Die Auswertung unstrukturierter Daten aus virtuellen Referenzchats stellt eine Herausforderung dar: Während Volltexte wertvolle Details enthalten, sind sie zeitaufwendig zu analysieren, und die Metadaten der Transkripte bieten zwar schnelle Einblicke, lassen aber wesentliche Nuancen außer Acht. Eine aktuelle Studie von Jiebei Luo und Alyssa Brissett im Journal „Library & Information Science Research“ untersucht den Einsatz maschinellen Lernens (ML) zur Analyse von Chat-Transkripten aus dem Auskunfts- und Informationsdienst einer Forschungsuniversität aus den Jahren 2017 bis 2022. Ziel ist es, sowohl die Wirksamkeit von ML im Umfeld wissenschaftlicher Bibliotheken zu bewerten als auch die Auswirkungen der COVID-19-Pandemie auf Nutzeranfragen zu analysieren. Die Ergebnisse zeigen einen signifikanten Anstieg ausleihbezogener Anfragen während der Pandemie – ein Trend, der auch nach der Rückkehr zum Präsenzbetrieb anhält. Die Studie verdeutlicht das Potenzial von ML, große Mengen unstrukturierter Daten effizient zu verarbeiten und wertvolle Erkenntnisse für die Weiterentwicklung bibliothekarischer Dienstleistungen zu liefern.