Keuzes in het zoekproces en structuur van het web

Presentatie over: "Keuzes in het zoekproces en structuur van het web"— Transcript van de presentatie:

1 Keuzes in het zoekproces en structuur van het web
Jeroen Bosman VOGIN, 10 mei 2016 Wageningen

2

3

4

5 Kenmerken zoekexpert Kennis onderwerp Bronnenkennis Kennis zoektools
Talenkennis, taalcreativiteit Logica (“verzamelingenleer”) Zorgvuldig gebruik zoektools Snelheid (m.n. bij selecteren en evalueren) Reflectie op eigen zoekproces (bv met reverse search)

6 Deel I: keuzes in het zoekproces

7 Zoeksystematiek Vraaganalyse Aanbod Match
Wensen ‘opdrachtgever’ Verkenning Opstellen zoekprofiel: waaraan moet de informatie voldoen, genereren zoektermen Aanbod Keuze zoeksysteem: zoekmachines, databases, gidsen, bookmarksites Match Daadwerkelijk zoeken (gebruik syntax, opties en filters) Selecteren (is het relevant?) Nabewerking per relevante bron Evaluatie (is het goed genoeg?) Opslaan, printen, delen Eventueel doorzoeken via auteurs en verwijzingen uit gevonden bronnen Nabewerking zoekactie geheel Bij doorlopende interesse evt. web en page alerts/feeds instellen Expliciete reflectie op zoekproces en zoekresultaat Vervolg op zoekactie Eventueel andere ingangen of geheel andere typen bronnen (gedrukte literatuur, deskundigen)

8 Vraaganalyse 1: wensen opdrachtgever
Opdrachtgever: wat wil men met de informatie? Voorwaarden aan aard van informatie (onderzoek, opinie, peer reviewed, actualiteit etc.) Randvoorwaarden: tijd, geld, vertrouwelijkheid Rapportagevorm (inhoudelijk, technisch)

9 Vraaganalyse 2: Verkenning
Welke vraag/onderwerp Wat ligt er al, nuttig als uitgangspunt? Inhoudelijk verkennen (via bv Wikipedia of ander naslagwerk of via korte zoekactie) Ideeën opdoen qua context, jargon, zoektermen, typen bronnen, auteurs

10 Vraaganalyse 3: Zoekprofiel
Onderscheiden elementen (variabelen) Welke? Allebei even belangrijk? Vooraf genereren zoektermen Uit reeds gevonden bronnen Uit naslagwerken/zoekacties van verkenningsfase Uit woordenboeken Uit vak- of algemene thesauri (Het juiste woord, Roget’s Thesaurus) Uit keyword facets in bv. Scopus Afbakening in tijd, ruimte, speciale omstandigheden waaronder een proces moet spelen Relevante typen informatie en publicaties Relevante publicatieperiode

11 Aanbod: Keuze zoeksysteem
Bepaald door zoekprofiel: onderwerp, type informatie, type publicatie, relevante publicatiejaren, disciplinair perspectief Bepaald door beschikbaarheid: toegankelijkheid, kosten, licenties Bepaald door extra wensen: Zoekmethode: catalogus-, bibliografische, sneeuwbal(citatie)methode (op het web: zoekmachines, gidsen/directories, backlinks) Zoeken in full-text, links naar full-text Ook letten op volgorde ingangen (dekking, bekendheid, selectiviteit, + afh. van doel) Zie voor links naar ingangen de ‘startpagina’ bij deze cursus

12 Match 1: Zoektermen ingeven
Let op woordvarianten en spelling: Varianten in OR-relatie of: Trunceren: alles wat met woordstam begint (niet op web) Automatische “stemming” en meer bij Google Oxford-English of American–English (s/z, ou/o) Samenstellingen in Engels los: kwaliteitscontrole > quality control Denken in termen van het te vinden document (jargon/slang), gebruik zinsnedes / exact phrase met “… …” Bij Google: wildcard binnen exact phrase “… * …” Bij Google: verbatim/woord-voor-woord zoeken

13 Match 2: zoektermen ingeven, vv.
Gebruik termsuggesties voor zoekactie: Google, Exalead, Bing, Yahoo termen uit gevonden goede webpagina’s hulpmiddelen: thesaurus, synoniemenwoordenb. (startpag.) Bing Google Yahoo

14 Match 3: zoektermen ingeven, vv.
Gewicht aanbrengen met zoektermherhaling in Google Voorbeeldzoeken voor ‘lijstjes’ Iteratief proces: één of meer keren snelle beoordeling zoekresultaat en aanpassing termen/instellingen Aantallen treffers (in webzoekmachines): wel letten op veranderingen, niet op absolute niveau

15 Recall & precision recall precision 30% 50% 60% 25% 100% 100%

16 Match 4: Selectie op relevantie
Wat voor rangorde hebben de resultaten? De rangorde: beïnvloeden, vertrouwen of alles bekijken? Kijk naar meer dan titels: bij boeken/artikelen: samenvattingen citaties omvang (bv LexisNexis) bij web: KWIC domein/organisatie wel/niet PDF omvang (bv. bij images en video) info rich snippets (bv. organisaties)

17 Nabewerking per bron 1: beoordeling
Formeel (vooral bij websites): Aanduiding maker/auteur (“about us”) Aanduiding postadres, telefoonnummer Aanduiding doel/doelgroep Goede opmaak Geen reclame en pop-ups Heldere navigatie Interne zoekfunctie Voldoende snelheid server Backlinks door gezaghebbende organisaties Up to date? Zinnige datering inhoud Geen grof taalgebruik Geen kinderlijk taalgebruik Geen storende taalfouten Beoordeling door anderen Status bron (peer reviewed, uitgever, gezaghebbende instantie) Affiliatie auteur Plaats in citatienetwerk (door wie, hoe vaak) Zelf, inhoudelijk Bronvermelding (voldoende, geen kernpublicaties gemist) Opbouw, argumentatie, methode, verantwoording

18

19 Nabewerking per bron 2: opslaan (mail, document, Endnote / Refworks / Mendeley / Zotero / Evernote / Diigo e.d.), zie vgl. in UU LibGuides doorsturen vanuit systeem bookmark (browser, Delicious, CiteUlike, ‘like’, +) alert/spion (donderdag) RSS-feed) met Feedly, Digg etc…. of Outlook

20 Vervolg op zoekactie: Reflectie
Hoeveel gevonden in hoeveel tijd? Voldoet oogst aan zoekprofiel? Welke aspecten van zoekprofiel waren meest selectief? Waren alle vooraf bedachte ingangen even nuttig? Wat was de overlap tussen de ingangen? Goede volgorde ingangen gehanteerd? Wat had de zoekvraag moeten zijn om het beste gevonden document direct te vinden (reverse earch) Iets geleerd over eigen sterke/zwakke punten?

21 Deel II: Structuur van het web

22 Er is wel structuur: domeinen
soorten top-level-domains (TLD) iso-3166 generiek: com / org / net (vrij) int / edu / gov / mil / arpa (beperkt) landen: nl/be/au/at/de/uk/us (ccTLD’s, 34%) jump: tv / nu / to / tk nieuw: biz/info/name/coop/pro/aero/museum/mobi generieke ‘subtopleveldomeinen’: co / gob / ac / org etc. (zie en per 2009 ook URL’s in niet-Latijns schrift

23 opbouw URL protocol : // servernaam . subdomein . domein . TLD / map / filenaam . extensie http : // libguides. library . uu . nl / evalueren

24 URL’s van databasepagina’s

25 “Onderwerpsgidsen” Alle onderwerpen: Open Directory
Nederlands: startpagina, meta: startnederland Web2.0-variant: Digg (nieuws) Sociaal met voting&discussie: Reddit Gericht op wetenschappelijke tools en data: DiRT (Humanities) SciCrunch (Life Science) 400+ tools and innovations (alle) Zoeken van gidsen: via Open Directory vragen aan collegae, via discussielijsten, twitter etc.

26 Zoekmachines: dekking
> 15% van de webpagina’s in geen enkele van de grootste zoekmachines van resterende wel geïndexeerde pagina’s zelfs Google maar 76%, Yahoo 69%, Live/Bing 62% ( overlap eerste pagina slechts 10% (Spink studie 2006) dekking zeer ongelijkmatig verschil in actualiteit

27 Zoekmachines: ontwikkeling
1994 Webcrawler, Lycos, Alta Vista (10) 1995 concurrentie Hotbot, Excite, Yahoo (50) 1997 Northern Light, MSN, sterke groei web > 200 1999 opkomst Google en Alltheweb en crisis Infoseek, Northern Light, AV, Excite, ILSE o.a. (100) 2002 komst Teoma, Wisenut, Gigablast (1000) 2003 renaissance AV, glorietijd Google (3000) 2004 consolidatie/concurrentie (4000): Google+Blogger, verbreding: boeken, kritiek, beursgang Overture+Alltheweb+AV+Yahoo, ontmanteling AV/ATW Microsoft: introductie MSNsearch beta: zelf indexeren 2005 verbreding/innovatie/content ( ) Samenwerking content providers-zoekmachines? Teoma wordt Ask en opkomst Amazon met A9 Doorgroei Gigablast (2000) puur zoeken raakt op achtergrond ( ) Live gelanceerd, YouTube gekocht uploaden, web 2.0 gemengde content (Google universal, iGoogle bv.) specifieke diensten (Google CSE bv) 2008 Google universal verder ingevoerd (>100000) 2009 Nieuwe zoekmachine van Microsoft: Bing (>400000) 2010 Yahoo stopt eigen index; Instant search en preview bij Google (>800000) 2011 Groei Blekko / Google+ en effect op rest Google 2012 Pinterest / Facebook in search 2013 Google Now 2014 Yahoo stopt met directory 2015 weer minder opties Google, int. doorbraak Yandex?

28 Zoekmachines: wat vind je niet?
recente webpagina’s/wijzigingen dynamisch gegenereerde pagina’s informatie in databases pagina’s met no robots file pagina’s met toegangsrestricties verdwenen pagina’s maar: Cache (bij Google onder driehoekje) Wayback Machine archive.org Memento Time Travel kleinere archiveringsprojecten KB en BL pagina’s behoeden voor verdwijning: Wayback / WebCite

29 Zoekmachines: beperkingen Google
geen genest Booleaans zoeken → Bing/Exalead geen truncatie (maar elders op web ook niet) geen zoekgeschiedenis zonder inloggen: → Bing geen harde Boolean meer (→ Bing, Yandex) beperkte proximity search (→Yandex)

30 Land/taalversies Google
Interfacetaal beïnvloedt ook (ranking) resultaat! Taalinstelling zoekactie voorkeuren eenmalig of ‘implied’ door zoekterm Landsversie: beïnvloedt ranking sterk ncr: no country redirect Let ook bij Bing op landsinstelling: alleen VS versie heeft alle functionaliteit

31 Personalisation/localisation
Localisatie effect sterker dan personalisatie Effect beperken: Voeg "&pws=0“ toe om in Google personalisation uit te zetten Gebruik een Chrome incognito window Log niet in Zet locatie in mobiel apparaat uit Gebruik verbatim optie Gebruik Yandex