SlideShare une entreprise Scribd logo
1  sur  24
Télécharger pour lire hors ligne
RELEVANZKRITERIEN
Forschungsstand und erste Ideen für das Nutzermodell
im Rahmen des Promotionsprojektes Relevance Clues
Christiane Behnert
Hochschule für Angewandte Wissenschaften Hamburg
28.04.2017
Department Information
Christiane Behnert, M.A.
GLIEDERUNG
1. Forschungsziel & Forschungsfragen
2. Vorgehensweise
3. Faktoren, Kriterien, Merkmale
4. Relevanzmodelle
5. Fazit
6. Quellen
1
Department Information
Christiane Behnert, M.A.
1. FORSCHUNGSZIEL UND FORSCHUNGSFRAGEN
Ziel: Aussagekräftige Erkenntnisse über die Kriterien, anhand derer Nutzerinnen und
Nutzer entscheiden, inwieweit Informationen für sie relevant sind, zu gewinnen
 Nutzermodell zur Relevanzbewertung
Forschungsfragen:
I. Auf Grundlage welcher Merkmale des Surrogats bewerten informationssuchende
Personen die Relevanz eines Suchergebnisses?
II. Welche Merkmale beeinflussen die Relevanzentscheidung in welchem Maße?
III. Welchen Einfluss hat die Nutzungssituation (Standort der Person, Zeitdruck)
auf die Relevanzbewertung?
IV. Welche Relevanzkriterien lassen sich nach Beantwortung der Forschungsfragen I
bis III ableiten und wie sind diese gegeneinander gewichtet?
2
Department Information
Christiane Behnert, M.A.
2. VORGEHENSWEISE
Literaturschau
Nutzermodell
Hypothesen
Experimente
Ergebnisse
Anpassung des Nutzermodells
3
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.1. Begriffe
Relevanz
• Relation zwischen Entitäten zweier Gruppen (Mizzaro, 1997)
• Intuitiv verstandenes Konzept (Saracevic, 1996)
• Systemorientierte vs. nutzerorientierte Sicht
- Eindimensional vs. multidimensional
- Statisch vs. dynamisch
- Binär vs. nicht-binär
- Objektiv vs. subjektiv
- Kontextunabhängig vs. kontextabhängig
4
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.1. Begriffe
Relevanz
• Relation zwischen Entitäten zweier Gruppen (Mizzaro, 1997)
• Intuitiv verstandenes Konzept (Saracevic, 1996)
• Systemorientierte vs. nutzerorientierte Sicht
- Eindimensional vs. multidimensional
- Statisch vs. dynamisch
- Binär vs. nicht-binär
- Objektiv vs. subjektiv
- Kontextunabhängig vs. kontextabhängig
5
All the algorithms in all the
systems in the world are trying
to approximate, with various
degrees of success, the
human notion of relevance.
(Saracevic, 2012, S. 49)
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.1. Begriffe
Relevanzbewertungen
"A relevance judgment is an assignment of a value of relevance […] by a judge
at a certain point of time." (Mizzaro, 1997, S. 812)
• Evaluierung der Effektivität von Information Retrieval-Systemen
• Im Prozess der Dokumentenauswahl eingebettet (Wang, 1994)
• „Predictive judgment“ (vor Zugang zum Volltext) vs.
„evaluative judgment“ (nach Zugang zum Volltext) (Rieh, 2002)
• Zahlreiche Einflussgrößen
 Faktoren (factors), Kriterien (criteria), Merkmale (clues/cues)
6
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.2. Relevanzfaktoren
7
Quelle: Schamber (1994, S. 11)
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.2. Relevanzfaktoren nach Saracevic (2016)
Juroren:
• Erfahrung mit thematisch-relevanten Fragen
• Kenntnis über und Interesse an einem Thema
• Fachwissen
• Sprache
Relevanzbewertungen:
• Position des Treffers in der Ergebnisliste
• Rangfolge der Treffer
• Design, Usability
• Art der Suchaufgabe/-ergebnisse (Schwierigkeitsgrad, Informationen)
• Art der Bewertung (Skala)
8
Relevance is affected by a host
of factors and, in turn, it affects
a host of factors as well.
(Saracevic, 2016, S. 61)
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.3. Relevanzkriterien
9
Kategorie Relevanzkriterien Interaktion
zwischen…
Content Topic, quality, depth, scope, currency,
treatment, clarity
Information (or
object)
characteristicsObject Characteristics of information objects,
e.g., type, organization,
representation, format, availability,
accessibility, costs
Validity Accuracy of information provided,
authority, trustworthiness of sources,
verifiability, reliability
Usefulness or
situational match
Appropriateness to situation, or tasks,
usability, urgency; value in use
Individual (or
human)
characteristics
Cognitive match Understanding, novelty, mental effort,
Link to previous knowledge
Affective match Emotional responses to information,
fun, frustration, uncertainty
Belief match Personal credence given to
information, confidence
Quelle:
Saracevic (2016, S. 57 ff.)
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.3. Relevanzkriterien
• Begriffe Faktor und Kriterium häufig synonym verwendet
• Keine klare Abgrenzung der Begriffe, keine Aufteilung (möglich?)
Analyse von Studien zu Relevanzkriterien:
- Inhaltlich (Zahl und Art der Kriterien, Clustering, Berücksichtigung der Domäne?)
- Historisch (Veränderungen durch Digitalisierung?)
- Methodisch (Art und Umfang der Forschungsdesigns?)
10
Meine Tabelle mit mehr als 50 Studien
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.3. Relevanzkriterien
Kontext Websuche:
• Layout, Struktur von Webseiten (Tombros, Ruthven, & Jose, 2005)
• Vertrauens- und Glaubwürdigkeit (Rieh, 2002; Wathen & Burkell, 2002)
• Kognitive Autorität (cognitive authority) (Wilson, 1983)
• Reputation und erreichte Leistung eines Autors zur subjektiven Bewertung der
kognitiven Autorität (Rieh, 2009)
11
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.3. Relevanzkriterien
Methodische Ansätze:
• Fragenbogen, Interviews
• Think-aloud-Protokolle
• Auswertung von Klickdaten
• Messen von Augenbewegungen (Eye-Tracking)
• Experimente
12
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.4. Relevanzmerkmale
Relevance clues:
• Document Information Elements (DIEs): "DIEs are seen as the basic units that
collectively represent a document to provide clues to the users’ criteria" (Wang &
Soergel, 1998, S. 124)
13
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.4. Relevanzmerkmale
14
Quelle:
Wang & Soergel, 1998, S. 125.
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.4. Relevanzmerkmale
Popularitätsdaten im akademischen Kontext (Plassmeier et al., 2015):
• Zitationszahl (z.B. Google Scholar)
• Zahl der Downloads (z.B. ACM Digital Library)
• Ausleihzahlen
• Zahl der Exemplare in einer Bibliothek
15
Department Information
Christiane Behnert, M.A.
3. FAKTOREN, KRITERIEN, MERKMALE
3.5. Zusammenfassung
• Relevanzbewertungen sind subjektiv, situationsabhängig, dynamisch, inkonsistent,
nicht binär, immer im Kontext zu betrachten
• Eine Vielzahl an Faktoren und Kriterien beeinflussen Relevanzentscheidungen
• Keine eindeutige Definition von Faktor und Kriterium
• Thematische Relevanz als Basis
• Nutzerverhalten im Webkontext durch Vertrauens- und Glaubwürdigkeit geprägt
• Popularitätsdaten in Ergebnispräsentation integriert
16
Department Information
Christiane Behnert, M.A.
4. RELEVANZMODELLE
4.1. Bestehende Modelle
"All IR and human information behavior models have relevance at their base either
explicitly or as an invisible hand – in effect they are relevance models.“ (Saracevic, 2016,
S. 40)
17
Quelle: Ingwersen, P., & Järvelin, K. (2005). The turn:
Integration of information seeking and retrieval in context
(Bd. 18). Berlin; Heidelberg: Springer. S. 274
Quelle:Saracevic,2016,S.34.
Department Information
Christiane Behnert, M.A.
4. RELEVANZMODELLE
• Kognitives Modell zur Auswahl von Dokumenten (Wang, 1994; Wang & Soergel, 1998)
4.1. Bestehende Modelle - Wang
18
Quelle: Wang & Soergel, 1998, S. 118
Cognitive
Model of
Document
Selection
Document
Selection
Model for
Academic
Users in
Agricultural
Economics
Department Information
Christiane Behnert, M.A.
4. RELEVANZMODELLE
4.1. Bestehende Modelle - Rieh
19Quelle:
Rieh, 2002, S.
158.
Model of judgment of
information quality and
cognitive authority
Department Information
Christiane Behnert, M.A.
4. RELEVANZMODELLE
4.2. Erste Ideen für mein Nutzermodell
Aufbauen auf vorhandenen Modellen in Hinblick auf:
• Merkmale von Surrogaten (Modelle von Wang und Rieh)
• Levels von Relevanz (Saracevics Modell)
• Zeitpunkt/Objekt der Relevanzbewertung (Modelle von Wang und Rieh)
• Prozessablauf (Modelle von Wang und Rieh)
• Autorität, Qualität (Riehs Modell)
20
Department Information
Christiane Behnert, M.A.
5. FAZIT
Literaturschau zu Kriterien:
 Lösungsvorschlag zum Definitionsproblem:
Faktoren beeinflussen Relevanzbewertungen; Kriterien werden vom Nutzer zugrunde
gelegt
 Eindeutige Definition / Gegenüberstellung(?) wichtig für Operationalisierung (Variablen
im Experiment) (?)
Entwicklung des Nutzermodells:
 Bewertungsprozess als Teil des Informationssuchprozesses
(Merkmale -> Kriterien -> Bewertung)
 Entscheidungstheorie für Relevanzbewertung (entscheiden vs. bewerten)?
21
Department Information
Christiane Behnert, M.A.
6. QUELLEN
Mizzaro, S. (1997). Relevance: The whole history. Journal of the American Society for Information Science, 48(9), 810–832.
Plassmeier, K., Borst, T., Behnert, C., & Lewandowski, D. (2015). Evaluating popularity data for relevance ranking in
library information systems. In Proceedings of the 78th ASIS&T Annual Meeting (Bd. 51).
Rieh, S. Y. (2002). Judgment of information quality and cognitive authority in the Web. Journal of the American Society for
Information Science and Technology, 53(2), 145–161. https://doi.org/10.1002/asi.10017
Rieh, S. Y. (2009). Credibility and cognitive authority of information. In Encyclopedia of Library and Information Sciences
(Third ed., S. 1337–1344). CRC Press.
Saracevic, T. (1996). Relevance reconsidered. In P. Ingwersen & N. O. Pors (Hrsg.), Information science: Integration in
perspectives. Proceedings of the Second Conference on Conceptions of Library and Information Science (CoLIS 2) (S. 201–
218). Copenhagen: Royal School of Librarianship.
Saracevic, T. (2012). Research on relevance in information science: A historical perspective. In T. Carbo & T. Bellardo Hahn
(Hrsg.), Proceedings of the American Society for Information Science and Technology (ASIS&T) 2012 Pre-conference on the
History of ASIS&T and Information Science and Technology (S. 49–60). Medford, New Jersey: Information Today.
Saracevic, T. (2016). The Notion of Relevance in Information Science: Everybody knows what relevance is. But, what is it
really? Synthesis Lectures on Information Concepts, Retrieval, and Services, 8(3), i-109.
Schamber, L. (1994). Relevance and information behavior. Annual Review of Information Science and Technology, 29, 3–48.
Tombros, A., Ruthven, I., & Jose, J. M. (2005). How users assess Web pages for information seeking. Journal of the
American Society for Information Science and Technology, 56(4), 327–344. http://doi.org/10.1002/asi.20106
Wang, P., & Soergel, D. (1998). A cognitive model of document use during a research project. Study I. Document selection.
Journal of the American Society for Information Science, 49(2), 115–133.
Wathen, C. N., & Burkell, J. (2002). Believe it or not: Factors influencing credibility on the Web. Journal of the American
Society for Information Science and Technology, 53(2), 134–144.
Wilson, P. (1983). Second-hand knowledge: An inquiry into cognitive authority. Westport, Conn.; London, UK: Greenwood
Press. 22
VIELEN DANK FÜR EURE
AUFMERKSAMKEIT!
Ich freue mich über Fragen (und Antworten), Anregungen und Hinweise!

Contenu connexe

Similaire à Relevanzkriterien: Forschungsstand und erste Ideen des Nutzermodells im Rahmen des Promotionsprojekts Relevance Clues

Service Learning aus Lehrendenperspektive: motivationale Faktoren und institu...
Service Learning aus Lehrendenperspektive: motivationale Faktoren und institu...Service Learning aus Lehrendenperspektive: motivationale Faktoren und institu...
Service Learning aus Lehrendenperspektive: motivationale Faktoren und institu...Philip Meyer
 
20080207 Vortrag Zietz Studie Portalbasiertes W M V11
20080207  Vortrag  Zietz  Studie  Portalbasiertes  W M  V1120080207  Vortrag  Zietz  Studie  Portalbasiertes  W M  V11
20080207 Vortrag Zietz Studie Portalbasiertes W M V11Christian Zietz
 
Barrieren der Erfolgsmessung von Enterprise Social Software
Barrieren der Erfolgsmessung von Enterprise Social SoftwareBarrieren der Erfolgsmessung von Enterprise Social Software
Barrieren der Erfolgsmessung von Enterprise Social SoftwareChristian Herzog
 
Search Engine Bias - sollen wir Googles Suchergebnissen vertrauen?
Search Engine Bias - sollen wir Googles Suchergebnissen vertrauen?Search Engine Bias - sollen wir Googles Suchergebnissen vertrauen?
Search Engine Bias - sollen wir Googles Suchergebnissen vertrauen?Dirk Lewandowski
 
Daten-getriebene Kommunikaton, daten-getriebener Content
Daten-getriebene Kommunikaton, daten-getriebener ContentDaten-getriebene Kommunikaton, daten-getriebener Content
Daten-getriebene Kommunikaton, daten-getriebener ContentJörg Hoewner
 
Learning Analytics mit Daten mathematischer Tests
Learning Analytics mit Daten mathematischer TestsLearning Analytics mit Daten mathematischer Tests
Learning Analytics mit Daten mathematischer Testsi_dahn
 
Bozen Summerschool Digital Libraries
Bozen Summerschool Digital LibrariesBozen Summerschool Digital Libraries
Bozen Summerschool Digital LibrariesRené Schneider
 
Ethik der Onlineforschung - State of the Art und zukünftige Problemfelder
Ethik der Onlineforschung - State of the Art und zukünftige ProblemfelderEthik der Onlineforschung - State of the Art und zukünftige Problemfelder
Ethik der Onlineforschung - State of the Art und zukünftige ProblemfelderNele Heise
 
Forschungspraxis aus ethischer Perspektive
Forschungspraxis aus ethischer PerspektiveForschungspraxis aus ethischer Perspektive
Forschungspraxis aus ethischer PerspektiveNele Heise
 
Feedback im Praxisunterricht
Feedback im PraxisunterrichtFeedback im Praxisunterricht
Feedback im Praxisunterrichteuros123
 
Kontextbasiertes Information Retrieval: Eine Systematik der Anwendungspotent...
Kontextbasiertes Information Retrieval: Eine Systematik der Anwendungspotent...Kontextbasiertes Information Retrieval: Eine Systematik der Anwendungspotent...
Kontextbasiertes Information Retrieval: Eine Systematik der Anwendungspotent...Hendrik Kalb
 
Marktforschung mit einfachen Mitteln
Marktforschung mit einfachen MittelnMarktforschung mit einfachen Mitteln
Marktforschung mit einfachen MittelnJörg Hoewner
 
Evaluierung von Empfehlungssystemen
Evaluierung von EmpfehlungssystemenEvaluierung von Empfehlungssystemen
Evaluierung von EmpfehlungssystemenFlorian Stegmaier
 
PräSentation Online Befragung 2003 Steuerungsgremium
PräSentation Online Befragung 2003 SteuerungsgremiumPräSentation Online Befragung 2003 Steuerungsgremium
PräSentation Online Befragung 2003 Steuerungsgremiumwolfplum
 
Wissenschaftliche und praktische Relevanz von DBR
Wissenschaftliche und praktische Relevanz von DBRWissenschaftliche und praktische Relevanz von DBR
Wissenschaftliche und praktische Relevanz von DBRhse_unisg
 
Social Media Analytics und individualisierte Kommunikation
Social Media Analytics und individualisierte KommunikationSocial Media Analytics und individualisierte Kommunikation
Social Media Analytics und individualisierte KommunikationThomas Pleil
 
Vortrag "Enterprise 2.0 – Gegenwart und Zukunft Vorschlag einer Forschungsage...
Vortrag "Enterprise 2.0 – Gegenwart und ZukunftVorschlag einer Forschungsage...Vortrag "Enterprise 2.0 – Gegenwart und ZukunftVorschlag einer Forschungsage...
Vortrag "Enterprise 2.0 – Gegenwart und Zukunft Vorschlag einer Forschungsage...Forschungsgruppe Kooperationssysteme
 

Similaire à Relevanzkriterien: Forschungsstand und erste Ideen des Nutzermodells im Rahmen des Promotionsprojekts Relevance Clues (20)

Service Learning aus Lehrendenperspektive: motivationale Faktoren und institu...
Service Learning aus Lehrendenperspektive: motivationale Faktoren und institu...Service Learning aus Lehrendenperspektive: motivationale Faktoren und institu...
Service Learning aus Lehrendenperspektive: motivationale Faktoren und institu...
 
20080207 Vortrag Zietz Studie Portalbasiertes W M V11
20080207  Vortrag  Zietz  Studie  Portalbasiertes  W M  V1120080207  Vortrag  Zietz  Studie  Portalbasiertes  W M  V11
20080207 Vortrag Zietz Studie Portalbasiertes W M V11
 
Kolloquium
KolloquiumKolloquium
Kolloquium
 
Barrieren der Erfolgsmessung von Enterprise Social Software
Barrieren der Erfolgsmessung von Enterprise Social SoftwareBarrieren der Erfolgsmessung von Enterprise Social Software
Barrieren der Erfolgsmessung von Enterprise Social Software
 
Search Engine Bias - sollen wir Googles Suchergebnissen vertrauen?
Search Engine Bias - sollen wir Googles Suchergebnissen vertrauen?Search Engine Bias - sollen wir Googles Suchergebnissen vertrauen?
Search Engine Bias - sollen wir Googles Suchergebnissen vertrauen?
 
Daten-getriebene Kommunikaton, daten-getriebener Content
Daten-getriebene Kommunikaton, daten-getriebener ContentDaten-getriebene Kommunikaton, daten-getriebener Content
Daten-getriebene Kommunikaton, daten-getriebener Content
 
Learning Analytics mit Daten mathematischer Tests
Learning Analytics mit Daten mathematischer TestsLearning Analytics mit Daten mathematischer Tests
Learning Analytics mit Daten mathematischer Tests
 
Bozen Summerschool Digital Libraries
Bozen Summerschool Digital LibrariesBozen Summerschool Digital Libraries
Bozen Summerschool Digital Libraries
 
Ethik der Onlineforschung - State of the Art und zukünftige Problemfelder
Ethik der Onlineforschung - State of the Art und zukünftige ProblemfelderEthik der Onlineforschung - State of the Art und zukünftige Problemfelder
Ethik der Onlineforschung - State of the Art und zukünftige Problemfelder
 
Forschungspraxis aus ethischer Perspektive
Forschungspraxis aus ethischer PerspektiveForschungspraxis aus ethischer Perspektive
Forschungspraxis aus ethischer Perspektive
 
Feedback im Praxisunterricht
Feedback im PraxisunterrichtFeedback im Praxisunterricht
Feedback im Praxisunterricht
 
Muc 2018-Panel-Lean-User-Research
Muc 2018-Panel-Lean-User-ResearchMuc 2018-Panel-Lean-User-Research
Muc 2018-Panel-Lean-User-Research
 
Kontextbasiertes Information Retrieval: Eine Systematik der Anwendungspotent...
Kontextbasiertes Information Retrieval: Eine Systematik der Anwendungspotent...Kontextbasiertes Information Retrieval: Eine Systematik der Anwendungspotent...
Kontextbasiertes Information Retrieval: Eine Systematik der Anwendungspotent...
 
Marktforschung mit einfachen Mitteln
Marktforschung mit einfachen MittelnMarktforschung mit einfachen Mitteln
Marktforschung mit einfachen Mitteln
 
Evaluierung von Empfehlungssystemen
Evaluierung von EmpfehlungssystemenEvaluierung von Empfehlungssystemen
Evaluierung von Empfehlungssystemen
 
PräSentation Online Befragung 2003 Steuerungsgremium
PräSentation Online Befragung 2003 SteuerungsgremiumPräSentation Online Befragung 2003 Steuerungsgremium
PräSentation Online Befragung 2003 Steuerungsgremium
 
Wissenschaftliche und praktische Relevanz von DBR
Wissenschaftliche und praktische Relevanz von DBRWissenschaftliche und praktische Relevanz von DBR
Wissenschaftliche und praktische Relevanz von DBR
 
Interne digitale Kommunikation / Intranet
Interne digitale Kommunikation / IntranetInterne digitale Kommunikation / Intranet
Interne digitale Kommunikation / Intranet
 
Social Media Analytics und individualisierte Kommunikation
Social Media Analytics und individualisierte KommunikationSocial Media Analytics und individualisierte Kommunikation
Social Media Analytics und individualisierte Kommunikation
 
Vortrag "Enterprise 2.0 – Gegenwart und Zukunft Vorschlag einer Forschungsage...
Vortrag "Enterprise 2.0 – Gegenwart und ZukunftVorschlag einer Forschungsage...Vortrag "Enterprise 2.0 – Gegenwart und ZukunftVorschlag einer Forschungsage...
Vortrag "Enterprise 2.0 – Gegenwart und Zukunft Vorschlag einer Forschungsage...
 

Relevanzkriterien: Forschungsstand und erste Ideen des Nutzermodells im Rahmen des Promotionsprojekts Relevance Clues

  • 1. RELEVANZKRITERIEN Forschungsstand und erste Ideen für das Nutzermodell im Rahmen des Promotionsprojektes Relevance Clues Christiane Behnert Hochschule für Angewandte Wissenschaften Hamburg 28.04.2017
  • 2. Department Information Christiane Behnert, M.A. GLIEDERUNG 1. Forschungsziel & Forschungsfragen 2. Vorgehensweise 3. Faktoren, Kriterien, Merkmale 4. Relevanzmodelle 5. Fazit 6. Quellen 1
  • 3. Department Information Christiane Behnert, M.A. 1. FORSCHUNGSZIEL UND FORSCHUNGSFRAGEN Ziel: Aussagekräftige Erkenntnisse über die Kriterien, anhand derer Nutzerinnen und Nutzer entscheiden, inwieweit Informationen für sie relevant sind, zu gewinnen  Nutzermodell zur Relevanzbewertung Forschungsfragen: I. Auf Grundlage welcher Merkmale des Surrogats bewerten informationssuchende Personen die Relevanz eines Suchergebnisses? II. Welche Merkmale beeinflussen die Relevanzentscheidung in welchem Maße? III. Welchen Einfluss hat die Nutzungssituation (Standort der Person, Zeitdruck) auf die Relevanzbewertung? IV. Welche Relevanzkriterien lassen sich nach Beantwortung der Forschungsfragen I bis III ableiten und wie sind diese gegeneinander gewichtet? 2
  • 4. Department Information Christiane Behnert, M.A. 2. VORGEHENSWEISE Literaturschau Nutzermodell Hypothesen Experimente Ergebnisse Anpassung des Nutzermodells 3
  • 5. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.1. Begriffe Relevanz • Relation zwischen Entitäten zweier Gruppen (Mizzaro, 1997) • Intuitiv verstandenes Konzept (Saracevic, 1996) • Systemorientierte vs. nutzerorientierte Sicht - Eindimensional vs. multidimensional - Statisch vs. dynamisch - Binär vs. nicht-binär - Objektiv vs. subjektiv - Kontextunabhängig vs. kontextabhängig 4
  • 6. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.1. Begriffe Relevanz • Relation zwischen Entitäten zweier Gruppen (Mizzaro, 1997) • Intuitiv verstandenes Konzept (Saracevic, 1996) • Systemorientierte vs. nutzerorientierte Sicht - Eindimensional vs. multidimensional - Statisch vs. dynamisch - Binär vs. nicht-binär - Objektiv vs. subjektiv - Kontextunabhängig vs. kontextabhängig 5 All the algorithms in all the systems in the world are trying to approximate, with various degrees of success, the human notion of relevance. (Saracevic, 2012, S. 49)
  • 7. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.1. Begriffe Relevanzbewertungen "A relevance judgment is an assignment of a value of relevance […] by a judge at a certain point of time." (Mizzaro, 1997, S. 812) • Evaluierung der Effektivität von Information Retrieval-Systemen • Im Prozess der Dokumentenauswahl eingebettet (Wang, 1994) • „Predictive judgment“ (vor Zugang zum Volltext) vs. „evaluative judgment“ (nach Zugang zum Volltext) (Rieh, 2002) • Zahlreiche Einflussgrößen  Faktoren (factors), Kriterien (criteria), Merkmale (clues/cues) 6
  • 8. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.2. Relevanzfaktoren 7 Quelle: Schamber (1994, S. 11)
  • 9. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.2. Relevanzfaktoren nach Saracevic (2016) Juroren: • Erfahrung mit thematisch-relevanten Fragen • Kenntnis über und Interesse an einem Thema • Fachwissen • Sprache Relevanzbewertungen: • Position des Treffers in der Ergebnisliste • Rangfolge der Treffer • Design, Usability • Art der Suchaufgabe/-ergebnisse (Schwierigkeitsgrad, Informationen) • Art der Bewertung (Skala) 8 Relevance is affected by a host of factors and, in turn, it affects a host of factors as well. (Saracevic, 2016, S. 61)
  • 10. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.3. Relevanzkriterien 9 Kategorie Relevanzkriterien Interaktion zwischen… Content Topic, quality, depth, scope, currency, treatment, clarity Information (or object) characteristicsObject Characteristics of information objects, e.g., type, organization, representation, format, availability, accessibility, costs Validity Accuracy of information provided, authority, trustworthiness of sources, verifiability, reliability Usefulness or situational match Appropriateness to situation, or tasks, usability, urgency; value in use Individual (or human) characteristics Cognitive match Understanding, novelty, mental effort, Link to previous knowledge Affective match Emotional responses to information, fun, frustration, uncertainty Belief match Personal credence given to information, confidence Quelle: Saracevic (2016, S. 57 ff.)
  • 11. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.3. Relevanzkriterien • Begriffe Faktor und Kriterium häufig synonym verwendet • Keine klare Abgrenzung der Begriffe, keine Aufteilung (möglich?) Analyse von Studien zu Relevanzkriterien: - Inhaltlich (Zahl und Art der Kriterien, Clustering, Berücksichtigung der Domäne?) - Historisch (Veränderungen durch Digitalisierung?) - Methodisch (Art und Umfang der Forschungsdesigns?) 10 Meine Tabelle mit mehr als 50 Studien
  • 12. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.3. Relevanzkriterien Kontext Websuche: • Layout, Struktur von Webseiten (Tombros, Ruthven, & Jose, 2005) • Vertrauens- und Glaubwürdigkeit (Rieh, 2002; Wathen & Burkell, 2002) • Kognitive Autorität (cognitive authority) (Wilson, 1983) • Reputation und erreichte Leistung eines Autors zur subjektiven Bewertung der kognitiven Autorität (Rieh, 2009) 11
  • 13. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.3. Relevanzkriterien Methodische Ansätze: • Fragenbogen, Interviews • Think-aloud-Protokolle • Auswertung von Klickdaten • Messen von Augenbewegungen (Eye-Tracking) • Experimente 12
  • 14. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.4. Relevanzmerkmale Relevance clues: • Document Information Elements (DIEs): "DIEs are seen as the basic units that collectively represent a document to provide clues to the users’ criteria" (Wang & Soergel, 1998, S. 124) 13
  • 15. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.4. Relevanzmerkmale 14 Quelle: Wang & Soergel, 1998, S. 125.
  • 16. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.4. Relevanzmerkmale Popularitätsdaten im akademischen Kontext (Plassmeier et al., 2015): • Zitationszahl (z.B. Google Scholar) • Zahl der Downloads (z.B. ACM Digital Library) • Ausleihzahlen • Zahl der Exemplare in einer Bibliothek 15
  • 17. Department Information Christiane Behnert, M.A. 3. FAKTOREN, KRITERIEN, MERKMALE 3.5. Zusammenfassung • Relevanzbewertungen sind subjektiv, situationsabhängig, dynamisch, inkonsistent, nicht binär, immer im Kontext zu betrachten • Eine Vielzahl an Faktoren und Kriterien beeinflussen Relevanzentscheidungen • Keine eindeutige Definition von Faktor und Kriterium • Thematische Relevanz als Basis • Nutzerverhalten im Webkontext durch Vertrauens- und Glaubwürdigkeit geprägt • Popularitätsdaten in Ergebnispräsentation integriert 16
  • 18. Department Information Christiane Behnert, M.A. 4. RELEVANZMODELLE 4.1. Bestehende Modelle "All IR and human information behavior models have relevance at their base either explicitly or as an invisible hand – in effect they are relevance models.“ (Saracevic, 2016, S. 40) 17 Quelle: Ingwersen, P., & Järvelin, K. (2005). The turn: Integration of information seeking and retrieval in context (Bd. 18). Berlin; Heidelberg: Springer. S. 274 Quelle:Saracevic,2016,S.34.
  • 19. Department Information Christiane Behnert, M.A. 4. RELEVANZMODELLE • Kognitives Modell zur Auswahl von Dokumenten (Wang, 1994; Wang & Soergel, 1998) 4.1. Bestehende Modelle - Wang 18 Quelle: Wang & Soergel, 1998, S. 118 Cognitive Model of Document Selection Document Selection Model for Academic Users in Agricultural Economics
  • 20. Department Information Christiane Behnert, M.A. 4. RELEVANZMODELLE 4.1. Bestehende Modelle - Rieh 19Quelle: Rieh, 2002, S. 158. Model of judgment of information quality and cognitive authority
  • 21. Department Information Christiane Behnert, M.A. 4. RELEVANZMODELLE 4.2. Erste Ideen für mein Nutzermodell Aufbauen auf vorhandenen Modellen in Hinblick auf: • Merkmale von Surrogaten (Modelle von Wang und Rieh) • Levels von Relevanz (Saracevics Modell) • Zeitpunkt/Objekt der Relevanzbewertung (Modelle von Wang und Rieh) • Prozessablauf (Modelle von Wang und Rieh) • Autorität, Qualität (Riehs Modell) 20
  • 22. Department Information Christiane Behnert, M.A. 5. FAZIT Literaturschau zu Kriterien:  Lösungsvorschlag zum Definitionsproblem: Faktoren beeinflussen Relevanzbewertungen; Kriterien werden vom Nutzer zugrunde gelegt  Eindeutige Definition / Gegenüberstellung(?) wichtig für Operationalisierung (Variablen im Experiment) (?) Entwicklung des Nutzermodells:  Bewertungsprozess als Teil des Informationssuchprozesses (Merkmale -> Kriterien -> Bewertung)  Entscheidungstheorie für Relevanzbewertung (entscheiden vs. bewerten)? 21
  • 23. Department Information Christiane Behnert, M.A. 6. QUELLEN Mizzaro, S. (1997). Relevance: The whole history. Journal of the American Society for Information Science, 48(9), 810–832. Plassmeier, K., Borst, T., Behnert, C., & Lewandowski, D. (2015). Evaluating popularity data for relevance ranking in library information systems. In Proceedings of the 78th ASIS&T Annual Meeting (Bd. 51). Rieh, S. Y. (2002). Judgment of information quality and cognitive authority in the Web. Journal of the American Society for Information Science and Technology, 53(2), 145–161. https://doi.org/10.1002/asi.10017 Rieh, S. Y. (2009). Credibility and cognitive authority of information. In Encyclopedia of Library and Information Sciences (Third ed., S. 1337–1344). CRC Press. Saracevic, T. (1996). Relevance reconsidered. In P. Ingwersen & N. O. Pors (Hrsg.), Information science: Integration in perspectives. Proceedings of the Second Conference on Conceptions of Library and Information Science (CoLIS 2) (S. 201– 218). Copenhagen: Royal School of Librarianship. Saracevic, T. (2012). Research on relevance in information science: A historical perspective. In T. Carbo & T. Bellardo Hahn (Hrsg.), Proceedings of the American Society for Information Science and Technology (ASIS&T) 2012 Pre-conference on the History of ASIS&T and Information Science and Technology (S. 49–60). Medford, New Jersey: Information Today. Saracevic, T. (2016). The Notion of Relevance in Information Science: Everybody knows what relevance is. But, what is it really? Synthesis Lectures on Information Concepts, Retrieval, and Services, 8(3), i-109. Schamber, L. (1994). Relevance and information behavior. Annual Review of Information Science and Technology, 29, 3–48. Tombros, A., Ruthven, I., & Jose, J. M. (2005). How users assess Web pages for information seeking. Journal of the American Society for Information Science and Technology, 56(4), 327–344. http://doi.org/10.1002/asi.20106 Wang, P., & Soergel, D. (1998). A cognitive model of document use during a research project. Study I. Document selection. Journal of the American Society for Information Science, 49(2), 115–133. Wathen, C. N., & Burkell, J. (2002). Believe it or not: Factors influencing credibility on the Web. Journal of the American Society for Information Science and Technology, 53(2), 134–144. Wilson, P. (1983). Second-hand knowledge: An inquiry into cognitive authority. Westport, Conn.; London, UK: Greenwood Press. 22
  • 24. VIELEN DANK FÜR EURE AUFMERKSAMKEIT! Ich freue mich über Fragen (und Antworten), Anregungen und Hinweise!