hhu düsseldorf, ss 2003empirische informationswissenschaft1

HHU Düsseldorf, SS 2003 Empirische Informationswissenschaft 1

Empirische Informationswissenschaft



Informetrie:

nomothetische Informetrie (informetrische Gesetzmäßigkeiten)

- deskriptive Informetrie – Online-Informetrie – Web-Informetrie

Analyse von Informationssystemen:

Retrievalsysteme (Relevanz, Recall, Precision) – Datenbasen (Availability) – Funktionalität von Datenbanken – Usability von

Websites

Wissenschaftliche Kommunikation:

Der „Ethos“ der Wissenschaft – Zitationen und Referenzen – Zitatenanalyse – Impact Factor akademischer Zeitschriften -

Themenanalyse – Wissenschaft und Öffentlichkeit – Thematisierungen



Empirische Wissenschaftsforschung / Wissenschaftsgeschichte:

Szientometrie - Wissenschaftsevaluation – Wissenschaftsgeschichtsschreibung mittels Datenbanken

Knowledge Mining:

Data Mining (Informetrie strukturierter Daten) – Text Mining (Informetrie unstrukturierter Daten)

Nutzeranalyse:

Informationsbedarf und –bedürfnis, Nutzung von Informations-systemen und –diensten

Empirie der Informationstätigkeiten:

Bibliotheksforschung - Informationswirtschaft


Informetrie


Informetrie

Zeitschriften:Scientometrics - Cybermetrics

Journal of the American Society for Information Science and Technology

Kongress:International Conference on Scientometrics and Informetrics (seit 1987; alle 2

Jahre)

Basisliteratur:Leo Egghe; Ronald Rousseau: Introduction to Informetrics. –

Amsterdam [u.a.]: Elsevier Science, 1990.

Wolfgang G. Stock: Informationswirtschaft. – München; Wien: Oldenbourg, 2000. – Kap. 5 (Data Mining bei externen Informationen)


Informetrie

Nomothetische Informetrie• Konzentrationsgesetze

– Zipfsches Gesetz: Verteilung von Worthäufigkeiten in Texten

– Lotkas Gesetz: Verteilung von Publikationen eines Fachgebiets auf Autoren

– Bradfordsches Gesetz: Verteilung von Artikeln eines Fachgebiets auf Zeitschriften

– Garfieldsches Gesetz: Verteilung von Zitationen auf wissenschaftliche Zeitschriften

• Gesetz der zeitlichen Verteilung– Halbwertzeit: Zeit, nach der die Hälfte einer Literatur-

menge nicht mehr benutzt wird

Virgil P. Diodato: Dictionary of Bibliometrics. – New York [u.a.]: Haworth, 1994.


Informetrie

Zipfsches Gesetz• George Kingsley Zipf (1902 - 1950)

gegeben: Text (Artikel, Buch, ...)

Auszählen der Häufigkeiten jedes WortesOrdnung der Wörter nach Häufigkeit (absteigend)

r * f = C

r =: Rangplatz des Wortesf =: Häufigkeit des WortesC =: Konstante (abhängig vom Text)


Informetrie

Zipfsches Gesetz

Beispiel: “Ulysses” (James Joyce)Wort auf Rang 10 kommt 2.653mal vor: C = 26.530Wort auf Rang 20 kommt 1.311mal vor: C = 26.220Wort auf Rang 1.000 kommt 26mal vor: C = 26.000

C (Ulysses) ~ 26.000

Das Gesetz gilt für Hochfrequenzworte, z.T. auch - je nach Text - für alle Worte eines Textes. Für Niedrigfrequenz-worte hat Zipf ein weiteres Gesetz entwickelt (Zweites Zipfsches Gesetz).

George K. Zipf: Human Behavior and the Principle of Least Effort. – Cambridge, MA: Addison-Wesley, 1949.


Informetrie

Lotkas GesetzAlfred J. Lotka (1880 - 1949)

gegeben: Fachgebiet mit umfassender Liste der Publikationen zum Fachgebiet (Biblio- graphie, Spezialdatenbank)Auszählen der Publikationsraten für alle AutorenSortieren der Autoren nach der Anzahl der Publikationen Zählen der Autoren mit gleichviel Publikationen

x * y = c oder y = c / x

x =: Anzahl der Publikationeny =: relative Häufigkeit der Autoren mit x Publikationenn, c =: Konstanten (je nach Fachgebiet) [n ~ 2]

n Alfred J. Lotka: The frequency distribution of scientific

productivity. – In: Journal of theWashington Academy of Sciences

16 (1926), 317-323.

n


Informetrie

Lotkas Gesetz Beispiel: “Journal of Finance”, 1946-1980; insgesamt 1.844 Artikel)

1.237 Autoren (67,1%) produzierten je 1 Artikel 295 Autoren (16,0%) produzierten je 2 Artikel 140 Autoren (7,6%) produzierten je 3 Artikel

63 Autoren (3,4%) produzierten je 4 Artikel 41 Autoren (2,2%) produzierten je 5 Artikelangenommen: n = 2(1 * 1) * 0,671 = 0,671(2 * 2) * 0,160 = 0,640(3 * 3) * 0,076 = 0,684 c ~ 0,6(4 * 4) * 0,034 = 0,544(5 * 5) * 0,022 = 0,550

M. Keenan: Report on the 1987membership survey. – In: Journal of

Finance 43 (1988), 767-777.


Informetrie

Lotkas Gesetz

Kreise: empirische Daten

Linie: nach Theorie erwartet

Reduktion der Daten auf genau

100 Autoren, die 1 Aufsatz

publiziert haben (C = 1, n = 2)

Derek J. de Solla Price: Litte Science, Big Science. –Frankfurt: Suhrkamp, 1974.


Informetrie

Bradfordsches GesetzSamuel Clement Bradford (1878 - 1948)

gegeben: Artikel eines FachgebietsZählen der Anzahl der Artikel pro ZeitschriftSortieren der Zeitschriften nach der Anzahl der ArtikelBildung von drei Mengen, die jeweils die gleiche Anzahl der Artikel enthaltendie Anzahl der Zeitschriften in den drei Zonen folgt der Formel

1 : n : n

n =: Konstante (“Bradford Multiplikator”)

2


Informetrie

Bradfordsches Gesetzdrei Zonen: Kern - Mitte - Rand

empirisches Beispiel:– Bradford (1934): Schmiermittel (395 Artikel in 164

Zeitschriften)• Kern: 8 Zeitschriften produzieren 110 Artikel• Mitte: die nächsten 29 Zs. produzieren 133 Artikel• Rand: die nächsten 127 Zs. produzieren 152 Artikel

8 : 29 : 127 = 1 : 3,625 : 15,875 ~ 1 : 4 : 16

Samuel C. Bradford: Sources of information on specific subjects. – In: Engineering 137 (1934), 85-86.


Informetrie

Bradford-Zipf-Bibliograph• Verallgemeinerung des Bradfordschen Gesetzes im Sinne

des Zipfschen Gesetzes• Zuordnung der kumulierten Anzahl der Artikel zur

kumulierten Anzahl der Zeitschriften• Berechnung der Logarithmen (Basis 10) der beiden

Zahlenreihen• Darstellung als Graph der absoluten Häufigkeiten• Darstellung als Graph der Logarithmen• Darstellung als Graph in halblogarithmischer Darstellung

(nur eine Achse logarithmisch; in der Regel die Anzahl der Zeitschriften); typische Formen– J-Kurve– S-Kurve– Kurve mit umgekehrtem J


Informetrie

Bradford-Zipf-BibliographAusgangsdaten (Quelle: Bradford 1934: Angewandte Geophysik Jg. 1928-1931)


Informetrie

Bradford-Zipf-BibliographAbsolute Häufigkeiten


Informetrie

Bradford-Zipf-BibliographLog-Log-Graph


Informetrie

Bradford-Zipf-BibliographHalb-Log-Graph J-Kurve: Disziplin mit

ergiebigen Zeit-schriften ohne großen Rand

S-Kurve: Disziplin mit ergiebigen, aber auch mit vielen Zeit-schriften im Rand

Kurve wie umgekehrtes J: Disziplin konzentriert auf eigene Zeitschriften, aber mit Rand


Informetrie

Garfieldsches GesetzEugene Garfield (geb. 1925)

gegeben: Referenzen aus Quellenzeitschriften der Reihen des ISI (multidisziplinär)Zuordnung von Zitationsraten zu ZeitschriftenSortierung der Zeitschriften nach Zitationsraten

Konzentration wie bei Bradford-Zipf:75% aller Zitationen entfallen auf knapp 1.000 Zeitschriften; 84% auf ca. 2.000 ZeitschriftenPraktische Konsequenz: eine Datenbank, die einige Tausend Zeitschriften (nämlich die jeweils meistzitierten) auswertet, ergibt ein repräsentatives Abbild der Wissenschaft; hieran orientiert sich die Quellenauswahl bei SCI, SSCI, A&HCI

Eugene Garfield: The mystery of the transposed journal list – wherein Bradford‘s law of scattering is generalizedaccording to Garfield‘s law of concentration. – In: E.Garfield: Essays of an Information Scientist, Vol 1. –

Philadelphia: ISI Press, 1977, 222-223.


Informetrie

Garfieldsches Gesetz• Beispiel: Philosophie (Drei-Zonen-Einteilung wie Bradford)

gegeben: 735 Referenzen (Jg. 1975); darin zitierte Zeitschriften: 223Kern: 6 Zeitschriften (genannt in 245 Zitationen)Mitte: 23 Zeitschriften (genannt in 245 Zitationen)Rand: 194 Zeitschriften (genannt in 245 Zitationen)

also: 6 : 23 : 194 = 1 : 3,8 : 32,3 ~ 1 : 4 : 32 (erwartet: 1 : 4 : 16), demnach: sehr große Randzone

Kernzeitschriften:Journal of PhilosophyPhilosophical Review

AnalysisMind

Philosophy of SciencesAmerican Philosophical Quarterly


f (x)

x

f (x) = _____C

xa

Das informetrische Verteilungsgesetz

ca. 20%

ca. 80 %

Informetrie


Informetrie

Gesetz der zeitlichen Verteilung: HalbwertszeitAnalogie zum radioaktiven Zerfall

Die Halbwertszeit ist die Zeit, in der die Hälfte eines radioaktiven Stoffes in einen anderen Stoff zerfallen ist. Dieser Prozess ist zufallsabhängig; d.h. man weiß nicht, welches Atom zu welcher Zeit zerfällt. Beispiele für Halbwertszeiten:

Uran-238: 4,5 Mrd. Jahre C-14: 5.730 Jahre

Jod-131: 8 Tage


Informetrie

Gesetz der zeitlichen Verteilung: Halbwertszeit

gegeben: Zitationen / Referenzen

Sortierung der Zitationen nach der Zeit

Zählen der Anzahl der Zitationen pro Jahr; Zählen der Gesamtanzahl der Zitationen

Markierung des Jahres, an dem die Hälfte (ein Viertel, ein Achtel usw.) der Zitationen erreicht wird

Gesetz: Die Halbwertzeiten sind (bei großen Zahlen) jeweils gleich.


Informetrie

Deskriptive Informetrie• Beschreibung von Dokumentmengen. • Beispiele:

– Werke eines Wissenschaftlers (Wieviel geschrieben? In welcher Zeit? Worüber? Welche Wirkung?)

– Artikel und Bücher von Angehörigen eines Instituts

– Patente und Artikel eines Wirtschaftsunternehmens

– Wissenschaftliche Zeitschriften (Wieviele Publikationen? Wieviele unterschiedliche Autoren? Welche Wirkung?)

– Wissenschaftliche und technische Themen (Wann zuerst aufgekommen? Wie verbreiteten sie sich? Wie lange diskutiert? Welche Autoren?)

– Länder / Weltregionen (Nationaler Output? Internationale Wirkung?)

– Websites / Domains (Einfluss? Verlinkung?)


Informetrie

deskriptive Informetrie: Aufspüren von neuen Informationen in Datenbanken („Knowledge Mining“)

• Rangordnungen• Zeitreihen• Semantische Netze• Informationsfluß- und

Linkanalysen

dabei – soweit möglich: Vergleich der beschriebenen Verteilungen mit den (nach den informetrischen Gesetzen) erwarteten


Informetrie

• Rangordnungen– Fragestellung: Welches sind die Top-X-Items in einer

Dokumentenmenge?– Theoretische Basis: Konzentrationsgesetze– Ziel: 1. Retrievalverbesserung; 2. Neue Informationen– Vorgehen:

• Suche nach allen Datensätzen zum Thema• Rangordnung zur gewünschten Ausprägung (in den

meisten Systemen der Befehl: RANK)• Ausgabe der “Hitparade” bis Platz X

– Beispiel: Welche Unternehmen sind in der FuE bei Verpackungsmaschinen führend?

Wolfgang G. Stock: Wirtschaftsinformationen aus informetrischen Online-Recherchen. – In: Nachrichten für Dokumentation 43 (1992), 301-315. - Wolfgang G. Stock: Das „Online-Unternehmensbild“ anhand von

Wirtschaftsdaten und informetrischen F&E-Indikatoren. – In: Harald Killenberg et al. (Hrsg.): WissensbasierteInformationssysteme und Informationsmanagement. – Konstanz: Univ.-Verl., 1991, 376-386.


Informetrie

Rangordnung der Unternehmen nach Patenten bei Verpackungsmaschinen

Rang absolute H. relative H. Unternehmen 1 170 0,74 % Focke & Co GmbH & Co

2 153 0,66 % Grace & Co

3 126 0,55 % Robert Bosch GmbH

4 105 0,45 % Packaging Filling Equip.

N = 22.867 Patentfamilien in der IPC-Unterklasse B65B (nebst aller Unter- begriffe)

N’ = 7.448 (unterschiedliche) Unternehmen mit mindestens einem Patent in B65B


Informetrie

• Informetrische Zeitreihen– Fragestellung: Wie entwickelt sich ein Aspekt einer

Dokumentmenge im Laufe der Zeit?– Ziel: Neue Informationen– Vorgehen:

• Suche nach allen Datensätzen zum Thema• Ausgabe der Inhalte des Feldes “Jahrgang” (mit

Angabe der Anzahl der DE)• graphische Aufbereitung als Zeitreihe

(Tabellenkalkulationsprogramm)– Beispiel: Wieviele Patente für Verpackungsmaschinen

haben die führenden Unternehmen pro Jahr zwischen 1981 und 1993 angemeldet?


Informetrie

Patentaktivitäten der führenden Unternehmen bei Verpackungsmaschinen

0

10

20

30

40

50

60

70

80

19

81

19

82

19

83

19

84

19

85

19

86

19

87

19

88

19

89

19

90

19

91

19

92

19

93

Pa

ten

tan

me

ldu

ng

en

pro

Ja

hr

Bosch

Focke

Grace


Informetrie

• Semantische Netze– Fragestellung: Gibt es in einer Dokumentenmenge

zusammengehörige Komplexe? Bsp.: kooperierende Autoren oder Institute; gemeinsam auftretenden Themen; gemeinsame Referenzen oder Zitationen

– Ziel: 1. Retrievalverbesserung; 2. Neue Informationen– Vorgehen:

• Suche nach allen Datensätzen zum Thema• clusteranalytische Aufbereitung der DE

(Spezialsoftware)• graphische Aufbereitung

– Beispiel: Wie hängen die Forschungsthemen der Krones AG im Bereich der Etikettiermaschinen zusammen?


Informetrie

Thematisches Cluster der Artikel von Krones-Mitarbeitern im Bereich der Etikettiermaschinen

(im Bild der Deskriptoren der FIZ Technik-Datenbank DOMA)


Informetrie

• Informationsflussgraphen / Linkanalysen (1)– Fragestellung: Fließen innerhalb einer Dokumentenmenge

Informationen (welche?, wieviele?) von A nach B? Sofern Hypertextdokumente vorliegen: Sind A und B verlinkt?

– Ziel: 1. Retrievalstrategie; 2. Neue Informationen– Vorgehen bei Zitationen:

• Aufruf einer Datenbank, die Zitationen speichert (wiss. Artikel; Patente; Grundsatzurteile)

• Suche nach zitierenden Dokumenten (nach vorne) und nach zitierten Dokumenten (nach hinten) – Hostsoftware

• graphische Aufbereitung als Informationsflussgraph– Beispiel: Woher stammen die Technologieinformationen der

Krones AG? Wohin fließen die Technologieinformationen von Krones?


Informetrie

Wissensimport und –export bei der Krones AG (im Bild von Derwent World Patents Index bei Questel-Orbit)


Informetrie

• Informationsflussgraphen / Linkanalysen (2)– Fragestellung: Fließen innerhalb einer Dokumentenmenge

Informationen (welche?, wieviele?) von A nach B? Sofern Hypertextdokumente vorliegen: Sind A und B verlinkt?

– Ziel: 1. Retrievalstrategie; 2. Neue Informationen– Vorgehen bei Hypertextdokumenten:

• Aufruf einer Suchmaschine, die eine Feldsuche zu Links, Ankertexten, Hosts und Domains anbietet

• entweder direkte Ausgabe der „Landkarte“• oder graphische Aufbereitung als Linkgraph

– Beispiel 2: Wie sind deutsche Webseiten zu Miranda Otto verlinkt?


Informetrie

Link-Topologie deutscher

Webseiten zu Miranda Otto

(im Bild von Kartoo.com)


Informetrie

Datengewinnung der Informetrie– Online-Informetrie bei Content-Aggregatoren

• Voraussetzungen: – (1) spezifische informetrische Befehle– (2) adäquates Feldschema– (3) adäquate Datenbasis

– Web-Informetrie bei Suchmaschinen• Voraussetzungen:

– (1) Abfrage der HTML-Tags– (2) adäquate Datenbasis

– Offline-Informetrie mittels spezifischer Analysesoftware• Download von Datensätzen• Weiterverarbeitung offline


Informetrie

Online-Informetrie bei Content-Aggregatoren


Informetrie

Informetrische Befehle bei STN

Rangordnungen mit ANALYZE

ANALYZE and TABULATE Commands. – In: STNotes No. 17 (1998), 1-5.


Informetrie

Informetrische Befehle bei STN

Zusammenhänge zweier Variablen mit TABULATE

(wenn eine Variable PY ist: Zeitreihe)

ANALYZE and TABULATE Commands. – In: STNotes No. 17 (1998), 6-8.


Informetrie

Informetrische Befehle bei DIALOG:

Zusammenspiel von MAP und RANK

Mechtild Stock; Wolfgang G. Stock: Dialog/DataStar. One-Stop-Shops internationaler Fachinformationen. –In: Password Nr. 4 (2003), 22-29.

In welche Technikgebiete hinein haben Düsseldorfer Unternehmen die größte

Wirkung? Welches ist das meistzitierte Patentdes Jahres 1995?

MAP PN/CT=


Informetrie

Zusammenspiel von MAP und RANK

Zwischenergebnis;

unter SC004 gespeichert

Datenbankwechsel:

b 342

Ausführen der gespeicherten Suche:

EXS SC004


Informetrie

RANK IC(1-4)

RANK CT

C11D : Reinigungsmittel

G08G : Verkehrsregelungs- und -überwachungssysteme


Informetrie

Web-Informetrie bei SuchmaschinenWeb Impact Factor (WIF)

• WIF(C) = (# Links auf Seiten von C) / (# Seiten innerhalb C)bei AltaVista: Zähler: link:.XX/ Nenner: domain:XX oder host:www.XXX/Self-Link WIF (C) = (# Links aus C auf C) / (# Seiten innerhalb C)bei AltaVista: Zähler: domain/host:XX/ AND link:.XX/

• Ext-Link WIF (C) = (# Links außerhalb C auf C) / (# Seiten innerhalb C)bei AltaVista: Zähler: link:.XX/ AND NOT (domain/host:XX AND link:.XX/)

• Es gilt: WIF(C) = Self-Link (C) + Ext-Link (C)

Peter Ingwersen: The calculation of Web Impact Factors. – In: Journal of Documentation 54 (1998), 236-243.


Informetrie

Web Impact Factor (WIF): Die „klassischen“ Ergebnisse von Ingwersen

(AltaVista; Mitte 1997)


Informetrie

Web Impact Factor (WIF) für Norwegen (.no) und Deutschland (.de) – April 2003

• WIF (NO) = 2,97 WIF (DE) = 0,65• Self-Link WIF (NO) = 0,46Self-Link WIF (DE) = 0,38• Ext-Link (NO) = 2,51 Ext-Link (DE) = 0,25• N (Seiten NO) = 4,77 Mio. N (Seiten DE) = 86,61 Mio.


Informetrie

Web Impact Factor (WIF) für Uni Düsseldorf und Uni Köln – April 2003

• WIF (DDF) = 0,44 WIF (KÖLN) = 0,49• Self-Link WIF (DDF) = 0,03 Self-Link WIF (KÖLN) =

0,14• Ext-Link (DDF) = 0,41 Ext-Link (KÖLN) = 0,35• N (Seiten DDF) = 56.927 N (Seiten KÖLN) = 87.421


Informetrie

Variante des Web Impact Factor von Thelwall• Kritik am Verfahren von Ingwersen: Die Zahl der Webseiten eines

Hosts sagt nichts über die dahinterstehende Organisation aus.• Vorschlag:

– (a) Beschränkung auf externe Links

– (b) Relativierung auf die Anzahl der Vollzeitäquivalente akademischer Mitarbeiter einer Institution (was heißt, dass diese Variante ausschließ-lich auf Universitäten und andere Forschungseinrichtungen anwendbar ist)

• Academic-WIF (C) = (# Links außerhalb C auf C) / (# Wissenschaftler-Vollzeitäquivalente in C)

Mike Thelwall: A comparison of sources of links for academic Web impact factor calculation. – In:Journal of Documentation 58 (2002), 66-78.


Informetrie

Academic Web Impact Factor (Acad. WIF) und Wissen-schaftsevaluation– Gibt es Korrelationen (Pearson) zwischen

• Acad. WIF und• „Official Government Research Assessment Exercise“ (RAE)

für britische Universitäten?

Domain der externen Links


Analyse von Informationssystemen



Die „klassischen“ Kennwerte zur Bewertung von Retrievalsystemen– Haben wir alle Datensätze gefunden, die

handlungsrelevantes Wissen beinhalten? (Vollständigkeit; Recall)

Recall R = a / a + c– Haben wir nur solche Datensätze gefunden?

(Genauigkeit, Precision)

Precision P = a / a + b

a =: gefundene relevante Trefferb =: nichtrelevante Datensätze, die in der Treffermenge enthalten sind (Ballast)c =: relevante Datensätze in der Datenbank, die nicht gefunden wurden

Gerard Salton; Michael J. McGill: Information Retrieval – Grundlegendes für Informationswissenschaftler. –Hamburg [u.a.]: McGraw-Hill, 1983. – Kap. 5: Die Bewertung von Retrievalsystemen, 167-210.

Salton



Recall / Precision– Relevanz: kontextuelle Übereinstimmung zwischen einem

Suchargument und einem Dokument - unabhängig von konkreten subjektiven Informationsbedürfnissen (Salton/McGill)

– Pertinenz: Übereinstimmung zwischen einem subjektivem Informationsbedürfnis und einem Dokument

– Ein Relevanzurteil nimmt in der klassischen Variante genau einen von zwei Werten an: relevant – nicht relevant.

– Relevanzurteile sind mitunter unscharf, insofern unterschiedliche Beurteiler zu abweichenden Urteilen kommen können.



Recall / Precision– Mengentheoretische Betrachtung (A: relevante Dokumente;

B: Dokumente in Treffermenge)

C.J. van Rijsbergen: Information Retrieval. – 2nd. Ed. – London; Boston: Butterworth, 1979.



Recall / Precision

Quelle: Salton; McGill, 180



Die „klassischen“ Kennwerte zur Bewertung von Retrievalsystemen: Das Effektivitätsmaß von v.Rijsbergen– E: Effektivität; R: Recall; P: Precision

– α: Wert zwischen 0 und 1

– α = 0 : Effektivität wird auf Recall (1-R) reduziert

– α = 1 : Effektivität wird auf Precision (1-P) reduziert

– α = ½ : Effektivität beruht ausgewogen auf R und P

van Rijsbergen

Quelle: v.Rijsbergen, 174E ist zwischen 0 (beste Effektivität) und 1 (unendlich schlechte Effektivität) definiert.



Serendipity– Kennwert zur Erfassung der Fähigkeit eines

Informationssystems, im Ballast nützliche Informationen zu finden

– b: Anzahl der Dokumente, die nicht relevant zum Suchargument sind (wie bei Precision) – bei Relevance Ranking mit Cut-off-Wert

– b(u): Anzahl der Dokumente im Ballast, die völlig unbrauchbar sind

– b(s): Anzahl der Dokumente im Ballast, die – durchaus auch für ein völlig anderes Suchargument – brauchbar sind

– Serendipity S = b(s) / b

Jutta H.T. Klawitter-Pommer; Wolf D. Hoffmann: Übersicht über die für den Leistungsvergleich mehrererLiteratur-Datenbasen wichtigsten Parameter. – In: Nachrichten für Dokumentation 27 (1976), 103-108.


einer der Prinzen

Serendip:Ceylon


Serendipity– Term eingeführt von Horace Walpole (1717 – 1797) in

einem Brief aus dem Jahre 1754– Basis: Märchen „The Three Princes of Serendip“– diese finden unerwartet Sachen heraus,

die kein anderer weiß– seitdem: Bezeichnung für etwas,

was gefunden, aber nicht gesucht worden ist

Richard Boyle: The Three Princes of Serendip. – 2000. –URL: http://livingheritage.org/three_princes.htm

hhu düsseldorf, ss 2003empirische informationswissenschaft1

Documents