1

Keuzes in het zoekproces en

structuur van het web

Jeroen Bosman

VOGIN, 16 november 2009 Wageningen

2

3

4

Kenmerken zoekexpert• Kennis onderwerp• Bronnenkennis• Kennis zoektools• Talenkennis, taalcreativiteit• Logica

• Zorgvuldig gebruik zoektools• Snelheid• Reflectie op eigen zoekproces

5

Zoeksystematiek1. Vraaganalyse

• Wensen ‘opdrachtgever’• Verkenning• Opstellen zoekprofiel: waaraan moet de informatie voldoen

2. Aanbod• Keuze ingang(en): zoekmachines, databases, gidsen, bookmarksites

3. Match• Daadwerkelijk zoeken• Selecteren

4. Nabewerking per relevante bron• Evaluatie• Opslaan, printen, delen• Eventueel doorzoeken via auteurs en verwijzingen uit gevonden bronnen

5. Nabewerking zoekactie geheel• Bij doorlopende interesse evt. web en page alerts/feeds instellen• Expliciete reflectie op zoekproces en zoekresultaat

6. Vervolg op zoekactie• Eventueel andere ingangen of geheel andere typen bronnen (gedrukte literatuur,

deskundigen)

6

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)

7

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

8

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

9

Aanbod: Keuze zoekingang• Bepaald door zoekprofiel: onderwerp, type informatie,

type publicatie, relevante publicatiejaren• 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

10

Match 1: Daadwerkelijk zoeken

• 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 “… …”

• Gebruik termsuggesties– voor zoekactie Yahoo, Google Suggest – na zoekactie: Ask, Exalead, Quintura– termen uit gevonden goede webpagina’s

• 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

11

Match 2: Selectie op relevantie• De rangorde: beïnvloeden, vertrouwen of alles

bekijken?• Meer dan titels, bij boeken/artikelen:

• samenvattingen• citaties• omvang (bv LexisNexis)

• Bij web: • domein/organisatie• wel/niet PDF• omvang (in KB, vooral zinnig bij PDF)

12

Nabewerking per bron I: 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

• Inhoudelijk (vooral bij reguliere publicaties) – Status bron (peer reviewed,

uitgever, gezaghebbende instantie)

– Plaats in citatienetwerk (door wie, hoe vaak)

– Bronvermelding (voldoende, geen kernpublicaties gemist)

13

Nabewerking per bron II:

• opslaan (mail, document, endnote/refworks/zotero e.d)

• versturen (handmatig, vanuit systeem)• bookmark (browser, delicious, connotea,

citeUlike etc.)• alert/spion• RSS-feed

14

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?• Iets geleerd over eigen sterke/zwakke punten?

15

Systematisch zoeken: toegepast op internetzoeken

16

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 http://www.iana.org/domains/root/db/

en http://www.whois365.com/en/listtld/gtld)• per 2009 ook URL’s in niet-Latijns schrift

17

opbouw URL

• protocol : // servernaam . subdomein . domein . TLD / map / filenaam . extensie

• http : // www . library . uu . nl / geosource / index . html

18

URL’s van databasepagina’s

• http://aleph.library.uu.nl/F/HDRH5QK8UGC775UMSMU44VT2GSG5VD5VKEI6FMCCN7G75L75LG-04490?func=find-b&find_code=WRD&request=geografische+huis&adjacent=N&x=43&y=11 http://www.google.nl/search?as_q=vogin+wageningen&hl=nl&rlz=1R2MEDC_nlNL330&num=10&btnG=Google+zoeken&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_sitesearch=&as_rights=&safe=images

19

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

20

Onderwerpsgidsen: algemeen

+ geen zoektermen nodigvaak actueelannotatiesweinig ruis

-

onvolledigdode linksvoorkeur makerhoudt groei niet bijvoor homepages

21

Onderwerpsgidsen• Alle onderwerpen: Open Directory, Yahoo• Nederlands: startpagina, meta: startnederland• Breed wetenschappelijk: Intute, Infomine, BUBL• Web2.0-variant: Delicious, Furl etc.• Zoeken:

– via Yahoo (per onderwerp onder ‘webdirectories’)– via Open Directory– via Pinakes (wetenschappelijk)

• Tijd besteden aan vinden van goede onderwerpsgidsen:– via collegae– via discussielijsten

22

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 62% (http://www.cs.uiowa.edu/~asignori/web-size/)

• overlap eerste pagina slechts 10% (Spink studie 2006)• dekking zeer ongelijkmatig• verschil in actualiteit

23

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 (5000-10000)– Samenwerking content providers-zoekmachines?– Teoma wordt Ask en opkomst Amazon met A9– Doorgroei Gigablast (2000)

• 2006-2007 puur zoeken raakt op achtergrond (20000-40000)– 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

24

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 en Wayback

Machine archive.org)

25

Zoekmachines: beperkingen Google

• genest Booleaans zoeken > Bing/Exalead• backlinksindex vrij klein > Yahoo site explorer• zeer grote pagina’s soms niet volledig

geïndexeerd > Yahoo• truncatie, nabijheids- en patroonzoeken > Exalead• zoekgeschiedenis zonder inloggen: Bing• inperken op RSS format > Yahoo

26

Land/taalversies Google

•Interfacetaal– beïnvloedt ook resultaat!

•Taalinstelling zoekactie– voorkeuren of eenmalig of ‘implied’

•Landsversie: – beïnvloedt ranking sterk– ncr: no country redirect

–Let ook bij Bing op landsinstelling