圖書館的發展歷經傳統圖書館、數字圖書館、智慧圖書館三階段，相應的圖書館服務亦經歷文獻服務、信息及知識服務、智能服務三階段。智慧圖書館依托數智技術（主要有大數據、人工智能等）、融合圖書館資源的全流程管理體系，面向用戶多樣化、個性化、專業化需求實現數據資源與數智技術有機整合、虛實空間有效融合以提供效益比較大化的數智服務（主要分技術服務及公共服務），由此要求圖書館數智服務平臺需具備感知化、泛在化、協同化的特征：感知化是針對特定的應用場景選擇適配的服務方案，通過交互終端及交互門戶以合適的交互方式實現服務情境、用戶行為等智能感知；泛在化是基于數智技術打破時間與空間的服務邊界，可跨空間實時提供資源間共享、領域間互聯的多元化、多層次服務；協同化是協調圖書館業務運行涉及的多方主體（社會公眾、社會機構、圖書館館員等）利益，充分發揮多方主體智慧實現數據資源、數智技術、實體空間、服務系統等圖書館要素高效協同運作。各高校圖 書館應加強未來學習中心試點建設，打造高標準智慧 化的學習新體系。數字圖書館智慧導讀

智慧導讀面向內外部資源及線上線下資源統一整合、多模態數據有效存儲、數據資源多向調用的需求，遵循數據庫設計塊、智能設施模塊構建基礎設施層。其中，服務器設施模塊敏捷部署各類適用于圖書館數智服務的軟硬件，提供資源并發計算及服務及時響應能力。網絡設施模塊通過實現圖書館內部鏈接及外部跨連的必要通信設備，滿足數據高速傳輸、安全有效保障的網絡服務需要。智能設施模塊綜合應用智能感知、智能管理、智能服務三類設備，構建覆蓋多維交互渠道、提供多類功能的智能設備集群，進而支撐圖書館業務場景精細感知、巨量復雜資源動態調度、智能服務跨域互融。提供智慧導讀平臺而該平臺提供一體化的服務，有參考咨詢服務、交流互動服務等，讀者可以在自主平臺上享受自助便捷化服務。

大數據和人工智能技術極大地推動輔助閱讀智慧化。如表5所示，一方面，進一步優化移動閱讀、數字閱讀的外部語義增強環境。除了提供劃線、高亮顯示、翻譯、對比閱讀等功能以輔助關鍵信息的甄別與標識，還強化語料、引文收集、標簽、手繪等數字筆記和數字注釋功能，增強用戶描述和記錄文本大意的體驗。另一方面，對文獻內容的再生產或再創作，提高閱讀效率，降低認知負荷。在海量數據中“學習”并“理解”內容，對某一主題的相關文獻進行自動綜述，提煉文獻的**內容，AI生成解讀視頻。同時，基于語義關聯關系，提供與文獻相關的數據、代碼、項目、視頻講解等服務。在閱讀理解過程中，以提問的方式要求GPT類平臺自動提煉相關內容，自動實現知識抽取和關系揭示。表6列舉了部分學術平臺的輔助閱讀服務內容及服務形式。當前的輔助閱讀服務適用于撰寫文獻綜述的主題文獻閱讀，也適用于學術檢索任務和積累任務，但仍需要配合人工精讀的方式學習特定的方法和理論知識點。

幫助用戶在海量信息中提高學術資源尋求效率是圖情領域一直關注的研究主題。從研究結果可以看出，目前傳統文獻數據庫ScienceDirect提供**文獻的關聯信息服務、Elsevier提供個性化推薦服務，新型學術平臺ConnectedPapers、AMiner、YewnoDiscover等利用知識圖譜、語義分析、自然語言處理、機器學習等技術為用戶帶來智能檢索與智能推薦的新體驗。借力AIGC技術，面向學術用戶的閱讀尋求情境，圖書館可以從內容語義組織、多模態內容創建及數據資源建設3個方面創新質量學術資源服務模式。智慧導讀可以讓讀者更加自主地學習。

智慧閱讀服務內容方面的研究覆蓋讀物供給智慧化、輔助閱讀智慧化和閱讀推廣智慧化等主題。有關讀物供給智慧化的研究包括移動讀物供給[9]、虛擬現實讀物供給[10-11]及個性化閱讀推薦[12-13]等方面，讀物涉及文本、視頻、音頻、圖像、數據等多種形式，如視聽閱讀內容[14]、有聲讀物[15]、歷史人物數據[16]、在線可視化數據[17]等。輔助閱讀智慧化研究方面，K.LO等探討“人工智能和人機交互的***進展能否為智能、交互式和可訪問的閱讀界面提供動力”[18]?；谘蹌幼粉櫤痛笳Z言模型技術的智能AI閱讀助手SARA通過實時提供個性化幫助來增強閱讀體驗[19]。同時，對支持閱讀過程的新技術平臺需求正在增長[18]。有關閱讀推廣智慧化的研究包含服務流程[20]、模式框架及實踐[21]等方面。另外，少數學者調查高校圖書館智能服務水平并分析阻礙因素[22]。智慧導讀是一種基于人工智能和大數據技術的閱讀輔助工具，旨在提供個性化、智能化的閱讀推薦和導讀服務。品牌智慧導讀特點

知識鏈分析服務模式是試圖在讀者與文獻數據庫之間創新性地介入一個透明的文獻服務網關。數字圖書館智慧導讀

首先，智慧導讀系統會收集用戶在閱讀過程中的各種數據，包括但不限于用戶的閱讀時長、閱讀偏好、閱讀歷史、點擊行為、評論反饋等。這些數據可以通過用戶在平臺上的行為自動記錄，也可以通過用戶主動填寫問卷或設置偏好等方式獲取。收集到的原始數據可能包含噪聲、重復或無效信息，因此需要進行數據清洗和預處理。這一步包括去除重復數據、填充缺失值、轉換數據格式等操作，以便進行后續的數據挖掘工作。利用機器學習和數據分析技術，對用戶數據進行深度挖掘。這包括對用戶的閱讀習慣、興趣偏好、情感傾向等進行分析，發現用戶潛在的閱讀需求和興趣點。同時，通過對用戶數據的聚類、分類和關聯規則挖掘等，可以發現用戶群體之間的相似性和差異性，為后續的推薦算法提供依據。數字圖書館智慧導讀