Bibliotekssøgning - Nu, i går og i morgen

Preview:

Citation preview

Bibliotekssøgning Nu

I går I morgen

DDB og DBC Søgeworkshop

18. August 2015  

Bo  Weymann  Chefstrateg  DBC  

Hvad er søgning egentlig?

 Den sammenhængende brugeroplevelse fra brugerens formulering af et behov gennem biblioteksgrænsefladens søgefunktioner og til brugeren får dækket sit behov for information/viden og/eller oplevelse  

Bibliotekssøgning Brugeren:

•  Assisteres til at lave søgninger samt tilpasse disse

•  Skriver ”noget” i en søgeboks og får bedst mulige svar

•  Klikker på noget formidlingsindhold/anbefalinger og får uddybende information/-eller indhold

•  Browser sig igennem anbefalinger fra ”recommender-Systemet”

Hvor er vi nu?

Dagens søgning i bibliotekerne

•  Én søgeboks er mainstream •  Filtrering i bibliotekets materialer •  Eller national samling og specialsider •  Det første der vises er ud fra metadata i posterne

•  Der vises samlet metadata, forsider, og andre typer af informationer

•  Der er facetter •  Der er begrænsere •  Alle folkebibliotekerne og PH´rne bruger samme søgeplatform

•  De store FFU´r søger typisk i globale systemer og ”egen” platform

•  Desktop-tilgang har været dominerende

Eksempler  

•  h6ps://bibliotek.dk/da/bibdk_frontpage  •  h6ps://www.aakb.dk/  •  h6ps://ereolen.dk/  •  h6ps://www.phbibliotek.dk/da  

Hvordan kom vi lige derhen?

I mange mange år var biblioteksSøgning

•  En ret kompleks formulering af ”Querys” (CCL, CQL, mv.)

•  Sammensatte forløb for slutbrugeren der ofte skulle have styr på søgekoder, boolsk logik, søgehistorik og visformater, staveformer, og andre specialiteter

•  Alternativet var tunge menusystemer

   

Og  så  kom  bombenedslaget  

VI  VIL  OGSÅ  HAVE  ÉN  SØGEBOKS  

Jamen  hvad  er  så  problemet?  •  Økosystemet  for  søgninger  satser  på  meget  hurQge  søgninger  

•  Massemarkedets  indholdsleverandører  –  Amazon,  NeVlix,  SpoQfy,  mv.  -­‐  har  rykket  sig  mod  collaboraQv  filtrering  

•  De  store  MedieplaVorme  –  Google,  Facebook,  mv.  –  går  samme  vej  

•  Og  bibliotekernes  slutbrugere  er  langt  mere  dér  end  hér  

•  Mobil  nu  større  end  desktop  

NOT  

h6ps://www.google.dk/    

Hvor  skal  vi  hen?  

Der  er  mindst  tre  svar  

HurQgt    

CollaboraQvt  /Individualiseret    

Mobilt  

CollaboraQv  filtrering  

•  Der  anvendes  mange  og  o^e  store  datasæt  Ql  at  fastslå  om  noget  er  relevant  for  en  given  bruger/brugertype  

•  Der  anvendes  o^e  mange  former  for  vægte  (popularity,  similarity,  ….)  

•  Anbefalersystemet  forsøger  at  forudse  om  et  givent  ”værk”  er  relevant  for  en  given  bruger  ved  at  sammenholde  brugerens  præferencer/adfærd  med  andre  brugeres  

•  A  ligner  B  mere  end  den  Qlfældige  og  gennemsnitlige  bruger  –  derfor  er  det  mere  oplagt  at  anbefale  A  noget  fra  B  end  en  Qlfældig  anden  bruger  

PopularitetsRecommender    

•  Melvil.demo.dbc.dk  •  Simpel  recommender  der  tager  udgangspunkt  i  hvad  andre  brugere  med  lignende  profil  har  lånt.  Præferenceliste  =  Brugerens  datasæt.  

•   http://melvil.demo.dbc.dk  

•  http://melvil.demo.dbc.dk/admin    

 BrugereDerLignerRecommender  

 •  Melvil-­‐smal.demo.dbc.dk  •  Finder  lignende  brugere  (udfra  præferencelisten)  og  ned-­‐kompenserer/anti-­‐booster  kraftigt  for  populære  materialer  og  anbefaler  fra  "disse  brugere  der  ligner  mest  muligt"  de  lån,  som  de  ikke  har  tilfældes.  

•   http://melvil-­‐smal.demo.dbc.dk  

•  http://melvil-­‐smal.demo.dbc.dk/admin  •     

         

BibliotekarenAnbefalerSmaltRecommender  

•  Melvil-­‐50-­‐lek.demo.dbc.dk  •  Anbefaler  kun  materialer  med  lektøranmeldelser  (der  er  nyere  end  1996)  og  har  færre  end  50  udlån  

•   http://melvil-­‐50-­‐lek.demo.dbc.dk    

•  http://melvil-­‐50-­‐lek.demo.dbc.dk/admin  

 

Brugerne vil tilgå specialiserede apps nonstop og vi vil prøve at tænke for dem og give dem både hvad de ikke har tænkt på endnu,og det de har bedt om gennem mobile media der kan se, høre, tale, huske, forstå…..    

INTELLIGENT    BASERET  PÅ  BRUGERENS  akQve  og  passive  valg    samt  meget  store  datamængder    

med  stor  diversitet    

Bibliotekets  søgning  skal  lære  •  Kender  brugeren  bedre  og  bedre  via  dennes  feedback  og  valg  

•  Skal  kunne  koble  professionel  formidling  med  automagiske  recommendaQoner  

•  Hvad  ”der  ligner”  ud  fra  brugsmønstre  og  feedback  •  Kan  skelne  mellem  aldersgrupper,  skole  niveauer  (indskoling,  mellemtrin,  udskoling),populært  niveau  og  videnskabeligt  niveau  

•  Kan  skelne  mellem  behov  for  underholdning/oplevelse  og  behov  for  viden  

•  Kan  skelne  mellem  det  populære  og  det  smalle  

Bibliotekets  søgning  skal  lære  at  •  Navigere  i  databrønden  og  via  Universal  search  •  Præsentere  data  og  viden  i  en  kontekst  bestemt  af  brugerens  akQve  præferencer,  passive  præferencer,  præferencer  baseret  på  adfærd  

•  Formidle  den  mest  egnede  viden/oplevelse  på  bekostning  af  det  mindre  relevante  –  Rankere  ud  fra  metadata,  adfærdsmetadata,  kontekst  

•  Kende  brugertyper,  -­‐segmenter  •  Anbefale  ud  fra  biblioteksproduceret  indhold  og  brugeranbefalinger,  Wikipedia,  og  andre  ”autorisaQve  kilder”,  mv.    

BIG-­‐META-­‐DATA  BRUGERADFÆRD  

DERFOR    

vises  -­‐  pushes  -­‐  sammensQlles  -­‐  anbefales  -­‐  rankeres  -­‐  filtreres  -­‐  

boostes      

Noget-­‐der-­‐ligner-­‐matemaQk  tages  Ql  hjælp  

•  Sandsynlighed  •  Similaritet  

•  h6ps://docs.google.com/document/d/13DvqgQ5LIDFQgLSkPqnSTBsfZGf80tVMQMfiTDaoWno/edit?pli=1#heading=h.qgbb3oa8j5x0  

 

Recommended