Wie personalisierte Empfehlungen im Zeitalter des Informationsüberflusses helfen

Wie bei Netflix und Spotify, stützen sich Empfehlungen von ScienceDirect auf Nutzeraktivität 

Eine der größten Herausforderungen von Wissenschaftlern ist es, im Laufe ihrer Karriere immer auf dem aktuellsten Stand wissenschaftlicher Literatur zu sein. Dies ist keine leichte Aufgabe vor dem Hintergrund von 28.100 Peer-Review-Fachzeitschriften und der Veröffentlichung von 2,5 Millionen neuen Artikel pro Jahr.

Ist es möglich, sich durch dieses Meer an Informationen zu navigieren? Im digitalen Zeitalter wird täglich eine riesige Anzahl an Informationen und Daten veröffentlicht und verbreitet. Digitale Technologien helfen aber ebenfalls dabei, einen Überblick über das wirklich Relevante zu behalten. Dies kann unter anderem durch personalisierte Empfehlungen erreicht werden, die Forschern basierend auf deren Online-Verhalten erstellt und angeboten werden. Nachdem solche Empfehlungen bereits die Art und Weise verändert haben, wie Menschen mit Film und Musik umgehen, haben sie nun das Potenzial, die Art und Weise zu verändern, wie Forscher Inhalte finden und für sich stetig den neuesten Stand der Forschung zunutze machen.

„Wir stehen in regelmäßigem Kontakt mit Forschern und sie berichten uns, dass es einer Lösung bedarf, die steigende Anzahl von Informationen zu durchsuchen,“ sagt Maria Baronski, Senior Product Manager für ScienceDirect bei Elsevier. „Forscher verbringen durchschnittlich vier Stunden am Tag mit der Suche nach Artikeln und weitere fünf Stunden damit, diese zu lesen. Dabei sind nur 50 Prozent der Artikel nützlich für ihre Forschung.“

Netflix und Spotify schlagen basierend auf den Vorlieben des Nutzers TV-Serien, Filme und Songs vor. Auf ähnliche Art und Weise funktionieren auch personalisierte Empfehlungen von ScienceDirect. Forschern steht so eine alternative Möglichkeit zur Suche nach den für sie relevantesten Inhalte zur Verfügung. Seit August hat ScienceDirect nach und nach den personalisierten ScienceDirect Recommender eingeführt – den einzigen personalisierten Empfehlungsgeber, der auf einer großen Plattform für wissenschaftliche Volltext-Artikel basiert.

„Der Erfolg von Forschern bei der Suche nach für sie wichtigen Informationen ist momentan größtenteils von der Genauigkeit ihrer Suchanfrage abhängig“, erklärt Baronski. Sie ist bei ScienceDirect für die Personalisierung und Empfehlungen zuständig. „Personalisierte Empfehlungen helfen, die richtigen Informationen entsprechend den Bedürfnissen der Forscher zu finden, indem er ihnen automatisch relevante Inhalte empfiehlt. Der Nutzer muss nicht extra eine Suchanfrage erstellen. Kurzum: Forscher können in kürzerer Zeit eine größere Anzahl an für sie relevanter Forschungsergebnisse finden, indem sie Nutzerdaten und unsere Technologie auf ihr Forschungsfeld anwenden.“

Aktive Nutzer von ScienceDirect erhalten bereits E-Mails mit personalisierten Empfehlungen – unabhängig davon, ob sie Zugriff zu den Inhalten haben. Tausende weitere Nutzer kommen jeden Tag hinzu, indem sie sich einfach und kostenlos bei ScienceDirect registrieren.

Personalisierte Empfehlungen bauen auf dem vorhandenen Empfehlungsgeber auf, der bereits seit einiger Zeit Teil von ScienceDirect ist. Empfehlungen werden durch einen Algorithmus generiert, der auf denjenigen Artikeln basiert, die von ScienceDirect Nutzern angesehen und heruntergeladen wurden. Ein Großteil der Technologie wurde in Elseviers Research Products Data Science Hub in London entwickelt. Dabei wurde eine Machine Learning Technologie angewandt, um sicherzustellen, dass sich Artikel-Empfehlungen mit zunehmender Plattformnutzung verbessern – wie es eben auch bei Netflix und Spotify der Fall ist.

Seit Einführung betrachtet das System die letzten 2 bis 100 Artikel im Leseverlauf des Nutzers und priorisiert dabei die jüngsten Aktivitäten. Dr. Kris Jack, Head of Data Science, erklärt wie es funktioniert:

„Der Algorithmus hinter den personalisierten Empfehlungen ermittelt die Forschungsinteressen der Nutzer basierend auf deren Umgang und Verwendung von ScienceDirect. Durch Machine Learning Technologien auf das umfangreiche Anwendungsprotokoll von ScienceDirect können wir Beziehungen zwischen Forschungsartikeln abbilden. Diese Modelle erfassen nicht nur die offensichtlichen Beziehungen, sondern auch weniger ersichtliche. So wird beispielsweise erkannt, dass zwei Artikel aus unterschiedlichen Fachgebieten, die unterschiedliche Terminologien benutzen, eigentlich miteinander verbunden sind. Indem diese Modelle auf maschinenlesbare Abbildungen des Nutzerprofils angewendet werden, kann der personalisierte Empfehlungsgeber neue, für den Nutzer relevante Artikel vorschlagen. Diese Vorgehensweise kann Forschern dabei helfen, zufällige Entdeckungen zu machen, die mit einer traditionellen Suchmaschine nur schwer möglich gewesen wäre.“

Umfangreiche Tests haben gezeigt, dass der personalisierte Ansatz Inhalte hervorhebt, die den Nutzern sonst nicht angezeigt würden. Diese Inklusivität ist für Wissenschaftler wesentlich, die führend in ihrem Forschungsfeld sein möchten. Gleichzeitig hat eine Umfrage unter Nutzern gezeigt, dass neue Forschungsrichtungen oft durch zufällig entdeckte Informationen entstehen. Diese Sichtbarmachen einer Reihe von neuen Ideen kann für Forscher essentiell sein und Forschung hervorbringen, die andernfalls übersehen worden wäre.

„Wir sehen das als einen wichtigen Schritt auf dem Weg hin zu einem kundenorientierteren Ansatz im Zusammenhang mit Forschungsabläufen“, sagt Dr. Jack. „Wir passen die Lektüre-Auswahl direkt an die Bedürfnisse der Nutzer an – wir wollen somit positiven

Einfluss auf die Zeit nehmen, die Forscher für die Suche nach relevanter Forschung aufwenden und sicherstellen, dass sie Zeit für das wirklich Wichtige haben: ihre Forschung.“

    Ian Evans

Editor-in-Chief of Elsevier’s Global Communications Newsroom