Empirische Informationswissenschaft. HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 1

Größe: px
Ab Seite anzeigen:

Download "Empirische Informationswissenschaft. HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 1"

Transkript

1 Empirische Informationswissenschaft HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 1

2 Empirische Informationswissenschaft Informetrie: nomothetische Informetrie (informetrische Gesetzmäßigkeiten) - deskriptive Informetrie Online-Informetrie Web-Informetrie Analyse von Informationssystemen: Retrievalsysteme (Relevanz, Recall, Precision) Datenbasen (Availability) empirische Studien Usability von Websites Wissenschaftliche Kommunikation: Der Ethos der Wissenschaft Zitationen und Referenzen Zitatenanalyse Impact Factor akademischer Zeitschriften - Themenanalyse Wissenschaft und Öffentlichkeit Thematisierungen HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 2

3 Empirische Informationswissenschaft Empirische Wissenschaftsforschung / Wissenschaftsgeschichte: Szientometrie - Wissenschaftsevaluation Wissenschaftsgeschichtsschreibung mittels Datenbanken Knowledge Mining: Data Mining (Informetrie strukturierter Daten) Text Mining (Informetrie unstrukturierter Daten) Nutzeranalyse: Informationsbedarf und bedürfnis, Nutzung von Informationssystemen und diensten Empirie der Informationstätigkeiten: Bibliotheksforschung - Informationswirtschaft HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 3

4 Informetrie HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 4

5 Informetrie Zeitschriften: Scientometrics - Cybermetrics Journal of the American Society for Information Science and Technology Kongress: International Conference on Scientometrics and Informetrics (seit 1987; alle 2 Jahre) Basisliteratur: Leo Egghe; Ronald Rousseau: Introduction to Informetrics. Amsterdam [u.a.]: Elsevier Science, Wolfgang G. Stock: Informationswirtschaft. München; Wien: Oldenbourg, Kap. 5 (Data Mining bei externen Informationen) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 5

6 Informetrie Nomothetische Informetrie Konzentrationsgesetze Zipfsches Gesetz: Verteilung von Worthäufigkeiten in Texten Lotkas Gesetz: Verteilung von Publikationen eines Fachgebiets auf Autoren Bradfordsches Gesetz: Verteilung von Artikeln eines Fachgebiets auf Zeitschriften Garfieldsches Gesetz: Verteilung von Zitationen auf wissenschaftliche Zeitschriften Gesetz der zeitlichen Verteilung Halbwertzeit: Zeit, nach der die Hälfte einer Literaturmenge nicht mehr benutzt wird Virgil P. Diodato: Dictionary of Bibliometrics. New York [u.a.]: Haworth, HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 6

7 Informetrie Zipfsches Gesetz George Kingsley Zipf ( ) gegeben: Text (Artikel, Buch,...) Auszählen der Häufigkeiten jedes Wortes Ordnung der Wörter nach Häufigkeit (absteigend) r * f = C r =: Rangplatz des Wortes f =: Häufigkeit des Wortes C =: Konstante (abhängig vom Text) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 7

8 Informetrie Zipfsches Gesetz Beispiel: Ulysses (James Joyce) Wort auf Rang 10 kommt 2.653mal vor: C = Wort auf Rang 20 kommt 1.311mal vor: C = Wort auf Rang kommt 26mal vor: C = C (Ulysses) ~ Das Gesetz gilt für Hochfrequenzworte, z.t. auch - je nach Text - für alle Worte eines Textes. Für Niedrigfrequenzworte hat Zipf ein weiteres Gesetz entwickelt (Zweites Zipfsches Gesetz). George K. Zipf: Human Behavior and the Principle of Least Effort. Cambridge, MA: Addison-Wesley, HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 8

9 Lotkas Gesetz Alfred J. Lotka ( ) Informetrie gegeben: Fachgebiet mit umfassender Liste der Publikationen zum Fachgebiet (Bibliographie, Spezialdatenbank) Auszählen der Publikationsraten für alle Autoren Sortieren der Autoren nach der Anzahl der Publikationen Zählen der Autoren mit gleichviel Publikationen n n x * y = c oder y = c / x x =: Anzahl der Publikationen y =: relative Häufigkeit der Autoren mit x Publikationen n, c =: Konstanten (je nach Fachgebiet) [n ~ 2] Alfred J. Lotka: The frequency distribution of scientific productivity. In: Journal of the Washington Academy of Sciences 16 (1926), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 9

10 Informetrie Lotkas Gesetz Beispiel: Journal of Finance, ; insgesamt Artikel) Autoren (67,1%) produzierten je 1 Artikel 295 Autoren (16,0%) produzierten je 2 Artikel 140 Autoren (7,6%) produzierten je 3 Artikel 63 Autoren (3,4%) produzierten je 4 Artikel 41 Autoren (2,2%) produzierten je 5 Artikel angenommen: n = 2 (1 * 1) * 0,671 = 0,671 (2 * 2) * 0,160 = 0,640 (3 * 3) * 0,076 = 0,684 c ~ 0,6 (4 * 4) * 0,034 = 0,544 (5 * 5) * 0,022 = 0,550 M. Keenan: Report on the 1987 membership survey. In: Journal of Finance 43 (1988), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 10

11 Informetrie Lotkas Gesetz Kreise: empirische Daten Linie: nach Theorie erwartet Reduktion der Daten auf genau 100 Autoren, die 1 Aufsatz publiziert haben (C = 1, n = 2) Derek J. de Solla Price: Litte Science, Big Science. Frankfurt: Suhrkamp, HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 11

12 Informetrie Bradfordsches Gesetz Samuel Clement Bradford ( ) gegeben: Artikel eines Fachgebiets Zählen der Anzahl der Artikel pro Zeitschrift Sortieren der Zeitschriften nach der Anzahl der Artikel Bildung von drei Mengen, die jeweils die gleiche Anzahl der Artikel enthalten die Anzahl der Zeitschriften in den drei Zonen folgt der Formel 1 : n : n2 n =: Konstante ( Bradford Multiplikator ) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 12

13 Informetrie Bradfordsches Gesetz drei Zonen: Kern - Mitte - Rand empirisches Beispiel: Bradford (1934): Schmiermittel (395 Artikel in 164 Zeitschriften) Kern: 8 Zeitschriften produzieren 110 Artikel Mitte: die nächsten 29 Zs. produzieren 133 Artikel Rand: die nächsten 127 Zs. produzieren 152 Artikel 8 : 29 : 127 = 1 : 3,625 : 15,875 ~ 1 : 4 : 16 Samuel C. Bradford: Sources of information on specific subjects. In: Engineering 137 (1934), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 13

14 Informetrie Bradford-Zipf-Bibliograph Verallgemeinerung des Bradfordschen Gesetzes im Sinne des Zipfschen Gesetzes Zuordnung der kumulierten Anzahl der Artikel zur kumulierten Anzahl der Zeitschriften Berechnung der Logarithmen (Basis 10) der beiden Zahlenreihen Darstellung als Graph der absoluten Häufigkeiten Darstellung als Graph der Logarithmen Darstellung als Graph in halblogarithmischer Darstellung (nur eine Achse logarithmisch; in der Regel die Anzahl der Zeitschriften); typische Formen J-Kurve S-Kurve Kurve mit umgekehrtem J HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 14

15 Informetrie Bradford-Zipf-Bibliograph Ausgangsdaten (Quelle: Bradford 1934: Angewandte Geophysik Jg ) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 15

16 Informetrie Bradford-Zipf-Bibliograph Absolute Häufigkeiten HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 16

17 Informetrie Bradford-Zipf-Bibliograph Log-Log-Graph HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 17

18 Informetrie Bradford-Zipf-Bibliograph Halb-Log-Graph J-Kurve: Disziplin mit ergiebigen Zeitschriften ohne großen Rand S-Kurve: Disziplin mit ergiebigen, aber auch mit vielen Zeitschriften im Rand Kurve wie umgekehrtes J: Disziplin konzentriert auf eigene Zeitschriften, aber mit Rand HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 18

19 Garfieldsches Gesetz Eugene Garfield (geb. 1925) Informetrie gegeben: Referenzen aus Quellenzeitschriften Reihen des ISI (multidisziplinär) Zuordnung von Zitationsraten zu Zeitschriften Sortierung der Zeitschriften nach Zitationsraten Konzentration wie bei Bradford-Zipf: 75% aller Zitationen entfallen auf knapp Zeitschriften; 84% auf ca Zeitschriften Praktische Konsequenz: eine Datenbank, die einige Tausend Zeitschriften (nämlich die jeweils meistzitierten) auswertet, ergibt ein repräsentatives Abbild der Wissenschaft; hieran orientiert sich die Quellenauswahl bei SCI, SSCI, A&HCI Eugene Garfield: The mystery of the transposed journal list wherein Bradford s law of scattering is generalized according to Garfield s law of concentration. In: E.Garfield: Essays of an Information Scientist, Vol 1. Philadelphia: ISI Press, 1977, HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 19 der

20 Informetrie Garfieldsches Gesetz Beispiel: Philosophie (Drei-Zonen-Einteilung wie Bradford) gegeben: 735 Referenzen (Jg. 1975); darin zitierte Zeitschriften: 223 Kern: 6 Zeitschriften (genannt in 245 Zitationen) Mitte: 23 Zeitschriften (genannt in 245 Zitationen) Rand: 194 Zeitschriften (genannt in 245 Zitationen) also: 6 : 23 : 194 = 1 : 3,8 : 32,3 ~ 1 : 4 : 32 (erwartet: 1 : 4 : 16), demnach: sehr große Randzone Kernzeitschriften: Journal of Philosophy Philosophical Review Analysis Mind Philosophy of Sciences American Philosophical Quarterly HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 20

21 Informetrie Das informetrische Verteilungsgesetz f (x) ca. 80 % ca. 20% f (x) = C HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 21 x a x

22 Informetrie Gesetz der zeitlichen Verteilung: Halbwertszeit Analogie zum radioaktiven Zerfall Die Halbwertszeit ist die Zeit, in der die Hälfte eines radioaktiven Stoffes in einen anderen Stoff zerfallen ist. Dieser Prozess ist zufallsabhängig; d.h. man weiß nicht, welches Atom zu welcher Zeit zerfällt. Beispiele für Halbwertszeiten: Uran-238: 4,5 Mrd. Jahre Jod-131: 8 Tage C-14: Jahre HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 22

23 Informetrie Gesetz der zeitlichen Verteilung: Halbwertszeit gegeben: Zitationen / Referenzen Sortierung der Zitationen nach der Zeit Zählen der Anzahl der Zitationen pro Jahr; Zählen der Gesamtanzahl der Zitationen Markierung des Jahres, an dem die Hälfte (ein Viertel, ein Achtel usw.) der Zitationen erreicht wird Gesetz: Die Halbwertzeiten sind (bei großen Zahlen) jeweils gleich. HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 23

24 Informetrie Deskriptive Informetrie Beschreibung von Dokumentmengen. Beispiele: Werke eines Wissenschaftlers (Wieviel geschrieben? In welcher Zeit? Worüber? Welche Wirkung?) Artikel und Bücher von Angehörigen eines Instituts Patente und Artikel eines Wirtschaftsunternehmens Wissenschaftliche Zeitschriften (Wieviele Publikationen? Wieviele unterschiedliche Autoren? Welche Wirkung?) Wissenschaftliche und technische Themen (Wann zuerst aufgekommen? Wie verbreiteten sie sich? Wie lange diskutiert? Welche Autoren?) Länder / Weltregionen (Nationaler Output? Internationale Wirkung?) Websites / Domains (Einfluss? Verlinkung?) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 24

25 Informetrie deskriptive Informetrie: Aufspüren von neuen Informationen in Datenbanken ( Knowledge Mining ) Rangordnungen Zeitreihen Semantische Netze Informationsfluß- und Linkanalysen dabei soweit möglich: Vergleich der beschriebenen Verteilungen mit den (nach den informetrischen Gesetzen) erwarteten HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 25

26 Informetrie Rangordnungen Fragestellung: Welches sind die Top-X-Items in einer Dokumentenmenge? Theoretische Basis: Konzentrationsgesetze Ziel: 1. Retrievalverbesserung; 2. Neue Informationen Vorgehen: Suche nach allen Datensätzen zum Thema Rangordnung zur gewünschten Ausprägung (in den meisten Systemen der Befehl: RANK) Ausgabe der Hitparade bis Platz X Beispiel: Welche Unternehmen sind in der FuE bei Verpackungsmaschinen führend? Wolfgang G. Stock: Wirtschaftsinformationen aus informetrischen Online-Recherchen. In: Nachrichten für Dokumentation 43 (1992), Wolfgang G. Stock: Das Online-Unternehmensbild anhand von Wirtschaftsdaten und informetrischen F&E-Indikatoren. In: Harald Killenberg et al. (Hrsg.): Wissensbasierte Informationssysteme und Informationsmanagement. Konstanz: Univ.-Verl., 1991, HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 26

27 Informetrie Rangordnung der Unternehmen nach Patenten bei Verpackungsmaschinen Rang absolute H. relative H. Unternehmen ,74 % Focke & Co GmbH & Co ,66 % Grace & Co ,55 % Robert Bosch GmbH ,45 % Packaging Filling Equip. N = Patentfamilien in der IPC-Unterklasse B65B (nebst aller Unterbegriffe) N = (unterschiedliche) Unternehmen mit mindestens einem Patent in B65B HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 27

28 Informetrie Informetrische Zeitreihen Fragestellung: Wie entwickelt sich ein Aspekt einer Dokumentmenge im Laufe der Zeit? Ziel: Neue Informationen Vorgehen: Suche nach allen Datensätzen zum Thema Ausgabe der Inhalte des Feldes Jahrgang (mit Angabe der Anzahl der DE) graphische Aufbereitung als Zeitreihe (Tabellenkalkulationsprogramm) Beispiel: Wieviele Patente für Verpackungsmaschinen haben die führenden Unternehmen pro Jahr zwischen 1981 und 1993 angemeldet? HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 28

29 Informetrie Patentaktivitäten der führenden Unternehmen bei Verpackungsmaschinen 80 Patentanmeldungen pro Jahr Bosch Focke Grace HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 29

30 Informetrie Semantische Netze Fragestellung: Gibt es in einer Dokumentenmenge zusammengehörige Komplexe? Bsp.: kooperierende Autoren oder Institute; gemeinsam auftretenden Themen; gemeinsame Referenzen oder Zitationen Ziel: 1. Retrievalverbesserung; 2. Neue Informationen Vorgehen: Suche nach allen Datensätzen zum Thema clusteranalytische Aufbereitung der DE (Spezialsoftware) graphische Aufbereitung Beispiel: Wie hängen die Forschungsthemen der Krones AG im Bereich der Etikettiermaschinen zusammen? HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 30

31 Informetrie Thematisches Cluster der Artikel von Krones- Mitarbeitern im Bereich der Etikettiermaschinen (im Bild der Deskriptoren der FIZ Technik- Datenbank DOMA) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 31

32 Informetrie Informationsflussgraphen / Linkanalysen (1) Fragestellung: Fließen innerhalb einer Dokumentenmenge Informationen (welche?, wieviele?) von A nach B? Sofern Hypertextdokumente vorliegen: Sind A und B verlinkt? Ziel: 1. Retrievalstrategie; 2. Neue Informationen Vorgehen bei Zitationen: Aufruf einer Datenbank, die Zitationen speichert (wiss. Artikel; Patente; Grundsatzurteile) Suche nach zitierenden Dokumenten (nach vorne) und nach zitierten Dokumenten (nach hinten) Hostsoftware graphische Aufbereitung als Informationsflussgraph Beispiel: Woher stammen die Technologieinformationen der Krones AG? Wohin fließen die Technologieinformationen von Krones? HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 32

33 Informetrie Wissensimport und export bei der Krones AG (im Bild von Derwent World Patents Index bei Questel-Orbit) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 33

34 Informetrie Informationsflussgraphen / Linkanalysen (2) Fragestellung: Fließen innerhalb einer Dokumentenmenge Informationen (welche?, wieviele?) von A nach B? Sofern Hypertextdokumente vorliegen: Sind A und B verlinkt? Ziel: 1. Retrievalstrategie; 2. Neue Informationen Vorgehen bei Hypertextdokumenten: Aufruf einer Suchmaschine, die eine Feldsuche zu Links, Ankertexten, Hosts und Domains anbietet entweder direkte Ausgabe der Landkarte oder graphische Aufbereitung als Linkgraph Beispiel 2: Wie sind deutsche Webseiten zu Miranda Otto verlinkt? HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 34

35 Informetrie Link-Topologie deutscher Webseiten zu Miranda Otto (im Bild von Kartoo.com) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 35

36 Informetrie Datengewinnung der Informetrie Online-Informetrie bei Content-Aggregatoren Voraussetzungen: (1) spezifische informetrische Befehle (2) adäquates Feldschema (3) adäquate Datenbasis Web-Informetrie bei Suchmaschinen Voraussetzungen: (1) Abfrage der HTML-Tags (2) adäquate Datenbasis Offline-Informetrie mittels spezifischer Analysesoftware Download von Datensätzen Weiterverarbeitung offline HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 36

37 Informetrie Online-Informetrie bei Content-Aggregatoren HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 37

38 Informetrie Informetrische Befehle bei STN Rangordnungen mit ANALYZE ANALYZE and TABULATE Commands. In: STNotes No. 17 (1998), 1-5. HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 38

39 Informetrie Informetrische Befehle bei STN Zusammenhänge zweier Variablen mit TABULATE (wenn eine Variable PY ist: Zeitreihe) ANALYZE and TABULATE Commands. In: STNotes No. 17 (1998), 6-8. HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 39

40 Informetrie Informetrische Befehle bei DIALOG: Zusammenspiel von MAP und RANK In welche Technikgebiete hinein haben Düsseldorfer Unternehmen die größte Wirkung? Welches ist das meistzitierte Patent des Jahres 1995? MAP PN/CT= Mechtild Stock; Wolfgang G. Stock: Dialog/DataStar. One-Stop-Shops internationaler Fachinformationen. In: Password Nr. 4 (2003), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 40

41 Informetrie Zusammenspiel von MAP und RANK Zwischenergebnis; unter SC004 gespeichert Datenbankwechsel: b 342 Ausführen der gespeicherten Suche: EXS SC004 HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 41

42 Informetrie RANK IC(1-4) RANK CT C11D : Reinigungsmittel G08G : Verkehrsregelungsund -überwachungssysteme HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 42

43 Informetrie Web-Informetrie bei Suchmaschinen Web Impact Factor (WIF) WIF(C) = (# Links auf Seiten von C) / (# Seiten innerhalb C) bei AltaVista: Zähler: link:.xx/ Nenner: domain:xx oder host:www.xxx/ Self-Link WIF (C) = (# Links aus C auf C) / (# Seiten innerhalb C) bei AltaVista: Zähler: domain/host:xx/ AND link:.xx/ Ext-Link WIF (C) = (# Links außerhalb C auf C) / (# Seiten innerhalb C) bei AltaVista: Zähler: link:.xx/ AND NOT (domain/host:xx AND link:.xx/) Es gilt: WIF(C) = Self-Link (C) + Ext-Link (C) Peter Ingwersen: The calculation of Web Impact Factors. In: Journal of Documentation 54 (1998), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 43

44 Informetrie Web Impact Factor (WIF): Die klassischen Ergebnisse von Ingwersen (AltaVista; Mitte 1997) HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 44

45 Informetrie Web Impact Factor (WIF) für Norwegen (.no) und Deutschland (.de) April 2003 WIF (NO) = 2,97 WIF (DE) = 0,65 Self-Link WIF (NO) = 0,46 Self-Link WIF (DE) = 0,38 Ext-Link WIF (NO) = 2,51 Ext-Link WIF (DE) = 0,25 N (Seiten NO) = 4,77 Mio. N (Seiten DE) = 86,61 Mio. HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 45

46 Informetrie Web Impact Factor (WIF) für Uni Düsseldorf und Uni Köln April 2003 WIF (DDF) = 0,44 WIF (KÖLN) = 0,49 Self-Link WIF (DDF) = 0,03 Self-Link WIF (KÖLN) = 0,14 Ext-Link WIF (DDF) = 0,41 Ext-Link WIF (KÖLN) = 0,35 N (Seiten DDF) = N (Seiten KÖLN) = HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 46

47 Informetrie Variante des Web Impact Factor von Thelwall Kritik am Verfahren von Ingwersen: Die Zahl der Webseiten eines Hosts sagt nichts über die dahinterstehende Organisation aus. Vorschlag: (a) Beschränkung auf externe Links (b) Relativierung auf die Anzahl der Vollzeitäquivalente akademischer Mitarbeiter einer Institution (was heißt, dass diese Variante ausschließlich auf Universitäten und andere Forschungseinrichtungen anwendbar ist) Academic-WIF (C) = (# Links außerhalb C auf C) / (# Wissenschaftler- Vollzeitäquivalente in C) Mike Thelwall: A comparison of sources of links for academic Web impact factor calculation. In: Journal of Documentation 58 (2002), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 47

48 Informetrie Academic Web Impact Factor (Acad. WIF) und Wissenschaftsevaluation Gibt es Korrelationen (Pearson) zwischen Acad. WIF und Official Government Research Assessment Exercise (RAE) für britische Universitäten? Domain der externen Links HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 48

49 Analyse von Informationssystemen HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 49

50 Analyse von Informationssystemen Die klassischen Kennwerte zur Bewertung von Retrievalsystemen Haben wir alle Datensätze gefunden, die handlungsrelevantes Wissen beinhalten? (Vollständigkeit; Recall) Recall R = a / (a + c) Haben wir nur solche Datensätze gefunden? (Genauigkeit, Precision) Precision P = a / (a + b) a =: gefundene relevante Treffer b =: nichtrelevante Datensätze, die in der Treffermenge enthalten sind (Ballast) c =: relevante Datensätze in der Datenbank, die nicht gefunden wurden Salton Gerard Salton; Michael J. McGill: Information Retrieval Grundlegendes für Informationswissenschaftler. Hamburg [u.a.]: McGraw-Hill, Kap. 5: Die Bewertung von Retrievalsystemen, HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 50

51 Analyse von Informationssystemen Recall / Precision Relevanz: kontextuelle Übereinstimmung zwischen einem Suchargument und einem Dokument - unabhängig von konkreten subjektiven Informationsbedürfnissen (Salton/McGill) Pertinenz: Übereinstimmung zwischen einem subjektivem Informationsbedürfnis und einem Dokument Ein Relevanzurteil nimmt in der klassischen Variante genau einen von zwei Werten an: relevant nicht relevant. Relevanzurteile sind mitunter unscharf, insofern unterschiedliche Beurteiler zu abweichenden Urteilen kommen können. HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 51

52 Analyse von Informationssystemen Recall / Precision Mengentheoretische Betrachtung (A: relevante Dokumente; B: Dokumente in Treffermenge) C.J. van Rijsbergen: Information Retrieval. 2nd. Ed. London; Boston: Butterworth, HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 52

53 Analyse von Informationssystemen Recall / Precision Quelle: Salton; McGill, 180 HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 53

54 Analyse von Informationssystemen Die klassischen Kennwerte zur Bewertung von Retrievalsystemen: Das Effektivitätsmaß von v.rijsbergen E: Effektivität; R: Recall; P: Precision : Wert zwischen 0 und 1 = 0 : Effektivität wird auf Recall (1-R) reduziert = 1 : Effektivität wird auf Precision (1-P) reduziert = ½ : Effektivität beruht ausgewogen auf R und P van Rijsbergen Quelle: v.rijsbergen, 174 E ist zwischen 0 (beste Effektivität) und 1 (unendlich schlechte Effektivität) definiert. HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 54

55 Analyse von Informationssystemen Serendipity Kennwert zur Erfassung der Fähigkeit eines Informationssystems, im Ballast nützliche Informationen zu finden b: Anzahl der Dokumente, die nicht relevant zum Suchargument sind (wie bei Precision) b(u): Anzahl der Dokumente im Ballast, die völlig unbrauchbar sind b(s): Anzahl der Dokumente im Ballast, die durchaus auch für ein völlig anderes Suchargument brauchbar sind Serendipity S = b(s) / b Jutta H.T. Klawitter-Pommer; Wolf D. Hoffmann: Übersicht über die für den Leistungsvergleich mehrerer Literatur-Datenbasen wichtigsten Parameter. In: Nachrichten für Dokumentation 27 (1976), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 55

56 Analyse von Informationssystemen Serendipity Term eingeführt von Horace Walpole ( ) in einem Brief aus dem Jahre 1754 Basis: Märchen The Three Princes of Serendip diese finden unerwartet Sachen heraus, die kein anderer weiß seitdem: Bezeichnung für etwas, was gefunden, aber nicht gesucht worden ist einer der Prinzen Serendip: Ceylon Richard Boyle: The Three Princes of Serendip URL: HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 56

57 Analyse von Informationssystemen Recall/Precision bei Systemen mit Relevance Ranking Definition eines Cut-off-Wertes X (etwa: X=25, d.h. die Top 25 Treffer) Precision rangspezifische Precision (Wie groß ist die Precision auf Rang 1, Rang 2 usw.?) rangunabhängige Precision (Wie groß ist die durchschnittliche Precision bis zum Cut-off-Wert X?) Problemfall: a = 0. Wie groß ist die Precision? wenn a=0 und c=0, dann gilt P = 1 wenn a=0 und c>0, dann gilt P = 0 Recall hier stets: Wie groß ist der durchschnittliche Recall bei einem Cut-off-Wert X? HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 57

58 Analyse von Informationssystemen Relevanzbestimmung bei Systemen mit verlinkten Dokumenten Variante 1: es werden ausschließlich diejenigen Dokumente beurteilt, die vom Retrievalsystem angezeigt werden dann aber Problem: einige Suchmaschinen übergehen im Relevance Ranking Seiten derselben Domain (Variante 1 würde diese methodisch benachteiligen); Webkataloge verweisen i.d.r. auf Websites, nicht auf einzelne Seiten Beispiel: WiseNut Variante 2: ein weiterer Klick (oder sogar mehrere Klicks) wird (werden) gestattet; falls die verlinkte Seite relevant, gilt dies als Treffer für das Retrievalsystem HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 58

59 Analyse von Informationssystemen Absoluter und relativer Recall absoluter Recall: Problemfall der Formel ist c. Woher weiß ich, was ich NICHT gefunden habe, was aber relevant wäre? Der absolute Recall kann nur bei kleinen überschaubaren Datenbasen berechnet werden. relativer Recall: nicht ein System wird isoliert betrachtet, sondern mehrere Systeme gleichzeitig ( Pooling- Methode ). c ist die Anzahl der Dokumente in der Vereinigungsmenge der relevanten Treffer c(1), c(2) usw. aller betrachteter Systeme relativer Recall R = a / (a + c ), wobei c = c(1) c(2)... c(n) bei n Systemen HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 59

60 Analyse von Informationssystemen Availability (Verfügbarkeit) Term eingeführt in der empirischen Bibliothekswissenschaft Paul B. Kantor: Availability analysis. In: Journal of the American Society for Information Science 27 (1976), bei Retrievaltests: Wie hoch ist die relative Häufigkeit, dass ein Retrievalsystem ein bekanntes Dokument ( Known Item ) findet? A: Availability; D gef : # der gefundenen Known Items (bei Relevance Ranking: bis Cut-off-Wert); D: # aller gesuchten Known Items A = D gef / D Mechtild Stock; Wolfgang G. Stock: Internet-Suchwerkzeuge im Vergleich. Teil 1: Retrievaltest mit Known Item Searches. In: Password Nr. 11 (2000), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 60

61 Analyse von Informationssystemen Weitere Indikatoren zur Qualität von Datenbanken Datenbasis Anzahl der Datensätze / Abdeckungsgrad Dateitypen Aktualität Richtigkeit Auswertungstiefe (Feldschema / Anteil mit Inhalt gefüllter Felder) inhaltliche Erschließung eingesetzte Methoden Indexierungstiefe (Indexierungsspezifität, Indexierungsbreite) Indexierungskonsistenz: # der Deskriptoren, die beide Indexer A und B dem Dokument zugeordnet haben / # der Deskriptoren, die A bzw. B insgesamt dem Dokument zugeordnet haben Dagobert Soergel: Indexing and retrieval performance: The logical evidence. In: Journal of the American Society for Information Science 45 (1994), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 61

62 Analyse von Informationssystemen Weitere Indikatoren zur Qualität von Datenbanken Retrievalsystem Suchfunktionalität (Befehlsumfang) Markieren und Sortieren von Treffern (Befehlsumfang) Pull- und Push-Service Ausgabeschnittstellen Website Usability (s.u.!) heuristische Evaluation Nutzertests Logfile-Analysen HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 62

63 Analyse von Informationssystemen Empirische Analysen von Informationssystemen: Cranfield Testkollektion: Dokumente zur Aerodynamik Testfragen: 221 Suchargumente, zu denen die relevanten Dokumente bekannt sind Indexierung I: single terms : einzelne Terme der Dokumente (in natürlicher Sprache); Varianten: Grundformen, Synonyme,... Indexierung II: simple concepts : Mehrwortausdrücke der Dokumente (in natürlicher Sprache); mit Varianten Indexierung III: controlled terms : kontrollierte Schlagworte; Varianten: mit/ohne Relationen Indexierung IV: Titelterme, Terme aus Abstract Forschungsfrage: Welche Indexierungsmethode bringt den besten Recall? Cyril Cleverdon: The Cranfield tests on index languages devices. In: Aslib Proceedings 19 (1967), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 63

64 Analyse von Informationssystemen Cranfield: Ergebnisse HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 64

65 Analyse von Informationssystemen Cranfield: Ergebnisse Sieger : natürlichsprachige Terme verbessert wird die Retrievalleistung nur durch Grundformbildung Synonyme alle anderen Varianten und Indexierungsformen bringen schlechtere Ergebnisse als die Suche nach natürlichsprachigen Termen (in der Wortform des Textes) Brauchen wir demnach überhaupt keine Dokumentationssprachen? Kritik an Cranfield: als Labortest kaum auf die Praxis (auch sehr großer) Datenbanken übertragbar Relevanzbeurteilung hier sehr problematisch HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 65

66 Analyse von Informationssystemen Empirische Analysen von Informationssystemen: MEDLARS MEDLARS (Medical Literature Analysis and Retrieval System) der National Library of Medicine (USA) heute: Medline Online-Datenbank zur Medizin (derzeit [1966] Datensätze); erschlossen durch Thesaurus (MeSH) Fragen: 299 ( echte Suchargumente) Recall: direkte Messung unmöglich; Befragung von Experten nach einschlägigen Dokumenten; damit Schätzung auf c Precision: problemlos gemessen F.W.Lancaster: MEDLARS: Report on the evaluation of ist operating efficiency. In: American Documentation 20 (1969), HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 66

67 Analyse von Informationssystemen MEDLARS Forschungsfrage 1: Wie groß sind Recall und Precision von MEDLARS? HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 67

68 Analyse von Informationssystemen MEDLARS Forschungsfrage 2: Wie hängen Recall / Precision und Indexierungsbreite zusammen? je breiter indexiert, desto höher der Recall HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 68

Empirische Informationswissenschaft. HHU Düsseldorf, WS 2010/11 Empirische Informationswissenschaft 1

Empirische Informationswissenschaft. HHU Düsseldorf, WS 2010/11 Empirische Informationswissenschaft 1 Empirische Informationswissenschaft HHU Düsseldorf, WS 2010/11 Empirische Informationswissenschaft 1 Forschungsfelder der empirischen Informationswissenschaft HHU Düsseldorf, WS 2010/11 Empirische Informationswissenschaft

Mehr

Literaturrecherche Thema: Analyse sozialer Netzwerke in wissenschaftlichen Communities. Peter Kraker. Empirische Methoden WS09/10 Prof.

Literaturrecherche Thema: Analyse sozialer Netzwerke in wissenschaftlichen Communities. Peter Kraker. Empirische Methoden WS09/10 Prof. Literaturrecherche Thema: Analyse sozialer Netzwerke in wissenschaftlichen Communities Peter Kraker Empirische Methoden WS09/10 Prof. Schlögl Inhalt Themenfindung Ziele der Recherche Recherchestrategie

Mehr

User Experience vs. Retrievaltests Wie lässt sich die Relevanz von Suchergebnissen bewerten?

User Experience vs. Retrievaltests Wie lässt sich die Relevanz von Suchergebnissen bewerten? User Experience vs. Retrievaltests Wie lässt sich die Relevanz von Suchergebnissen bewerten? Prof. Dr. Dirk Lewandowski Hochschule für Angewandte Wissenschaften Hamburg dirk.lewandowski@haw-hamburg.de

Mehr

Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten

Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten Webinfolab / CHEVAL: Evaluationslabor für Information Retrieval Systeme mit semantischen und visuellen Komponenten Vortrag anlässlich der ODOK 2007 (20. September 2007, Graz) Joachim Pfister Schweizerisches

Mehr

Bibliothek. Kurzanleitung für Scopus

Bibliothek. Kurzanleitung für Scopus Bibliothek Kurzanleitung für Scopus Scopus ist eine interdisziplinäre Abstract- und Zitationsdatenbank, in der Forschungsliteratur aus mehr als 16.000 laufenden internationalen Zeitschriften, Patente und

Mehr

Suchmaschinen und ihre Architektur. Seminar: Angewandtes Information Retrieval Referat von Michael Wirz

Suchmaschinen und ihre Architektur. Seminar: Angewandtes Information Retrieval Referat von Michael Wirz Suchmaschinen und ihre Architektur Seminar: Angewandtes Information Retrieval Referat von Michael Wirz Ziel Rudimentäre Grundkenntnisse über die Funktionsweise von Suchmaschinen und Trends Einführung in

Mehr

Magisterarbeit im Studiengang Internationales Informationsmanagement vorgelegt von Ben Heuwing, Universität Hildesheim

Magisterarbeit im Studiengang Internationales Informationsmanagement vorgelegt von Ben Heuwing, Universität Hildesheim ISI 2009 Konstanz - Information: Droge, Ware oder Commons? Session 9: Gerhard-Lustig-Preis 2.4.2009 Tagging für das persönliche und kollaborative Informationsmanagement: Implementierung eines Social-Software

Mehr

Wissensarmut trotz (oder gar durch) Nutzung von Suchmaschinen?

Wissensarmut trotz (oder gar durch) Nutzung von Suchmaschinen? Wissensarmut trotz (oder gar durch) Nutzung von Suchmaschinen? Prof. Dr. Dirk Lewandowski dirk.lewandowski@haw-hamburg.de http://www.bui.haw-hamburg.de/lewandowski.html @Dirk_Lew Universität Rostock, 13.

Mehr

SEO - Optimierung von Websites für Suchmaschinen

SEO - Optimierung von Websites für Suchmaschinen WWW-Workshop 2005: Suchtechnologien & Web-CD SEO - Optimierung von Websites für Suchmaschinen Universität Zürich, 18.10.2005 Sandra Gubler, unicommunication Agenda 1. Einleitung 2. Verbindliche Regeln

Mehr

Logfile Analyse II. Referent: Philipp Mayr. 8. InternetSalon am 26. Mai 2004, pr-ide. 8. InternetSalon / pr-ide Logfile Analyse II

Logfile Analyse II. Referent: Philipp Mayr. 8. InternetSalon am 26. Mai 2004, pr-ide. 8. InternetSalon / pr-ide Logfile Analyse II Logfile Analyse II Referent: Philipp Mayr 8. InternetSalon am 26. Mai 2004, pr-ide 1 Agenda Dauer ca. 1,5 h Begrüßung Einführung, Grundlagen, Probleme, Potenziale Zehn Reports am Beispiel von vers. Logfiles

Mehr

Praktikum Entwicklung von Mediensystemen mit ios

Praktikum Entwicklung von Mediensystemen mit ios Praktikum Entwicklung von Mediensystemen mit ios WS 2011 Prof. Dr. Michael Rohs michael.rohs@ifi.lmu.de MHCI Lab, LMU München Today Heuristische Evaluation vorstellen Aktuellen Stand Software Prototyp

Mehr

PubMed - Kurzinformation

PubMed - Kurzinformation PubMed - Kurzinformation Medline ist eine Literaturdatenbank, in der Artikel aus rund 5.300 internationalen medizinischen Zeitschriften erfasst und ausgewertet werden. Sie wird erstellt in der National

Mehr

Grundlagen der Suchmaschinenoptimierung (SEO)

Grundlagen der Suchmaschinenoptimierung (SEO) Grundlagen der Suchmaschinenoptimierung (SEO) rankingcheck GmbH Inhabergeführte Online Marketing Agentur Fullservice: SEA, Display, Webanalyse, Affiliate, Social Media Gegründet 2005 in Köln CEO Thorsten

Mehr

Relevanzranking als Erfolgsfaktor für Discoverysysteme. Elmar Haake Staats und Universitätsbibliothek Bremen

Relevanzranking als Erfolgsfaktor für Discoverysysteme. Elmar Haake Staats und Universitätsbibliothek Bremen Relevanzranking als Erfolgsfaktor für Discoverysysteme Elmar Haake Staats und Universitätsbibliothek Bremen GBV Verbundkonferenz Hannover 05.09.2012 1 Relevanzranking als Erfolgsfaktor für Discoverysysteme

Mehr

Verwendung von Skalenbewertungen in der Evaluierung von Suchmaschinen

Verwendung von Skalenbewertungen in der Evaluierung von Suchmaschinen Verwendung von Skalenbewertungen in der Evaluierung von Suchmaschinen Dirk Lewandowski dirk.lewandowski@haw-hamburg.de http://www.bui.haw-hamburg.de/lewandowski.html @Dirk_Lew ISI 2013, 22. März 2013 Gliederung

Mehr

Industrie- und Handelskammer Stuttgart

Industrie- und Handelskammer Stuttgart Industrie- und Handelskammer Stuttgart SUCHMASCHINEN-OPTIMIERUNG die vorderen Plätze bei Google, Yahoo & Co 1. Über Beyond Media 2. Erste Schritte 3. freundliche 4. Arbeitsweise 5. Bewertungsmethoden 6.

Mehr

CHECKLISTE SUCHMASCHINENOPTIMIERUNG

CHECKLISTE SUCHMASCHINENOPTIMIERUNG CHECKLISTE SUCHMASCHINENOPTIMIERUNG Suchmaschinenoptimierung, auch Search Engine Optimization (SEO) genannt, ist ein Marketing-Instrument, das dazu dient, Websites auf den Ergebnisseiten der Suchmaschinen

Mehr

Evaluation von Museumsangeboten im Web

Evaluation von Museumsangeboten im Web Evaluation von Museumsangeboten im Web EDV-Tage Museum und Internet Theuern, 29.09.2011 Dr. Werner Schweibenz Übersicht Benutzerorientierung von Webangeboten und Kultur-Portalen im Web Usability-Evaluation

Mehr

Quelle. Thematische Verteilungen. Worum geht es? Wiederholung. Link-Analyse: HITS. Link-Analyse: PageRank. Link-Analyse: PageRank. Link-Analyse: HITS

Quelle. Thematische Verteilungen. Worum geht es? Wiederholung. Link-Analyse: HITS. Link-Analyse: PageRank. Link-Analyse: PageRank. Link-Analyse: HITS Hauptseminar Web Information Retrieval Quelle Thematische Verteilungen 07.05.2003 Daniel Harbig Chakrabati, Soumen; Joshi, Mukul; Punera, Kunal; Pennock, David (2002): The Structure of Broad Topics on

Mehr

Data Mining im Internet

Data Mining im Internet Data Mining im Internet Dipl.-Dok. Helga Walter Bayer HealthCare, Wuppertal PH-R-EU Scientific Information and Documentation 1 Arten / Quellen wissenschaftlicher Information Strukturierte Informationen:

Mehr

Alan Webb CEO, ABAKUS Internet Marketing

Alan Webb CEO, ABAKUS Internet Marketing Suchmaschinenoptimierung - aktuelle Trends und Erfolgsfaktoren E-Business-Tag: Online-Marketing - neue Wege zum Kunden Alan Webb CEO, ABAKUS Internet Marketing ABAKUS Internet Marketing > Über 5 Jahre

Mehr

Frameworks zur Entwicklung von Suchmaschinen

Frameworks zur Entwicklung von Suchmaschinen Frameworks zur Entwicklung von Suchmaschinen Dipl.-Inf. Frank Hofmann Potsdam 1. Juli 2007 Dipl.-Inf. Frank Hofmann (Potsdam) Frameworks zur Entwicklung von Suchmaschinen 1. Juli 2007 1 / 37 Zielsetzung

Mehr

Bibliography of Recent Publications on Specialized Communication

Bibliography of Recent Publications on Specialized Communication FACHSPRACHE International Journal of Specialized Communication Bibliography of Recent Publications on Specialized Communication Benutzungsanleitung erstellt von Claudia Kropf und Sabine Ritzinger Version

Mehr

Studierende, die diese Vorlesung hören, haben sich auch für folgende Lehrveranstaltungen interessiert:

Studierende, die diese Vorlesung hören, haben sich auch für folgende Lehrveranstaltungen interessiert: Studierende, die diese Vorlesung hören, haben sich auch für folgende Lehrveranstaltungen interessiert: 1 des FG Informationssysteme Datenbanken Internet-Suchmaschinen Information Retrieval Information

Mehr

Web Data Mining. Alexander Hinneburg Sommersemester 2007

Web Data Mining. Alexander Hinneburg Sommersemester 2007 Web Data Mining Alexander Hinneburg Sommersemester 2007 Termine Vorlesung Mi. 10:00-11:30 Raum?? Übung Mi. 11:45-13:15 Raum?? Klausuren Mittwoch, 23. Mai Donnerstag, 12. Juli Buch Bing Liu: Web Data Mining

Mehr

Wie Suchmaschinen von Social Software profitieren

Wie Suchmaschinen von Social Software profitieren Wie Suchmaschinen von Social Software profitieren Dirk Lewandowski Hochschule für Angewandte Wissenschaften Hamburg Fakultät DMI, Department Information Berliner Tor 5, 20249 Hamburg dirk.lewandowski@haw-hamburg.de

Mehr

Google. Reginald Ferber Hochschule Darmstadt Fachbereich Media, Studienbereich Informationswissenschaft reginald.ferber@h-da.de

Google. Reginald Ferber Hochschule Darmstadt Fachbereich Media, Studienbereich Informationswissenschaft reginald.ferber@h-da.de R. Ferber fb md h_da Informationsrechtstag 2009 h_da 2000-07-10 Folie 1 Google Reginald Ferber Hochschule Darmstadt Fachbereich Media, Studienbereich Informationswissenschaft reginald.ferber@h-da.de R.

Mehr

Wer sucht wie nach was?

Wer sucht wie nach was? Wer sucht wie nach was? SEO-Optimierungsvorschläge für Websites auf der Basis von Keyword-Recherche Hamburg, 16.10.2012 Christine Wolgarten. Wer spricht da? Christine Wolgarten 2000-2002 allesklar.de Lektorin

Mehr

Herzlich willkommen zum Vortrag Suchmaschinenoptimierung (SEO)

Herzlich willkommen zum Vortrag Suchmaschinenoptimierung (SEO) Herzlich willkommen zum Vortrag Suchmaschinenoptimierung (SEO) Elisabeth Langwieser Die Konzepter Marketing online.offline Independence Day - Friendsfactory München, 1. März 2012 3 x 10 = 45 Agenda 10

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

«Web und Multimedia» Usability

«Web und Multimedia» <Grundlagen und Technologien> Usability «Web und Multimedia» Usability 1 Usability: Definition Was ist Usability? Der Begriff «Usability» tritt bei verschiedenen Gelegenheiten z.b. Produkte, Gegenstände, Software...

Mehr

Frameworks zur Entwicklung von Suchmaschinen

Frameworks zur Entwicklung von Suchmaschinen Frameworks zur Entwicklung von Suchmaschinen Dipl.-Inf. Frank Hofmann 2. April 2007 Zielsetzung Fragen, die sich jeder stellt Wie funktioniert eine Suchmaschine? Warum finde ich eigentlich nicht das, was

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Suche, Suchmaschinen, Suchmaschinenoptimierung. Workshop TYPO3 17.04.2012 Sybille Peters

Suche, Suchmaschinen, Suchmaschinenoptimierung. Workshop TYPO3 17.04.2012 Sybille Peters Suche, Suchmaschinen, Suchmaschinenoptimierung Workshop TYPO3 17.04.2012 Sybille Peters Sybille Peters Mitarbeiterin TYPO3 Team RRZN seit 4/2011 vorher im Suchmaschinenlabor des RRZN Seite 2 Überblick

Mehr

Suche schlecht beschriftete Bilder mit Eigenen Abfragen

Suche schlecht beschriftete Bilder mit Eigenen Abfragen Suche schlecht beschriftete Bilder mit Eigenen Abfragen Ist die Bilderdatenbank über einen längeren Zeitraum in Benutzung, so steigt die Wahrscheinlichkeit für schlecht beschriftete Bilder 1. Insbesondere

Mehr

Checkliste SEO-Onpage Optimierung

Checkliste SEO-Onpage Optimierung Checkliste SEO-Onpage Optimierung Vorwort Die Wichtigkeit von Suchmaschinen-Sichtbarkeit für die Generierung von Traffic, Leads und Kunden ist unbestritten. Anders verhält es sich jedoch mit den Faktoren,

Mehr

SEO SEARCH ENGINE OPTIMIZATION

SEO SEARCH ENGINE OPTIMIZATION SEO SEARCH ENGINE OPTIMIZATION Warum Suchmaschinenoptimierung? Mehr als 80% der Nutzer kommen über Suchmaschinen und Web-Verzeichnisse zu neuen Websites 33% aller Suchmaschinen User glauben, dass die zuerst

Mehr

WebSite-Optimierung für Suchmaschinen

WebSite-Optimierung für Suchmaschinen Berlin, Mai 2006 WebSite-Optimierung für Suchmaschinen Kriterien, Hintergründe gefördert durch das 1 Zur Person Geschäftsführer BERLIN-ONE.net Internet Serviceprovider mit eigener Serverfarm in Berlin

Mehr

Claudia Hewelt Sarah Waschkewitz

Claudia Hewelt Sarah Waschkewitz Claudia Hewelt Sarah Waschkewitz Ziele der Softwareevaluation Anforderungen an die Software Methoden Expertenevaluation Benutzerevaluation Ergebnisse auswerten Optimierung/ Vergleich von Software Benutzerfreundlichkeit

Mehr

Wissenschaftliche Suchmaschinen und Open Access als Bestandteil von Informationskompetenz

Wissenschaftliche Suchmaschinen und Open Access als Bestandteil von Informationskompetenz Wissenschaftliche Suchmaschinen und Open Access als Bestandteil von Informationskompetenz Inhalt: Open Access Kurze Einführung OA in Schulung zur Informationskompetenz? OA-Dokumente in Suchmaschinen Übung

Mehr

SUCHMASCHINEN VERSTEHEN. Prof. Dr. Dirk Lewandowski Hochschule für Angewandte WissenschaEen Hamburg dirk.lewandowski@haw- hamburg.

SUCHMASCHINEN VERSTEHEN. Prof. Dr. Dirk Lewandowski Hochschule für Angewandte WissenschaEen Hamburg dirk.lewandowski@haw- hamburg. SUCHMASCHINEN VERSTEHEN Prof. Dr. Dirk Lewandowski Hochschule für Angewandte WissenschaEen Hamburg dirk.lewandowski@haw- hamburg.de @Dirk_Lew Stell dir vor, du möchtest folgende Frage mit Hilfe einer Suchmaschine

Mehr

Techniken zur professionellen Informationsgewinnung Datenbankrecherche INFODATA / LISA

Techniken zur professionellen Informationsgewinnung Datenbankrecherche INFODATA / LISA Techniken zur professionellen Informationsgewinnung Datenbankrecherche INFODATA / LISA für Studierende der Informationswissenschaften Hochschulbibliothek Fachhochschule Potsdam 1. Vorbereitung der Literaturrecherche

Mehr

Das System sollte den Benutzer immer auf dem Laufenden halten, indem es angemessenes Feedback in einer angemessenen Zeit liefert.

Das System sollte den Benutzer immer auf dem Laufenden halten, indem es angemessenes Feedback in einer angemessenen Zeit liefert. Usability Heuristiken Karima Tefifha Proseminar: "Software Engineering Kernkonzepte: Usability" 28.06.2012 Prof. Dr. Kurt Schneider Leibniz Universität Hannover Die ProSeminar-Ausarbeitung beschäftigt

Mehr

Verlinkung von Webseiten

Verlinkung von Webseiten Verlinkung von Webseiten Search Engine Strategies Conference & Expo, München 2007 Alan Webb CEO, ABAKUS Internet Marketing Warum ist Linkaufbau so wichtig? > Folgende Suchmaschinen bewerten Linkpopularität

Mehr

Chair of Information Management Wissenschaftsdisskussion

Chair of Information Management Wissenschaftsdisskussion Chair of Information Management Wissenschaftsdisskussion 3. Wirtschaftsinformatik Doktorandenkolloquium Südost-Niedersachsen 2008 10. - 11. März 2008, St.Andreasberg Institute of Information Systems Chair

Mehr

lll lllll Ein realitätsbasierter Ansatz zur Präsentation und Exploration von Bibliotheksbeständen

lll lllll Ein realitätsbasierter Ansatz zur Präsentation und Exploration von Bibliotheksbeständen B LENDED S HELF lll lllll Ein realitätsbasierter Ansatz zur Präsentation und Exploration von Bibliotheksbeständen Eike Kleiner, Roman Rädle, Harald Reiterer Universität Konstanz, AG Mensch-Computer Interaktion

Mehr

Graduierendenseminar SS 2013

Graduierendenseminar SS 2013 Graduierendenseminar SS 2013 Hinweise und Empfehlungen zum Aufbau und Ablauf von Bachelor- und Masterarbeiten Michael Schaaf, Franziska Jahn 17.06.2013 Institut für Medizinische Informatik, Statistik und

Mehr

Tipps und Tricks der Suchmaschinenoptimierung

Tipps und Tricks der Suchmaschinenoptimierung Tipps und Tricks der Suchmaschinenoptimierung Thomas Kleinert Institut für Wirtschaftsinformatik (IWi) im DFKI 16. Juli 2014 Agenda Was ist Suchmaschinenmarketing? Wie arbeiten Suchmaschinen? On-Page Optimierung

Mehr

PHP-gestützte Suchmaschinenoptimierung. PHPWorld Kongress München, 10. November 2010 Stefan Fischerländer

PHP-gestützte Suchmaschinenoptimierung. PHPWorld Kongress München, 10. November 2010 Stefan Fischerländer PHP-gestützte Suchmaschinenoptimierung PHPWorld Kongress München, 10. November 2010 Stefan Fischerländer Kurzvorstellung - Stefan Fischerländer Stefan Fischerländer SEO-Schulungen und -Consulting Suchmaschinen-Technologie

Mehr

Die (Un )Möglichkeit der Ziehung von Inhaltsanalyse Stichproben in der digitalen Welt

Die (Un )Möglichkeit der Ziehung von Inhaltsanalyse Stichproben in der digitalen Welt CvK Wien, 8. November 2013 1 Prof. Dr. Martin Emmer Institut für Publizistik- und Kommunikationswissenschaft Arbeitsstelle Mediennutzung Martin Emmer/Christian Strippel Die (Un )Möglichkeit der Ziehung

Mehr

SEO Search Engine Optimization

SEO Search Engine Optimization SEO Search Engine Optimization 1 Der PageRank-Algorithmus Das Prinzip des PageRank-Algorithmus ist, dass jede Seite ein Gewicht (PageRank) besitzt, das umso grösser ist, je mehr Seiten (mit möglichst hohem

Mehr

Google Wie komme ich nach oben? Bonn, den 08.09.2015 Sabina Bravo Sanchez

Google Wie komme ich nach oben? Bonn, den 08.09.2015 Sabina Bravo Sanchez Google Wie komme ich nach oben? Bonn, den 08.09.2015 Sabina Bravo Sanchez 5.3 Milliarden Suchanfragen in Deutschland pro Monat (lt. Sistrix 2012 geschätzt) Europa ist Googleland Google ist eine Diva! SEM

Mehr

Methoden Quantitative Datenanalyse

Methoden Quantitative Datenanalyse Leitfaden Universität Zürich ISEK - Andreasstrasse 15 CH-8050 Zürich Telefon +41 44 635 22 11 Telefax +41 44 635 22 19 www.isek.uzh.ch 11. September 2014 Methoden Quantitative Datenanalyse Vorbereitung

Mehr

8. Suchmaschinen Marketing Kongress SEO/SEM-Fehler welche Sie meiden sollten

8. Suchmaschinen Marketing Kongress SEO/SEM-Fehler welche Sie meiden sollten www.namics.com 8. Suchmaschinen Marketing Kongress SEO/SEM-Fehler welche Sie meiden sollten Zürich, 30. März 2007 Jürg Stuker, CEO & Partner Bern, Frankfurt, Hamburg, München, St. Gallen, Zug, Zürich Fehler

Mehr

Informationswissenschaft zwischen virtueller Infrastruktur und materiellen Lebenswelten

Informationswissenschaft zwischen virtueller Infrastruktur und materiellen Lebenswelten Inhaltsverzeichnis 3 Hans-Christoph Hobohm (Hrsg.) Informationswissenschaft zwischen virtueller Infrastruktur und materiellen Lebenswelten Information Science between Virtual Infrastructure and Material

Mehr

Website-Suche mit OpenText Web Site Management. Frank Steffen - Senior Product Manager

Website-Suche mit OpenText Web Site Management. Frank Steffen - Senior Product Manager Website-Suche mit OpenText Web Site Management Frank Steffen - Senior Product Manager Inhalt Überblick Konzepte der Suchmaschinenanbindung Verity K2 Anbindung Der neue OT Search Engine Connector Federated

Mehr

Detecting Near Duplicates for Web Crawling

Detecting Near Duplicates for Web Crawling Detecting Near Duplicates for Web Crawling Gurmeet Singh Manku et al., WWW 2007* * 16th international conference on World Wide Web Detecting Near Duplicates for Web Crawling Finde near duplicates in großen

Mehr

Arbeiten mit Webalizer Nutzen von Statistiken zur Verbesserung Ihres Onlinemarketing

Arbeiten mit Webalizer Nutzen von Statistiken zur Verbesserung Ihres Onlinemarketing Arbeiten mit Webalizer Nutzen von Statistiken zur Verbesserung Ihres Onlinemarketing Wo finde ich Webalizer? Die Webalizer Statistiken finden Sie in Ihrem Partnernet unter http://partner.dcn.de oder über

Mehr

Die Wahl der Suchbegriffe

Die Wahl der Suchbegriffe Die Wahl der Suchbegriffe Der erste wichtige Schritt für eine effektive Literaturrecherche ist die Wahl der Suchbegriffe. Auf der Suche nach Literatur kommt es häufig vor, dass man keine oder nur sehr

Mehr

PHP und SEO. PHPWorld Kongress München, 25. November 2009 Stefan Fischerländer

PHP und SEO. PHPWorld Kongress München, 25. November 2009 Stefan Fischerländer PHP und SEO PHPWorld Kongress München, 25. November 2009 Stefan Fischerländer suchmaschinen optimierung consulting Kurzvorstellung - Stefan Fischerländer Stefan Fischerländer SEO-Schulungen und -Consulting

Mehr

Je nach Wunsch, können die Schwerpunkte und die Analysetiefe für einen ausführlichen Report auch anderweitig gesetzt werden.

Je nach Wunsch, können die Schwerpunkte und die Analysetiefe für einen ausführlichen Report auch anderweitig gesetzt werden. 18.08.2014 Quick-Report: SEO, OnPage, Monitoring, SEM, Affiliate alles im Blick. Auf den angezeigten Grafiken / Tabellen Guten Tag Herr Rautenberg, anbei erhalten Sie einen Kurz-Marketing-Bericht zu Ihrer

Mehr

Onsite-Optimierung. Gibt es keinen doppelten Content auf der eigenen Seite oder Tochterseiten?

Onsite-Optimierung. Gibt es keinen doppelten Content auf der eigenen Seite oder Tochterseiten? Passen Ihre Inhalte zur Thematik/Titel zur Webseite? Gibt es regelmäßig aktuelle Inhalte (Content)? Sind Zielgruppen und Keywords klar definiert? Enthält die Webseite einmalige für die Zielgruppe interessante

Mehr

SharePoint 2013 als Wissensplattform

SharePoint 2013 als Wissensplattform SharePoint 2013 als Wissensplattform Daniel Dobrich & Darius Kaczmarczyk 29.11.2012 7. SharePoint UserGroup Hamburg Treffen 1 Themen Verwaltete Metadaten in SharePoint 2013 Was sind verwaltete Metadaten

Mehr

Black-Hat Search Engine Optimization (SEO) Practices for Websites

Black-Hat Search Engine Optimization (SEO) Practices for Websites Beispielbild Black-Hat Search Engine Optimization (SEO) Practices for Websites Damla Durmaz - 29. Januar. 2009 Proseminar Technisch Informatik Leitung: Georg Wittenburg Betreuer: Norman Dziengel Fachbereich

Mehr

Mobile Apps basierend auf offenen städtischen Regierungsdaten

Mobile Apps basierend auf offenen städtischen Regierungsdaten Mobile Apps basierend auf offenen städtischen Regierungsdaten AGNES MAINKA, SARAH HARTMANN, CHRISTINE MESCHEDE, WOLFGANG G. STOCK HEINRICH HEINE UNIVERSITÄT DÜSSELDORF VORTRAG SWIF 2014 AN DER HU BERLIN

Mehr

Usability von Interaktion auf Tablets

Usability von Interaktion auf Tablets Usability von Interaktion auf Tablets Milena Rötting Master Informatik HAW Hamburg 14. November 2012 Gliederung Thema Vorarbeiten Projekt 1 Bedienkonzepte und Usabilitytest Projekt 2 App-Kategorien und

Mehr

Praxisforum Internet: Im WWW gut gefunden werden

Praxisforum Internet: Im WWW gut gefunden werden Praxisforum Internet: Im WWW gut gefunden werden Suchmaschinenmarketing und Webpositioning Teil II Inhalte Die Suchmaschine als Zielgruppe/Kunde Den Kunden einlassen Den Kunden nicht behindern Es dem Kunden

Mehr

Maßnahmen zur Verbesserung der Position in Suchmaschinenergebnissen

Maßnahmen zur Verbesserung der Position in Suchmaschinenergebnissen Maßnahmen zur Verbesserung der Position in Suchmaschinenergebnissen Suchmaschinenoptimierung, Eintragen in Suchmaschinen, Suchmaschinenmarketing 1 Inhalt 1. Einführung 2. Optimierung der Webseite 3. Eintragen

Mehr

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

Black Hat / White Hat 02. Februar 2009 Köln

Black Hat / White Hat 02. Februar 2009 Köln Black Hat / White Hat 02. Februar 2009 Köln Rechenbeispiel Suchvolumen 5.000.000 Conversion 1% Gewinn / Conversion = 25 Wieviel ist der 1. Platz wert? Wieviel ist der 2 Platz wert? Wieviel ist der 10 Platz

Mehr

eco Kompetenzgruppe Online Marketing SEO nach Panda, Penguin & Co.: Warum Social Search die Lösung sein muss Michael Fritz, 18.06.

eco Kompetenzgruppe Online Marketing SEO nach Panda, Penguin & Co.: Warum Social Search die Lösung sein muss Michael Fritz, 18.06. eco Kompetenzgruppe Online Marketing SEO nach Panda, Penguin & Co.: Warum Social Search die Lösung sein muss Michael Fritz, 18.06.2012 Searchmetrics GmbH 2012 Über mich Michael Fritz Online Marketing /

Mehr

A) Durchsuchen von Datenbanken im Internet durch Endnote

A) Durchsuchen von Datenbanken im Internet durch Endnote EINLEITUNG/ANWEISUNGEN ZU DIESEM TEXT Wir werden die obere Liste (File/ Edit usw.) benutzen, obwohl die meisten Funktionen auch möglich mit rechtem Mausklick, mit Kombinationen der Tastatur oder mit den

Mehr

Die 10 häufigsten Fehler bei der Keyword Recherche

Die 10 häufigsten Fehler bei der Keyword Recherche Keyword Recherche ist sicher nicht der "spannendste" Teil der SEO. Sie ist jedoch einer der wichtigsten Faktoren für den Erfolg. Alan Webb, Geschäftsführer von ABAKUS Internet Marketing, hat die aus seiner

Mehr

Fg. Kommunikationswissenschaft, insbes. interaktive Medien- und Onlinekommunikation

Fg. Kommunikationswissenschaft, insbes. interaktive Medien- und Onlinekommunikation Institut für Kommunikationswissenschaft Prof. Dr. Wolfgang Schweiger Fg. Kommunikationswissenschaft, insbes. interaktive Medien- und Onlinekommunikation Betreuung von Abschlussarbeiten am Fachgebiet Wozu

Mehr

Skript zum Kurs Literaturverwaltung mit EndNote - Aufbaukurs Literatur in EndNote organisieren und finden

Skript zum Kurs Literaturverwaltung mit EndNote - Aufbaukurs Literatur in EndNote organisieren und finden Skript zum Kurs Literaturverwaltung mit EndNote - Aufbaukurs Literatur in EndNote organisieren und finden Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung - Weitergabe unter gleichen

Mehr

Martin Gaubitz: SEO Wie werde ich schnell gefunden?

Martin Gaubitz: SEO Wie werde ich schnell gefunden? Martin Gaubitz: SEO Wie werde ich schnell gefunden? Überschrift Gerne auch zweizeilig Vorname Name e wolff Martin Gaubitz: Schaffe, schaffe Häusle bauen SEO 2012 Denkanstöße Überschrift Gerne auch zweizeilig

Mehr

UI Design Patterns. Kapitel: 8. Konzeption Style Guides UI Design Patterns Genres

UI Design Patterns. Kapitel: 8. Konzeption Style Guides UI Design Patterns Genres UI Design Patterns 19 Entwurfsmuster (Design Patterns) Konzept geht zurück auf den Architekten Christopher Alexander (Notes on the synthesis of form, 1964) Systematische Sammlung wiederkehrende Muster

Mehr

Layout Navigation. KP Ludwig John. Layout + Navigation

Layout Navigation. KP Ludwig John. Layout + Navigation Layout Navigation Papier-Prototypen-Tests Ergebnisse Interface design Ergebnisse Papier-Prototypen-Tests Wie verliefen die Tests? Welche Probleme wurden gefunden? Ergeben sich Notwendigkeiten für Veränderungen

Mehr

Online Mitbewerberanalyse mit XOVI

Online Mitbewerberanalyse mit XOVI Vorwort Ein wichtiger Aspekt jeder Suchmaschinenoptimierung ist die Mitbewerberanalyse. Mit Hilfe einer fundierten Mitbewerberanalyse erkennen Sie zunächst, wer überhaupt Ihre direkten Mitbewerber sind

Mehr

Informationsvermittlung im Web 2.0

Informationsvermittlung im Web 2.0 Informationsvermittlung Wie EEXCESS den Zugang zu kulturellen und wissenschaftlichen Daten erleichtern will 103. Bibliothekartag, Bremen Vortrag von Maren Lehmann, ZBW Kiel im Web 2.0 Maren Lehmann, ZBW

Mehr

Ohne Mathematik undenkbar!

Ohne Mathematik undenkbar! Die tägliche - Suche: Ohne Mathematik undenkbar! Dipl.-Wirt.Math. Jan Maruhn FB IV - Mathematik Universität Trier 29. März 2006 29. März 2006 Seite 1 Gliederung Einleitung und Motivation Das Internet als

Mehr

CHECKLISTE B A C K L I N K S

CHECKLISTE B A C K L I N K S CHECKLISTE BACKLINKS Backlinks, also Rückverweise, die von anderen Internetseiten auf Ihre Website führen, sind ein äußerst effektives Instrument, um die Besucherzahlen auf Ihrer Website zu erhöhen und

Mehr

Wirtschaftswissenschaftliche Forschung replizierbarer machen.

Wirtschaftswissenschaftliche Forschung replizierbarer machen. Quelle: Economics-EJournal Quelle: American Economic Review (AER) Quelle: EDaWaX-Projekt Wirtschaftswissenschaftliche Forschung replizierbarer machen. Das Projekt EDaWaX und seine Ergebnisse. Sven Vlaeminck

Mehr

Herzlich Willkommen zum Workshop Suchmaschinenoptimierung!

Herzlich Willkommen zum Workshop Suchmaschinenoptimierung! Herzlich Willkommen zum Workshop Suchmaschinenoptimierung! Definition: Search Engine Optimization (SEO) ist eine Maßnahme, die dazu dient, Webseiten im Suchmaschinenranking in den unbezahlten Suchergebnissen

Mehr

Der SEO-Check für Webseiten und Texte in 10 Schritten Version 4.0 vom 28. März 2014

Der SEO-Check für Webseiten und Texte in 10 Schritten Version 4.0 vom 28. März 2014 Der SEO-Check für Webseiten und Texte in 10 Schritten Version 4.0 vom 28. März 2014 Die nachfolgenden Ausführungen sind für Teilnehmer des Workshops PR im Web (u.a. organisiert von der Oplayo GmbH (www.oplayo.com

Mehr

connect.it Campus Literaturverwaltung mit Mendeley

connect.it Campus Literaturverwaltung mit Mendeley connect.it Campus Literaturverwaltung mit Mendeley Philipp Küller, 22.09.2015 Wann benötigen Sie Literatur? u Proseminar à Literaturanalyse u Seminar à Literaturanalyse u Projektstudie à Recherche, Berichtsband

Mehr

Vorlesung Winter 2014/15 Prof. A. Müller

Vorlesung Winter 2014/15 Prof. A. Müller Vorlesung Winter 2014/15 Prof. A. Müller Silvia Jakob OPAC Fachportale ebook Pakete was ist drin!? link.pringer Adrian Müller Advanced Google query syntax / Blogsearch Frage-Antwort Systeme, Foren Microsoft

Mehr

Wieviel Usability Engineering braucht das Software Engineering?

Wieviel Usability Engineering braucht das Software Engineering? Wieviel Usability Engineering braucht das Software Engineering? Prof. Dr. Institut für Informatik Neuenheimer Feld 348 69120 Heidelberg http://www-swe.uni-heidelberg.de paech@informatik.uni-heidelberg.de

Mehr

Webanalyse. Definitionen, Verfahren und Unterschiede. Stefan Keil, DIPF. Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse

Webanalyse. Definitionen, Verfahren und Unterschiede. Stefan Keil, DIPF. Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse Webanalyse Definitionen, Verfahren und Unterschiede Stefan Keil, DIPF Frankfurt, 23.10.2014 Stefan Keil IWWB-Herbstworkshop 2014 Webanalyse 1 Agenda 1. Einleitung a. Erhebungsmethoden 2. Definitionen verschiedener

Mehr

Mehrsprachige Kategorisierung

Mehrsprachige Kategorisierung know-how innovation Mehrsprachige Kategorisierung für die automatische Beschlagwortung 22.3.2011, Dr. Peter Schäuble solution Information Retrieval Anwendungen im Bibliotheksumfeld! Information Retrieval

Mehr

Innovationsorientierte Unternehmensführung - Grundlagen, Konzepte, Erfolgsfaktoren -

Innovationsorientierte Unternehmensführung - Grundlagen, Konzepte, Erfolgsfaktoren - Seminar zum Thema sorientierte Unternehmensführung - Grundlagen, Konzepte, Erfolgsfaktoren - Univ.-Prof. Dr. Ruth Stock-Homburg Wintersemester 2007/2008 1 Agenda Was bringt Ihnen das Seminar? Wie ist das

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Usability vs. User experience?

Usability vs. User experience? Usability vs. User experience? Von Torsten Rauschan HAW Hamburg M-Inf1 Anwendungen 1 Betreuer: Prof. Dr. Zukunft Agenda Motivation Usability User experience Umsetzung Ausblick Fazit 2 Motivation Usability

Mehr

Anne Groß GI Fachgruppentreffen RE, 24./25.11.2011, Hamburg

Anne Groß GI Fachgruppentreffen RE, 24./25.11.2011, Hamburg Anforderungen an die Anforderungsspezifikation aus Sicht von Architekten und Usability Experten Anne Groß GI Fachgruppentreffen RE, 24./25.11.2011, Hamburg --- Motivation --- 2 Motivation Informationsquelle

Mehr

Übung Informetrie. Übungen zur Vorlesung Informetrie Sommersemester 2014

Übung Informetrie. Übungen zur Vorlesung Informetrie Sommersemester 2014 Übung Informetrie Übungen zur Vorlesung Informetrie Sommersemester 2014 Agenda 1 Vorstellung Dozent & Übungsleiterinnen 2 Motivation und Lernziele 3 Was muss ein Teilnehmer tun? 4 Die Verschwörung 5 Website

Mehr

Dokumentation. Passwortgeschützte Webseite anlegen

Dokumentation. Passwortgeschützte Webseite anlegen Dokumentation Passwortgeschützte Webseite anlegen Diese Dokumentation wurde ausgearbeitet und erstellt von: IT-Management des FB07 Universität Kassel Nora-Platiel-Str. 4, Raum 1223, 34109 Kassel Tel: 0561/

Mehr

Discovery Einführung. DigiBib IntrOX, LBZ RP Koblenz Juli 2014 Christine Baron, hbz

Discovery Einführung. DigiBib IntrOX, LBZ RP Koblenz Juli 2014 Christine Baron, hbz Discovery Einführung DigiBib IntrOX, LBZ RP Koblenz Juli 2014 Christine Baron, hbz 1 Discovery-Einführung Motivation Ziel: Vereinheitlichung Suchindizes Unterschiede Katalog / Discovery Beispiele Und nun?

Mehr

Einführung in die Logfile Analyse

Einführung in die Logfile Analyse Einführung in die Logfile Analyse Referent: Philipp Mayr 7. InternetSalon am 31. März 2004, pr-ide 1 Agenda Dauer ca. 1,5 h Begrüßung Einführung, Grundlagen, Probleme, Potenziale Zehn typische Logfile

Mehr

Über den Autor... 10 Vorwort... 11 Einleitung... 13

Über den Autor... 10 Vorwort... 11 Einleitung... 13 Über den Autor............................................ 10 Vorwort................................................... 11 Einleitung................................................. 13 Teil I Online

Mehr

>hugrafik CHECKLISTE WEBSITE 1 KONTAKTANGABEN ZIELSETZUNG ZIELGRUPPEN SELBSTBEURTEILUNG

>hugrafik CHECKLISTE WEBSITE 1 KONTAKTANGABEN ZIELSETZUNG ZIELGRUPPEN SELBSTBEURTEILUNG CHECKLISTE WEBSITE 1 Diese Checkliste soll Ihnen helfen herauszufinden, was Ihre neue Website beinhalten soll und welche Schritte für die Erstellung notwendig sind. Ihre Angaben dienen als Grundlage für

Mehr