Erschließung, Linked Open Data, RDA
Refine
Year of publication
Document Type
- Conference publication (Presentation slides) (607) (remove)
Is part of the Bibliography
- no (607)
Keywords
- Metadaten (37)
- Forschungsdaten (27)
- GND (27)
- Inhaltserschließung (24)
- Semantic Web (24)
- RDA (23)
- Gemeinsame Normdatei (19)
- Normdatei (19)
- Normdaten (19)
- Katalogisierung (16)
Language
- German (595)
- English (10)
- Multiple languages (2)
Learning Analytics (LA) befassen sich mit der Aggregation und Analyse von Lernendendaten und deren Kontext, um den Lernprozess zu verstehen und systematisch zu verbessern. Obwohl die Methoden der LA zum größten Teil digitale Daten generieren und komplexe Analyseverfahren verwenden, besitzt die Disziplin bisher weder eine Forschungsdatenkultur noch liegen fachspezifische Konzepte zur Nachnutzung der Daten vor. Insbesondere vor dem Hintergrund, dass die Zahl der Probanden häufig ein kritisches Element der Studien darstellen, wäre diese auf einer übergreifenden Ebene zielführend. Wissenschaftliche Bibliotheken können hier mit ihrer Datenkompetenz eine entscheidende Rolle spielen, Wissenschaftler der LA bezüglich ihrer Datenhaltung zu unterstützen. Anhand eines Fallbeispiels aus der Hochschullehre, der Untersuchung kollaborativen Erlernens von Programmiersprachen, zeigen wir, wie die Arbeit eines beteiligten Data Librarians aussehen kann. Im Fokus soll die unterstützende Arbeit für den Wissenschaftler stehen, die einerseits auf die Analyse der LA Forschung und der sich daraus ergebenden fachspezifischen Bedarfe beruht. Andererseits soll das entwickelte Vorgehensmodell einen Mehraufwand bezüglich der professionellen Datenerhaltung für den Wissenschaftler verhindern, indem Maßnahmen und fachspezifische Lösungen entlang des Datenlebenszyklus in den Bereichen – Planung, Auswahl, Übernahme, Speicherung, Erhaltungsmaßnahmen, Zugriff und Nutzung – abgeleitet werden. Entsprechend zielt das Vorhaben ausgehend von der Analysephase auf eine weitgehend automatisierte Realisierung dieser Schrittfolge. In der Umsetzung des Konzepts entsteht auf der Basis der über mehrere Semester gesammelten Datensätze eine konsistente mehrstufige (Meta-)Datenstruktur, die den Austausch entlang notwendiger Bedarfe (bspw. Privacy) für die Arbeit im unmittelbaren Team, durch Projektpartner und durch Dritte gewährleistet.
Vielen wissenschaftlichen Untersuchungen dienen Forschungsdaten als Grundlage neuer Erkenntnisse. Um diese Grundlage nicht zu verlieren, sollten die Daten sicher gespeichert, nachhaltige archiviert und langfristig bereitgestellt werden. Der breite Zugang zu Forschungsdaten erlaubt neue Perspektiven für wissenschaftliches Arbeiten, indem bereits bestehende Ergebnisse reproduziert werden und einfacher zu neuen Erkenntnis gelangt wird. Learning Analytics (LA) nutzen Daten, die von Lernenden und Lehrenden produziert werden. Dabei verfolgen LA das Ziel, mit Analysemodellen, Informationen und soziale Verbindungen innerhalb des Lernprozesses sichtbar zu machen, um Lernverhalten zu unterstützen. Die statistischen Analysemethoden der LA benötigen eine große Anzahl an Datensätzen, um valide Aussagen treffen zu können. Oft ist die Anzahl der untersuchten Lernfälle jedoch gering, weshalb sich eine Zusammenlegung unterschiedlicher Forschungsdatensätze anbietet. Wir untersuchen das kollaborative Erlernen von Programmiersprachen an drei Standorten, um mehrere ähnliche Lernbereiche zusammenzubringen und zugleich eine hinreichend große Datenbasis für eine Analyse zu schaffen. Dabei soll eine einfache Transferierbarkeit der erhobenen Lernendendaten auf unterschiedliche Programmiersprachen, Übungskonzepte und Hochschulkontexte ermöglicht werden, mit dem Anspruch die heterogenen Daten untereinander nutzbar zu machen. Auf informationstechnischer Ebene erfolgte eine Bedarfsanalyse der LA, aus der heraus ein Objektmodell abgeleitet wurde. Dieses bildet relevante Charakteristika und Objekte des LA Forschungsprozesses ab und führt zu einem Metadatenmodell. Dieses wird in einem Forschungsdatenrepositorium genutzt, um eine Nachnutzbarkeit der Daten zu erzielen. Somit wird eine Grundlage für die nachhaltige Nutzung von Learning Analytics-Daten und -Ansätzen in Forschung und Lehre an deutschen Hochschulen gebildet.
Digital Scholarship: Mit diesem Begriff wird der zunehmende Einsatz von digitalen, datenbasierten Methoden in verschiedenen Wissenschaftszweigen (z.B. Computational Linguistics, Digital Humanities, Computational Social Sciences) beschrieben. Die Forschenden arbeiten auf Basis, mit und an spezifischen Datensets und -strukturen, nutzen Technologien der Datenanalyse, des Natural Language Processing und des maschinellen Lernens, und publizieren Forschungsergebnisse in neuen digitalen Formen. Gleichzeitig erfordert ein umfassendes Verständnis von Open Science bzw. Open Scholarship die Verfügbarmachung von Kulturerbe mit neuen Zugängen und Formen. Um diesen Entwicklungen gerecht zu werden, sind Bibliotheken aufgerufen eigene und fremde Bestände strukturiert als Datenkonvolute aufzubereiten und neue Zugänge zu diesen zu schaffen nötige Werkzeuge und Infrastrukturen der Data Science vorzuhalten Forschung, Lehre und Öffentlichkeit bei deren Nutzung beratend und vermittelnd zu unterstützen. Die Universitätsbibliothek Bern baut im Rahmen der universitären Digitalisierungsstrategie solche Dienstleistungen zur Unterstützung von Digital Scholarship auf. Grundlage hierfür bilden neuere Konzepte wie Collections as Data und die Vermittlung von digitalen Kompetenzen, insbesondere Data Literacy . Der Vortrag gibt zunächst einen Einblick in Methoden der datenbasierten Forschung. Zentral sollen Anforderungen und Herausforderungen – und Chancen – diskutiert werden, die im Umgang mit Daten und Datenkonvoluten auf wissenschaftliche Bibliotheken zukommen. Schliesslich werden neben dem Angebot der UB Bern internationale Beispiele von Digital Scholarship Services vorgestellt.
Wissenschaftskommunikation ermöglicht die Bekanntmachung und Qualitätsprüfung von Erkenntnissen und erfüllt Funktionen zur Sicherung der Wissenschaftlichen Integrität.[1] Durch generative künstliche Intelligenz (genKI) werden Praktiken des wissenschaftlichen Publizierens aktuell transformiert und zum Teil in Frage gestellt.[2]
KI-Assistenzsysteme versprechen Effizienzgewinne für alle beteiligten Parteien – bergen allerdings immanente Risiken wie wissenschaftliches Fehlverhalten[3] und die Beeinflussung von editorischen Entscheidungen.[4] Mittelbar droht eine weitere Verschärfung der quantitativ orientierten Publikationspraxis. Fragen der Verantwortung, Vertraulichkeit und Vertrauenswürdigkeit im Publikationsprozess müssen zur Sicherung der Wissenschaftlichen Integrität neu beantwortet werden. Herausgeber, Verlage und akademische Institutionen beteiligen sich daher intensiv an der Aushandlung neuer Normen bei der Nutzung von KI-basierten Werkzeugen.[5]
Für Bibliotheken, die begleitende, ermöglichende und beratende Funktionen in der Wissenschaftskommunikation wahrnehmen, bedeutet dies die notwendige Weiterentwicklung ihrer Aufgaben:
die aktive Verfolgung des Normendiskurses und geg. die Mitgestaktung von Governancedie kritische Evaluation von Produkten und Tools, die KI-Verfahren einsetzendie Förderung von Kenntnissen und Fähigkeiten im Umgang mit diesen.
[1] „DFG-Positionspapier zum wissenschaftlichen Publizieren als Grundlage und Gestaltungsfeld der Wissenschaftsbewertung“ 2022
[2] Birhane u.a. „Science in the Age of Large Language Models“ 2023
[3] Van Noorden und Perkel „AI and Science“ 2023
[4] Hosseini und Horbach „Fighting reviewer fatigue or amplifying bias?“ 2023
[5] „Stellungnahme des Präsidiums der DFG zum Einfluss generativer Modelle für die Text- und Bilderstellung auf die Wissenschaften und das Förderhandeln der DFG“ 2023; Kaebnick u.a. „Editors’ Statement on the Responsible Use of Generative AI Technologies in Scholarly Journal Publishing“ 2023
Gemeinsamer Verbünde Index: Sachstand und (Erfahrungs-)Bericht von drei unterschiedlichen Frontends
(2019)
Der Gemeinsame Verbündeindex (GVI) ist ein uniformer Suchindex über die Bestände der sechs deutschen Verbundsysteme sowie der DNB und der ZDB. Er wird in einem kollaborativen Open-Source-Modell unter der Führung von BSZ, HeBIS und KOBV entwickelt und betrieben. Die uniforme Indexierung der unterschiedlichen Datenquellen hilft nicht nur bei der Bearbeitung von Fernleihen. Sie ist auch eine potentielle Quelle für Fachportale und die Entwicklung von neuen Diensten wie Data Mining, Discovery-Systeme oder weiterer spezialisierter Webservices. Im Vortrag werden nach einer kurzen Einführung die Neuerungen der zweiten Version vorgestellt. Wir präsentieren die Erfahrungen aus dem Regelbetrieb und zeigen anhand von drei exemplarischen Frontends BOSS (BSZ/SWB), HeBIS-Portal und KOBV-Portal, wie von den neusten Index-Features wie z.B. das Zusammenfassen von Dubletten, profitiert werden kann. Fragen zur Nachnutzung werden von anwesenden Entwicklern beantwortet.
Mischen possible
(2015)
Bislang galt es als schwierig bis unmöglich, heterogene Datenquellen in einer gemeinsamen Treffermenge zu mischen und dennoch ein vernünftiges Relevance Ranking und gemeinsame Facetten zu gewährleisten. Traditionelle verteilte Metasuchmaschinen haben das Mischen daher gleich ganz unterlassen und präsentierten ihre Ergebnisse in getrennten Trefferlisten untereinander. Die Open Source Software Pazpar2 geht einen anderen Weg: Die Middleware sammelt während eines gewissen Zeitfensters die jeweils relevantesten Dokumente aus den zugrundeliegenden Quellen ein, mappt die Ergebnisse auf ein einheitliches Internformat und führt dann ein zweites, leicht abgewandeltes Relevance-Ranking durch. Der Algorithmus von Pazpar2 verwertet dabei - so vorhanden - Ranking-Scores aus den zugrundeliegenden Datenquellen und normiert sie entsprechend. Im Hybrid Book Shelf Projekt zusammen mit der Universität Konstanz hatte das BSZ die Aufgabe, die Backends der großen Resource Discoverysysteme (EDS, Summon, PrimoCentral) mit Bibliotheksdaten des Südwestdeutschen Bibliotheksverbunds zu einer Treffermenge zu mischen. Die zugrundeliegenden Datenquellen werden über Z39.50, Solr-REST oder SRU Schnittstellen angeschlossen. Für die APIs der angeschlossenen RDS-Systeme wurde im BSZ ein SRU-Konverter entwickelt, mit dem der RDS-Index über ein Standardprotokoll (SRU) durchsucht werden kann. Durch Verwendung des originären Datenschemas für die Treffer bleiben trotzdem alle Informationen incl. Ranking des RDS-Index erhalten. Der Vortrag berichtet von den Erfahrungen aus dem laufenden Projekt und gibt einen Ausblick auf das weitergehende Potential und die Nachnutzbarkeit dieser Methode, Daten aus heterogenen Quellen zu mischen. (Session: Kooperation in Verbünden; Raum: Sydney; 26. Mai 2015: 16:00 Uhr - 18:00 Uhr)