Die EconBiz Author Profiles nutzen Normdaten und verlinkte Datenquellen, um möglichst umfassende Profile von Autor*innen in den Wirtschaftswissenschaften automatisch zu erstellen. Dabei werden alle relevanten Daten, die über Linked-Open-Data (LOD) oder andere Dienste bereit stehen und über Normdaten zusammengeführt werden können, genutzt. Darüber hinaus dienen die Publikationsnachweise, die über die EconBiz-API bezogen werden, als Grundlage für thematische Tag-Clouds und Co-Author-Networks. Der Entity Facts Service der Deutschen Nationalbibliothek (DNB) sowie Wikidata fungieren als Quellen. Wobei Wikidata gleichzeitig als Hub zur Verlinkung weiterer Profile und Informationen sowie teilweise zur Bereitstellung von Fotos genutzt wird. Die Gemeinsame Normdatei (GND) ist der Dreh- und Angelpunkt für die weiterführenden Verlinkungen. Neben einer Liste mit Träger*innen des Ökonomie-Nobelpreises und anderen Auswahloptionen, ist die LOBID-Suche für eine Recherche nach Personen eingebunden. In diesem Beitrag werden die einzelnen Services wie beispielsweise thematische Suchoptionen mit Hilfe der Tagcloud vorgestellt. Da nicht 100% der eingebundenen Quellen über GND-IDs verfügen, stellt sich immer wieder die Frage nach dem besten Weg: GND- oder Stringsuche? Überdies präsentieren wir unsere Überlegungen, das Problem der fehlenden GNDs mittelfristig durch automatische Ergänzungen zu umgehen. Die Profile werden seit September 2019 als Beta-Service im Fachportal EconBiz (https://www.econbiz.de/eb/de/beta/econbiz-author-profiles/) angeboten. Beispielsweise anhand der Profile von Nobelpreisträger*innen aus den Wirtschaftswissenschaften werden die wesentlichen Funktionen erläutert: Esther Duflo 2019: (https://authors.econbiz.de/12925312X) William Nordhaus (https://authors.econbiz.de/12365291X) und Richard Thaler (https://authors.econbiz.de/124552080). Aber auch Erwin Weit und Fiona Nah aus dem Titel unseres Beitrags.
Die EconBiz Author Profiles nutzen Normdaten und verlinkte Datenquellen, um möglichst umfassende Profile von Autor*innen in den Wirtschaftswissenschaften automatisch zu erstellen. Dabei werden alle relevanten Daten, die über Linked-Open-Data (LOD) oder andere Dienste bereit stehen und über Normdaten zusammengeführt werden können, genutzt. Darüber hinaus dienen die Publikationsnachweise, die über die EconBiz-API bezogen werden, als Grundlage für thematische Tag-Clouds und Co-Author-Networks. Der Entity Facts Service der Deutschen Nationalbibliothek (DNB) sowie Wikidata fungieren als Quellen. Wobei Wikidata gleichzeitig als Hub zur Verlinkung weiterer Profile und Informationen sowie teilweise zur Bereitstellung von Fotos genutzt wird. Die Gemeinsame Normdatei (GND) ist der Dreh- und Angelpunkt für die weiterführenden Verlinkungen. Neben einer Liste mit Träger*innen des Ökonomie-Nobelpreises und anderen Auswahloptionen, ist die LOBID-Suche für eine Recherche nach Personen eingebunden. In diesem Beitrag werden die einzelnen Services wie beispielsweise thematische Suchoptionen mit Hilfe der Tagcloud vorgestellt. Da nicht 100% der eingebundenen Quellen über GND-IDs verfügen, stellt sich immer wieder die Frage nach dem besten Weg: GND- oder Stringsuche? Überdies präsentieren wir unsere Überlegungen, das Problem der fehlenden GNDs mittelfristig durch automatische Ergänzungen zu umgehen. Die Profile werden seit September 2019 als Beta-Service im Fachportal EconBiz (https://www.econbiz.de/eb/de/beta/econbiz-author-profiles/) angeboten. Beispielsweise anhand der Profile von Nobelpreisträger*innen aus den Wirtschaftswissenschaften werden die wesentlichen Funktionen erläutert: Esther Duflo 2019: (https://authors.econbiz.de/12925312X) William Nordhaus (https://authors.econbiz.de/12365291X) und Richard Thaler (https://authors.econbiz.de/124552080). Aber auch Erwin Weit und Fiona Nah aus dem Titel unseres Beitrags.
The exponential growth of data on entities, persons, etc. is accompanied by a parallel surge in data quality, leading to more accurate clustering, description, accessibility, and interconnectivity. This enhancement extends beyond traditional library ecosystem data, such as authority files, to encompass a broad spectrum of non-library data sources like Wikidata, DBpedia, and OpenAlex.
In this context, we present an approach that leverages linked data principles, persistent identifiers, and knowledge-based systems to construct comprehensive representations of author profiles. Rather than resorting to localized storage with isolated data silos, our approach prioritizes the direct ingestion of information from its original sources. This approach, complemented by the integration of harvested data with authors' research outputs indexed in our discovery portal EconBiz, yields a nuanced and thorough overview. The application of Natural Language Processing (NLP), text mining, and Machine Learning (ML) techniques further refines insights, offering diverse perspectives and deepening the understanding of authors.
Author profiles provide a multifaceted gateway to understanding a scholar's research contributions. Visual representations enable quick identification of expertise areas and output. Thesaurus- or ML-enriched word tags enhance search capabilities, allowing users to refine queries based on semantically related terms. Co-authorship network visualizations and other features, such as “related authors” expand exploration options, uncovering scholars with similar research interests who are not necessarily co-authors. Additionally, the discovery of other persistent identifiers unlocks new avenues for profile enrichment with diverse information, including citation metrics and research data.
We will present the main functionalities of the EconBiz Author Profiles (https://www.econbiz.de/eb/en/beta/econbiz-author-profiles) including a glimpse of new developments.