A könyvtári informatika és a világháló fejlődési trendjei

Bevezetés

Újabban számos tanulmány foglalkozik a robotok elterjedésének munkaerőpiaci hatásával.^I Részint az ily módon beharangozott fenyegetés miatt, részint bizonyos – mára már kultúrtörténeti fejleményként elkönyvelhető ‒ tények miatt, a könyvtárak jövőjére vonatkozó kétségek mellett megjelentek a könyvtárosokat a robotoktól féltő hangok is. Rövid áttekintésem ezekre kíván reflektálni.

Mindenekelőtt szögezzük le, hogy a könyvtárosokat gépekkel helyettesíteni egyelőre túl ambiciózus vállalkozás lenne, ráadásul senkinek nem fűződne pénzügyi érdeke hozzá, de persze „az írás ott van a falon”. Ha általánosságban igaznak bizonyul, tanulságos lehet az a megfigyelés is, hogy a robotok a munkaerőpiacon elsősorban a nem felsőfokú képesítéssel rendelkező férfiak versenytársai, beleértve bizonyos szakképesítéseket is, mint például az autógyári szakmák, miközben az úgynevezett tipikusan női munkák iránt továbbra is hatalmas a kereslet.^II Összefoglalóan úgy tűnik, hogy a kreatív, szellemi munkát egyelőre nem fenyegeti az automatizálás.

Mi változott?

Gondolatmenetem kiindulása az, hogy a könyvtári informatika a szakinformatikák egyike, mint pl. az orvosi, régészeti, mezőgazdasági, néprajzi stb. szakinformatika. Ezek módszertani kérdései átfedéseket mutatnak, a feldolgozási különbségeket a dokumentumok típusa, műfaja, az állományok nagysága, a szolgáltatások igényei okozzák. A módszertani átfedés megkönnyíti, hogy a különböző szakterületek adatállományait egy nagyobb egység töredékeinek lássuk, és integrálásukra törekedjünk a publikáció közegétől függetlenül, vagyis ‒ legalábbis a tudományos információ világában – meghaladjuk a diszciplináris felosztással operáló szemlélet korlátait. Ebben az összefüggésben válik relevánssá az internet és a világháló, ahol ez a felosztási szokás eleve nem érvényesül.

Ebből azonnal következik, hogy az a szakterületekre nem bontott, ömlesztett dokumentum-tömkeleg, amivel az információt az interneten kereső ‒ mondhatni a könyvtárat ezzel a technológiával helyettesíteni kívánó – felhasználó naponta szembesül, vadnyugati közeg a javából. Bizonyos értelemben érvényesek rá az információkeresés hagyományos szabályai, ezeket azonban meg kell feleltetni azon gépek igényeinek, amelyek helyettünk keresik a tűt a szénakazalban; vagyis el lehet felejteni, hogy mi keresünk, mert valójában a minket helyettesítő szellemi protézisek végzik a munkát. Ez a fejlemény korszakos, a velejáró kockázatokkal és lehetőségekkel egyetemben, az viszont tőlünk függ, az automatizálást hova soroljuk.

Mint minden intenzíven fejlődő területen, az internetet illetően is a teljesség igénye nélkül megnevezhetünk néhány nagyobb trendet, annál is inkább, mivel a hatásuk összeadódik, illetve egymást kiegészíti. Ez azt jelenti, hogy az új fejlemények mögött elég gyakran a következőkre bukkanunk:

• A világháló a tudás egyetemes tárháza felé tart. Ez a virtuális állomány kétségbeejtően rendetlen, csak gépek által rendezhető állapotban van, két- vagy többrétegű a szerkezete, hiszen az úgynevezett „felszíni” réteg (surface web) mellett ott van a nála nagyságrendekkel nagyobb „mély” réteg (deep web) is; valamint fluktuálva, de meredeken nő az állománya. (Jelenleg 14 exabyte, kétévente duplázódik.)^III
• Megjelent a dokumentumtípustól, nyelvtől, szakterülettől és műfajtól független ‘tartalombányászat’. Ez valójában felturbózott hozzáférés a nagy adatmennyiségekhez a gépi tanulás és a ‘megoldástudomány’ kombinációjával, egyben a mesterséges intelligencia belépési pontja. Ám ez nem új fejlemény, hiszen a világháló tartalmának indexelését régóta robotok, az úgynevezett „kúszó-mászók” (crawler) végzik.¹
• A tartalombányászat módszertana fokozatosan átfedésben van a tudománymetriáéval, illetve a hálózattudománnyal. E mögött az a matematikusok számára triviális tény rejlik, hogy a nagy adatállományok feldolgozására használt mátrix- és gráf-alapú számítások, beleértve a valószínűségi megközelítéseket is, kompatibilisek egymással; ezért fordulhat elő, hogy a honlapok tartalmi összefüggéseit számszerűsítő PageRank algoritmus például a számítástudománytól² a biológiáig, kémiáig, idegtudományig, fizikáig használható, beleértve az olyan társadalomtudományi alkalmazásokat is, mint a bibliometria és közösségi hálók vizsgálata.³
• A jelenlegi ’tartalomipar’ tudományos szegmensén belül megjelennek a tudományos kiadás új formái is, pl. az OJS-szerkesztőrendszerek.^IV Ezeknek itt most nem a tartalomipar fejlődése és/vagy átalakulása szempontjából van jelentőségük, hanem azért, mert az új kiadási kultúra térhódításával tovább gerjeszthetik a Gutenberggel kezdődött információrobbanások sorozatát.
  Mire gondolok? Olyan, egymással ellentétes hatású fejleménypárok sorozatára, amelyek előbb robbanásszerűen szétvetették az addigi publikációs szokásokat, majd lefojtották a szétfeszítő hatást. Az első ilyen eseménypár a könyvnyomtatás (1447–1448), illetve az egyetemes bibliográfiai számbavétel megjelenése volt (1545). Száz év alatt körülbelül háromezer szerzőnek tizenkétezer nyomtatott műve keletkezett, melyeket Conrad Gessner három nyelven, görögül, latinul és héberül összesen négy év alatt leírt, ezzel mintegy semlegesítve Gutenberget. A következő robbanás a tudományos folyóiratok megjelenésétől számítható (1665, Journal des Sçavans, illetve a Philosophical Transactions of the Royal Society), melyekre válaszul 1830-ban megjelent az első referáló folyóirat, a Chemisches Zentralblatt. Újabb fordulatra egészen a második világháború végéig kellett várni, mikor a hadiipari felhasználás kizárólagossága alól felszabadított számítástechnika bevonult előbb a nyomdászatba, ezzel felduzzasztva mind a kurrens, mind a retrospektív adatokat tartalmazó, sok esetben a nyomtatott referálólapoknak megfelelő, azokat helyettesítő adatbázisok számát. Ezt a robbanást fojtotta le az OCLC vállalkozása, amely még mindig a gessneri világbibliográfia ötletét folytatta, igaz, immár más eszközökkel. A nyolcvanas évek végén azt hirdették, hogy már csak a vállalati, „szürke” irodalom feldolgozása van hátra, különben kész a nagy mű, csakhogy 1990 körül megszületett a modern internet, ezzel pedig az információ ismét úgy fölrobbant, hogy megfékezésének technológiája ‒ a dokumentumok automatikus indexelése és osztályozása – mindmáig csak kullog utána. Ez persze más fénybe állítja a robotok problémáját is, mert a világhálón manuálisan már semmit sem lehet feldolgozni, és akié a feldolgozás, azé az információ mint nyersanyag fölötti uralom.
• Ezenközben előállt az a fejlemény is, hogy a világháló a felhőszolgáltatások révén részben már közmű,⁴ feladatok elvégzésére gépidő és programkörnyezet bérelhető (pl. Amazon AWS); ez nagyjából annyit tesz, hogy „aki tejet akar inni, annak nem kell tehenet vennie többé”.
• Ezek a fejlődési irányok nemcsak tisztán mutatkoznak, hanem egymással konvergálnak is.

Új közeg, új követelmények

A fenti tényezők összhatása miatt a könyvtárnak mint intézménynek a szakmai kihívása a megfelelő kompetenciák felvonultatása, hogy a fentiekből szolgáltatásokat tudjon szervezni, és ezzel egy radikálisan megváltozott társadalmi-technológiai közegben is releváns maradjon. Ehhez a problémacsomaghoz érdemes abból a szokásból kiindulni, mikor a felhasználó a könyvtár helyett az internetről igyekszik tájékozódni, mert a szokással bizonyos szemléleti megszorítások is járnak.

Mit jelent az, ha a világhálót könyvtárnak tekintjük?

• Ennek a „gyűjteménynek” az állománya nagy és exponenciálisan nő, miközben naponta ingadozó méretű, ám mindvégig inkább rendezetlenség, mint  rendezettség jellemző rá, mely utóbbi a tematikus adattárakra, például a szakterületi adatbázisokra korlátozódik.
• Az ismeretábrázolás fejlődő módszerei és szabványai szerint a „gyűjtemény” összesített tartalma egyszerre ismerettár és érvelési nyersanyag, a. m. a mesterséges gondolkodás alapvető logikai mechanizmusainak nyersanyaga (ezt veszi alapul a szemantikai világháló ötlete), ami konvergál a kognitív idegtudománnyal. Ennek alapfeladatai az összehasonlítás, csoportosítás és következtetés, ezek pedig ott vannak az olyan feladatokban, mint az automatikus osztályozás, a gépi tanulás vagy az információkeresés.
• A feldolgozás módszertani agnoszticimusa következtében generikus, általánosan alkalmazható eljárások születnek. Ez teret ad a számítástudományból (computer science) kinőtt kvázi ’megoldástudománynak’ (computational science), illetve egyre nagyobb, heterogén állományokon (big data) működik a modellezés elve által.
• A jelen fontos modellezési problémái a szó- és mondatjelentés (szemantika), valamint az idő (dinamikus adatok) kezelése, illetve az új módszertani metaforák érvényének kutatása. Mire gondolok? A szó- és mondatjelentés mibenléte kétezer esztendeje eldöntetlen, bár a szövegkörnyezetre támaszkodó elméletek mostanára módszertani áttöréshez vezettek a számítógépes eljárásokban. A statisztikai idősorok vizsgálata forradalmasította a közgazdaságtant, a tartalom idősorainak vizsgálata ellenben meglehetősen új keletű, legfeljebb két évtizedes tudományos nóvum, és még sok megérteni valót tartogat. Illetve a tartalmi eloszlások hosszabb távú elemzése elkerülhetetlenné teszi a matematika mellett a fizika bevonását is a kísérletezésbe, mert a tudományos megértés gyakran támaszkodik metaforákra, és ha az információ „viselkedésében” olyan kölcsönhatásra emlékeztető tüneteket figyelünk meg, amilyen a hasonlóság, akkor célszerű a megfelelő szakismereteket kölcsönkérni.

Modellezés nélkül nem megy

A fentieket indokolja néhány adat, ám nyitott kérdés, hogy a kutatás a fenti metaforák szerint sikeres lesz-e:

• A négy nagy cég (Google, Amazon, Microsoft és Facebook) adatállománya most 1200 petabyte, de lesz nagyobb is (1 PB = 1000 TB = 1 m GB = 1 milliárd MB = 1000 milliárd KB).^V Ahhoz, hogy ekkora nagyságrendben osztályozást, keresést, láttatást végezzünk, az indexelésnek a számítógépes nyelvészettel kell összefognia. A jelenleg egyik legsikeresebb irányzat statisztikai alapon szavak millióinak használatából kiindulva geometriai szótárakat épít, ahol a rokon jelentésű szavak a térben egymáshoz közel helyezkednek el. Ezekre a szövegere példa a topológiai fogantatású Word2vec⁵, a Glove⁶, a doc2vec⁷ vagy a különféle tenzoros algoritmusok.⁸ A topológiai megközelítés képfelismerésre,⁹ nyelvfelismerésre¹⁰ stb. is alkalmas. Ugyanakkor persze feltehetjük, hogy jelenleg egyetlen szolgáltatónak sincs akkora számítási kapacitása, amekkora a világháló tartalmát egészében feldolgozhatná.
• A nagyságrend miatt a modellek automatikus értékelése és rangsorolása igen problematikus – minél nagyobb az állomány, annál nehezebb megérteni, mennyire jó eredményeket kaptunk, és merre tovább. Ráadásul mivel a tartalomnak van egy időbeli fejlődési dimenziója is, ezt a dinamikus természetét pl. a fizika révén lehet tanulmányozni, bár a könyvtári informatika számára új kihívás a klasszikus mechanika vagy a kvantummechanika segítségével mező-jellegű modelleket létrehozni az ismérvek és dokumentumok hasonlóságaiból.^11,12,13,14 Ez azonban elkerülhetetlennek látszik, sőt csak az első lépés, az ismeretszervezésnek ugyanis már látszik egy ’kémiai’ megközelítése is termodinamikai alapokon az entrópia és a strukturálódás fogalmaiból kiindulva.¹⁵ Ekkor a fogalmi mikro- és makro-szerkezetek kialakulását és kölcsönhatásait a vegyületképződés analógiájára reakciósémákkal lehetne vizsgálni. S végül, hogy a biológia se maradjon ki, a digitális tartósítás területén már ma is van értelme a tartalmi reprodukció kérdéseit evolúciós keretben, holmi mesterséges élet szabályainak megfelelően kutatni¹⁶ (vö. tartalmi motívumok mint ’digitális DNS’ azonosítása, sorrendjeik és rekombinációik vizsgálata).¹⁷

Mindenesetre a K+F, illetve a kereskedelmi trendek azt mutatják, hogy a mesterséges intelligencia, ezen belül is a mesterséges ideghálózatokkal operáló ún. ’elmélyült / elmélyített / alaposabb’ tanulás (deep learning) egyre fontosabb szerepet fog játszani a könyvtári informatikában is.^VI

Ismerős problémák új köntösben

Ma úgy tűnik, hogy a következő évtizedek főbb szakmai feladatai a következők lesznek:

• Fejlődő információs ‘univerzumok’ feltérképezése az ismeretszervezés folyamatának követéséhez, információkereséshez és böngészéshez.¹⁸ Jól látható, hogy a tartalmi univerzumok csillagképekhez hasonló, bizonyos mezőszerű tulajdonságok viselkedésére visszavezethető változásai összehasonlíthatók a csillagászat és kozmológia által vizsgált világegyetem fejlődésével.¹⁹ Itt a csillagtérképezés módszertanát kölcsön véve nagyságrendeken töretlenül átívelő gyakorlatot honosíthatunk meg.
• Meg kell tanulnunk megérteni és megbízhatóan kezelni egyre több információt és azok dinamikáját.
• Meg kell értenünk a tartalom dinamikájának társadalmi okait, kiváltó mechanizmusait.²⁰ Természetesen ez is feltételezi az egymástól akár távolabb eső társadalom- és természettudományok módszertani konvergenciáját.

Ha a fenti sejtések többsége helyesnek bizonyulna, akkor a vázolt helyzetkép alapján ilyen vagy hasonló fejlemények várhatók:

• Nagyságrendtől függetlenül a legáltalánosabban felfogott dokumentumgyűjtemények részleges automatizálása elkerülhetetlen. A gépi tanulás célja az automatikus indexelés, automatikus osztályozás, információkeresés, illetve a tartalom evolúciójának láttatása, feltérképezése. Az ehhez szükséges mesterséges intelligencia azonban nem várható a következő évtizeden belül, a robotok még sokáig nem tudják a kreatív szellemi munkát át- vagy elvenni a könyvtárosoktól.
• A helyzetet nem teszi egyszerűbbé, hogy új dokumentumtípusok és -műfajok megjelenése valószínű, amelyek például a vizsgálat tárgyának viselkedését, dinamikáját is ábrázolni képesek az olvasó számára.
• A tartalmi dinamika és okainak megértése a média új szűk keresztmetszete lesz. Itt arra gondolok, hogy az elérhető információ nagyságrendje komoly akadályává válik a társadalomtudományi modellezésnek, ez pedig visszahat mind a közegre, mind annak technológiai fejlődésére.
• A multidiszciplinaritás, a tudományterületek kutatási együttműködése és szemléleti kölcsönhatása, az egyfajta szakterületek feletti hozzáállás egyre fontosabbá válik.
• Továbbra is csak előre menekülhetünk.
• A könyvtári informatikának K+F partnerként kell viselkednie, ha társadalmi rangra vágyik.
• A hallgatók és automaták tanítása új kérdéseket vet fel.
• A könyvtár- és információtudományi tantervfejlesztés keresztúthoz érkezett: vagy bővül és mélyül, vagy a világháló feladatait meghagyja a ’megoldástudománynak’, ezzel azonban veszít jelentőségéből. Ez annyiból nem újdonság, hogy legalább húsz éve ugyanez a helyzet.

A fentiekből nem a válaszút, hanem a szemléletváltás kényszere következik. Erre az utóbbi évtizedekben sokan, nálam avatottabbak már figyelmeztettek.^21,22,23,24 Ebbe az irányba mutató lépéseknek tekintem egy új folyóirat, a Digitális Bölcsészet^VII megjelenését is.

Őszintén remélem, hogy kiváló elődeim véleményének tanulmányozása segít összefüggéseibe helyezni az itt előadottakat, mert az a bizonyos üzenet ‒ „Megszámláltattál, megmérettél, és könnyűnek találtattál”^VIII – igen jól olvashatóan már megint ott díszeleg a kor falán.

Jegyzetek

I.    Lásd a HVG Beszélgetések a jövőről című vitasorozatának előadásait: https://hvg.hu/cs/Beszelgetesek%20a%20jovorol [2019. január 16.]

II.    https://momentum.blog.hu/2018/11/19/nemzetkozi_fe rfinap_555 [2019. január 16.]

III.   https://www.live-counter.com/how-big-is-the-internet/ [2019. január 16.]. A honlap szerint egy exabyte 212 millió DVD-vel egyenlő, ami 3404 tonnát nyom.

IV. https://pkp.sfu.ca/ojs/ [2019. január 16.)

V.  https://www.sciencefocus.com/future-technology/how-much-data-is-on-the-internet/ [2019. január 16.]

VI. Itt az amerikai Gartner technológiai előrejezéseit érdemes figyelemmel kísérni: https://www.datanami.com/2018/08/27/gartner-sees-ai-democratized-in-latest-hype-cycle/ [2019. január 16.].

VII. http://ojs.elte.hu/index.php/digitalisbolcseszet [2019. január 16.].

VIII. Dániel 5, 25–27.

Irodalom

BAEZA-YATES, R. – RIBEIRO-NETO, B.: Modern information retrieval. New York, Addison-Wesley. 1999.

PAGE, L. – BRIN, S. – MOTWANI, R. – WINOGRAD, T.: The pagerank citation ranking: bringing order to the web. Technical report. Stanford University, Palo Alto, CA., 1998.

GLEICH, D. F.: Pagerank beyond the web = SIAM Review, 57. vol. 2015. 3. no. 321–363.  p. https://epubs.siam.org/doi/abs/10.1137/140976649?journalCode=siread [2019. január 16.]

GULYÁS László: Közmű lesz-e a mesterséges intelligencia? = HVG, 2018.  október 12. https://hvg.hu/tudomany/20181012_Kozmu_lesze_a_mesterseges_intelligencia [2019. január 16.]

MIKOLOV, T. – SUTSKEVER, I. – CHEN, K. – CORRADO, G. S. – DEAN, J.: Distributed representations of words and phrases and their compositionality. In: Advances in Neural Information Processing Systems 26, 2013. 3111–3119 p. http://papers.nips.cc/paper/5021-distributed-representations-of-words-and-phrases-and-their-compositionality.pdf [2019. január 16.]

PENNINGTON, J. – SOCHER, R. – MANNING, C.: GloVe: Global vectors for word representation. In: Proceedings of EMNLP-14, 2014. 1532–1543 p. https://www.aclweb.org/anthology/D14-1162 [2019. január 16.]

LE, Q. – MIKOLOV, T.: Distributed representations of sentences and documents. In: Proceedings of the 31st International Conference on Machine Learning, PMLR, 32. vol. 2014. 2. no. 1188–1196. p. http://proceedings.mlr.press/v32/le14.pdf [2019. január 16.]

KOLDA, T. G. – BADER, B. W.:  Tensor decompositions and applications. = SIAM Review, 51. vol. 2009. 3 no. 455–500. p. https://epubs.siam.org/doi/10.1137/07070111X  [2019. január  16.]

GARCIA-GASULLA, D. – BÉJAR, J. – CORTÈS, U. – AYGUADÉ, E. – LABARTA, J. – SUZUMURA, T. – CHEN, R.: A visual embedding for the unsupervised extraction of abstract semantics = arXiv.org. 2016. https://arxiv.org/abs/1507.08818 [2019. január 16.]

JAECH, A. – MULCAIRE, G. – HATHI, S. – OSTENDORF, M. – SMITH, N.A.: A neural model for language identification in code-switched tweets. In: Proceedings of the Second Workshop on Computational Approaches to Code Switching. 2016. 60–64 p. https://pdfs.semanticscholar.org/e991/05db9912ab5352c2fad129a06794c3fcc392.pdf [2019. január 16.]

WITTEK, P. – DARANYI, S. – LIU, Y. H.: A vector field approach to lexical semantics. In: Proceedings of Quantum Interaction-14 = Lecture Notes in Computer Science, vol. 8951. Cham. Springer, 2015. 78–89. p.  https://pdfs.semanticscholar.org/2984/478b87d286d43527d50f36d808b751b8c12b.pdf [2019. január 16.]

DARANYI, S. – WITTEK, P. – KONSTANTINIDIS, K. – PAPADOPOULOS, S. – KONTOPOULOS, E.: A physical metaphor to study semantic drift = arXiv.org, 2016. https://arxiv.org/abs/1608.01298 [2019. január 16.]

WITTEK, P. – DARÁNYI, S. – KONTOPOULOS, E. – MOYSIADIS, T. – KOMPATSIARIS, I.: Monitoring term drift based on semantic consistency in an evolving vector field. In: Proceedings of IJCNN-15. 2015. 1–8.  p. https://www.researchgate.net/publication/272027157_Monitoring_Term_Drift_Based_on_Semantic_Consistency_in_an_Evolving_Vector_Field [2019. január 16.]

DARÁNYI, S. – WITTEK, P.: Demonstrating conceptual dynamics in an evolving text collection. = Journal of the American Society for Information Science and Technology, 64. vol. 2013. 12. no. 2564–2572 p. https://onlinelibrary.wiley.com/doi/abs/10.1002/asi.22940 [2019. január 16.]

BAWDEN, D. – ROBINSON, L.: „A few exciting words”: information and entropy revisited. = Journal of the Association for Information Science and Technology, 66. vol. 2015. 10. no. 1965–1987. p.

POCKLINGTON, M. – EGGERS, A. G. – CORUBOLO, F. – HEDGES, M. – LUDWIG, J. – DARANYI, S.: A biological perspective on digital ecosystems and digital preservation. In: Proceedings of the 11th International Conference on Digital Preservation. 2014. 363–365 p. https://www.researchgate.net/publication/272488526_A_Biological_Perspective_on_Digital_Preservation [2019. január 16.]

DARANYI, S. – WITEK, P. – FORRÓ, L.: Toward sequencing „narrative DNA”: tale types, motif strings and memetic pathways. In: Proceedings of CMN-12, 3rd Workshop on Computational Models of Narrative in conjunction with the 8th Language Resources and Evaluation Conference. 2012. 2–10 p. https://www.researchgate.net/publication/259060841_Toward_Sequencing_Narrative_DNA_Tale_Types_Motif_Strings_and_Memetic_Pathways [2019. január 16.]

KONTOPOULOS, E. – DARÁNYI, S. – WITTEK, P. – KONSTANTINIDIS, K. – RIGA, M., MITZIAS, P. –  STAVROPOULOS, T. – ANDREADIS, S. – MARONIDIS, A. – KARAKOSTAS, A. – TACHOS, S. – KALTSA, V. – TSAGIOPOULU, M. – AVGERINAKIS, K.: Deliverable 4.5: Context-aware content interpretation. Technical report. PERICLES EU project. 2016. https://www.researchgate.net/publication/308983938_PERICLES_Deliverable_45_Context-aware_Content_Interpretation [2019. január 16.]

DARÁNYI Sándor: Információcsillagászat az Interneten: elmélet és gyakorlat. = Tudományos és Műszaki Tájékoztatás, 44. évf. 1999. 7–6. sz. 271–275. p.

WITEK, P., LIU, Y.H., DARÁNYI, S., GEDEON, T., LIM, I.S.: Risk and ambiguity in information seeking: eye gaze patterns reveal contextual behaviour in dealing with uncertainty = Frontiers in Psychology, 7. évf. 2016. 1664-1078 p. https://www.researchgate.net/publication/304505699_Risk_and_Ambiguity_in_Information_Seeking_Eye_Gaze_Patterns_Reveal_Contextual_Behavior_in_Dealing_with_Uncertainty [2019. január 16.]

SENNYEY, Pongrácz – KOKAS, Károly: Könyvtárak a hálózatban = Tudományos és Műszaki Tájékoztatás, 58. évf. 2011. 10. sz. 419–429. p.

KOKAS Károly: Könyvtárak a Rubiconnál. A tudományos szakirodalmi információellátás új könyvtári paradigmái. = Educatio, 22. évf. 2013. 3. sz. 363–376 p.

KOKAS Károly: Mivé lett nekünk az internet? = Debreceni Szemle, 24. évf. 2016. 2. sz. 157–165 p.

NAGY Gyula − MOLNÁR Sándor − KOKAS Károly: A könyvtárak jövőjéről – Reflexiók egy előzetes kutatási jelentés kapcsán = Tudományos és Műszaki Tájékoztatás, 64. évf. 2017. 2. sz. 64–81 p.

Beérkezett 2018. január 18.