One Health – Transdisziplinarität bei ZB MED

Bild

von Eva Seidlmayer und Christoph Poley

Beitrag von ZB MED für die Posterausstellung der AGMB 2017 in Wien

One Health – Transdisziplinarität bei ZB MED

ZB MED  unterstützt disziplinäre und disziplinübergreifende Fragestellungen in Medizin, Umwelt-, Ernährungs- und Agrarwissenschaft und ermöglicht so einen ganzheitlichen Blick auf den Menschen. Das Poster führt in die hinter diesem Ansatz stehenden Konzepte One Health und Transdisziplinarität ein. Zudem stellt es die Services vor, die ZB MED für die transdisziplinäre Forschung in den Lebenswissenschaften bereitstellt.

Das Poster war unser Beitrag zur Posterpräsentation auf der diesjährigen Jahrestagung der Arbeitsgemeinschaft für Medizinisches Bibliothekswesen e.V., die vom 25. bis 27. September in Wien stattfand. Wir haben damit den zweiten Preis im Posterwettbewerb gewonnen.


Weiterführende Links:
AGMB-Jahrestagung, Wien

Video-Tutorials zu Peer Review

Von Jasmin Schmitz

Wissenschaftliche Artikel durchlaufen in der Regel einen Begutachtungsprozess, im Rahmen dessen über die Publikationswürdigkeit eines Manuskripts entschieden wird. Diese Begutachtung wird auch Peer Review genannt. Peer Review spielt somit für die Qualitätssicherung in der Wissenschaft eine wichtige Rolle. Mit dem Thema sind aber auch eine Reihe von Fragen verknüpft: Wie läuft es ab? Welche Bedeutung hat es für die Wissenschaftskommunikation? Was sind die Probleme?

ZB MED hat hierzu eine Auswahl von Video-Tutorials zusammengestellt, die über die unterschiedlichen Aspekte informieren und die unter anderem in der Open-Access-Publikationsberatung eingesetzt werden:

Auswahl von Video-Tutorials zu Peer Review, die über die unterschiedlichen Aspekte informieren und die unter anderem in der Open-Access-Publikationsberatung eingesetzt werden.

 

Bei der Auflistung oben handelt es sich um einen Auszug einer Zusammenstellung von Video-Tutorials auf der ZB MED Webpräsenz, die über unterschiedliche Themen im Bereich Open Access und Open Data informieren. Die Tabelle wurde kürzlich um aktuelle Videos ergänzt und enthält mittlerweile mehr als 100 Videos. Derzeit ist in Planung, die Tabelle stärker thematisch zu strukturieren, damit Nutzerinnen und Nutzer schneller relevante Videos zur Nachnutzung finden.


Weitere Informationen:

Ausgewählte Video-Tutorials zu Open Access und Open Data auf PUBLISSO
Ursula Arning: Peer Review und Qualitätssicherung bei PUBLISSO gold, der Open-Access-Publikationsplattform von ZB MED. ZB MED-Blog vom 11. September 2017

FaMI?… Aha… Was ist denn das? Kann man das essen?

Von Saskia Dorschel

FaMI?… Aha… Was ist denn das? Kann man das essen? So ungefähr begegnen mir Menschen, wenn Sie mich fragen, was ich denn mache. Daraufhin leiere ich den schönen vollständigen Begriff für meinen Ausbildungsberuf runter: „Fachangestellte für Medien- und Informationsdienste“. Leider gucken mich dann immer noch Fragezeichen an und ich antworte: “Ich arbeite in einer Bibliothek“. Die Fragezeichen verschwinden zwar, aber eigentlich weiß trotzdem niemand so genau, was sich hinter diesem Berufsbild versteckt.

Also hier für alle:

Fachangestellte für Medien und Informationsdienste (kurz FaMI) haben als Aufgabe das Beschaffen, Erschließen, Aufbewahren und Vermitteln von Daten, Informationen und Medien (z.B. Bücher und Zeitschriften). Wir sind die „Dealer“ und Vermittler von Informationen. Dabei bereiten wir diese auf, verwalten sie und stellen sie  zur Verfügung, damit die Menschen in der ganzen Informationsflut nicht untergehen.

Die Ausbildung dauert drei Jahre und findet in einem dualen System (schulisch und betrieblich) statt. Während der Ausbildung werden unter anderem Kenntnisse vermittelt in der Medienbearbeitung (Erwerbung und Inventarisierung von Büchern und Zeitschriften, formale und sachliche Erschließung des Medienbestandes, Magazinarbeiten) sowie im Benutzungsdienst und in der Informationsvermittlung (Anmeldung/Abmeldung von Benutzern in der Bibliothek, Bibliotheksnutzer in die Benutzung der Bibliothek einführen und über Dienstleistungs- und Medienangebot beraten, Ausleihen sowie Rückgaben, Verlängerungen, Mahnungen und Vorbestellungen bearbeiten).

Wir  Auszubildenden bekommen einen Plan, in dem die Ausbildungsbereiche (Abteilungen der Bibliothek) zeitlich festgelegt sind; so bin ich dann zum Beispiel drei Wochen im Bereich Marketing/Öffentlichkeitsarbeit und danach drei Wochen in der Verwaltung. Die betriebliche Ausbildung findet hauptsächlich an unserem Standort in Köln statt. Jedoch werde ich im kommenden Sommer das Vergnügen haben, auch eine Weile in Bonn zu arbeiten. Das ist eine schöne Abwechslung, weil – um es mit den Worten eines Kollegen bei einem Besuch in Bonn zu sagen -: „Hier bei uns in Bonn, is et ein bisschen schnuckeliger“.

Doch natürlich werden FaMIs nicht nur in Bibliotheken ausgebildet. Es gibt noch vier weitere Fachrichtungen: Archiv, Information und Dokumentation, Bildagentur sowie die medizinische Dokumentation. Durch verschiedene Praktika während der Ausbildung erhalte ich auch praktische Einblicke und Erfahrungen in diesen Bereichen.

Doch was sollte man für den Beruf mitbringen, wenn man ihn gerne erlernen möchte?

Nun ja eine Vorliebe für Bücher und Medien sollte man schon haben, denn ohne die gibt es keine Bibliothek. Der unordentlichste Mensch darf man nicht sein, Sorgfalt ist wichtig – ein verstelltes Buch ist meistens ein verlorenes Buch und verschwindet für immer 😉 Eine Antipathie gegen Computer und Technik wäre nicht gut, denn hier passiert eine Menge am PC; ohne die Technik sind wir aufgeschmissen. Die Freude und Aufgeschlossenheit im Umgang mit Menschen sollte man auch zu seinen Stärken zählen. Dazu kommen noch Flexibilität, Selbstständigkeit und Bereitschaft zur Teamarbeit.

Ich bin jetzt seit ein paar Monaten hier und ich fühle mich angekommen! Zusammen mit zwei weiteren Auszubildenden teile ich mir ein kleines Büro und alle Kolleginnen und Kollegen sind nett und zuvorkommend. Ich habe schon eine Menge gelernt und blicke voller Erwartung in die nächsten Jahre. Um es  mit den Worten von J.K. Rowling zu beenden:

 

“But why’s she got to go to the library?”  “Because that’s what Hermione does,” said Ron, shrugging. “When in doubt, go to the library.”

Wir sind muTiger!

Von Sarah Matthews und Kathrin Hofmann

Nicht nur im Alltag wird man manchmal Zeuge von Situationen, die Zivilcourage fordern. Auch im Berufsleben ist es sehr hilfreich zu wissen, wie man im besten Interesse für sich selbst und andere diese Lagen meistert. Beispielsweise, um brenzlige Situationen schnellstmöglich zu entschärfen. Daher fand am 28. Juni bei ZB MED eine Fortbildung zum Thema „Zivilcourage“ statt, an der Mitarbeiterinnen und Mitarbeiter aus dem Benutzungsbereich teilgenommen haben. Ein Kursleiter und eine Kursleiterin der muTiger-Stiftung aus Gelsenkirchen haben den Tag geleitet und gestaltet. Anhand von praktischen aber auch theoretischen Beispielen haben sie uns Zivilcourage und mögliche Reaktionen näher gebracht.

Zu Beginn der Fortbildung zeigte die Kursleiterin einen Kurzfilm mit einer nachgestellten Mobbingszene in einer U-Bahn. Sie stellte die Frage, welche Handlungs- und Hilfestellungen denkbar sind: Wie würden Sie reagieren, wenn eine einzelne Person von mehreren Personen bedrängt und belästigt werden würde? Wie würden Sie in einer solchen Situation handeln? Welche Handlungsmöglichkeiten gibt es?

Zwei praxisnahe Liveszenarien, bei denen eine kritische Situation im Bus nachgespielt und ein Gang durch eine dunkle Gasse simuliert wurde, brachten Spaß und förderten den notwendigen Mut, sich in den entsprechenden Situationen richtig zu verhalten. Sie weckten Erinnerungen zu Situationen, die man selbst schon erlebt hat und bei denen man selbst Hilfe benötigt hätte bzw. Hilfe geleistet wurde. Wir nehmen von dem Tag die Erkenntnis mit, dass man nichts falsch machen kann, wenn man sich auf sein Bauchgefühl verlässt. Brenzlige Situationen muss man nicht alleine meistern. Frei nach dem Motto „gemeinsam sind wir stark“ sollten stets weitere Personen zur Mithilfe aufgefordert werden und natürlich die entsprechenden Notrufnummern bzw. -geräte in öffentlichen Verkehrsmitteln genutzt werden.

Gelernt haben wir:

  • Selbstbehauptung und Antiopfersignale
  • Wirksames Gefahrenradar
  • Aufforderung Anderer zur Mithilfe
  • Vermeidung von Täterkontakt
  • Absetzen eines Notrufs mit den fünf W-Fragen
  • Rechtliche Rahmenbedingungen

Wer gerne mehr über die muTiger-Stiftung erfahren möchte, kann sich auf ihrer Website umfangreich zum Angebot informieren.

Neuer Wissenschaftlicher Beirat für ZB MED

Am 22. und 23. März tagt erstmals der neue elfköpfige Wissenschaftliche Beirat von ZB MED, der vom ZB MED-Stiftungsrat für die Dauer von vier Jahren berufen wurde. Darin vertreten ist ein breit gespanntes Spektrum mit ausgewiesener Kompetenz und vielfältiger Erfahrung. So gehören dem Beirat Leitungen national und international renommierter wissenschaftlicher Einrichtungen und Bibliotheken an, die zugleich fachlich unsere Bandbreite in den Lebens- und Informationswissenschaften abdecken.

Die Aufgabe dieses wichtigen strategischen Gremiums besteht darin, ZB MED in wissenschaftlichen und programmatischen Fragen zu beraten. Der Wissenschaftliche Beirat stellt also eine Art Lotsendienst dar, der uns auf unserem Weg zurück in die Leibniz-Gemeinschaft kritisch begleitet und mit seinem Rat unterstützt.


Weiterführende Links:

Wissenschaftlicher Beirat ZB MED
Gesetz zur Errichtung einer Stiftung „Deutsche Zentralbibliothek für Medizin“
Satzung der Stiftung ZB MED

Wissenschaftlicher Beirat der ZB MED

 

Institutionelle Data Policies am Beispiel der deutschen Hochschullandschaft

von Birte Lindstädt und Robin Rothe

Im Blogbeitrag „Data Policies bei wissenschaftlichen Verlagen“ wurde bereits angedeutet, dass Data Policies schon seit längerem ein viel diskutiertes Thema auf institutioneller Ebene sind. Zum besseren Verständnis und zur Verortung der Policies von wissenschaftlichen Verlagen soll in diesem Blogbeitrag der Status Quo zu diesem Thema in der deutschen Hochschullandschaft beleuchtet werden. Dabei spielen die „Vorschläge zur Sicherung guter wissenschaftlicher Praxis“ seitens der DFG (1)  eine bedeutende Rolle. Sie gelten als Maßstab im Bezug auf den Umgang mit Forschungsdaten und damit auch der Festlegung von Regeln bzw. Verhaltenskodizes. In diesem Zusammenhang hat die Hochschulrektorenkonferenz (HRK) im November 2015 auf der 19. Mitgliederversammlung Empfehlungen zur Steuerung der Entwicklung von Forschungsdatenmanagement seitens der Hochschulleitungen beschlossen (2).

Die nachfolgende Tabelle orientiert sich an den dort festgelegten Punkten eines idealtypischen Prozesses zur Erstellung von Richtlinien für Forschungsdatenmanagement im Hochschulkontext, die auch auf andere Institutionen übertragen werden können. Ergänzt werden die dort genannten Bestandteile einer Data Policy durch Beispiele aus bereits existierenden Research Data Policies, die aus dem Wiki „forschungsdaten.org“ entnommen wurden (3). Die vorgestellte Liste der Beispiele ist nicht abschließend. Weitere Hochschulen haben mittlerweile eine Data Policy beschlossen – wie z. B. die RWTH Aachen (4), die aber nicht auf „forschungsdaten.org“ verzeichnet wurden.

Tabelle: Zielsetzung und Bestandteile einer Research Data Policy

Zielsetzung und Bestandteile einer Research Data Policy

Die Reihenfolge, wie sie die HRK empfiehlt, wird in den einzelnen Data Policies nicht unbedingt eingehalten und es werden nicht in allen Policies alle Punkte abgedeckt. Dies kann aber in Anbetracht der Tatsache, dass alle vorgestellten Policies vor dem Beschluss der HRK Ende des Jahres 2015 formuliert und veröffentlicht wurden, nicht erwartet werden. Vielmehr ist erkennbar, dass bereits vor einer hochschulübergreifenden Debatte an einzelnen Universitäten das Thema Forschungsdaten und dabei insbesondere die Bedeutung von Data Policies als Instrument im Forschungsdatenmanagement erkannt wurden. Insofern haben alle genannten Hochschulen Pionierarbeit in Sachen Research Data Policies in Deutschland geleistet.


(1) DFG (2013). Vorschläge zur Sicherung guter wissenschaftlicher Praxis: Empfehlungen der Kommission „Selbstkontrolle in der Wissenschaft“. In DFG (2013). Denkschrift „Sicherung guter wissenschaftlicher Praxis“ (S.5-55).

(2) Vgl. Hochschulrektorenkonferenz (2015). Wie Hochschulleitungen die Entwicklung des Forschungsdatenmanagements steuern können. Orientierungspfade, Handlungsoptionen, Szenarien: Empfehlung der 19. HRK-Mitgliederversammlung am 10.11.2015.

(3) Vgl. Data Policies: Institutionelle Policies (17.10.2016). In forschungsdaten.org.

(4) RWTH Aachen (2016): Forschungsdatenmanagement an der RWTH Aachen.

Ein Vergleich lebenswissenschaftlicher Ontologien mit dem Suchportal LIVIVO

Von Alexandra Hagelstein

Semantische Suche

Im letzten Blogbeitrag der LIVIVO-Labs „Beyond Metada“ haben wir die Vorgehensweise beschrieben, wie wir LIVIVO semantisch mithilfe von Entitäten aus Ontologien anreichern. Die Entitäten werden mit dem UIMA Framework extrahiert und in unserem ZB MED Knowledge Environment gespeichert.

Bei genaueren Betrachtungen sind uns weitreichende Überschneidungen aufgefallen. Beispielsweise zeigen unsere Wordclouds die häufigsten gefundenen Begriffe aus den Thesauri in LIVIVO (1).

Interdisziplinarität der Suche

LIVIVO als Suchportal für die Lebenswissenschaften enthält Publikationen aus den Bereichen der Medizin, des Gesundheitswesens, der Ernährungs-, Umwelt- und Agrarwissenschaften. Mit MeSH (Medical Subject Headings) wird das ZB MED Knowledge Environment mit medizinischer Terminologie angereichert, Agrovoc deckt den landwirtschaftlichen Bereich ab, DrugBank umfasst pharmazeutische Fachbegriffe.

Ähnlichkeitsvergleich der Ontologien

In einer aktuellen Publikation (2) haben wir die drei erwähnten Thesauri auf ihre Ähnlichkeiten verglichen. In den Thesauri und somit in den automatisch generierten Wordclouds überschneiden sich vor allem Oberbegriffe wie zum Beispiel „Patients“ oder „Methods“. Als Maß, um die Ähnlichkeit zwischen den Ontologien zu messen, verwenden wir den Jaccard-Koeffizienten. Er teilt die Anzahl der gemeinsamen Begriffe durch die Größe aller in den jeweiligen Thesauri vorkommenden Begriffe.
Je höher der Jaccard-Koeffizent – er kann maximal den Wert „1“ annehmen – desto größer ist die Ähnlichkeit der Thesauri.

Ergebnisse

Der Jaccard-Koeffizent zwischen den Thesauri MeSH und Agrovoc beträgt 0,09.
Beim Betrachten der 1000 häufigsten Begriffe aus dem ZB MED Knowledge Environment steigt dieser Koeffizient auf 0,3 an. Das heißt, dass viele der häufigen Begriffe aus dem Suchportal LIVIVO sowohl in dem MeSH-Thesaurus, als auch in Agrovoc enthalten sind.

Der Koeffizient zwischen Agrovoc und DrugBank ist im Vergleich dazu sehr niedrig und liegt bei 0,005. Die modellierten Begriffe im Thesaurus DrugBank sind im Wesentlichen durch spezifisches Wissen geprägt und enthalten weniger Oberbegriffe als die Thesauri MeSH und Agrovoc. MeSH und Agrovoc teilen sich einige Begriffe, da sie als Oberbegriffe in vielen Disziplinen anwendbar sind. So werden Begriffe wie „Therapy“ oder „Research“ in den Thesauri abgebildet, enthalten aber kein spezifisches und unterscheidbares Fachwissen.

Zwei Venndiagramme veranschaulichen die Ergebnisse. Diagramm A stellt die Überschneidungen zwischen den Thesauri MeSH, DrugBank und Agrovoc dar. Diagramm B zeigt die Überschneidung der 1000 häufigsten Begriffe in LIVIVO.

Venndiagramme

Venndiagramme zur Veranschaulichung der Ergebnisse

Fazit

Diese Ergebnisse zeigen Schwierigkeiten, die bei der Extraktion von Begriffen aus verschiedenen Wörterbüchern für die Literatursuche auftreten. Um die Überschneidung der Begriffe zu vermeiden, gibt es zwei Möglichkeiten: Entweder die überschneidenden Oberbegriffe aus den Ontologien werden zusammengefasst und ergeben nur einen Treffer oder es wird ein Verfahren genutzt, dass die Oberbegriffe auslässt. Das Auslassen der Oberbegriffe würde jedoch zu einem Ausfall von Informationen führen, dafür könnte aber möglicherweise die Genauigkeit der Treffer erhöht werden.

 

Die Publikation wurde im Rahmen der EKAW (International Conference on Knowledge Engineering and Knowledge Management) (3) eingereicht. Die diesjährige EKAW Konferenz befasst sich mit der Wirkung von Raum und Zeit auf die Repräsentation von Wissen. Mit dem Suchportal LIVIVO ermöglichen wir unseren Nutzern den Zugang zu Literatur aus 55 Millionen Publikationen aus dem Bereich der Lebenswissenschaften.


 

(1) LIVIVO Laboratories
(2) Müller, B., Hagelstein, A., Gübitz T.: Life Science Ontologies in Literature Retrieval: A Comparison of Linked Data Sets for Use in Semantic Search on a Heterogueneous Corpus. Proceedings of the 20th International Conference on Knowledge Engineering and Knowledge Management, Bologna, Italy (2016)
(3) International Conference on Knowledge Engineering and Knowledge Management, Bologna (Italy), 19.-23. November 2016

Die mögliche Vielfalt der Impact-Messung: Anbietervergleich von Aggregatoren von Altmetriken

Von Robin Rothe und Jasmin Schmitz

Die „klassische“ Impact-Messung basierend auf der Zählung von Zitationen wird zunehmend als unzureichend erachtet. Hauptkritikpunkte sind hierbei, dass die von kommerziellen Anbietern generierten Zitationszahlen nicht offen einsehbar und daher wenig transparent sind. Zudem stehen diese nicht für alle Produkte wissenschaftlichen Forschungsoutputs wie Forschungsdaten oder Software zur Verfügung. Außerdem stellt das Zählen von Zitationen nur eine Möglichkeit dar, Impact zu messen (1). Zentrale Forderungen von Initiativen wie San Francisco Declaration on Research Assessment (DORA) (2) und Altmetrics Manifesto (3) sind daher, die Impact-Messung auf eine breitere Basis zu stellen und auch auf andere Formen der Nutzung auszuweiten. Diese Ausweitung wird unter dem Schlagwort „Altmetriken“ (engl. Altmetrics) diskutiert, einer Zusammensetzung aus „alternativ“ und „Metriken“. Dabei verstehen sich Altmetriken aber eher als Ergänzung zur klassischen Impact-Messung, weniger als Ersatz. Häufig werden diese auch als „article level metrics“ bezeichnet, weil entsprechende Zahlen auf der Ebene der Publikationen (z.B. Zeitschriftenartikel, Forschungsdatenveröffentlichung, Softwarepublikation, Blogbeitrag, Veröffentlichung von Präsentationsfolien) selbst erhoben werden.

Neben der Ermittlung, wie häufig Veröffentlichungen zitiert werden, wird auch gemessen, wie häufig diese beispielsweise abgerufen, gespeichert, geteilt, kommentiert oder empfohlen wurden. Insbesondere die Erwähnung in Sozialen Medien spielt dabei eine große Rolle, die mittlerweile Einzug in sämtliche Lebensbereiche gehalten haben und daher auch bei der Impact-Messung berücksichtigt werden sollen. Viele der Plattformen bieten mittlerweile die Möglichkeit, über eine API altmetrische Kennzahlen für Publikationen abzurufen. Häufig wird hierbei mit einem persistenten Identifikator wie dem DOI gearbeitet. Zudem gibt es eine Reihe von Datenaggregationen, die entsprechende Anbieter abfragen und die Kennzahlen gebündelt präsentieren. Die bekannteste Darstellungsform ist hierbei der „Donut“ von altmetric.com (4).

Möchte man selbst altmetrische Kennzahlen für Publikationen erheben (z.B. für sich selbst oder für Publikationen im Repositorium oder Publikationsdienst), stellt sich die Frage nach einem geeigneten Anbieter. Hierbei ist nicht unerheblich, wie viele und welche Datenquellen ausgewertet werden.

Die nachfolgende Tabelle informiert über verschiedene Datenaggregatoren und die Datenquellen, die sie auswerten. Das Schema beruht auf einer Zusammenstellung in Jobmann et al. 2014 (5); dort findet sich auch eine kurze Beschreibung zu PlumX, ImpactStory, Altmetric Explorer von altmetric.com und Webmetric Analyst. Neben diesen kommerziellen Anbietern gibt es seit 2009 Lagotto (6). Dabei handelt es sich um eine freie Software, die flexibel konfigurierbar ist und von PLOS entwickelt und via GitHub bereitgestellt wurde. Es wird u.a. von PLOS ONE, Copernicus Publications und CrossRef verwendet (7).

Tabelle mit den Datenaggregatoren und Datenquellen

Datenaggregatoren und Datenquellen

Es ist zu erkennen, dass insbesondere PlumX, aber auch die anderen Aggregatoren von Altmetriken bemüht sind, eine möglichst große Vielfalt an Datenanbietern zu identifizieren und in ihr Produkt zu implementieren. Erkennbar ist auch, dass neben den klassischen Zitationen auch „comments“, „likes“, „mentions“, „views“, „follower“s, „readers“, etc. ausgewertet werden.

Was sich aus der Tabelle nicht ablesen lässt, ist, was sich hinter den einzelnen Datenquellen und deren Kennzahlen verbirgt. Auch kann die Fülle aus 35 Datenquellen und 58 dazugehörigen Auswertungsmerkmalen bei der erstmaligen Betrachtung in dieser reinen Auflistung für Überforderung sorgen. Um diesem vorzubeugen, erscheint es sinnvoll, die einzelnen Datenquelle näher zu betrachten und genauer zu überprüfen, was diese im Kontext von Impact-Messung zu bieten haben. Dieses wird in der nachfolgenden Tabelle versucht zu erläutern:

Tabelle mit Datenquellen und Impactmessung

Datenquellen und Impactmessung – Erläuterung

Die Diversität macht deutlich, wie vielfältig Impact-Messung sein kann. Neben Microblogging-Dienste wie Twitter, Soziale Medien wie Facebook und Bookmarking-Dienste wie Mendeley werden auch Erwähnungen auf Blogs, in Wikipedia, in Patentdokumenten oder in „policy documents“ in Betracht gezogen. Zudem werden Schnittstellen von „Sharing“-Plattformen wie Repository-Anbietern, Figshare, Github und Video-Plattformen „angezapft“ und Bewertungsseiten wie Reddit ausgewertet (8).

Vor der Auswahl einer Datenquelle bzw. eines Aggregators empfiehlt es sich, die eigene Zielsetzung zu definieren (Welche Zahlen möchte ich für wen erheben und zu welchem Zweck?). Bei Nutzung aller möglichen Quellen und allen dort auswertbaren Daten kann es passieren, dass die eigenen Nutzerinnen und Nutzer auf Grund der Masse an Informationen überfordert sind. Gleichzeitig besteht die Gefahr der Beliebigkeit und damit der möglichen Einschränkung des Impact von Altmetriken. Andererseits ist es ja gerade der Sinn von alternativen Metriken, neben der klassischen Zählung von Zitationen auch andere Nutzungsdaten auszuwerten, weswegen eine zu starke Beschränkung auf wenige Werte das Potenzial missachten würde. Inwieweit alle hier dargestellten Kennzahlen tatsächlich dauerhaft in die altmetrische Impact-Messung Eingang finden, darüber lässt sich nur spekulieren. Vielfach ist noch unklar, wie sich Erwähnungen und deren Häufigkeit tatsächlich interpretieren lassen. Insbesondere dadurch, dass sowohl der Kontext, als auch der Inhalt nicht in die Auswertung mit einfließen, fehlt häufig ein Anhaltspunkt für die Qualität z.B. einer Erwähnung auf Twitter, einem Like bei Facebook oder aber auch einer Erwähnung auf einem Blog von WordPress. Auch ist bislang noch nicht geklärt, wie mit den Messwerten von „Views“ auf Videoplattformen wie Youtube und Vimeo umgegangen wird und was diese aussagen. Möglich wäre dabei auch eine unterschiedliche Gewichtung der Quellen. Es darf aber auch nicht vergessen werden, dass es gerade die Idee von alternativen Metriken ist, die bisherige Beschränkung auf wenige renommierte Quellen aufzubrechen und Nutzung viel genereller und offener darstellbar zu machen. Daraus ergibt sich auch die große Möglichkeit, dass für unterschiedliche Fachdisziplinen unterschiedliche Metriken Einfluss auf den jeweiligen Impact haben und damit fachspezifische Faktoren entworfen werden können.

ZB MED prüft derzeit die Möglichkeiten der Einbindung von Altmetriken in seine PUBLISSO-Publikationsplattformen, um Herausgeberinnen / Herausgeber und Autorinnen /Autoren, Informationen zur Nutzung der Publikationen bereitzustellen.


(1) Siehe auch: J. Schmitz (2016): Messung von Forschungsleistungen. Altmetrics: Auf dem Weg zur Standardisierung. In: Open Password Pushdienst vom 10.06.2016
(2) San Francisco Declaration on Research Assessment
(3) J. Priem, D. Taraborelli, P. Groth, C. Neylon (2010), Altmetrics: A manifesto, 26.10.2010
(4) Altmetric Badges
(5) A. Jobmann, Ch. P. Hoffmann, S. Künne, I. Peters, J. Schmitz, G. Wollnik-Korn (2014): Altmetrics for large, multidisciplinary research groups: Comparison of current tools. In: Bibliometrie: Praxis und Forschung. Band 3, urn:nbn:de:bvb:355-bpf-205-9
(6) Lagotto
(7) ALM – Article-Level Metrics
(8) Siehe hierzu auch S. Haustein (2016): Grand challenges in altmetrics: heterogeneity, data quality and dependencies. In: Scientometrics 108: 413-423. DOI:10.1007/s11192-016-1910-9.

Tipps & Tricks: Ermittlung von Zitationsraten für Zeitschriften, die nicht im Web of Science ausgewertet werden

Von Jasmin Schmitz

Für Herausgeber von wissenschaftlichen Zeitschriften stellt sich häufig die Frage: Wie wird meine Zeitschrift rezipiert? Abruf- und Downloadzahlen geben Aufschluss darüber, wie häufig Artikel angesehen wurden. Die „Währung“ im Wissenschaftsbetrieb sind allerdings Zitationen. Die Häufigkeit, mit der Artikel oder Zeitschriften zitiert werden, ist in unterschiedlichen Evaluierungskontexten von Interesse. Auch bei Zeitschriftenrankings wie den Journal Citation Reports (JCR) (1) spielen sie eine Rolle.

Für die Ermittlung von Zitationsraten benötigt man Zitationsdatenbanken wie Web of Science (2) und Scopus (3), die für die von ihnen aufgenommenen Zeitschriften auszählen, wie häufig die in dieser Zeitschrift erschienenen Artikel in den Referenzen anderer Artikel auftauchen. Google Scholar (4) erfasst ebenfalls Zitationsraten, ist aber aufgrund der fehlenden Transparenz und unzureichender Fehlerbereinigung nur bedingt zu empfehlen (5).

Doch was machen Zeitschriftenbetreiber, wenn ihre Zeitschriften nicht von den Zitationsdatenbanken indexiert werden? Dies betrifft häufig Zeitschriften-Neugründungen oder Zeitschriften, die aufgrund ihres speziellen thematischen Zuschnitts nicht in das „Auswertungsprofil“ der Zitationsdatenbanken passen. Entsprechende Zitatraten lassen sich mit etwas Aufwand ebenfalls mithilfe von Zitationsdatenbanken ermitteln. Hierzu kann in den Referenzen (engl. Cited References) der Artikel gesucht werden, die in Zeitschriften erscheinen, die in den Zitationsdatenbanken indexiert sind. Dort schaut man, wie häufig die gesuchte Zeitschrift zitiert wurde.

Das Vorgehen soll exemplarisch anhand des Web of Science erläutert werden.

 

Schritt 1 – Aufruf der „Cited Reference Search“:

Screenshot von Web of Science, Cited Reference Search

 

Schritt 2 – Suche nach der Zeitschrift im Feld „Cited Work“:

Screenshot von Web of Science, Cited Work

 

Schritt 3 – Durchsicht der Trefferliste:

Screenshot von Web of Science, Durchsicht der Trefferliste

Aufgelistet werden die Publikationen der gesuchten Zeitschrift, die zitiert wurden, alphabetisch sortiert nach dem Namen des Erstautors. In der Spalte „Citing Articles“ wird angegeben, wie häufig der entsprechende Artikel im Web of Science zitiert wurde. Um eine Zitationsrate für die gesamte Zeitschrift oder Jahrgänge zu ermitteln, müssten die Werte jeweils zusammengezählt werden. Da die Zeitschrift selbst nicht vom Web of Science indexiert wird, tauchen hier nur Artikel auf, die auch tatsächlich innerhalb des Web of Science zitiert werden.

Hakt man bei „Select“ einzelne Artikel an und geht anschließend auf „Finish Search“, so kann man die Artikel sehen, die die gesuchte Zeitschrift zitieren.

Grundsätzlich: Bei der Bewertung von sämtlichen Zitationszahlen sollte unbedingt beachtet werden, dass nur Referenzen innerhalb der jeweiligen Zitationsdatenbank ausgewertet werden (also Referenzen von Artikeln aus Zeitschriften, die in der Zitationsdatenbank indexiert werden). Die tatsächliche Anzahl der Zitationen kann daher höher sein.


 

(1) Thomson Reuters: Journal Citation Reports
(2) Thomson Reuters: Web of Science
(3) Elsevier: Scopus
(4) Google Scholar Help
(5) Jacso, Peter (2012): Using Google Scholar for journal impact factors and the h-index in nationwide publishing assessments in academia – Siren songs and air-raid sirens (final manuscript). Online Information Review, 36(3): 462-478. DOI: 10.1108/14684521211241503

„Beyond Metadata“ – Wir reichern LIVIVO semantisch an!

Von Alexandra Hagelstein

Das ZB MED-Suchportal LIVIVO enthält Metadaten aus 55 Millionen Publikationen der Lebenswissenschaften. Typische Metadaten sind beispielsweise Titel, Namen der Autorinnen / Autoren oder das Erscheinungsjahr. Mit unserer neuen Methode extrahieren wir nun Titel und Abstract der Publikationen aus LIVIVO und annotieren die Texte mit den Begriffen der Ontologien. Volltexte durchsuchen wir aktuell noch nicht.

Was ist eigentlich eine Ontologie?

Ontologien enthalten semantische Informationen zu Begriffen, die sie beinhalten. Eine Ontologie repräsentiert Wissen über bestimmte definierte Fachbereiche. Dabei werden Entitäten, also die einzelnen Begriffe, und ihre strukturellen Beziehungen zueinander modelliert. Diese Beziehungen werden in der Regel hierarchisch dargestellt. Bei einer hierarchischen Darstellung sind die Elemente ausgehend von einer Wurzel wie Äste in einem Baum einander über- und untergeordnet.

Nehmen wir passend zum Sommer und zur Kirschzeit den englischen Begriff „cherries“ aus dem agrarwissenschaftlichen Thesaurus Agrovoc. „Cherries“ ist sowohl ein Oberbegriff von „sour cherries“ und „sweet cherries“, als auch Unterbegriff von „stone fruits“. Der Begriff „stone fruits“ ist wiederum Unterbegriff von „fruits“ usw. Auch gleichrangige Begriffe werden dargestellt. So ist „fruits“ in Agrovoc auf der selben Ebene wie beispielsweise „spices“, „legumes“, „cereals“ annotiert.

Der Agrovoc-Thesaurus ist Teil der „Linked Open Data Cloud“. Die LOD Cloud besteht aus offen zugänglichen und maschinenlesbaren Ontologien von verschiedenen Wissensdomänen. Eine der bekanntesten Ontologien aus der LOD Cloud ist zum Beispiel DBpedia. Neben Agrovoc gibt es weitere Ontologien, die den spezifischen Bereich der Lebenswissenschaften abdecken, aus denen wir aktuell noch zwei weitere benutzen. Medical Subject Headings (Akronym: MeSH) enthält Begriffe aus dem Bereich Medizin und semantische Informationen derselben. DrugBank enthält bedeutungstragende Informationen zu Medikamenten und Proteinen.

Woran forschen wir von ZB MED?

Üblicherweise erfolgt die Annotation von Schlagwörtern in Dokumenten manuell. Seit einiger Zeit beschäftigen wir uns mit Methoden, unsere LIVIVO-Metadaten automatisiert semantisch anzureichern, damit wir die Metadaten auch inhaltlich erschließen können. In einer Publikation, die auch bereits zur Veröffentlichung bei einer Konferenz (1) eingereicht wurde, stellen wir einen Ansatz vor, wie wir Metadaten mit Entitäten aus den Ontologien MeSH, Agrovoc und DrugBank semantisch verknüpfen. Die drei Ontologien decken schon ein breites Spektrum im Bereich der Lebenswissenschaften ab. Für die automatisierte Anreicherung benutzen wir ein JAVA-Framework, dass von IBM entwickelte wurde und als Open Source mit dem Namen UIMA (Unstructured Information Management Architecture) verfügbar ist. Das Framework ist beliebig mit weiteren Ontologien erweiterbar.

Die Entitäten der LOD Cloud werden mithilfe des Apache UIMA Frameworks aus den Metadaten extrahiert. Im ersten Schritt lesen wir Titel und Abstract aus unserer Wissensdatenbank, danach erfolgt mit einem sogenannten Offset-Tokenizer die Zerlegung der Sätze in einzelne Wörter. Dabei berücksichtigt der Offset-Tokenizer sowohl einzelne Wörter wie „brain“, als auch zusammengesetzte Nomen wie „epileptic seizures“ oder „Long QT Syndrome“ als jeweils ein Token. Die einzelnen Tokens werden mit dem Conceptmapper semantisch mit den entsprechenden Einträgen aus den Ontologien annotiert. Zum Schluss werden die annotierten Daten in die Wissensdatenbank aufgenommen.

In den Metadaten von LIVIVO wurden mehr als 1 Milliarde Entitäten gefunden. Die meisten von ihnen stammen aus MeSH (531 Millionen), gefolgt von Begriffen aus Agrovoc (447 Millionen) und Drugbank (50 Millionen).

Unsere ersten Ergebnisse

Als erste Anwendung haben wir die Ergebnisse unserer Arbeit als Wordcloud grafisch dargestellt. Dazu haben wir aus jeder Ontologie die 100 am häufigsten gefundenen Begriffe aus der Wissensdatenbank extrahiert und mit Wordclouds visualisiert. Mit Hilfe eines Schiebereglers lässt sich die Grafik in der Anwendung skalieren. Auf Basis dieser Wordclouds können dann Services entwickelt werden.

Wordcloud

Diese Wordcloud zeigt die 100 am häufigsten gefundenen Begriffe mit Agrovoc.

Der Prototyp der Applikation ist bereits online verfügbar. Mithilfe des Ansatzes, Begriffe automatisch aus unseren Metadaten zu extrahieren, wollen wir in Zukunft neue Funktionen für LIVIVO anbieten. Sobald es dort Neuigkeiten gibt – und diese werden auch nicht lange auf sich warten lassen – erfahren Sie es zuerst hier im ZB MED-Blog!


(1) Bernd Müller / Alexandra Hagelstein: Beyond Metadata – Enriching life science publications in LIVIVO with semantic entities from the linked data cloud. Köln, 2016. Wissenschaftliche Publikation eingereicht zur Konferenz „Semantics“, Leipzig


Links zu Ontologien:
Agrovoc
MeSH
DrugBank
DBpedia