Moon-Chung, Jennifer, y Berenika M. Webster. “Exploring AI-assisted Classification for Collection Analysis.” Information Technology and Libraries 45, no. 3 (2026). https://doi.org/10.5860/ital.v45i3.17644. Publicado el 21 de septiembre de 2026.
La investigación plantea una idea de gran interés para las bibliotecas universitarias: la IA puede utilizarse no solamente para descubrir o recomendar información, sino también para comprender mejor qué información debería formar parte de las colecciones. Al conectar producción científica, docencia, clasificación bibliotecaria, datos de uso y gasto, el sistema proporciona una perspectiva más amplia para fundamentar las decisiones de desarrollo de colecciones
Se aborda una aplicación especialmente interesante de la inteligencia artificial generativa en la evaluación y desarrollo de las colecciones de las bibliotecas universitarias. Las autoras parten de un problema habitual: las bibliotecas necesitan conocer hasta qué punto sus colecciones responden a las necesidades reales de sus comunidades académicas, pero relacionar a gran escala la producción investigadora, las actividades docentes y las materias representadas en las colecciones resultan complejas. El mantenimiento manual de correspondencias entre estos diferentes conjuntos de información y los esquemas de clasificación bibliotecaria, especialmente la Library of Congress Classification (LCC), requiere mucho tiempo y dificulta realizar análisis sistemáticos.
La investigación propone un flujo de trabajo escalable basado en inteligencia artificial capaz de relacionar la actividad académica de una institución con las categorías de la clasificación de la Biblioteca del Congreso. Para ello, las autoras integraron seis conjuntos de datos procedentes de dos grandes ámbitos: la producción científica y las actividades docentes. Cuando existían metadatos bibliográficos suficientemente completos, estos se utilizaron directamente; cuando no estaban disponibles, se recurrió al modelo de lenguaje Claude Sonnet, de Anthropic, para inferir las correspondientes categorías de clasificación mediante instrucciones específicas adaptadas a cada tipo de dato. De este modo, la IA funciona como una herramienta para transformar información académica heterogénea en datos estructurados que pueden ser utilizados posteriormente en los procesos de análisis de colecciones.
Uno de los aspectos más relevantes del trabajo es que la inteligencia artificial no reemplaza completamente la intervención humana, sino que se integra dentro de un proceso híbrido. Las autoras desarrollaron una canalización (pipeline) en Python que combina las API de Claude y de diferentes fuentes de metadatos bibliográficos. Los resultados obtenidos automáticamente pasan después por mecanismos de validación de los rangos de la clasificación LCC y por una revisión humana selectiva. Esta combinación permite aprovechar la capacidad de procesamiento de grandes volúmenes de información de los modelos de lenguaje sin renunciar al control profesional de los bibliotecarios, algo particularmente importante cuando las decisiones resultantes pueden afectar a la selección, adquisición y distribución de recursos bibliográficos.
El resultado final se incorpora a un cuadro de mando interactivo desarrollado en Tableau, estructurado en tres partes: una página general de resumen, un explorador de la producción investigadora y otro dedicado a las actividades docentes. Esta visualización permite cruzar y observar conjuntamente información que normalmente permanece dispersa en diferentes sistemas institucionales. El equipo responsable del desarrollo de colecciones de la University of Pittsburgh Library System ha utilizado el sistema junto con datos de gasto y uso de los recursos para revisar sus planes de adquisición mediante aprobación (approval planes). La propuesta permite, por tanto, pasar de una evaluación de colecciones basada principalmente en datos de uso y estadísticas de adquisición a otra que incorpora también evidencias sobre lo que investiga y enseña la propia universidad.
Una de las principales aportaciones del artículo es precisamente esta posibilidad de alinear las colecciones bibliotecarias con las prioridades académicas de la institución. El sistema puede ayudar a identificar áreas temáticas en las que existe una producción investigadora o una actividad docente significativa pero una representación insuficiente en las colecciones. De esta manera, la IA puede contribuir al análisis de posibles lagunas de las colecciones, a la revisión de los planos de adquisición y a una asignación más fundamentada de los recursos económicos. Las autoras plantean además el sistema como una infraestructura sostenible, capaz de actualizarse conforme aparecen nuevos resultados académicos y conforme mejoran los modelos de inteligencia artificial.
El trabajo resulta especialmente significativo porque muestra una aplicación de la IA generativa que va más allá de los usos más conocidos —como la generación de textos, la asistencia a usuarios o la búsqueda conversacional— y la sitúa en una función tradicionalmente muy vinculada al trabajo bibliotecario: la organización, evaluación y desarrollo de colecciones. La clasificación bibliográfica se convierte aquí en un mecanismo de conexión entre diferentes tipos de información institucional. La IA facilita esa conexión al interpretar datos que no siempre contienen explícitamente una categoría LCC, pero el proceso mantiene mecanismos de validación y revisión profesional. Esto apunta hacia un modelo de biblioteca basada en datos, donde la inteligencia artificial puede complementar las competencias de los bibliotecarios para analizar grandes cantidades de información y apoyar decisiones de gestión.
El artículo también puede relacionarse con una tendencia más amplia hacia la automatización inteligente de la clasificación y la asignación temática. Las propias autoras sitúan su trabajo junto a investigaciones anteriores sobre indexación automática, asignación de encabezamientos de materia, clasificación mediante aprendizaje automático y utilización de ChatGPT o Claude para tareas de organización del conocimiento. En este sentido, el estudio representa una evolución desde experimentos centrados en clasificar documentos individuales hacia un uso de la IA orientado al análisis estratégico de conjuntos completos de colecciones.
