Quelle: Grundlagen der Informationswissenschaft. 7., völlig neu gefasste Ausgabe. Herausgegeben von Rainer Kuhlen, Dirk Lewandowski, Wolfgang Semar und Christa Womser-Hacker. Walter de Gruyter GmbH, Berlin/Boston. ISBN 978-3-11-076895-4. e-ISBN (PDF) 978-3-11-076904-3. e-ISBN (EPUB) 978-3-11-076908-1. DOI https://doi.org/10.1515/9783110769043. (p. 365-75.)
Lizenz: Open Access. © 2023 Christa Womser-Hacker, publiziert von De Gruyter. Dieses Werk ist lizenziert unter der Creative Commons Attribution 4.0 International Lizenz. https://doi.org/10.1515/9783110769043-031.
______________________________
Informationswissenschaftliche Perspektiven des Information Retrieval
Christa Womser-Hacker
1 Information Retrieval: ein interdisziplinäres Gebiet
Mit Information Retrieval (IR) sind in Forschung und Entwicklung in unterschiedlicher Breite und aus verschiedenen Perspektiven mehrere Disziplinen befasst. Die verschiedenen Ausrichtungen sind wichtig, da nur in ihrer Verknüpfung eine Gesamtschau des IR vermittelt werden kann.
Die Informatik verfolgt einen stärker systemgetriebenen, technologischen Ansatz des IR und stellt Algorithmen und Implementationen in den Vordergrund, während für die Informationswissenschaft die Benutzer*innen in ihren vielschichtigen Kontexten den Schwerpunkt bilden. Deren Eigenschaften (fachlicher Hintergrund, Domänenzugehörigkeit, Expertise etc.) und Zielsetzungen, die durch das IR verfolgt werden, spielen im Interaktionsprozess zwischen Mensch und System eine zentrale Rolle. Auch wird intensiv der Frage nachgegangen, wie sich Benutzer*innen in diesen Prozessen verhalten und aus welchen Gründen sie verschiedene Systeme in Anspruch nehmen. Da ein Großteil des heutigen Wissens nach wie vor in Texten repräsentiert ist, ist eine weitere Disziplin – nämlich die Computerlinguistik/Sprachtechnologie für das IR von Bedeutung (s. Schütze 2010). Zusätzlich kommen aber auch visuelle und auditive Wissensobjekte immer stärker zum Tragen und werden aufgrund ihrer anwachsenden Menge immer wichtiger für das IR. Ein neues Fachgebiet ist die Data Science, die auf altbekannten Konzepten aus Statistik und Wahrscheinlichkeitsrechnung aufsetzt, auf den Daten operiert und auch traditionelles IR-Wissen für die Zusammenführung von strukturierten Fakten und unstrukturierten Texten nutzt (s. Frommholz et al. 2020).
Hier soll die informationswissenschaftliche Perspektive im Vordergrund stehen. Das bedeutet, dass die Systemseite zwar eine wichtige Rolle bei der Informationssuche übernimmt,
dass sie aber immer zusammen mit den Auswirkungen auf die Nutzenden gesehen wird. Idealiter werden die Systeme entlang der menschlichen Bedarfe entwickelt und optimiert.
Auch methodisch werden – bedingt durch die Interdisziplinarität – unterschiedliche Verfahren eingesetzt, um IR-Systeme oder -Komponenten zu entwickeln und zu evaluieren oder das Informationsverhalten verschiedener Nutzergruppen zu analysieren. Während der analytische Forschungsbereich eher auf Methoden aus der empirischen Sozialforschung setzt (s. Kapitel A 4 Methoden in der Informationswissenschaft), finden sich im konstruktiven Bereich Entwicklungsansätze, die – gerade aus informationswissenschaftlicher Perspektive – darauf achten, Nutzer*innen und ihr Umfeld einzubeziehen. Hier sind das sog. user-centered design sowie die partizipatorische, iterative Systemgestaltung zu nennen (s. Still & Crane 2017), und es spielen auch die Benutzungsoberflächen, über die die Interaktion abläuft, eine nicht zu unterschätzende Rolle.
Um also einen holistischen Ansatz wiederzugeben, findet sich in diesem Teil C zum Information Retrieval eine Kombination der verschiedenen Sichtweisen wieder.
2 Historie des Information Retrieval
Das IR, wie wir es heute kennen, ist ein facettenreiches Gebiet (Markov & de Rijke 2018), das einerseits in der Computer Science verwurzelt ist, zum anderen in der Library & Information Science (Järvelin 2018). Obwohl das Auffinden von Information ohne elektronische Hilfsmittel schon viel früher thematisiert wurde (Katalogisierung, Klassifikation,
Thesaurus-Entwicklung, Verschlagwortung etc.), werden oftmals die Cranfield-Experimente ab Ende der 1950er Jahre, die zunächst ihr Augenmerk auf die Datenbankerstellung und die verschiedenen Indexierungsansätze richteten, mit den Anfängen des IR in Verbindung gebracht (Cleverdon 1970). Als statistische Maßzahlen zur Effektivitätsbewertung wurden mit vergleichender Zielsetzung recall und precision eingeführt und es kam die Forderung nach größeren Testkollektionen (Sparck Jones & Van Rijsbergen 1976; s. Kapitel C 8 Evaluation im Information Retrieval). Erst viele Jahre später konnte diese durch die Text REtrieval Conference (TREC) eingelöst werden (Smeaton & Harman 1997), wobei der Fokus nun auf der Erstellung möglichst umfangreicher, realistischer Testkollektionen lag. TREC hatte die Booleschen IR-Modelle bereits hinter sich gelassen und befasste sich von Anfang an mit sog. partial match-Systemen, für die alternative Gewichtungs- und Ranking-Verfahren zum Einsatz kamen. Viele weitere Optimierungsstrategien wie Relevance Feedback, Anfrageexpansion, Gewichtungs- und Ähnlichkeitsberechnung etc. wurden im Laufe der Zeit entwickelt und evaluiert. Die kritische Auseinandersetzung mit der Relevanz führte zu einer Kritik an den Cranfield-Tests (s. Robertson & Hancock-Beaulieu 1992), deren Relevanzurteile nicht von „echten“ Benutzer*innen kamen. Die Diskussion löste ein erhöhtes Interesse an der Integration von Benutzer*innen und ihrem Verhalten aus (Beaulieu 2000). Seither findet sich neben dem IR auch Information Seeking als sehr nahes Thema (s. Kapitel D 6 Information Seeking Behaviour), und es kam zu einer immer engeren Verknüpfung von konstruktiver und analytischer Sicht.
Den größten Wandel, aber auch den intensivsten Anschub erfuhr das IR mit der Entstehung der Websuchmaschinen, die – genutzt von unterschiedlichsten Endnutzer*innen – die Weite des Internets durchsuchen (s. Kapitel C 3 Suchmaschinen). Daran schlossen sich viele Studien an, die u. a. das Vorgehen der Benutzer*innen bei der Websuche zum Thema machten (Broder 2002; Lewandowski & Kammerer 2021).
Im Zentrum der aktuellen informationswissenschaftlichen Forschung stehen die interaktiven Komponenten des IR (s. Kapitel C 4 Interaktives Information Retrieval). Diese hängen stark mit den Erkenntnissen aus der Forschung zum Informationsverhalten zusammen, da sie diese als Grundlage der Operationalisierung verwenden. Somit wird nicht das System allein betrachtet, sondern die Interaktion mit Benutzer*innen. Die Analyse des Verhaltens von Benutzer*innen gibt wichtige Hinweise für die Gestaltung und Optimierung von IR-Systemen. Bei dieser Verknüpfung besteht noch Nachholbedarf, da trotz einer soliden Basis noch Domänen existieren, die nicht auf aktuellem Stand sind, wie z. B. der Bereich der Patentinformation, in der nach wie vor meist Boolesches Retrieval Anwendung findet. Dies liegt daran, dass generelle Ranking- und Gewichtungsverfahren mit den Zielsetzungen und Relevanzvorstellungen der Expert*innen nicht immer im Einklang stehen. Seit einigen Jahren kommen neuere IR-Entwicklungen durch die Künstliche Intelligenz (KI) dazu, die maschinelle Lernverfahren (z. B. Rekursive Neuronale Netze) zum Einsatz bringt (s. Kapitel C 9 Sprachmodelle und Neuronale Netze im IR). Besonders interessant erscheinen in diesem Zusammenhang Forderungen nach der Erklärbarkeit von Ergebnissen, die durch Methoden der KI geliefert wurden (Vilone & Longo 2021). Hier bahnt sich wieder eine neue Art von Interaktion zwischen System und Benutzer*in an.
3 Definition und Eingrenzung
In dem vorliegenden Handbuch zu den Grundlagen der Informationswissenschaft ist es eine Herausforderung, die besprochenen Gebiete aus der Perspektive der Informationswissenschaft darzustellen, gleichzeitig aber mit anderen Disziplinen zu verknüpfen. Deshalb erfolgt hier zwar die Selektion wichtiger Komponenten aus informationswissenschaftlichem Blickwinkel, eine strikte Zugehörigkeit gibt es aber nicht. In der Informationswissenschaft findet sich eine Mischung aus konstruktiven Entwicklungsansätzen und analytischen Vorgehensweisen, um z. B. verschiedene Benutzereigenschaften sowie ihr Verhalten zu untersuchen und die gewonnenen Erkenntnisse für das IR nutzbar zu machen. Die Methoden und Systeme der Inhaltserschließung werden in Teil B behandelt und das IR in Teil C. Dennoch werden diese beiden Gebiete als zusammengehörig und als die das IR formierenden Grundpfeiler der Erschließung und Wiedergewinnung betrachtet.
Gemeinhin werden in der Informationswissenschaft die Erschließung und Aufbereitung von externalisiertem Wissen und die Suche nach Information als kombinierte Folge in einem größeren Zusammenhang betrachtet. Dies liegt daran, dass die Informationswissenschaft starke Bezüge sowohl in die Library & Information Science als auch in die Computer Science aufweist, wobei vielleicht im Vergleich zur Informatik in der Informationswissenschaft eine etwas stärkere Fokussierung auf die vorgeschaltete Erschließung vorgenommen wird. Auch heute spricht man häufig noch von „Dokumenten“, wenn man die Einheiten (records) im IR bezeichnet. Klassische Dokumente bezeichneten Objekte in materieller, textueller Form. Der Wandel hat sich seit langem in eine digitale, multimediale Form vollzogen. Alternative Begriffe sind Informationseinheiten oder Wissensobjekte.
Zunächst beschränkte man sich auf eine funktionale Definition von IR, wie wir sie z. B. bei Salton & McGill (1983) finden: „An information retrieval system is an information system that is […] used to store items of information that need to be processed, searched, retrieved, and disseminated to various user populations.“ (Salton & McGill 1983, S. XI). Die beiden Autoren zählten auf, welche Funktionen ein IR-System umfasst, aber es wurde auch bereits auf die Diversität der Benutzer*innen hingewiesen, was im Laufe der Zeit immer stärkere Bedeutung gewann. Als zentrale Wissensobjekte wurden Texte angesehen. Für die Abgrenzung innerhalb der Informationssysteme betonte Greengrass 2000, S. 6) die „Unstrukturiertheit“ dieser Wissensobjekte, da Texten, die in natürlicher Sprache formuliert sind, keine formale Ordnungsstruktur zugrunde liegt. Dies ist bei Faktenwissen (z. B. Adressdateien) anders. D. h., es kommt hier ein weiterer wichtiger Aspekt hinzu, den Greengrass (2000, S. 8) mit aboutness bezeichnet. Ein IR-System gibt keine unmittelbaren Antworten, sondern es liefert Ergebnisse, die sich mit dem in der Anfrage formulierten Thema befassen. Den Benutzer*innen bleibt die Aufgabe überlassen, die entscheidenden Antworten aus den Texten selbst herauszufiltern. Heutzutage ist mit den großen Suchmaschinen auch Question-Answering möglich.
Die Wende zur stärkeren Einbeziehung von Nutzer*innen und Kontext führte zu „alternativen“ Standpunkten im IR-Verständnis (s. Belkin 1980; Ingwersen & Järvelin 2005). Der sog. cognitive turn manifestierte die Integration der kognitiven, benutzerbezogenen Seite in vielen Publikationen. IR wurde dabei als Kommunikationsprozess interpretiert, wobei das IR-System zwischen den Teilnehmenden an diesem Prozess vermittelt. Meadows (1991, S. 2) zeigte auf, dass hier Autor*innen von Texten mit deren späteren Leser*innen kommunikativ in Verbindung stehen. Wenn zwischen der Produktion der Texte und der Suche danach eine große Zeitspanne liegt, kann das den IR-Prozess – insbesondere den Abgleich zwischen Suchanfragen und den Dokumenten im System – erschweren, weil sich z. B. die Terminologie geändert hat.
Aus diesen Versuchen, IR zu fassen, wird deutlich, dass sich die frühen Definitionen wandelten und die verschiedenen Autor*innen unterschiedliche Schwerpunkte setzten. Zentral für die informationswissenschaftliche Perspektive ist der cognitive turn, durch den den Benutzer*innen eine immer wichtigere Rolle zukommt.
4 Informationswissenschaftliche Modelle des IR
Die informationswissenschaftliche Perspektive soll im Folgenden aus dem systemorientierten Kern des IR aufgebaut und anschließend um die wichtige kognitive, Benutzer*innen- und kontextorientierte Sicht erweitert werden.
4.1 Systemorientiertes Grundmodell des IR
Das systemorientierte Grundmodell des IR zeigt die Verknüpfung zwischen Erschließung, Suche und der vom System berechneten Ergebnisliste (s. Abbildung 1):
Unstrukturierte Wissensobjekte (meist Texte) (s. Kapitel A 1 Information) werden durch Analysealgorithmen in Form einer invertierten Liste in der Datenbank repräsentiert. D. h., dass die Indexterme als Ergebnisse der Inhaltserschließung zusammen mit ihren Positionsangaben aus den Dokumenten alphabetisch angeordnet werden. Die Anfrage wird mit der gleichen Repräsentationsform behandelt, sodass ein Match zwischen beiden Repräsentationen möglich ist. Die Ergebnisliste ist im Fall von Booleschen Systemen eine unsortierte Menge der Texte, die die Bedingungen der Anfrage exakt erfüllen, oder eine nach Systemrelevanz sortierte Liste (s. Kapitel C 2 Modelle im Information Retrieval).
4.2 Anomalous State of Knowledge (ASK)
Die weitere Theoriebildung auf dem Gebiet des Information Retrieval wurde insbesondere durch die ASK-Hypothese angestoßen und beeinflusst, die auf der Basis empirischer Studien im Bereich einer Universitätsbibliothek von Belkin formuliert wurde (Belkin1980). Sie besagte, dass die Problembeschreibungen in der Vorstellung von Informationssuchenden oft ziemlich vage und ohne klare Zielrichtungen sind, die Entwicklung einer adäquaten Anfrageformulierung trotz eines unzureichenden Wissensstands aber ein zentrales Erfordernis erfolgreichen Retrievals ist. Aufgrund dieses Defizits sind Benutzer*innen nur eingeschränkt in der Lage, genau und systemspezifisch auszudrücken, was zur Problemlösung gebraucht wird.
Best match-Systeme setzen Repräsentationen von Anfragen voraus, die mit textuellen Repräsentationen von Dokumenten korrespondieren. D. h., dass nur in der Anfrage zum Ausdruck kommende Konzepte oder Relationen als signifikant angesehen werden können. Dies setzt wiederum voraus, dass Benutzer*innen in der Lage sind, ihr Informationsbedürfnis umfassend und präzise zu formulieren, damit das System hochwertige Ergebnisse erzielen kann. Belkin et al. (1982, S. 64) kamen zu dem Schluss, dass Dokumente zwar einen kohärenten Wissensstand eines oder mehrerer Autor*innen abbilden, die aus einer Wissenslücke heraus formulierte Anfrage jedoch einen sog. ASK repräsentiert. Als Reaktion auf diese Erkenntnis entstanden in den 1980er Jahren Ansätze des assoziativen Information Retrieval und des Relevance Feedback, die nachweislich eine bessere Performanz erzielten (s. Harman 1992). Dennoch gingen diese Ansätze von den unzureichenden Benutzerformulierungen aus. Belkin et al. (1982, S. 65) schlugen ein konzeptionelles Information-Retrieval-System vor, das dynamisch ist, um z. B. den Veränderungen im Wissensstand der Benutzer*innen gerecht zu werden. Sie forderten höchst iterative und interaktive Systemkomponenten, die in die verschiedenen Zyklen Bewertungen der Benutzer*innen einbeziehen und diese durch Wortassoziationen etc. unterstützen.
Dieses Phänomen unterstreicht die paradoxe Situation: Ein Wissensdefizit soll in einer Suchanfrage begrifflich genau beschrieben werden, obwohl man sich in einem mit Unsicherheit behafteten Wissensstand befindet, was durch die Inanspruchnahme eines Suchsystems belegt wird. Eine konkrete Umsetzung erfuhren derartige Konzepte erst im Interaktiven Information Retrieval (s. Kapitel C 4 Interaktives Information Retrieval).
4.3 Relevanz
Ein entscheidendes Konzept im IR ist die Relevanz (s. Kapitel A 1 Information, Abschnitt 5.2.1). Der Relevanzbegriff ist seit langem ein intensiv diskutiertes Thema, über das unterschiedliche Sichtweisen bestehen. Oft wird von „relevanten Dokumenten“ gesprochen, wenn eine Beurteilung und positive Auswahl aus der Ergebnisliste getroffen wurde. Hier ist dann die Relevanzeinschätzung der Benutzer*innen gemeint. Das IR-System ordnet die Ergebnisse in Ranking-Systemen auch nach Relevanz, allerdings handelt es sich hier um die „Systemrelevanz“ als Ergebnis einer Ähnlichkeitsberechnung. Bereits 1960 bezeichneten Maron & Kuhns die Relevanz als „key concept in the theory of information retrieval“ (Maron & Kuhns 1960, S. 216). Saracevic nahm in seinen vielen Publikationen zu diesem Thema seit den 1970er Jahren die Relevanzdiskussion immer wieder auf: „Relevance is an intensely human notion. It is a people thing. Relevant information is a human assessment, a judgment, a drawing of connection between given information and a given context or problem at hand.“ (Saracevic 2016 S. XIX). Diese Einordnung von Relevanz als ausschließlich menschliche Aktivität bedingt, dass Relevanzbewertungen unterschiedlicher Benutzer*innen verschieden ausfallen können, dass Relevanz dyna- misch ist, sich ändern kann und von unterschiedlichen Kontextfaktoren abhängt (Saracevic 2016, 17 f.).
Huuskonen & Vakkari (2006, S. 15) sprechen von Situational Relevance, was die von den Nutzenden wahrgenommene „Nützlichkeit“ bezeichnet. Hier wurde die individuelle Benutzer-Task einbezogen – egal, ob es um Faktenabfragen oder um komplexe Aufgaben geht. Weiterhin wurde der Frage nachgegangen, zu welchem Ausmaß ein Dokument zum Gesamtergebnis beiträgt und wie dies gemessen werden kann. Saracevic (2016) betonte immer wieder den Zusammenhang von Relevanz und Kognition und schuf damit die Grundlage für ein erweitertes IR-Modell, das als kognitives Modell bezeichnet wird.
4.4 Kognitives IR
Das in Abbildung 1 dargestellte Grundmodell stellt nur den systemischen Kern einer Suchmaschine dar. Aus informationswissenschaftlicher Perspektive wird es eingebettet in den Kontext von kognitivem, nutzerorientiertem Retrieval und muss ergänzt werden durch entsprechende Modelle, die die Interaktion mit Nutzer*innen und deren Eigenschaften, Zielsetzungen etc. integrieren und abbilden.
Während in der frühen Zeit die Rolle des (menschlichen oder künstlichen) Intermediary bzw. Informationsvermittlers sehr großes Interesse erweckte und das Informationsbedürfnis in seiner objektiven und subjektiven Form untersucht wurde, wandelte sich die wissenschaftliche Auseinandersetzung hin zu einer umfassenden Sicht des kognitiven Information Retrieval, das nun alle Bereiche umfasste, in denen Interaktivität und menschliche Beteiligung gegeben sind. In den 1990er Jahren erfolgte eine intensive Auseinandersetzung mit dem Konzept Information, das nun als subjektiv und an den menschlichen Träger und dessen Kognition gebunden interpretiert wurde (s. Kapitel A 1 Information). Die Orientierung an der Aufgabe (nicht mehr an einer einzelnen Anfrage), die informationelles Handeln auslöst (information task), wird als Basis für die Einlösung des Informationsbedürfnisses angesehen. Wichtig sind hier der Typ und die Komplexität der Aufgabe (s. Byström & Järvelin 1995; Byström & Hansen 2005). Die parallel dazu verlaufende Entwicklung von Booleschen Systemen zu sog. Best match-Systemen löste eine neue Auseinandersetzung über das Verständnis von Relevanz aus. Hinzu kam die Interaktivität zwischen Mensch und System, die z. B. durch die benutzergerechte Gestaltung von Schnittstellen oder durch die Visualisierung eine neue Dimension gewann. Insgesamt wurde das IR in einen holistischen Kontext eingebettet, der alle Akteur*innen, Komponenten, Strukturen und die Beziehungen zwischen ihnen umfasst.
Als grundlegendes Modell des Kognitiven Information Retrieval kann das Konzept von Ingwersen (1994) angesehen werden. Die Abbildung 3 zeigt auf der linken Seite ein Information-Retrieval-System, die Kollektion der Informationsobjekte und die Anfrage, über die eine Verbindung zum Informationssuchenden und dessen kognitiven Raum hergestellt wird. Der/die individuelle Benutzer*in stellt den Mittelpunkt dar. Dessen/deren Eigenschaften werden im Modell beschrieben und in einen sozialen und organisatorischen Kontext eingebunden. Letzterer bezieht das wissenschaftliche oder professionelle Fachgebiet mit bestimmten Präferenzen, Strategien und Aufgaben ein, welche den aktuellen kognitiven Zustand des Benutzers/der Benutzerin beeinflussen.
Kognitive Eigenschaften sowie sozial-organisatorisches Umfeld können wiederum in Submodellen abgebildet werden. Der Schwerpunkt des Modells liegt auf der Interaktivität der kognitiven Strukturen.
Ingwersen & Järvelin (2005, 197 ff.) führten Wilson (1999) und Kuhlthau (1991) als Wegbereiter der kognitiven Information Retrieval-Modellierung an (s. Kapitel D 6 Information Seeking Behaviour). Insbesondere stellten sie die Aufgabenorientierung (task orientation) heraus, die informationelle Prozesse immer an eine bestimmte Situation, eine bestimmte Person, die es nutzt, bindet und in einen konkreten Kontext stellt. Aufgaben können dabei aus einer beruflichen oder privaten Perspektive entstehen, aber auch allgemeine Alltagsaufgaben oder Interessen umfassen. Das Kuhlthau-Modell integrierteeine emotional-affektive Ebene und erweiterte die Phasen des Informationssuchprozesses um subjektive Komponenten (s. Kapitel D 4 Information und Emotion). Die angeführten Modelle wurden von anderen Autor*innen, wie z. B. Spink et al. (2002), Fidel & Pejtersen (2004), Pharo (2004), aufgegriffen und in Bezug auf andere Faktoren erweitert.
Eine besondere Bedeutung erlangte das Integrated IS & R Research Framework (s. Abb. 3 und Ingwersen & Järvelin 2005, Kapitel 6), welches das Ziel verfolgte, die verschiedenen Stränge dieser kognitiven, aufgabenbasierten Perspektive auf Information Seeking und Retrieval (IS & R) in einem holistischen Framework zusammenzufassen. Dieses Modell ist von hoher Komplexität; fünf umfassende Kategorien und neun Variablenklassen interagieren nach Ingwersen & Järvelin (2005, S. 313) miteinander. Es ist empirisch motiviert und stellt eine individuelle Person in den Mittelpunkt, die durch vielfältige Kontexte präzisiert wird. Auf der Basis empirischer Analysen können daraus Erkenntnisse zur Hypothesengenerierung und Theoriebildung gewonnen werden. Die zentralen Komponenten des Frameworks sind – wie die Abbildung 3 zeigt – die Informationstechnologie, die Kollektion der Informationsobjekte, die Informationssuchenden und die Schnittstellen – alle eingebunden in soziale, kulturelle und organisatorische Kontexte. Individuen und Kontexte unterliegen einer zeitlichen Entwicklung und sind wechselseitig komplementär. Zwischen den Komponenten gibt es viele Beziehungen, was dem Framework eine hohe Flexibilität verleiht. Ingwersen & Järvelin (2005) haben das Framework einer Evaluation unterzogen. Außerdem wurden die einzelnen Dimensionen feiner granuliert und durch Operationalisierungsvorschläge ergänzt (s. Ingwersen & Järvelin 2005, Kapitel 7).
Wie die o. g. Ansätze gezeigt haben, versammeln sich verschiedene Charakteristika und Phänomene unter dem Dachbegriff des Kognitiven Information Retrieval, der Information Seeking und Information Retrieval zusammenführt. Zentral ist die Fokussierung auf die nutzende Person von IR-Systemen sowie auf ihre diversen Eigenschaften und Umgebungen. Auch zeigt sich eine Verschiebung auf die Individualität dieser Person, sodass an verschiedenen Stellen subjektive Ausprägungen der Eigenschaften einbezogen werden (s. Kapitel C 10 Modellierung von Benutzer*innen, Kontextualisierung, Personalisierung). Dennoch bleibt dies eine offene Fragestellung, da der Kontext nicht als geschlossenes System angesehen werden kann. Auch die Vorschläge, wie Kontexte und Benutzereigenschaften empirisch erfasst, modelliert und operationalisiert werden können, befinden sich weiterhin in der Entwicklung.
5 Wo steht die IR-Forschung heute?
Am Anfang dieses Kapitels wurde auf die Interdisziplinarität des IR hingewiesen und aufgezeigt, dass sich schon immer mehrere Disziplinen mit dem IR auseinandersetzten. Die heutige IR-Landschaft macht deutlich, dass sich die Disziplinen stärker aufeinander zubewegt haben, was sich vor allem auf einschlägigen Konferenzen wie der SIGIR (s.z. B. Croft 2019; Frommholz et al. 2020), der ECIR (s. z. B. Hiemstra et al. 2021) und insbesondere der CHIIR (s. Elsweiler et al. 2022) zeigt. Die systemseitige Ausrichtung von IR und die benutzerorientierte stehen sich nicht als isolierte Paradigmen gegenüber und die Interaktion zwischen Mensch und System (s. Croft 2019) bzw. Nutzer*in und Information wird als Schlüsselkonzept angesehen (s. Belkin 2015), wobei der Kontext als entscheidender Faktor betont wird (s. Järvelin 2018).
Croft (2019) fordert eine Rollenverteilung zwischen System und Benutzer*in, die den Benutzer*innen Last abnimmt; er stellt jedoch fest, dass die Systemrolle passiver ausgerichtet ist als die menschliche. Als Beispiele für Systemhilfen nennt er die automatische Anfrageerweiterung durch Termvorschläge und die Vervollständigung der Anfrage, was noch viele innovativere Aktivitäten offenlässt.
Marchionini (2006) legt mit seinem Exploratory Search Model (s. Abbildung 4) die Grundlage für größer angelegte Forschungsbereiche wie z. B. Information Discovery, Searching as Learning, Investigation etc. Hier wird dem IR wesentlich mehr zugesprochen, als „nur“ Information zu finden (s. Vakkari 2016; Hansen & Rieh 2016). Im explorativen Modell können Lernprozesse und umfangreiche Studien kooperativ in bestimmten sozialen Umgebungen durchgeführt werden.
Shah (2012) widmet sich dem Bereich der kollaborativen Suche und verbindet dabei mehrere Benutzer*innen in einem System, das über verschiedene Zusatzfunktionen (z. B. Planungs-, Diskussions- und Bewertungskomponenten) für eine gemeinsame Suche verfügt (s. Kapitel C 10 Modellierung von Benutzer*innen, Kontextualisierung, Personalisierung).
Obwohl sich die konstruktive und analytische Ausrichtung des IR nicht mehr als unterschiedliche Pole darstellen, ist eine vollständige Integration noch nicht gelungen. Wir sehen uns vielen Ansätzen und Modellen gegenüber, die bereits prototypische Lösungen kleineren Umfangs vorschlagen. Die Ergebnisse aus dem Nutzerverhalten, unmittelbar mit den Systemen zu integrieren, steckt immer noch in den Kinderschuhen. Ein besonderes Problem stellt sich ein, wenn es um Innovationen gehen soll, die noch auf kein vorhandenes Vorgehenskonzept aufbauen können.
6 Fazit und Ausblick
Während die frühen Ansätze des kognitiven Information Retrieval die Erweiterung um benutzerorientierte Perspektiven noch recht allgemein postulierten, finden sich in den aktuelleren Arbeiten konkrete Vorschläge, die in prototypischen Systemen operationalisiert und durch empirische Studien evaluiert wurden. Dennoch sind – nicht zuletzt aufgrund des Zusammentreffens verschiedener Disziplinen – die Grenzen des kognitiven Information Retrieval fließend: „There are many possibilities of representing information
space in cognitively different ways.“ (Larsen et al. 2006, S. 92).
Die IR-Forschung setzt sich in einer Reihe von Publikationen damit auseinander, wohin die Reise des IR geht, und richtet ihren Blick auf verschiedene Gebiete. Nicht nur die veränderten Technologien, sondern auch neue Formen des Informationsverhaltens und der Informationsnutzung tragen zur Dynamik bei. Gerade die Digitalisierung in fast allen Bereichen von Arbeit und Freizeit kann dazu führen, neue Verhaltensmuster zu provozieren.
Benutzer*innen sind in vielen Studien untersucht worden und haben nach wie vor eine sehr zentrale Position, aber immer mehr steht die Forderung im Raum, dass sie als handelnde Akteure bei der Interaktion mit Systemen und Information betrachtet werden sollten und nicht nur als Nutzende von Information und entsprechenden Information Services (Järvelin 2018, S. 61). Järvelin (2018, S. 53) rüttelt an einem weiteren Grundverständnis, dass Information und eine umfassende Suche nach ihr immer vorteilhaft und erstrebenswert ist. Er nennt dies „IR-rationalism“ (Järvelin 2018, S. 53). In diesem Paradigma bewegen sich die Nutzer*innen in einem von den Systemen vorgegebenen Rahmen und ihr Verhalten wird dadurch als vorhersehbar und normativ angesehen. Realistisches Verhalten bewegt sich aber nicht immer innerhalb dieser Grenzen und die möglichen Abweichungen sind schwer zu greifen. So kann es z. B. sein, dass relevante Information absichtlich ignoriert wird, um verfolgte Ziele und Strategien nicht zu untergraben oder auch um wichtige Information nicht zur Kenntnis nehmen zu müssen. Damit haben sich Arbeiten zur Informationsvermeidung (information avoidance) und Nicht-Nutzung von Information auseinandergesetzt. Empirische Studien dazu finden sich z. B. in Fuertes et al. (2020) und Soroya et al. (2021). Järvelin (2018, S. 53) stellt in folgendem Zitat heraus, dass die Informationswissenschaft diesen Wandel berücksichtigen muss:
“Such influences gradually shifted the focus of Information Science toward the role of information services in the life of people. They also contributed to the transformation of Information Science from an institution focus, or system focus, to a person in context focus.” (Järvelin 2018, S. 53)
________________________________