Keuzes in het zoekproces en structuur van het

Keuzes in het zoekproces en structuur van het web Jeroen Bosman VOGIN, 14 mei 2013 Wageningen 1

2

3

4

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) 5

Deel I: keuzes in het zoekproces 6

Zoeksystematiek 1. Vraaganalyse 2. Aanbod 3. Match 4. Nabewerking per relevante bron 5. Nabewerking zoekactie geheel 6. Vervolg op zoekactie • • • Wensen ‘opdrachtgever’ Verkenning Opstellen zoekprofiel: waaraan moet de informatie voldoen, genereren zoektermen • Keuze ingang(en): zoekmachines, databases, gidsen, bookmarksites • • Daadwerkelijk zoeken (gebruik syntax, optiues en filters) Selecteren (is het relevant? ) • • • Evaluatie (is het goed genoeg? ) Opslaan, printen, delen Eventueel doorzoeken via auteurs en verwijzingen uit gevonden bronnen • • Bij doorlopende interesse evt. web en page alerts/feeds instellen Expliciete reflectie op zoekproces en zoekresultaat • Eventueel andere ingangen of geheel andere typen bronnen (gedrukte literatuur, deskundigen) 7

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

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 9

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

Aanbod: Keuze zoekingang • 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) • Zie voor links naar ingangen de ‘startpagina’ bij deze cursus 11

Match 1: Zoektermen ingeven • Let op woordvarianten en spelling: • Varianten in OR-relatie of: • Trunceren: alles wat met woordstam begint (alleen Exalead) • Automatische “stemming” (enkel-/meervoud enz. 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 “… …” 12

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 13

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: wel letten op veranderingen, niet op absolute niveau 14

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 Lexis. Nexis) bij web: KWIC domein/organisatie wel/niet PDF omvang (indien gegeven, vooral zinnig bij PDF) preview 15

Nabewerking per bron 1: beoordeling • Beoordeling door anderen (vooral bij reguliere publicaties) – Status bron (peer reviewed, uitgever, gezaghebbende instantie) – Affiliatie auteur – Plaats in citatienetwerk (door wie, hoe vaak) • Inhoudelijk (vooral bij reguliere publicaties) – Bronvermelding (voldoende, geen kernpublicaties gemist) – Opbouw, argumentatie, methode, verantwoording • 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 16

Nabewerking per bron 2: • opslaan (mail, document, Endnote / Refworks / Mendeley / Zotero / Evernote / Diigo e. d. • versturen (handmatig, vanuit systeem) • bookmark (browser, Connotea, Cite. Ulike, ‘like’, +) • alert/spion • RSS-feed 17

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? 18

Deel II: Structuur van het web 19

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 (cc. TLD’s, 34%) – jump: tv / nu / to / tk – nieuw: biz/info/name/coop/pro/aero/museum/mobi • generieke ‘subtopleveldomeinen’: co / gob / ac / org etc. (zie http: //www. iana. org/domains/root/db/ en http: //www. whois 365. com/en/listtld/gtld) • per 2009 ook URL’s in niet-Latijns schrift 20

opbouw URL • protocol : // servernaam. subdomein. TLD / map / filenaam. extensie • http : // libguides. library. uu. nl / evalueren 21

URL’s van databasepagina’s • http: //aleph. library. uu. nl/F/HDRH 5 QK 8 UGC 775 UMSMU 4 4 VT 2 GSG 5 VD 5 VKEI 6 FMCCN 7 G 75 LG-04490? func=findb&find_code=WRD&request=geografische+huis&adjacent =N&x=43&y=11 • http: //www. google. nl/search? as_q=vogin+wageningen&h l=nl&rlz=1 R 2 MEDC_nl. NL 330&num=10&btn. G=Google+zoe ken&as_epq=&as_oq=&as_eq=&lr=lang_nl&cr=&as_ft=i& as_filetype=pdf&as_qdr=all&as_occt=any&as_dt=i&as_sit esearch=&as_rights=&safe=images 22

zoektools: wanneer wat? • indien zoekvraag feitelijk, specialistisch, met voorkennis, onder tijdsdruk: zoekmachines • indien zoekvraag breed, exploratief, inventariserend, met weinig voorkennis, met relatief veel tijd: onderwerpsgidsen, door mensen gemaakte overzichten 23

Onderwerpsgidsen: algemeen + geen zoektermen nodig vaak actueel annotaties weinig ruis - onvolledig dode links voorkeur maker houdt groei niet bij voor homepages 24

Onderwerpsgidsen • • • Alle onderwerpen: Open Directory, Yahoo Nederlands: startpagina, meta: startnederland Breed wetenschappelijk: Infomine Web 2. 0 -variant: Digg (nieuws) Zoeken: – – – via Yahoo (per onderwerp onder ‘webdirectories’) via Open Directory via Pinakes (wetenschappelijk) vragen aan collegae vragen via discussielijsten, twitter etc. 25

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% (http: //www. cs. uiowa. edu/~asignori/web-size/) • overlap eerste pagina slechts 10% (Spink studie 2006) • dekking zeer ongelijkmatig 26 • verschil in actualiteit

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): • 2005 verbreding/innovatie/content (5000 -10000) • 2006 -2007 puur zoeken raakt op achtergrond (20000 -40000) – Live gelanceerd, You. Tube gekocht – uploaden, web 2. 0 – gemengde content (Google universal, i. Google bv. ) – specifieke diensten (Google CSE bv) – – – Google+Blogger, verbreding: boeken, kritiek, beursgang Overture+Alltheweb+AV+Yahoo, ontmanteling AV/ATW Microsoft: introductie MSNsearch beta: zelf indexeren – – – Samenwerking content providers-zoekmachines? Teoma wordt Ask en opkomst Amazon met A 9 Doorgroei Gigablast (2000) • 2008 Google universal verder ingevoerd (>100000) • 2009 Nieuwe zoekmachine van Microsoft: Bing (>400000) • 2010 Yahoo stopt eigen index • 2010 Instant search en preview bij Google (>800000) • 2011 Groei Blekko / Google+ en effect op rest Google • 2012 Pinterest / Facebook in search 27

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 link in preview) – Wayback Machine archive. org 28

Zoekmachines: beperkingen Google • genest Booleaans zoeken > Bing/Exalead • zeer grote pagina’s soms niet volledig geïndexeerd? > Yahoo • + niet bruikbaar voor exact search van 1 woord • truncatie en fonetisch zoeken > Exalead? • zoekgeschiedenis zonder inloggen: Bing • inperken op RSS format > Yahoo • webpagina’s met audio: Exalead 29

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 30