Heute fand die letzte Lehrveranstaltung des Moduls statt. Zu Beginn der Vorlesung gab es noch einen kurzen Exkurs zum Thema horizontale und vertikale Suchmaschinen. Danach folgte die Marktübersicht über Discovery-Systeme gefolgt von zwei Praxisberichten. Der Schwerpunkt lag zum Schluss auf dem Thema Linked Data.

Horizontale vs. Vertikale Suchmaschine

Das Ziel einer horizontalen Suche ist es möglichst alle Inhalte, die in Verbindung mit der Sucheingabe stehen zu finden. Ein Beispiel einer horizontalen Suchmaschine ist Google. Google liefert immer eine Volltextsuche, es wird nicht gezielt nach semantisch wertvollen Informationen gesucht. Für eine horizontale Suche braucht man kein Datenschema. Man spricht hier auch von «schema-less». Eine vertikale Suche hingegen ist eine spezialisierte Suche. In einer vertikalen Suche kann man zum Beispiel nur nach bestimmten Inhalten Suchen wie Bilder, Videos oder Orte. Eine vertikale Suchmaschine ist datenmodellorientiert und erfordert ein Datenschema. Beispiele für vertikale Suchmaschinen sind Bibliothekskataloge und Online-Shops mit Filtermöglichkeiten.

Marktüberblick Discovery-Systeme

Um einen guten Marktüberblick über Discovery-Systeme zu erhalten eignet sich die Website librarytechnology.com. Wichtig ist hier die Unterscheidung zwischen den Anbietern, die lediglich ein Discovery Interface anbieten und den Anbietern, die einen Discovery Index bereitstellen. Bei den kommerziellen Systemen ist Ex Libris mit Primo Marktführer. Auch die Schweiz hat sich mit SLSP für Primo entschieden. Kommerzielle Discovery-Systeme verkaufen meist zusätzlich noch einen Suchindex, der vor allem Metadaten zu elektronischen Artikeln enthält. Zu SLSP gehört zum Beispiel Swisscovery. Bei Open Source Discovery-Systemen gibt es nicht so ein grosses Angebot. VuFind ist hier am populärsten. Es gibt zwar Alternativen, die sind jedoch nicht so verbreitet wie VuFind. Die grosse Schwäche ist hier der fehlende Artikelindex. Eine Lösung aus Deutschland ist hierfür zum Beispiel K10plus-Zentral.

Praxisberichte

Um Einblick in die Praxis zu erhalten, stellten uns unsere Dozenten zwei Projekte vor an denen sie selbst mitgearbeitet haben. Das erste Projekt betrifft das Literaturarchiv in Marbach. Das Literaturarchiv in Marbach ist gleichzeitig Museum, Bibliothek und Archiv. Vor der Umsetzung des Projekts mussten sich die Nutzenden vor der Suche entscheiden, welchen Bestand sie durchsuchen wollten. Es war nicht möglich über alle drei Bestände hinweg zu suchen. Das Ziel des Projekts war es genau dies zu ermöglichen - mit Hilfe eines Discovery-Systems. Wichtig war es hier gemeinsame Felder aus den drei verschiedenen Bereichen zu identifizieren und die Daten zu homogenisieren. Dieses Beispiel fand ich sehr spannend und ich finde die Umsetzung sehr geglückt. Im zweiten Praxisbeispiel ging es um ein Portal für Open-Access-Ressourcen in Nordrhein-Westfalen. Auf dieses Beispiel möchte ich in meinem Blogbeitrag nicht weiter eingehen.

Nach den Praxisbeispielen kamen wir zum Thema Linked Data. Aktuelle Datenmodelle sind hier BIBFRAME und RiC. Da ich aus dem Bibliotheksbereich komme hat mich hier vor allem das Datenmodell BIBFRAME (siehe Abbildung: BIBFRAME Model) interessiert. Das Modell besteht aus drei Ebenen die mit Hilfe von verschiedenen Eigenschaften (Properties) beschrieben werden können. Das Datenmodell wurde 2012 entwickelt und folgt den Linked Data Paradigmen. Beim Linked Data Ansatz geht es nicht darum alle Informationen in einen einzelnen Datensatz zu packen, sondern die einzelnen Informationsschnipsel zu beschreiben und anschliessend in Beziehung zu setzen. Man erhält so ein komplexes Netzwerk von Daten, die miteinander verknüpft sind.

BIBFRAME Model

Quelle: https://www.loc.gov/bibframe/docs/bibframe2-model.html