Search (30 results, page 1 of 2)

0.012119485 = product of:
  0.08483639 = sum of:
    0.07337102 = weight(_text_:daten in 164) [ClassicSimilarity], result of:
      0.07337102 = score(doc=164,freq=6.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.5464934 = fieldWeight in 164, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.046875 = fieldNorm(doc=164)
    0.011465367 = product of:
      0.022930734 = sum of:
        0.022930734 = weight(_text_:22 in 164) [ClassicSimilarity], result of:
          0.022930734 = score(doc=164,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = queryNorm
            0.23214069 = fieldWeight in 164, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.046875 = fieldNorm(doc=164)
      0.5 = coord(1/2)
  0.14285715 = coord(2/14)

Abstract

Social-Tagging-Systeme, die sich für das Wissensmanagement rapide wachsender Informationsmengen zunehmend durchsetzen, sind ein ambivalentes Phänomen. Sie bieten Kundennähe und entfalten ein beachtliches kreatives Potenzial. Sie erzeugen aber ebenso große Mengen völlig unkontrollierter Meta-Informationen. Aus Sicht gepflegter Vokabularien, wie sie sich etwa in Thesauri finden, handelt es sich bei völlig frei vergebenen Nutzerschlagwörtern (den "Tags") deshalb um "chaotische" Sacherschließung. Andererseits ist auch die These einer "Schwarmintelligenz", die in diesem Chaos wertvolles Wissen als Gemeinschaftsprodukt erzeugt, nicht von der Hand zu weisen. Die Frage ist also: Wie lassen sich aus Tagging-Daten Meta-Informationen generieren, die nach Qualität und Ordnung wissenschaftlichen Standards entsprechen - nicht zuletzt zur Optimierung eines kontrollierten Vokabulars? Der Beitrag stellt ein Analysemodell zur Nutzbarkeit von Tagging-Daten vor.

Source

¬Die Kraft der digitalen Unordnung: 32. Arbeits- und Fortbildungstagung der ASpB e. V., Sektion 5 im Deutschen Bibliotheksverband, 22.-25. September 2009 in der Universität Karlsruhe. Hrsg: Jadwiga Warmbrunn u.a

0.0060515394 = product of:
  0.08472155 = sum of:
    0.08472155 = weight(_text_:daten in 2957) [ClassicSimilarity], result of:
      0.08472155 = score(doc=2957,freq=2.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.63103616 = fieldWeight in 2957, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.09375 = fieldNorm(doc=2957)
  0.071428575 = coord(1/14)

Abstract

Neue Webdienste vereinen die Vorteile von Thesauri und durch privates "Tagging" gewonnenen "Ego-Daten".

0.0048347237 = product of:
  0.067686126 = sum of:
    0.067686126 = weight(_text_:media in 796) [ClassicSimilarity], result of:
      0.067686126 = score(doc=796,freq=4.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.5122984 = fieldWeight in 796, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.0546875 = fieldNorm(doc=796)
  0.071428575 = coord(1/14)

Abstract

Die Erforschung und der Einsatz von Folksonomies und Social Tagging als nutzerzentrierte Formen der Inhaltserschließung und Wissensrepräsentation haben in den 10 Jahren ab ca. 2005 ihren Höhenpunkt erfahren. Motiviert wurde dies durch die Entwicklung und Verbreitung des Social Web und der wachsenden Nutzung von Social-Media-Plattformen (s. Kapitel E 8 Social Media und Social Web). Beides führte zu einem rasanten Anstieg der im oder über das World Wide Web auffindbaren Menge an potenzieller Information und generierte eine große Nachfrage nach skalierbaren Methoden der Inhaltserschließung.

0.0043673227 = product of:
  0.061142515 = sum of:
    0.061142515 = weight(_text_:daten in 1977) [ClassicSimilarity], result of:
      0.061142515 = score(doc=1977,freq=6.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.45541114 = fieldWeight in 1977, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.0390625 = fieldNorm(doc=1977)
  0.071428575 = coord(1/14)

Abstract

»Die rasante Entwicklung des BOND Community System (BCS) übertrifft unsere Erwartungen«, erklärt Andreas Serr, Produktmanager der BOND-Tochter BOND Library Service GmbH &Co. KG (BLS). Bereits über 10.000 neue Datensätze wurden in den letzten Monaten von BOND-Kunden für BOND-Kunden in den gemeinsamen Datenpool erfasst. Tendenz schnell steigend. Der komplette Katalogisate-Pool, der den Nutzern kostenlos zur Verfügung steht, umfasst inzwischen fast 700.000 Katalogisate. »Das Schöne an BCS ist, dass alle davon profitieren«, unterstreicht Serr. Den Teilnehmern entstehen weder Kosten noch Mehrarbeit. Die Datenübernahme erfolgt bequem per Mausklick aus dem Daten-Pool direkt in den eigenen Katalog. Fast noch einfacher ist es, Daten in BCS zur Verfügung zu stellen. Man erfasst sein Katalogisat wie immer. Mit dem Klick zum Abspeichern landen die Daten automatisch im BCS-Pool. »Damit macht man mit seiner täglichen Arbeit viele andere Bibliotheken glücklich«, ergänzt Serr. Dank der großen Zahl und der Kooperationsbereitschaft der BOND-Anwender funktioniert das System jetzt schon prächtig. »Irgendwie ist die Idee genial und einfach zugleich!« schrieb eine Kundin, die seit Mitte März am BCS teilnimmt. Wie wird man BCS Teilnehmer? Am BCS teilnehmen können alle Anwender von BIBLIOTHECA 2000 (ab Version 2.9) und BIBLIOTHECA.net (Version 2.1). Die Erst-Anmeldung erfolgt per Anmelde-PDF, das unter www.library-service.de/ bcs.htm zum Download bereitsteht. Die Freischaltung erfolgt dann in der Regel innerhalb 24 Stunden.

0.004144049 = product of:
  0.05801668 = sum of:
    0.05801668 = weight(_text_:media in 4229) [ClassicSimilarity], result of:
      0.05801668 = score(doc=4229,freq=4.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.43911293 = fieldWeight in 4229, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.046875 = fieldNorm(doc=4229)
  0.071428575 = coord(1/14)

Abstract

Social media systems have encouraged end user participation in the Internet, for the purpose of storing and distributing Internet content, sharing opinions and maintaining relationships. Collaborative tagging allows users to annotate the resulting user-generated content, and enables effective retrieval of otherwise uncategorised data. However, compared to professional web content production, collaborative tagging systems face the challenge that end-users assign tags in an uncontrolled manner, resulting in unsystematic and inconsistent metadata. This paper introduces a framework for the personalization of social media systems. We pinpoint three tasks that would benefit from personalization: collaborative tagging, collaborative browsing and collaborative search. We propose a ranking model for each task that integrates the individual user's tagging history in the recommendation of tags and content, to align its suggestions to the individual user preferences. We demonstrate on two real data sets that for all three tasks, the personalized ranking should take into account both the user's own preference and the opinion of others.

0.004144049 = product of:
  0.05801668 = sum of:
    0.05801668 = weight(_text_:media in 4748) [ClassicSimilarity], result of:
      0.05801668 = score(doc=4748,freq=4.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.43911293 = fieldWeight in 4748, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.046875 = fieldNorm(doc=4748)
  0.071428575 = coord(1/14)

Abstract

Social tags have become an important tool for improving access to online resources, particularly non-text media. With the dramatic growth of user-generated content, the importance of tags is likely to grow. However, while tagging behavior is well studied, the relationship between tagging behavior and features of the media being tagged is not well understood. In this paper, we examine the relationship between tagging behavior and image type. Through a lab-based study with 51 subjects and an analysis of an online dataset of image tags, we show that there are significant differences in the number, order, and type of tags that users assign based on their past experience with an image, the type of image being tagged, and other image features. We present these results and discuss the significant implications this work has for tag-based search algorithms, tag recommendation systems, and other interface issues.

0.0041216933 = product of:
  0.057703704 = sum of:
    0.057703704 = weight(_text_:massendaten in 3054) [ClassicSimilarity], result of:
      0.057703704 = score(doc=3054,freq=2.0), product of:
        0.24275331 = queryWeight, product of:
          8.6058445 = idf(docFreq=21, maxDocs=44218)
          0.02820796 = queryNorm
        0.23770511 = fieldWeight in 3054, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.6058445 = idf(docFreq=21, maxDocs=44218)
          0.01953125 = fieldNorm(doc=3054)
  0.071428575 = coord(1/14)

Footnote

Enthält die Beiträge der Tagung "Social Tagging in der Wissensorganisation" am 21.-22.02.2008 am Institut für Wissensmedien (IWM) in Tübingen. Volltext unter: http://www.waxmann.com/kat/inhalt/2039Volltext.pdf. Vgl. die Rez. unter: http://sehepunkte.de/2008/11/14934.html. Rez. in: IWP 60(1009) H.4, S.246-247 (C. Wolff): "Tagging-Systeme erfreuen sich in den letzten Jahren einer ungemein großen Beliebtheit, erlauben sie dem Nutzer doch die Informationserschließung "mit eigenen Worten", also ohne Rekurs auf vorgegebene Ordnungs- und Begriffsysteme und für Medien wie Bild und Video, für die herkömmliche Verfahren des Information Retrieval (noch) versagen. Die Beherrschung der Film- und Bilderfülle, wie wir sie bei Flickr oder YouTube vorfinden, ist mit anderen Mitteln als dem intellektuellen Einsatz der Nutzer nicht vorstellbar - eine professionelle Aufbereitung angesichts der Massendaten (und ihrer zu einem großen Teil auch minderen Qualität) nicht möglich und sinnvoll. Insofern hat sich Tagging als ein probates Mittel der Erschließung herausgebildet, das dort Lücken füllen kann, wo andere Verfahren (Erschließung durch information professionals, automatische Indexierung, Erschließung durch Autoren) fehlen oder nicht anwendbar sind. Unter dem Titel "Good Tags - Bad Tags. Social Tagging in der Wissensorganisation" und der Herausgeberschaft von Birgit Gaiser, Thorsten Hampel und Stefanie Panke sind in der Reihe Medien in der Wissenschaft (Bd. 47) Beiträge eines interdisziplinären Workshops der Gesellschaft für Medien in der Wissenschaft zum Thema Tagging versammelt, der im Frühjahr 2008 am Institut für Wissensmedien in Tübingen stattgefunden hat. . . .

0.00403436 = product of:
  0.056481034 = sum of:
    0.056481034 = weight(_text_:daten in 4873) [ClassicSimilarity], result of:
      0.056481034 = score(doc=4873,freq=2.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.42069077 = fieldWeight in 4873, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.0625 = fieldNorm(doc=4873)
  0.071428575 = coord(1/14)

Abstract

BibSonomy ist ein kooperatives Verschlagwortungssystem (Social Bookmarking System), betrieben vom Fachgebiet Wissensverarbeitung der Universität Kassel. Es erlaubt das Speichern und Organisieren von Web-Lesezeichen und Metadaten für wissenschaftliche Publikationen. In diesem Beitrag beschreiben wir die von BibSonomy bereitgestellte Funktionalität, die dahinter stehende Architektur sowie das zugrunde liegende Datenmodell. Ferner erläutern wir Anwendungsbeispiele und gehen auf Methoden zur Analyse der in BibSonomy und ähnlichen Systemen enthaltenen Daten ein.

0.0035659042 = product of:
  0.049922656 = sum of:
    0.049922656 = weight(_text_:daten in 4723) [ClassicSimilarity], result of:
      0.049922656 = score(doc=4723,freq=4.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.37184164 = fieldWeight in 4723, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.0390625 = fieldNorm(doc=4723)
  0.071428575 = coord(1/14)

Abstract

Social Tagging ist eine Methode zur semantischen Datenorganisation. Im Unterschied zu traditionellen Ansätzen wird die Kategorisierung nicht von Experten vorgenommen, sondern von einer Vielzahl von Benutzern gemeinschaftlich entwickelt. Bezüglich der Daten existieren grundsätzlich keinerlei Einschränkungen. Dabei kann es sich sowohl um multimediale Inhalte als auch um wissenschaftliche Literatur handeln. Jeder Benutzer, unabhängig von Expertise oder Intention, ist aufgefordert, mithilfe von frei gewählten Tags die Kategorisierung der verwendeten Ressourcen zu unterstützen. Insgesamt entsteht dadurch eine Sammlung verschiedenster subjektiver Einschätzungen, die zusammen eine umfassende semantische Organisation bestimmter Inhalte darstellen. Ziel dieses Buches ist es, zunächst die Grundlagen und Anwendungen von Social Tagging zu erörtern und dann speziell die Effekte im Hinblick auf die Wissensorganisation und die sozialen Beziehungen der Benutzer zu analysieren. Eines der zentralen Ergebnisse dieser Arbeit ist die Erkenntnis, dass die gemeinschaftlich erzeugten Metadaten eine unerwartet hohe Qualität bzw. Bedeutsamkeit aufweisen, obwohl Mehrdeutigkeiten und verschiedene Schreibweisen diese negativ beeinflussen könnten. Social Tagging ist besonders effektiv für die Organisation von sehr großen oder auch heterogenen Daten-beständen, die mit herkömmlichen, experten-basierten Kategorisierungsverfahren nicht mehr verarbeitet werden können oder durch automatische Verfahren qualitativ schlechter indexiert werden. Durch Social Tagging wird nicht nur die Wissensorganisation gefördert, sondern darüber hinaus auch die Zusammenarbeit und der Aufbau von Communities, weshalb Social Tagging auch effizient in der Lehre eingesetzt werden kann.

0.0034533741 = product of:
  0.048347235 = sum of:
    0.048347235 = weight(_text_:media in 101) [ClassicSimilarity], result of:
      0.048347235 = score(doc=101,freq=4.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.36592746 = fieldWeight in 101, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.0390625 = fieldNorm(doc=101)
  0.071428575 = coord(1/14)

LCSH

Social media

Subject

Social media

0.0030257697 = product of:
  0.042360775 = sum of:
    0.042360775 = weight(_text_:daten in 407) [ClassicSimilarity], result of:
      0.042360775 = score(doc=407,freq=2.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.31551808 = fieldWeight in 407, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.046875 = fieldNorm(doc=407)
  0.071428575 = coord(1/14)

Abstract

Kollaborationen mit Kollegen sind für fast alle Wissenschaftler bedeutend. Forscher bauen sich im Laufe ihrer Karriere ein soziales Netzwerk mit Kontakten zu anderen Wissenschaftlern mit ähnlichen Interessen und Forschungsschwerpunkten auf. Ein Empfehlungssystem könnte einer Person dabei helfen, geeignete Kollegen und neue Kooperationspartner zu finden. Für einen Wissenschaftler ist seine Reputation sehr wichtig, die mit Zitations- und Referenzdaten analysiert werden kann. Solche Daten können dazu dienen, Cluster mit ähnlichen Forschern zu ermitteln, die wiederum für ein Empfehlungssystem verwendet werden können. Darüber hinaus enthalten neue Dienste des sozialen Webs, wie Social-Bookmarking-Systeme, weitere Informationen über Wissenschaftler, auf Basis derer Personenvorschläge gemacht werden können. Im Folgenden wird ein Versuch beschrieben, verschiedene soziale Informationen über Wissenschaftler zu nutzen, um diesen relevante Kooperationspartner vorzuschlagen.

0.0025214748 = product of:
  0.035300646 = sum of:
    0.035300646 = weight(_text_:daten in 2476) [ClassicSimilarity], result of:
      0.035300646 = score(doc=2476,freq=2.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.26293173 = fieldWeight in 2476, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.0390625 = fieldNorm(doc=2476)
  0.071428575 = coord(1/14)

Abstract

Nach dem zu Beginn der Ära des World Wide Web von Hand gepflegte Linklisten und -Verzeichnisse und an Freunde und Kollegen per E-Mail verschickte Links genügten, um die Informationen zu finden, nach denen man suchte, waren schon bald Volltextsuchmaschinen und halbautomatisch betriebene Kataloge notwendig, um den mehr und mehr anschwellenden Informationsfluten des Web Herr zu werden. Heute bereits sind diese Dämme gebrochen und viele Millionen Websites halten Billionen an Einzelseiten mit Informationen vor, von Datenbanken und anderweitig versteckten Informationen ganz zu schweigen. Mit Volltextsuchmaschinen erreicht man bei dieser Masse keine befriedigenden Ergebnisse mehr. Entweder man erzeugt lange Suchterme mit vielen Ausschließungen und ebenso vielen nicht-exklusiven ODER-Verknüpfungen um verschiedene Schreibweisen für den gleichen Term abzudecken oder man wählt von vornherein die Daten-Quelle, an die man seine Fragen stellt, genau aus. Doch oft bleiben nur klassische Web-Suchmaschinen übrig, zumal wenn der Fragende kein Informationsspezialist mit Kenntnissen von Spezialdatenbanken ist, sondern, von dieser Warte aus gesehenen, ein Laie. Und nicht nur im Web selbst, auch in unternehmensinternen Intranets steht man vor diesem Problem. Tausende von indizierten Dokumente mögen ein Eckdatum sein, nach dem sich der Erfolg der Einführung eines Intranets bemessen lässt, aber eine Aussage über die Nützlichkeit ist damit nicht getroffen. Und die bleibt meist hinter den Erwartungen zurück, vor allem bei denen Mitarbeitern, die tatsächlich mit dem Intranet arbeiten müssen. Entscheidend ist für die Informationsauffindung in Inter- und Intranet eine einfach zu nutzende und leicht anpassbare Möglichkeit, neue interessante Inhalte zu entdecken. Mit Tags steht eine mögliche Lösung bereit.

0.0025214748 = product of:
  0.035300646 = sum of:
    0.035300646 = weight(_text_:daten in 4375) [ClassicSimilarity], result of:
      0.035300646 = score(doc=4375,freq=2.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.26293173 = fieldWeight in 4375, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.0390625 = fieldNorm(doc=4375)
  0.071428575 = coord(1/14)

Abstract

Die Auszeichnung digitaler Medien durch Tagging ist zur festen Größe für das Wissensmanagement im Internet avanciert. Im Kontext des zunehmenden information overload' stehen wissenschaftliche Bibliotheken vor der Aufgabe, die große Flut digital publizierter Artikel und Werke möglichst inhaltlich erschlossen verfügbar zu machen. Die Frage ist, ob durch den Einsatz von Tagging-Systemen die kollaborative Intelligenz der NutzerInnen für die Sacherschließung eingesetzt werden kann, während diese von einer intuitiven und individuellen Wissensorganisation profitieren. Die große Freiheit bei der Vergabe von Deskriptoren durch die NutzerInnen eines Tagging-Systems ist nämlich ein ambivalentes Phänomen: Kundennähe und kreatives Potenzial stehen der großen Menge völlig unkontrollierter Meta-Informationen gegenüber, deren inhaltliche Qualität und Aussagekraft noch unklar ist. Bisherige Forschungsbemühungen konzentrieren sich hauptsächlich auf die automatische Hierarchisierung bzw. Relationierung der Tag-Daten (etwa mittels Ähnlichkeitsalgorithmen) oder auf die Analyse des (Miss-)Erfolgs, den die NutzerInnen bei einer Suchanfrage subjektiv erfahren. Aus der Sicht stark strukturierter Wissensorganisation, wie sie Experten z. B. durch die Anwendung von Klassifikationen realisieren, handelt es sich bei den zunächst unvermittelt nebeneinander stehenden Tags allerdings kurz gesagt um Chaos. Dass in diesem Chaos aber auch Struktur und wertvolles Wissen als Gemeinschaftsprodukt erzeugt werden kann, ist eine der zentralen Thesen dieses Artikels.

0.0021836613 = product of:
  0.030571258 = sum of:
    0.030571258 = weight(_text_:daten in 4519) [ClassicSimilarity], result of:
      0.030571258 = score(doc=4519,freq=6.0), product of:
        0.13425784 = queryWeight, product of:
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.02820796 = queryNorm
        0.22770557 = fieldWeight in 4519, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          4.759573 = idf(docFreq=1029, maxDocs=44218)
          0.01953125 = fieldNorm(doc=4519)
  0.071428575 = coord(1/14)

Content

"Was vom Tagging übrig blieb: Empfehlungen und Fazit - Akzeptanz des Taggings Es kann von einer grundsätzlich hohen Bereitschaft der Nutzer ausgegangen werden, wissenschaftliche Quellen durch Tags zu organisieren und zu erschließen. Diese Bereitschaft hängt allerdings wesentlich davon ab, ob ein System durch entsprechende Datenbestände genügend Ergebnisse liefert, um für eine Recherche reizvoll zu erscheinen. Tagging-Systeme, die als "Insellösung" auf die Nutzer einer einzelnen Institution beschränkt sind, werden deshalb nicht ausreichend angenommen. Anbindungen an externe Dienste, deren Datenbestand sich aus vielen verschiedenen Quellen und Verknüpfungen speist, erfahren dagegen eine sehr gute Resonanz. Wissenschaftlichen Bibliotheken wird deshalb empfohlen, möglichst schnelle und einfache Verlinkungen zu erfolgreichen Tagging-Plattformen wie BibSonomy oder Citeulike anzubieten. Die Anzeige der dort verfügbaren Daten im eigenen Katalog ist ebenfalls wünschenswert und wird von den Nutzern befürwortet. - Verfahren zur Analyse von Tagging-Daten Für die Analyse der äußerst heterogenen Textdaten, die in Tagging-Systemen entstehen, wurden spezifische Verfahren entwickelt und angewendet, die je nach Datenausschnitt und Erkenntniszweck optimiert wurden. Nach erfolgreichen Testläufen wurde der Methodenmix jeweils für größere Datenmengen eingesetzt, um die aus den explorativen Studien gewonnen Hypothesen zu überprüfen. Dieses Vorgehen hat sich als äußerst fruchtbar herausgestellt. Alle durchgeführten Schritte und die daraus gewonnenen Erkenntnisse wurden in diversen Artikeln und Beiträgen veröffentlicht sowie auf zahlreichen nationalen und internationalen Konferenzen vorgestellt, um sie der Wissenschaftsgemeinschaft zur Verfügung zu stellen.
- Struktur der Tags Der Vergleich von zwei großen Tagging-Systemen hat große Ähnlichkeiten in der grammatikalischen Struktur der Tagging-Daten ergeben. Es werden mehrheitlich Substantive bzw. Eigennamen zur Erschließung sowie auch Verben zur Organisation der Quellen eingesetzt. Systembedingt kann außerdem eine große Menge von Wortkombinationen und Wortneuschöpfungen konstatiert werden, die aus den unterschiedlichsten Beweggründen und für sehr unterschiedliche Zwecke gebildet werden. Nur ein geringer Teil der Tags entspricht den formalen Kriterien kontrollierter Vokabulare. Eine besondere Hierarchisierung der Tags innerhalb eines Tagging-Systems über den Indikator der Häufigkeit der Nutzung hinaus hat sich nicht ergeben. In inhaltlicher Hinsicht hat sich eine klare Dominanz informatiknaher bzw. naturwissenschaftlicher Disziplinen gezeigt, wobei es sich hierbei um systemspezifische Präferenzen handelt. Insgesamt ist eine klare Tendenz zu zunehmender inhaltlicher Diversifikation in den Tagging-Systemen zu erkennen, was mit hoher Wahrscheinlichkeit der wachsenden Akzeptanz durch breitere Nutzergruppen zuzuschreiben ist. - Qualität der Tags Bei der Evaluation der Qualität der Tags bestätigte sich die Einschätzung, dass sich die Verschlagwortung mittels Tagging von jener durch Fachreferenten grundsätzlich unterscheidet. Nur ein kleiner Teil der Konzepte wurde in den beiden Systemen semantisch identisch oder wenigstens analog vergeben. Grundsätzlich liegen für eine Ressource fast immer mehr Tags als Schlagwörter vor, die zudem wesentlich häufiger exklusiv im Tagging-System zu finden sind. Diese Tatsache berührt jedoch nicht den inhaltlichen Erschließungsgrad einer Quelle, der sich trotz einer geringeren Anzahl an SWD-Schlagwörtern pro Ressource in beiden Systemen als gleichwertig gezeigt hat. Dennoch ist das Ausmaß der semantischen Abdeckung des Taggings überraschend, da sie der allgemeinen Erwartungshaltung von einer deutlich höheren Qualität der Verschlagwortung durch die professionelle Inhaltserschließung teilweise widerspricht. Diese Erwartung ist zumindest bezüglich der inhaltlichen Dimension zu relativieren.

0.0017093329 = product of:
  0.02393066 = sum of:
    0.02393066 = weight(_text_:media in 4273) [ClassicSimilarity], result of:
      0.02393066 = score(doc=4273,freq=2.0), product of:
        0.13212246 = queryWeight, product of:
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02820796 = queryNorm
        0.18112485 = fieldWeight in 4273, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          4.6838713 = idf(docFreq=1110, maxDocs=44218)
          0.02734375 = fieldNorm(doc=4273)
  0.071428575 = coord(1/14)

Content

Die Spielzeuge des Web 2.0 werden in solchen Situationen trotzdem zu Nachrichtenkanälen, ungefiltert und schneller als etablierte Medien. Ihr Reiz ist gerade die Subjektivität, die Emotionalität und die Vernetzung von Tausenden Personen rund um den Erdball. Die reinen Fakten gibt es woanders. "Social Media" heißen solche Dienste schließlich. Trotzdem werden sie ernstgenommen. Nach Untersuchungen der Harvard-Soziologin Shoshana Zuboff glauben die Menschen heutzutage in erster Linie ihren Freunden, während das Vertrauen in Unternehmen und Institutionen abnimmt. Übertragen auf das Internet bedeutet das: Wenn Informationen von Freunden aus der jeweiligen Online-Community stammen, vertraut man ihnen schneller, als wenn sie von einem unbekannten Redakteur irgendeiner Zeitung verbreitet werden. Im Fall Bombay zeigten die Reaktionen vieler sogenannter "Follower", also Leser von Twitter-Einträgen einer Person: Hier wird nicht viel hinterfragt. Hier wird kopiert und weitergeschickt, an die eigenen Follower. Für manche markiert der 24-stündige Sturm von 140-Zeichen-Meldungen nicht weniger als eine "epochale Veränderung des Nachrichtenflusses". So diktierte es etwa der New Yorker Journalismus-Professor Jeff Jarvis dem Handelsblatt-Blogger Thomas Knüwer. Der legt sich, wie auch der prominenteste TechBlogger der USA, Michael Arrington von TechCrunch, fest: "Der heutige Tag wird ein Durchbruch werden auf dem Weg Twitters zum Massenmedium.""

0.0010919397 = product of:
  0.015287156 = sum of:
    0.015287156 = product of:
      0.030574312 = sum of:
        0.030574312 = weight(_text_:22 in 2882) [ClassicSimilarity], result of:
          0.030574312 = score(doc=2882,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = queryNorm
            0.30952093 = fieldWeight in 2882, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0625 = fieldNorm(doc=2882)
      0.5 = coord(1/2)
  0.071428575 = coord(1/14)

Pages

S.15-22

9.651475E-4 = product of:
  0.013512065 = sum of:
    0.013512065 = product of:
      0.02702413 = sum of:
        0.02702413 = weight(_text_:22 in 2652) [ClassicSimilarity], result of:
          0.02702413 = score(doc=2652,freq=4.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = queryNorm
            0.27358043 = fieldWeight in 2652, product of:
              2.0 = tf(freq=4.0), with freq of:
                4.0 = termFreq=4.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0390625 = fieldNorm(doc=2652)
      0.5 = coord(1/2)
  0.071428575 = coord(1/14)

Pages

S.14-22

Source

Metadata for semantic and social applications : proceedings of the International Conference on Dublin Core and Metadata Applications, Berlin, 22 - 26 September 2008, DC 2008: Berlin, Germany / ed. by Jane Greenberg and Wolfgang Klas

9.554473E-4 = product of:
  0.013376262 = sum of:
    0.013376262 = product of:
      0.026752524 = sum of:
        0.026752524 = weight(_text_:22 in 2889) [ClassicSimilarity], result of:
          0.026752524 = score(doc=2889,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = queryNorm
            0.2708308 = fieldWeight in 2889, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.0546875 = fieldNorm(doc=2889)
      0.5 = coord(1/2)
  0.071428575 = coord(1/14)

Date

21. 6.2009 12:22:44

8.1895484E-4 = product of:
  0.011465367 = sum of:
    0.011465367 = product of:
      0.022930734 = sum of:
        0.022930734 = weight(_text_:22 in 3387) [ClassicSimilarity], result of:
          0.022930734 = score(doc=3387,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = queryNorm
            0.23214069 = fieldWeight in 3387, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.046875 = fieldNorm(doc=3387)
      0.5 = coord(1/2)
  0.071428575 = coord(1/14)

Date

1. 8.2010 12:35:22

8.1895484E-4 = product of:
  0.011465367 = sum of:
    0.011465367 = product of:
      0.022930734 = sum of:
        0.022930734 = weight(_text_:22 in 3601) [ClassicSimilarity], result of:
          0.022930734 = score(doc=3601,freq=2.0), product of:
            0.09877947 = queryWeight, product of:
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.02820796 = queryNorm
            0.23214069 = fieldWeight in 3601, product of:
              1.4142135 = tf(freq=2.0), with freq of:
                2.0 = termFreq=2.0
              3.5018296 = idf(docFreq=3622, maxDocs=44218)
              0.046875 = fieldNorm(doc=3601)
      0.5 = coord(1/2)
  0.071428575 = coord(1/14)

Date

10. 9.2000 17:38:22