתמש ולפיתוח מערכות המלצה מותאמות אישית (Narendra et al., 2025). מערכות אלה עשויות להשפיע על התנאים האפיסטמיים שבהם משתמשים נחשפים לידע ומסיקים ממנו מסקנות: לא רק על מה שנשמר, אלא גם על האופן שבו המידע מסונן ומוצג.

במבט היסטורי רחב, ההתפתחות מקטלוגי הכרטיסיות של אוטלה, דרך חזון ה־Memex של בוש ועד למערכות עכשוויות כגון מסדי נתונים וקטוריים וגרפי ידע, אינה מייצגת שבר רדיקלי אלא המשכיות רעיונית. משימת הליבה של התחום – ארגון הידע האנושי והנגשתו לציבור הרחב – נותרה בעינה; מה שהשתנה הוא קנה המידה, המהירות והמורכבות של הכלים הטכנולוגיים, ובכללם מערכות AI, שבאמצעותם הידע מתווך לציבור. המעבר לאינפורמטיקה פעילה מעלה שאלות יסוד באשר למהות המידע, ליחסים בין נתונים, הקשר וידע במודלים חישוביים ולתפקידם של בני אדם כמתווכים ביקורתיים המפקחים על מערכות אלגוריתמיות. שאלות אלה יידונו בהרחבה בפרק המסגרת התיאורטית.

2. מסגרת תיאורטית: מידע, הקשר וידע

כדי לבחון כיצד הבינה המלאכותית משתלבת במדע המידע, יש להבחין בין האופן שבו בני אדם מייחסים משמעות ומגבשים ידע לבין האופן שבו מערכות חישוביות מייצגות נתונים, מעבדות אותם ומבצעות עליהם הסקה. מדע המידע עוסק מאז ראשיתו בשאלות הנוגעות למהות המידע, לאופן שבו ידע אנושי נוצר ומתארגן ולתפקידן של מערכות מידע בתיווך ידע בחברה. בהקשר זה מוצגת המסגרת התיאורטית המייחדת את מדע המידע מדיסציפלינות קרובות, ומובהרת חשיבותן הגוברת של מסגרות מושגיות אלה בעידן הבינה המלאכותית.

2.1 היררכיית DIKW והביקורת עליה

זה זמן רב שמדע המידע משתמש בהיררכיית DIKW (Data, Information, Knowledge, Wisdom– נתונים, מידע, ידע ותבונה) כדי להגדיר את תפקידו במארג הידע. לפי המודל הקלאסי, נתונים גולמיים מקבלים הקשר והופכים למידע; מידע עובר סינתזה לכדי ידע; וידע מיושם באמצעות שיקול דעת כדי להניב תבונה (Baškarada & Koronios, 2013). אלגוריתמים של בינה מלאכותית מצטיינים במיוחד בשכבות ה"נתונים" וה"מידע", כלומר בעיבוד כמויות עצומות של נתונים לצורך זיהוי דפוסים סטטיסטיים, אך המעבר ממידע לידע ולשיפוט תלוי בהקשר, בפרשנות ובערכים ואינו נובע מעיבוד נתונים בלבד (Baškarada & Koronios, 2013; Frické, 2009).

היררכיית DIKWעומדת זה שנים במרכזה של ביקורת מחקרית. פריקה (Frické, 2009) טען כי המבנה שלה נעדר ביסוס לוגי, שכן המעברים בין השלבים עמומים, והיא מניחה בטעות כי ידע נבנה באופן מכני מתוך צבירה פסיבית של נתונים. בשקראדה וקורוניוס (Baškarada & Koronios, 2013) הדגישו את העמימות הסמיוטית והחפיפות האיכותניות בין הקטגוריות, והראו אמפירית כי הגבולות בין "נתונים", "מידע" ו"ידע" אינם יציבים בשימוש הלשוני והמקצועי. ברנשטיין (Bernstein, 2011)  הציע תפיסה חלופית להיררכיית DIKW,  המערערת על ההנחה כי נתונים, מידע, ידע ותבונה מתקיימים בסדר היררכי וליניארי קבוע. לשיטתו, היחסים בין מושגים אלה מורכבים יותר מן המתואר במודל המסורתי, ואינם ניתנים לצמצום לתהליך חד־כיווני של מעבר מנתונים לתבונה. הופעת הבינה המלאכותית הגנרטיבית מחדדת ביקורת זו ומוסיפה לדיון פרדוקס מרכזי. בעוד שהמודל המסורתי מציג תנועה מצטברת מן הנתונים אל עבר ידע ותבונה, העבודה עם מודלי שפה גדולים (LLMs) מחייבת גם תנועה הפוכה: בחינת תוצרים שנשמעים סבירים ומציגים רצף הסקה מורכב, ובירור אם הם אכן מעוגנים במקורות ובמציאות. היפוך זה מערער את התפיסה הליניארית של המודל ומדגיש כי יצירת ידע בעידן ה־AIמחייבת לא רק סינתזה, אלא גם אימות, ביסוס והקשר כ"תנועת תיקון" הכרחית (Baškarada & Koronios, 2013; Frické, 2009; Lewis et al., 2020).

בהקשר המעשי, ארכיטקטורות של יצירה מועשרת־אחזור (Retrieval-Augmented Generation – RAG), שיידונו בהמשך, מחברות את תהליך היצירה למקורות מידע חיצוניים שניתן לאחזר ולבדוק. חיבור זה עשוי לצמצם את הנתק בין תשובה לבין מקור ולשפר ביצועים במשימות עתירות ידע, אך אינו מהווה אימות אוטומטי של התשובה ואינו מבטל את הצורך בהערכת המקור ובהקשרו (Lewis et al., 2020). במובן זה, העבודה עם RAG מדגישה כי לצד סינתזה של מידע נדרשת גם תנועה חוזרת של אחזור, בדיקה וביסוס.

2.2 באקלנד, היורלנד ומהות המידע

במאמרו המכונן Information as Thingהציע מייקל באקלנד (Buckland, 1991) הבחנה בין שלוש משמעויות של "מידע": מידע־כתהליך (פעולת ההתעדכנות או הלמידה), מידע־כידע (התוכן המועבר בתקשורת) ומידע־כדבר (נתונים, מסמכים, אובייקטים או אירועים המשמשים משאבים אינפורמטיביים). באקלנד הדגיש כי מערכות אחסון ואחזור אינן פועלות על ידע כשלעצמו אלא על ייצוגים חומריים או דיגיטליים שלו, כלומר על מידע־כדבר.

הבחנה זו נעשית קריטית במיוחד בעידן הבינה המלאכותית. מודלי שפה גדולים מעבדים כמויות עצומות של מידע־כדבר – ייצוגים טקסטואליים שעברו טוקניזציה – אך אין לראות בעיבוד זה מידע־כידע או הבנה אנושית של משמעות. הפער בין עיבוד פורמלי של ייצוגים לבין משמעות המעוגנת בהקשר הוא אחד המרחבים שבהם מתעוררות "הזיות" של בינה מלאכותית. כאן עשויה מומחיותו של מדע המידע לסייע בקישור בין מידע־כדבר למידע־כידע: בין עיבוד סטטיסטי וחישובי לבין פרשנות והערכה אפיסטמית אנושית. 

בירגר היורלנד (Hjørland, 2002) הוסיף נדבך משלים לדיון זה באמצעות גישת ניתוח התחומים (Domain Analysis). הוא הציע לראות בארגון הידע תהליך דיסציפלינרי וחברתי, שבו כל תחום דעת – למשל רפואה, משפט או מדעי הרוח – הוא עולם מושגים, בעיות וערכים בפני עצמו. בהתאם לכך, מערכות מידע צריכות להיבנות מתוך ניתוח מעמיק של שדות הידע הספציפיים, ולא מתוך הנחות מוקדמות על "משתמש כללי" או מודל אוניברסלי. בהקשר של הבינה המלאכותית, ניתוח התחומים מספק תשתית אינטלקטואלית לבניית אונטולוגיות, טקסונומיות ומערכות ארגון ידע (KOS), שבאמצעותן מערכות חישוביות יכולות לאחזר, לקשר ולעבד מידע בתחומי ידע מורכבים בהתאם להבחנות התרבותיות והמקצועיות הנדרשות.

שתי המסגרות הללו – ההבחנות המושגיות של באקלנד וגישת ניתוח התחומים של היורלנד – מדגישות כי מידע איננו רק אובייקט טכני גולמי לעיבוד אלגוריתמי, אלא תופעה המתקיימת תמיד בתוך הקשר אפיסטמי, חברתי ודיסציפלינרי. בהמשך המאמר, מסגרת תיאורטית זו תשמש בסיס לדיון בפיגומים סמנטיים (Semantic Scaffolding), בנתונים מקושרים פתוחים (Linked Open Data – LOD) ובאונטולוגיות ככלים שבאמצעותם מדע המידע מתווך ומגשר בין עיבוד נתונים אוטומטי לבין הבנה אנושית בעלת משמעות.

3. פיגומים סמנטיים: נתונים מקושרים פתוחים ואונטולוגיות

אחת ההתפתחויות המרכזיות במפגש בין מדע המידע לבינה מלאכותית היא השימוש הגובר באונטולוגיות ובנתונים מקושרים פתוחים (LOD) כפיגומים סמנטיים. מסגרות אלה התפתחו והתרחבו עם הופעת הרשת הסמנטית בראשית המאה ה־21 (Scherp et al., 2024), אך בעידן הבינה המלאכותית הן מקבלות תפקיד חדש: תיווך בין עיבוד אלגוריתמי של נתונים לבין ידע אנושי מתמחה. במסגרת מדע המידע, פיגומים סמנטיים נתפסים כהמשך ישיר למסורת ארגון הידע – ניסיון לייצג מבנים מושגיים אנושיים באמצעות מודלים פורמליים הניתנים לעיבוד חישובי. בכך הם אינם רק תשתית טכנולוגית, אלא גם מנגנון מושגי המקשר בין נתונים, משמעות והקשר.

3.1 אונטולוגיות כמודל סמנטי קריא למכונה

אונטולוגיות מספקות מודל מושגי פורמלי המאפשר למערכות חישוביות לייצג ישויות ויחסים בתחום דעת מסוים ולבצע עליהם עיבוד עקבי. במגזר המורשת התרבותית, מודל הייחוס המושגי CIDOC CRM, המעוגן בתקן ISO 21127:2023, נועד לתווך בין סכמות תיעוד שונות של מוזיאונים, ספריות וארכיונים ולתמוך באינטגרציה סמנטית של מקורות הטרוגניים (CIDOC CRM, 2023; Doerr, 2003). גרף ידע אינו מעניק למכונה "הבנה" אנושית, אך הוא הופך יחסים מושגיים למפורשים וניתנים לעיבוד, ובכך עשוי לשפר ניווט, קישור והסקה בתוך אוסף נתונים מוגדר.

בתחומים מתמחים כגון חקר כתבי יד, אונטולוגיות ייעודיות לתחום יכולות לייצג כתב יד לא רק כאובייקט פיזי, אלא כישות היסטורית מתועדת בעלת רצף אירועים עשיר, החל מיצירתו, דרך נדודיו ועד לצנזורה שעבר לאורך מאות שנים. פיגומים סמנטיים אלה מאפשרים למערכות AI לבצע הסקה חישובית על קשרים בין מעתיקים, מקומות ותקופות ולהציע השלמה של נתוני קטלוג חסרים על בסיס גרף הידע. בשילוב עם כלים כגון SKOS (Simple Knowledge Organization System) – המלצת World Wide Web Consortium (W3C) לייצוג אוצרות מילים מבוקרים, טקסונומיות ואגרונים כרכיבי נתונים מקושרים (World Wide Web Consortium, 2009) באמצעות RDF – מסגרות אונטולוגיות אלה מאפשרות קישוריות בין מוסדות ודיסציפלינות ומחברות את עבודתו המסורתית של המידען לארכיטקטורות נתונים חישוביות.

מכל האמור עולה כי אונטולוגיות אינן רק כלי תיעוד טכני, אלא תשתית מושגית המספקת למערכות חישוביות ייצוג מפורש של קטגוריות, יחסים והקשרים במרחבי ידע אנושיים מורכבים. מדע המידע תורם להגדרת רכיבים אלה, ובכך ממלא תפקיד של "אדריכלות ידע" במערכות בינה מלאכותית עתירות ידע.

3.2 נתונים מקושרים פתוחים (LOD) במדעי הרוח

עקרונות ה־LOD מאפשרים לקשר בין נתונים רב־תחומיים באמצעות פורמטים בעלי יכולת פעולה הדדית, כגון RDF. פרדיגמה זו מסייעת לחוקרים לגשר בין מערכי נתונים נפרדים ומרוחקים. לדוגמה, ניתן לקשר בין מונח בוטני היסטורי המופיע בטקסט רפואי מן המאה ה־16 בגרמניה לבין זיהויו המדעי המודרני במאגרי מידע בוטניים גלובליים ואף בין תרגומיו המקבילים בכתבי יד רפואיים באיטלקית או בצרפתית מאותה תקופה. יישומים כאלה מייצגים את המידע בפורמט הניתן לעיבוד בידי מכונה ומאפשרים "תיווך לשוני" ודיאכרוני שבעבר דרש הצלבה ידנית ממושכת של מילונים וארכיונים.

מודלים ומיזמי LODבתחום המורשת התרבותית – ובהם CIDOC CRM, מודל הנתונים של Europeana, פורטלי Sampo ו־CHeCLOUD – מדגימים גישות שונות לאיגום נתונים, לקישורם ולארגון ידע בין אוספים. Europeanaמספקת מודל RDFגמיש להעשרת מטא־נתונים; Sampoמיישם עקרונות משותפים לפרסום שירותי נתונים ופורטלים סמנטיים; ו־CHeCLOUD מרכז גרפי ידע ואונטולוגיות של מורשת תרבותית ומציג מדדי FAIR. דוגמאות אלה ממחישות את תרומתן האפשרית של טכנולוגיות סמנטיות ליכולת לגלות, לקשר ולבחון פריטי תרבות דיגיטליים, אך גם את הצורך בתשתיות ובתחזוקה מוסדית (Hyvönen, 2023; Silva & Terra, 2024; Tuozzo et al., 2025).

ויקינתונים (Wikidata) משמשת פלטפורמה מרכזית במארג הנתונים המקושרים הפתוחים של מוסדות מורשת. סקירה שיטתית של מחקרי Wikidata במוסדות GLAM מצאה שימושים חוזרים להעשרת מטא־נתונים, קישור בין קובצי זהות, שיפור איכות נתונים ושימוש חוזר באוספים, אך גם פערים באימוץ המוסדי ובתיעוד פרקטיקות ניתנות לשחזור (Candela et al., 2024). ממצאים אלה תומכים בהצגת Wikidata כתשתית יישומית חשובה, אך אינם מצדיקים הכללה לכל מוסדות GLAM או לכל שימוש בבינה מלאכותית.

במובן זה, LODאינו רק טכנולוגיה של "פתיחת נתונים", אלא אמצעי לארגון ולקישור ידע בין אוספים. כאשר מערכות AIנשענות על גרפי ידע ו־LOD, אוצרות מילים מבוקרים וקובצי זהות עשויים לספק הקשר מפורש ונתיבים לבדיקת המקור. עם זאת, איכות העיגון תלויה בשלמות האוסף, בעדכניותו, באיכות הקישורים ובאופן שבו מנגנון האחזור והמודל משתמשים במידע (Candela et al., 2024; Zhu et al., 2025).

3.3 ארכיטקטורות RAG והנדסת הקשר (Context Engineering)

אחד הפיתוחים המשמעותיים בחיבור שבין אחזור מידע לבינה מלאכותית הוא RAG (Retrieval-Augmented Generation) – יצירה מועשרת-אחזור. בארכיטקטורה זו המודל משלב ידע שהטמיע במהלך האימון עם מידע שנשלף ממאגר חיצוני בעת יצירת התשובה, גישה שהראתה שיפור במשימות אחדות עתירות ידע (Lewis et al., 2020). שילוב גרפי ידע בתהליך האחזור עשוי לשפר את הקשרים בין מקטעים ואת ארגון ההקשר שנמסר למודל (Zhu et al., 2025). עם זאת, RAG אינו מונע הזיות: הוא מספק הקשר שניתן לבדיקה, ואיכות התוצאה תלויה באוסף, באחזור, בדירוג ובאופן שבו המודל משתמש בחומר שנשלף.

התפתחות זו תרמה להתגבשותה של הנדסת הקשר (Context Engineering), המרחיבה את אסטרטגיות החיפוש והאחזור המסורתיות של מדע המידע לקנה מידה חישובי. במקום להתמקד רק בניסוח הנחיה בודדת (prompt), הנדסת הקשר עוסקת באוצרות, בסינון ובבנייה מובנית של המידע שיוזן למודל: בחירת מקורות מהימנים, גרפי ידע ורשומות אמינות, סילוק חומרים מיושנים או סותרים ובניית הקשר דינמי המייצג את תחום הדעת הרלוונטי. בכך נעשות מיומנויות הליבה של המידען – דיוק, אחזור, הערכת מקורות והבניית הקשר – רכיבי תשתית בארכיטקטורות AI, והן תומכות בתפקידו כאדריכל ידע לצד בעלי מומחיות חישובית ותחומית.

4. אתגרים בעידן הבינה המלאכותית: יושרה, אמון ומשבר אפיסטמי

הופעתן של מערכות בינה מלאכותית המסוגלות לתכנן ולבצע רצף פעולות במידה מסוימת של עצמאות מעבירה את מרכז הכובד של האתגר האפיסטמי ממשימת מציאת המידע ואימותו אל עבר אתגר הפיקוח על פעולות המבוצעות על בסיסו. בניגוד למודלים גנרטיביים פסיביים, מערכות אלו פועלות באופן אוטונומי למחצה להשגת יעדים מורכבים, ולכן ככל שהן נעשות עצמאיות יותר בקבלת החלטות ובביצוע פעולות, כך גוברת חשיבותם של מנגנוני בקרה, הקשר סמנטי ופיקוח אנושי. 

בהקשר זה, אונטולוגיות אינן משמשות רק לייצוג מידע ולהנגשתו למשתמש האנושי, אלא גם כתשתית סמנטית למערכות אלו. הן מספקות כללים ומיפוי מפורש של יחסים בין ישויות, שעל בסיסם המערכת יכולה לסווג מידע, לקשר בין פריטים ולבצע הסקה חישובית בתוך תחום מוגדר. בהיעדר עיגון כזה, מערכות אלה עלולות להסתמך בעיקר על דפוסים סטטיסטיים בלי ייצוג מפורש של מגבלות התחום והקשרו, ובכך להגביר את הסיכון לשגיאות פעולה מבניות.

4.1 מדיה סינתטית, קריסת מודלים והמשבר האפיסטמי

הזינוק בהיקפי המדיה הסינתטית – טקסט, תמונה וקול הנוצרים באמצעות בינה מלאכותית – לצד תופעת ה“הזיות” של מודלי שפה גדולים, מחדד חששות בדבר אמינותם ומקוריותם של תוצרי מידע. במצב זה מיטשטשים גבולות האמינות של מקורות המידע, ונפגעת יכולתה של החברה להבחין בין ידע מבוסס לבין תוצרים אלגוריתמיים משכנעים אך בלתי־מהימנים.

איום מבני נוסף הוא קריסת מודלים (model collapse): תהליך ניווני שנצפה כאשר דורות של מודלים לומדים באופן רקורסיבי מנתונים שהפיקו מודלים קודמים, כך שמידע המצוי בשולי ההתפלגות עלול להיעלם והשגיאות מצטברות לאורך הדורות (Shumailov et al., 2024). ממצא זה אינו מלמד שכל שימוש בנתונים סינתטיים מוביל בהכרח לקריסה, אלא מדגיש את הסיכון שבלמידה בלתי מובחנת ללא גישה מתמשכת לנתונים מקוריים. אוצרות, תיעוד מקור ומטא־נתונים עשויים לסייע להבחין בין נתונים אנושיים לסינתטיים; RAG עשוי לצמצם תלות בזיכרון הפרמטרי באמצעות אחזור חיצוני, אך אינו משנה כשלעצמו את נתוני האימון ואינו מבטל את סיכון הקריסה (Lewis et al., 2020; Shumailov et al., 2024).

4.2 הטיה אלגוריתמית ואי־צדק אפיסטמי

מערכות בינה מלאכותית לומדות מנתונים שנוצרו בהקשרים חברתיים והיסטוריים, ולכן הן עלולות לשעתק דפוסי ייצוג והדרה הקיימים בהם. הנזק אינו מתמצה בשגיאה סטטיסטית: פרופילאות אלגוריתמית עשויה להקשות על אנשים וקבוצות לזהות, לפרש ולנסח את הפגיעה הנגרמת להם, ובכך ליצור אי־צדק הרמנויטי (Milano & Prunkl, 2025).

מנגנוני התאמה אישית עלולים גם ליצור פרגמנטציה אפיסטמית, שבה משתמשים נחשפים לסביבות מידע שונות ומתקשים לפתח משאבים מושגיים משותפים להבנת נזקים חדשים. תוצאה זו אינה בלתי נמנעת בכל מערכת המלצה, אך היא מצביעה על הצורך לבחון כיצד עיצוב המערכת, הנתונים וההסברים משפיעים על יכולת המשתמשים לערער על סיווגים והחלטות (Milano & Prunkl, 2025).

למדע המידע יש כלים העשויים לתרום לצמצום הסיכון, ובהם אוצרות מילים מבוקרים, תיעוד החלטות סיווג, מדיניות אוצרות ושילוב מכוון של מקורות המצויים בתת־ייצוג. כלים אלה אינם מבטיחים ייצוג מאוזן, שכן גם הם משקפים הכרעות מוסדיות; ערכם תלוי בביקורת מתמשכת, בשיתוף הקהילות המיוצגות ובאפשרות לתקן קטגוריות ומטא־נתונים.

5. יישומים מעשיים: מספריות לגרפי ידע

לאחר בחינת היסודות התיאורטיים והאתיים של הבינה המלאכותית, מתבקש לבחון כיצד תובנות מדע המידע מתממשות בזירה היישומית. בעשורים האחרונים עבר התחום מניהול אוספים ומאגרים מובחנים לניהול מארגים מורכבים של ידע מקושר ודינמי. פרק זה מתמקד בשלוש זירות שבהן ההתכנסות בין מדע המידע לבינה מלאכותית כבר ניכרת בפועל: חיפוש סמנטי והנדסת הקשר; מדעי הרוח הדיגיטליים; ותפקידן של ספריות כתשתית ציבורית לניסוי, לפיתוח ולהטמעה של מערכות AI.

5.1 יישום של חיפוש סמנטי ו־RAG בארכיטקטורת ידע

בהמשך להסבר המושגי על RAGוהנדסת הקשר בסעיף 3.3, הדיון כאן מתמקד ביישום. במערכת ידע מוסדית, שאילתת המשתמש מפעילה אחזור מתוך קטלוג מאוצר, גרף ידע או מאגר מסמכים; הרשומות שנשלפו והמטא־נתונים שלהן מורכבים להקשר שממנו המודל מנסח תשובה ומציג את מקורותיה. מומחי מידע אחראים לאיכות האוסף, לתיאורו ולקריטריונים להערכת התוצאה, ואילו מהנדסי המערכת מיישמים את מנגנוני האחזור, הדירוג והיצירה.

לדוגמה, במוסד GLAM אפשר לקשר בין פריט, יוצר, מקום ותקופה באמצעות גרף ידע, לאחזר מן האוסף רשומות וקטעי מקור המתאימים לשאלה, ורק אז לאפשר למודל לנסח תשובה הנשענת עליהם. תהליך כזה עשוי לשפר את יכולת המשתמש לעבור בין פריטים ולבדוק את מקור הטענה, אך הצלחתו תלויה באיכות האוסף, המטא־נתונים והאחזור. (Candela et al., 2024; Zhu et al., 2025).

5.2 תעתוק מבוסס AI ומדעי הרוח הדיגיטליים

תחום נוסף שבו ההתכנסות בין מדע המידע לבינה מלאכותית ניכרת במיוחד הוא מדעי הרוח הדיגיטליים. טכנולוגיות זיהוי טקסט אוטומטי (Automatic Text Recognition – ATR) ומודלי שפה גדולים מאפשרים כיום לתעתק כתבי יד היסטוריים ומסמכים ארכיוניים ברמת דיוק גבוהה ולהפוך אותם לטקסט בר־חיפוש הניתן לניתוח. פלטפורמות כגון Transkribus מציעות תעתוק אוטומטי של מסמכים בכתב יד ובדפוס, בשפות ובסגנונות פלאוגרפיים שונים, וכן אימון מודלים המותאמים לאוספים מסוימים ושיפור הדרגתי של רמת הדיוק (Transkribus, 2025, Park, 2025).

יישומים אלה ממחישים את ההשלמה המבנית בין הדיסציפלינות: הבינה המלאכותית מספקת תשתית חישובית לזיהוי תווים ודפוסים, ואילו מומחי מדע המידע מספקים את ידע התחום הנדרש לפירוש הטקסט, להבנת הקשרו וליישום תקני תיאור ביבליוגרפי. ידע זה חיוני הן בשלב אימון המודלים והן בתהליכי האימות וההקשר של התוצאות (Prebor, 2024). הטקסט הגולמי שמופק ב־ATR אינו יעד סופי אלא חומר גלם; באמצעות הנדסת הקשר ואונטולוגיות תחומיות אפשר לייצג את רכיביו כישויות וכיחסים בגרף ידע סמנטי, וכך לאפשר תשאול והצלבה עם מקורות נוספים.

5.3 ספריות כמעבדות ניסוי לבינה מלאכותית וכ"תשתית אזרחית"

ספריות ציבוריות ואקדמיות יכולות לשמש זירת ניסוי תחומה לשירותי בינה מלאכותית, משום שהן מפעילות אוספים מתועדים, משרתות קהילות משתמשים מוגדרות ופועלות במסגרת מוסדית שניתן לבחון בה תוצאות לאורך זמן. במסגרת זו אפשר להפעיל כפיילוט סוכני יעץ, מערכות המלצה או "נווטים דיגיטליים", להשוות את תשובותיהם לשירות אנושי ולמדוד אם הם מרחיבים הכללה דיגיטלית או יוצרים חסמי שימוש חדשים (Balboa et al., 2021; Narendra et al., 2025).

במסגרת ניסוי כזה יש להגדיר מראש מדדי הצלחה וגבולות שימוש: דיוק התשובה ביחס לאוסף, יכולת לעקוב אחר המקורות, נגישות לקבוצות משתמשים שונות, שמירה על פרטיות והימנעות מצמצום הגישה למידע או החופש האינטלקטואלי. הספרייה היא אפוא זירת יישום והערכה בעלת ערך, אך הממצאים המופקים ממנה אינם ניתנים להכללה אוטומטית למערכות מסחריות, מדעיות או תעשייתיות הפועלות בתמריצים וברמות סיכון אחרים.

6. חיוניות האדם בלולאה (Human in the Loop – HITL)

לנוכח תפקידן של ספריות כסביבות מוסדיות לבחינת שירותי בינה מלאכותית, מתחדדת שאלת מקומו של האדם במערכות ידע המבוססות על AI. מושג "האדם בלולאה" התפתח ממנגנון בטיחות טכני לעיקרון מרכזי בממשל של מערכות בינה מלאכותית: הוא מבקש לשלב שיפוט אנושי בנקודות החלטה מוגדרות לאורך מחזור החיים של המערכת, מאיסוף ובחירת נתונים ועד להערכת תוצרים, טיפול בחריגים ופיקוח לאחר ההטמעה. משמעותו אינה נוכחות סמלית של אדם, אלא הענקת סמכות ממשית לעצור החלטה או לשנותה, לצד תיעוד, הגדרת אחריות ומסלולי הסלמה.

בהקשר זה, תרומתם של מומחי מידע אינה מתמצה בתיוג נתונים או בתיקון טעויות נקודתיות. מומחיותם בסיווג, במטא־נתונים, בהערכת מקורות ובהקשר אפיסטמי עשויה לתרום להגדרת מדיניות המידע, כללי הייצוג והקריטריונים שלפיהם תוצרי המערכת נבדקים ומקבלים תוקף. תפקידם בלולאה הוא אפוא לא רק לפקח על פלטי המודל, אלא להשתתף בעיצוב התנאים שבתוכם פלטים אלה נוצרים ומוערכים, לצד מהנדסים, מומחי תחום ובעלי תפקידים משפטיים ואתיים.

הצורך בפיקוח אנושי מקבל ביטוי גם בחוק הבינה המלאכותית של האיחוד האירופי, הקובע דרישות לפיקוח אנושי מתאים במערכות בסיכון גבוה, לצד תיעוד ורישום אירועים ומידע למפעילים, בהתאם ללוח התחולה ההדרגתי של החוק. אין מדובר בדרישה כללית שאדם יאשר ידנית כל פלט; יישום הדרישות מחייב אחריות מוסדית ורב־מקצועית ואינו מוטל על מקצוע יחיד (European Commission, 2026; European Parliament & Council of the European Union, 2024).

עם זאת, HITL כשלעצמו אינו מבטיח תוצאה טובה יותר. פיקוח אנושי עלול להיפגע מאמון־יתר במערכת, מהטיית אוטומציה, ממחסור בזמן ובמידע או מהיעדר סמכות ממשית להתערב. ערכו המרכזי של הפיקוח האנושי אינו בכך שהוא מבטיח בהכרח תוצאה מדויקת יותר בכל משימה. חשיבותו ניכרת בעיקר במצבים עמומים, עתירי סיכון או רגישים מבחינה תרבותית, שבהם נדרשים שיקול דעת הקשרי, הערכה אתית ויכולת להתערב בהחלטת המערכת. פיקוח משמעותי מחייב אפוא הכשרה, משאבים, חלוקת אחריות ובדיקה מתמשכת של יעילותו (Lazaros et al., 2026).

7. לקראת זהות מקצועית: אדריכלות ידע

המסע ממדפי הספרייה של המאה ה־20 אל גרפי הידע ומסדי הנתונים הווקטוריים של המאה ה־21 אינו מצביע על החלפת הספרייה במכונה; הוא מדגים כי הפעלה יעילה ואחראית של מערכות בינה מלאכותית עתירות ידע נשענת גם על עקרונות הארגון, ייחוס המקורות והמהימנות שהתגבשו במסורת של מדעי המידע והספרנות. דוחות עדכניים מצביעים על כך שרוב משרות ה־ICT כוללות כיום דרישות למיומנויות הקשורות ב־AI וכי הביקוש למיומנויות ממשל AI עלה באופן חד, לצד עלייה משמעותית בביקוש למומחיות אתית בתחום (Cisco, 2025). במקביל, דוח עתיד המשרות של הפורום הכלכלי העולמי מציין כי בינה מלאכותית ועיבוד מידע צפויים להשפיע על רוב העסקים בעולם עד שנת 2030 (World Economic Forum, 2025). מגמות אלה מדגישות כי הדרישה אינה רק למהנדסי אלגוריתמים, אלא גם למומחים המסוגלים לארגן, לפרש ולנהל מערכות ידע מורכבות.

בהקשר זה מתחדד ממד מרכזי בזהות המקצועית של מדע המידע: אדריכלות ידע. ממד זה עוסק בתכנון, בהקמה ובממשל של תשתיות סמנטיות, אונטולוגיות, גרפי ידע ומארגי מטא־נתונים, שמערכות AI עתירות ידע עשויות להסתמך עליהן. מומחי מידע יכולים להשתתף בעיצוב מדיניות ייצוג ואינטגרציה, בתיעוד מקורות ובפיתוח מנגנוני בקרה, לצד מהנדסים, מומחי תחום ובעלי תפקידים משפטיים ואתיים (Narendra et al., 2025; Raghavendra et al., 2025).

מקומו של מדע המידע במהפכת הבינה המלאכותית מרכזי במיוחד במערכות שבהן איכות הידע, מקורו והקשרו משפיעים על התוצאה. מבני ידע, תקני מטא־נתונים ומסגרות מושגיות עשויים לתמוך באמינות, בנגישות ובעקיבות, אך אינם מבטיחים אותן ללא נתונים מתאימים, תכנון חישובי, בדיקה אמפירית וממשל מוסדי.

8. מגבלות הטענה והשלמה בין־תחומית

הזיקות בין קטלוג, מיון, אונטולוגיות, אחזור מידע וארכיטקטורות RAG מצביעות על המשכיות מושגית ויישומית, אך אינן מוכיחות קשר סיבתי ישיר בין ספרנות ומדע המידע לבין התפתחותם של מודלי שפה גדולים. מודלים אלה צמחו בראש ובראשונה מהתקדמות במדעי המחשב, בסטטיסטיקה, בלמידת מכונה, בתשתיות חישוב ובזמינותם של מאגרי נתונים גדולים. תרומתו המובחנת של מדע המידע מצויה בעיקר בשכבות שבהן מערכות חישוביות מחוברות למקורות ידע מנוהלים ונדרשות לפעול בהקשר מוסדי. תרומה זו משלימה תכנון אלגוריתמי, הנדסת מערכות ומומחיות תחומית ואינה מחליפה אותם.

גם הכלים שמציע מדע המידע אינם ניטרליים או מספקים כשלעצמם. אונטולוגיות ומערכי מטא־נתונים עשויים לשקף הטיות וקטגוריות מוסדיות; RAG עשוי לשפר את עיגון התשובה אך אינו מבטיח את אמינות המקור או את נכונות השימוש בו; ופיקוח אנושי אינו יעיל ללא סמכות, הכשרה ומשאבים מתאימים. בדומה לכך, ספריות ומוסדות GLAM הם זירה חשובה לבחינת מערכות בינה מלאכותית, אך אינם מייצגים את כלל הסביבות שבהן מערכות אלו פועלות. לפיכך, טענת המאמר מוגבלת למערכות עתירות ידע, שבהן איכות המקורות, ארגונם, הקשרם ונגישותם הם תנאים מרכזיים להצלחה (Lazaros et al., 2026; Lewis et al., 2020; Milano & Prunkl, 2025; Zhu et al., 2025).

9. סיכום ומסקנות: מדע המידע כמצפן של הבינה המלאכותית

הדיון במאמר זה מראה כי הבינה המלאכותית אינה צומחת בוואקום טכנולוגי, אלא נשענת על תשתיות ידע, מטא־נתונים ומסגרות מושגיות שעוצבו לאורך זמן במדע המידע ובספרנות. מתנועת התיעוד וה־UDC של אוטלה, דרך חזון ה־Memex של בוש ועד לאונטולוגיות, לגרפי ידע ולנתונים מקושרים פתוחים, חוזרת אותה משימת יסוד: ארגון שיטתי של הידע האנושי והנגשתו לציבור רחב ככל האפשר. בעידן הבינה המלאכותית משימה זו אינה שולית, אלא תנאי להפעלה אחראית של מערכות AI, מביסוס תוצריהם של מודלי שפה ועד לפיקוח על סוכנים אלגוריתמיים הפועלים בסביבות מורכבות.

במישור התיאורטי, המסגרות של מדע המידע – היררכיית DIKW והביקורת עליה, ההבחנות של באקלנד בין מידע־כתהליך, מידע־כידע ומידע־כדבר וגישת ניתוח התחומים של היורלנד – מדגישות כי מידע אינו אוסף נתונים סטטיסטי בלבד, אלא תופעה המעוגנת תמיד בהקשר, בייצוג וביחסים חברתיים. הבינה המלאכותית הגנרטיבית חושפת את גבולות המודלים הליניאריים שלפיהם נתונים הופכים למידע, מידע לידע וידע לתבונה, ומחייבת גם תנועה חוזרת של אימות, ביסוס והקשר, כפי שניכר בדיון בארכיטקטורות RAG ובמשבר האפיסטמי. בכך מדע המידע אינו רק ספק של כלי עזר טכניים, אלא מציע מסגרת אפיסטמית לניתוח היחסים בין נתונים, מידע וידע במודלים חישוביים.

במישור המוסדי והמקצועי, ספריות ומוסדות GLAM משמשים מרחבי ניסוי שבהם עקרונות אלה נבחנים בפועל: הם מפתחים אונטולוגיות וגרפי ידע, מאמצים נתונים מקושרים פתוחים, משלבים מערכות המלצה ויעץ מבוססות AI ומתמודדים עם אתגרי הטיה, אי־צדק אפיסטמי וקריסת מודלים. בהקשר זה מתרחב תפקידו של איש ה־LIS: מקטלוג ומתיוג נתונים להשתתפות ב"אדריכלות ידע", בעיצוב הפיגומים הסמנטיים, ובמסגרות ה־HITL שבהן מוגדרים גבולות הפעולה והפיקוח במערכות AI.

מכלול הדיון מוביל למסקנה כי תרומתו של מדע המידע בעידן הבינה המלאכותית אינה טמונה רק ביישום טכנולוגיות חדשות, אלא ביכולתו להציע יציבות מושגית בתוך סביבה משתנה: לברר מה נחשב ראיה, כיצד מיוצג מידע ואילו תנאים נדרשים כדי שהסקה חישובית תיחשב אמינה ואחראית. עם זאת, מדע המידע עצמו אינו חסין מפני הטיה, אי־צדק אפיסטמי ומגבלות מוסדיות, והמשך המחקר נדרש כדי לבחון מתי הוא תורם בפועל לאיכותן של מערכות AI ומתי אינו מספיק. עתידו של התחום בתוך בתי הספר למידע (iSchools) תלוי ביכולתו להעמיק את הליבה התיאורטית והערכית שלו כהמשגה מחודשת של עקרונות יסוד לבינה מלאכותית אחראית, שקופה ובעלת ערך ציבורי. מסגרות העוסקות במשמעות, ייצוג, ארגון והקשר עשויות לתרום ליציבותו ולאמינותו של הידע האנושי, אך תרומתן מחייבת בחינה אמפירית ושיתוף פעולה בין־תחומי.

מקורות

American Library Association. (2021). Code of ethics of the American Library Association. 

                https://www.ala.org/tools/ethics

Balboa, P., Edson, S., Strange, J., & Zappie-Ferradino, K. (2021). Digital navigators toolkit. National Digital Inclusion Alliance. https://www.digitalinclusion.org/wp-content/uploads/2021/09/Digital-Navigators-Toolkit-Final.pdf

Baškarada, S., & Koronios, A. (2013). Data, information, knowledge, wisdom (DIKW

A Semiotic Theoretical and Empirical Exploration of the Hierarchy and its Quality Dimension. Australasian Journal of Information Systems, 18(1), 5-24. https://doi.org/10.3127/ajis.v18i1.748

Bernstein, J. H. (2011). The data-information-knowledge-wisdom hierarchy and its antithesis. Proceedings of the North American Symposium on Knowledge Organization, 2, 68–75. https://doi.org/10.7152/nasko.v2i1.12806

Briet, S. (1951). Qu'est-ce que la documentation? [What is documentation?]. ÉDIT.

Buckland, M. K. (1991). Information as thing. Journal of the American Society for Information Science, 42(5), 351–360. https://doi.org/10.1002/%28SICI%291097-4571%28199106%2942%3A5%3C351%3A%3AAID-ASI5%3E3.0.CO%3B2-3

Bush, V. (1945). As we may think. The Atlantic Monthly, 176(1), 101–108.

Candela, G., Cuper, M., Holownia, O., Gabriëls, N., Dobreva, M., & Mahey, M. (2024). A systematic review of Wikidata in GLAM institutions: A labs approach. In A. Antonacopoulos, A. Hinze, B. Piwowarski, M. Coustaty, G. M. Di Nunzio, F. Gelati, & N. Vanderschantz (Eds.), Linking theory and practice of digital libraries: TPDL 2024 (Lecture Notes in Computer Science, Vol. 15178, pp. 34–50). Springer. https://doi.org/10.1007/978-3-031-72440-4_4

CIDOC CRM. (2023). CIDOC Conceptual Reference Model (ISO 21127:2023). International Council of Museums. https://cidoc-crm.org/

Cisco. (2025, September 16). AI Workforce Consortium finds 78% of ICT roles now include AI technical skills, while human skills gain priority for responsible tech adoption. Cisco Newsroom. https://newsroom.cisco.com/c/r/newsroom/en/us/a/y2025/m09/ai-workforce-consortium-finds-78-of-ict-roles-now-include-ai-technical-skills-while-human-skills-gain-priority-for-responsible-tech-adoption.html

Day, R. (2006). ‘A necessity of our time’: Documentation as ‘cultural technique’. In R. E. Day, L. Martinet, & H. G. B. Anghelescu (Eds. & Trans.), What is documentation? (pp. 47–63). Scarecrow Press.

Dempsey, L. (2025). Library studies, the informational disciplines, and the iSchool: Some remarks prompted by LIS Forward. In LIS Forward, Responses to the LIS Forward position paper: Ensuring a vibrant future for LIS in iSchools (The Friday Harbor Papers, Vol. 2). University of Washington Information School. https://doi.org/10.6069/F6CQ-H317

Doerr, M. (2003). The CIDOC Conceptual Reference Module: An ontological approach to semantic interoperability of metadata. AI Magazine, 24(3), 75–92. https://doi.org/10.1609/aimag.v24i3.1720

European Commission. (2026, August 24). The enforcement framework of the AI Act. Shaping Europe’s Digital Future. https://digital-strategy.ec.europa.eu/en/policies/enforcement-ai-act

European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence. Official Journal of the European Union. https://eur-lex.europa.eu/eli/reg/2024/1689/oj

Frické, M. (2009). The knowledge pyramid: A critique of the DIKW hierarchy. Journal of Information Science, 35(2), 131–142. https://doi.org/10.1177/0165551508094050

Galvin, T. J. (1977). Pittsburgh: University of Pittsburgh Graduate School of Library and Information Sciences. In A. Kent, H. Lancour, & J. E. Daily (Eds.), Encyclopedia of library and information science (Vol. 22, pp. 280–291). Marcel Dekker.

Hjørland, B. (2002). Domain analysis in information science: Eleven approaches – traditional as well as innovative. Journal of Documentation, 58(4), 422–462. https://doi.org/10.1108/00220410210431136

Hyvönen, E. (2023). Digital humanities on the Semantic Web: Sampo model and portal series. Semantic Web, 14(4), 729–744. https://doi.org/10.3233/SW-223034

Lazaros, K., Vrahatis, A. G., & Kotsiantis, S. (2026). Human-in-the-loop artificial intelligence: A systematic review of concepts, methods, and applications. Entropy, 28(4), 377. https://doi.org/10.3390/e28040377

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-T., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459–9474. https://proceedings.neurips.cc/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html

LIS Forward. (2023). Ensuring a vibrant future for LIS in iSchools (The Friday Harbor Papers, Vol. 1). University of Washington Information School. https://lisforward.ischool.uw.edu/outputs/

Milano, S., & Prunkl, C. (2025). Algorithmic profiling as a source of hermeneutical injustice. Philosophical Studies, 182(1), 185–203. https://doi.org/10.1007/s11098-023-02095-2

Narendra, A. P., Dewi, C., Gunawan, L. S., & Ardi, A. S. (2025). Artificial intelligence implementation in library information systems: Current trends and future studies. Vietnam Journal of Computer Science, 12(3), 209–233. https://doi.org/10.1142/S2196888824300023

Otlet, P. (1934). Traité de documentation. Editiones Mundaneum.

Park, F. (2025, October 22). How to train a model in Transkribus. Transkribus Blog. https://blog.transkribus.org/en/how-to-train-a-text-recognition-model-in-transkribus

Prebor, G. (2024). From digitization and images to text and content: Transkribus as a case study. Manuscript Studies, 9(1), 72–89. https://doi.org/10.1353/mns.2024.a930877

Raghavendra, G., Mallya, J., & Payini, V. (2025). Generative artificial intelligence in library and information science literature: A structured systematic review. Cogent Education, 12(1), Article 2591500. https://doi.org/10.1080/2331186X.2025.2591500

Rascão, J. (2018). The interdisciplinary nature of information science. International Journal of Virtual Communities and Social Networking, 10(3), 34–63. https://doi.org/10.4018/IJVCSN.2018070103

Saracevic, T. (1995). Interdisciplinary nature of information science. Ciência da Informação, 24(1), 36–41.

Scherp, A., Groener, G., Škoda, P., Hose, K., & Vidal, M.-E. (2024). Semantic Web: Past, present, and future. Transactions on Graph Data and Knowledge, 2(1), 3:1–3:37. https://doi.org/10.4230/TGDK.2.1.3

Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R., & Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631(8022), 755–759. https://doi.org/10.1038/s41586-024-07566-y

Silva, A. L., & Terra, A. L. (2024). Cultural heritage on the Semantic Web: The Europeana Data Model. IFLA Journal, 50(1), 93–107. https://doi.org/10.1177/03400352231202506

Transkribus. (2025). Automatically transcribing your documents. Transkribus Help. https://help.transkribus.org/automatically-transcribing-your-documents

Tuozzo, G., Pellegrino, M. A., & Lieto, A. (2025). CHeCLOUD—the Cultural Heritage Linked Open Data Cloud. In ISWC 2025 Companion Volume. CEUR Workshop Proceedings, 4085. https://ceur-ws.org/Vol-4085/paper66.pdf

World Economic Forum. (2025). The future of jobs report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/

World Wide Web Consortium. (2009, August 18). SKOS Simple Knowledge Organization System reference. W3C Recommendation. https://www.w3.org/TR/skos-reference/

Zhu, X., Xie, Y., Liu, Y., Li, Y., & Hu, W. (2025). Knowledge graph-guided retrieval augmented generation. In Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics: Human Language Technologies (Vol. 1, pp. 8912–8924). Association for Computational Linguistics. https://doi.org/10.18653/v1/2025.naacl-long.449