I2: 25% of social tags contained ad

I2: 25% of social tags contained additional to authors’ information, 26% unnecessary information
and 49% no new information. Moreover, social tags were found to be more useful than formal
vocabulary terms and most of the end-users wanted to change the original metadata description to
adopt some of the social tags as indexing terms.
Another important study about social tagging has been conducted in the framework of the US-funded
project “STEVE: The Museum Social Tagging Project” (http://www.steve.museum/) (Trant, 2009a). More
specifically, the project developed a repository including around 97.000 digital resources of cultural heritage.
These resources were characterized with metadata by professional museum experts as well as with tags added
by the end-users of the repository (that is students and teachers). During the evaluation study of the project,
the STEVE Repository was including 36981 tags which had been added to 1792 digital cultural heritage
resources. This means that on average 20 social tags were added per cultural heritage resource. The main
issues that were investigated during the STEVE project evaluation study were the following:
ƒ I1: social tags correlation with museum metadata.
ƒ I2: usefulness of social tags as museum metadata descriptors of the digital cultural heritage
resources.
The evaluation results in respect to the aforementioned issues showed that:
ƒ I1: 86% of social tags didn’t match with museum metadata added by professional museum experts.
ƒ I2: 88% of social tags were considered useful by the professional museum experts
As we can notice from the aforementioned studies, there is a strong interest for investigating the added
value of social tagging on enlarging the metadata descriptions of digital educational resources, as well as the
formal vocabularies used in expert-based metadata. However, both issues have been investigated without
considering the possible implications of users’ tagging motivation to the enlargement of resulting tags and
folksonomies. Next, we aim to address this issue and we present our proposed evaluation methodology.
3. PROPOSED EVALUATION METHODOLOGY
In this section, we present our proposed methodology for identifying different types of users’ tagging
motivation and evaluating their possible influence to the metadata descriptions of digital educational
resources, as well as to the resulted folksonomy when it is compared to formal structured vocabularies used
for metadata authoring by metadata experts or content providers. More specifically, our methodology
includes the following steps:
ƒ Step 1 – Identify different underlying behaviours for users’ tagging: This step includes the
discrimination of the users based on their tagging motivation. For this purpose, we adopt two types
of user motivations proposed by Korner (2009):
o Categorizers, who are motivated by categorization and use tags to construct and maintain a
navigational aid to the resources they annotate. For this purpose, categorizers aim to
establish a stable and bounded vocabulary based on their personal preferences and
motivation.
o Describers, who are motivated by description aim to describe the resources they annotate
accurately and precisely. As a result, their tag vocabulary typically contains an open set of
tags.
In order to discriminate between categorizers and describers we adopt a set of measures proposed by
Korner et al. (2010):
o Tag/Resource Ratio: relates the vocabulary size of a user to the total number of digital
educational Resources tagged by this user. Describers, who use a variety of different tags
for their resources, score higher values for this measure than categorizers, who use fewer
tags.
o Orphaned Tag Ratio: characterizes the degree to which users produce orphaned tags (that is
tags assigned to few resources only, and therefore are used infrequently). The orphaned tag
ratio captures the percentage of tags in a user's vocabulary that represent such orphaned
tags. Categorizers vocabulary scores values closer to 0 because orphaned tags would
introduce noise to their personal vocabulary, whereas describers vocabulary scores values

ผลลัพธ์ (ไทย) 1:

I2: 25% ของแท็กสังคมอยู่เพิ่มเติมของผู้เขียนข้อมูล ข้อมูลที่ไม่จำเป็น 26%49% และไม่มีข้อมูลใหม่ นอกจากนี้ มีแท็กสังคมพบจะมีประโยชน์กว่าทางคำศัพท์และส่วนใหญ่ของผู้ที่ต้องการคำอธิบายข้อมูลเมตาเดิมให้นำมาใช้บางแท็กสังคมเป็นเงื่อนไขการทำดัชนีศึกษาอื่นสำคัญเกี่ยวกับสังคมติดป้ายมีการดำเนินในกรอบของการสหรัฐอเมริกาทุนสนับสนุนโครงการ "สตีฟ:พิพิธภัณฑ์สังคมติดป้ายโครงการ" (http://www.steve.museum/) (Trant, 2009a) เพิ่มเติมโดยเฉพาะ โครงการพัฒนาคลังรวมประมาณ 97.000 ทรัพยากรดิจิทัลของมรดกทางวัฒนธรรมทรัพยากรเหล่านี้มีลักษณะ ด้วยตาโดยผู้เชี่ยวชาญมืออาชีพพิพิธภัณฑ์ และเพิ่มแท็กโดยผู้เก็บข้อมูล (ที่เป็นนักเรียนและครู) ในระหว่างการศึกษาการประเมินโครงการเก็บสตีฟรวมแท็ก 36981 ซึ่งได้ถูกเพิ่มลงในวัฒนธรรมดิจิตอลค.ศ. 1792ทรัพยากร ซึ่งหมายความ ว่า โดยเฉลี่ย 20 สังคมแท็กเพิ่มต่อทรัพยากรวัฒนธรรม หลักปัญหาที่ถูกตรวจสอบในระหว่างการศึกษาการประเมินโครงการของสตีฟได้ต่อไปนี้:I1: แท็กสังคมความสัมพันธ์กับข้อมูลเมตาของพิพิธภัณฑ์I2: ประโยชน์ของแท็กที่สังคมเป็นตัวบอกตาพิพิธภัณฑ์ของวัฒนธรรมดิจิตอลทรัพยากรการประเมินผลกับปัญหาดังกล่าวที่ชี้ให้เห็นว่า:I1: 86% ของสังคมแท็กไม่ตรงกับตาพิพิธภัณฑ์เพิ่ม โดยผู้เชี่ยวชาญมืออาชีพพิพิธภัณฑ์I2: 88% ของแท็กสังคมได้ถือเป็นประโยชน์ โดยผู้เชี่ยวชาญมืออาชีพพิพิธภัณฑ์เราสามารถสังเกตเห็นได้จากการศึกษาดังกล่าว มีเป็นดอกเบี้ยที่แข็งแกร่งสำหรับการตรวจสอบการเพิ่มค่าของแท็กในการขยายคำอธิบายข้อมูลเมตาของดิจิตอลทรัพยากรทางการศึกษา สังคมตลอดจนvocabularies อย่างเป็นทางการที่ใช้ในตาโดยผู้เชี่ยวชาญ อย่างไรก็ตาม การสอบสวนทั้งสองปัญหาโดยพิจารณาผลกระทบของผู้ใช้ได้ติดป้ายเพื่อขยายผลแท็ก และfolksonomies ถัดไป เรามุ่งมั่นเพื่อแก้ไขปัญหานี้ และเราได้นำเสนอวิธีการประเมินการนำเสนอของเรา3. วิธีการประเมินนำเสนอในส่วนนี้ เรานำวิธีนำเสนอของเราสำหรับการระบุแตกต่างกันของผู้ติดป้ายแรงจูงใจและการประเมินผลได้ให้คำอธิบายข้อมูลเมตาของดิจิตอลศึกษาทรัพยากร เช่นเดียวกับที่ resulted โฟล์กโซโนมีเมื่อเปรียบเทียบกับ vocabularies โครงสร้างอย่างเป็นทางการที่ใช้สำหรับเขียนข้อมูลเมตาของข้อมูลเมตาของผู้เชี่ยวชาญหรือผู้ให้บริการเนื้อหา วิธีของเรามากขึ้นโดยเฉพาะประกอบด้วยขั้นตอนต่อไปนี้:ขั้นตอนที่ 1-ระบุต้นแบบพฤติกรรมสำหรับผู้ติดป้ายต่าง ๆ: ขั้นตอนนี้มีการแบ่งแยกผู้ใช้ขึ้นอยู่กับแรงจูงใจการระบุป้าย สำหรับวัตถุประสงค์นี้ เรานำสองชนิดของโต่งผู้เสนอ โดยคอนเนอร์ (2009):o Categorizers แรงจูงใจ โดยการจัดประเภท และใช้แท็กเพื่อสร้าง และรักษา ความช่วยนำทางทรัพยากรที่จะใส่คำอธิบายประกอบ สำหรับวัตถุประสงค์นี้ categorizers จุดมุ่งหมายสร้างศัพท์มีเสถียรภาพ และกี่ที่ตามการกำหนดลักษณะส่วนบุคคล และแรงจูงใจo Describers ที่มีแรงจูงใจ โดยอธิบายจุดมุ่งหมายการอธิบายทรัพยากรที่พวกเขาใส่คำอธิบายประกอบอย่างถูกต้อง และแม่นยำ ดังนั้น คำศัพท์ของแท็กจะประกอบด้วยชุดเปิดแท็กเพื่อเหยียดระหว่าง categorizers และ describers เรานำชุดของมาตรการที่เสนอโดยคอนเนอร์ et al. (2010):o อัตราส่วนแท็ก/ทรัพยากร: ขนาดคำศัพท์ของผู้ใช้เกี่ยวข้องกับจำนวนรวมของดิจิตอลศึกษาทรัพยากรที่ติดแท็ก โดยผู้ใช้รายนี้ Describers ที่ใช้แท็กต่าง ๆ ที่หลากหลายทรัพยากรของพวกเขา คะแนนสูงค่าสำหรับวัดนี้มากกว่า categorizers ที่ใช้น้อยแท็กo อัตรา Orphaned แท็ก: ระบุลักษณะของระดับที่ผู้ผลิตไม่ได้ใช้งานแท็ก (นั่นคือแท็กให้ทรัพยากรเพียงเล็กน้อยเท่านั้น แล้วจึง จะใช้ขึ้นนาน ๆ ครั้ง) ป้ายถูกเปอร์เซ็นต์ของแท็กในคำศัพท์ของผู้ใช้ที่แสดงดังกล่าวถูกจับอัตราแท็ก Categorizers คำศัพท์คะแนนค่าใกล้ 0 เนื่องจากการใช้งานแท็กจะแนะนำเสียงคำศัพท์ส่วนบุคคลของพวกเขา ในขณะที่ค่าคะแนนคำศัพท์ describers

ผลลัพธ์ (ไทย) 2:

I2: 25% ของสังคมที่มีแท็กข้อมูลเพิ่มเติมให้กับผู้เขียน '26%
ข้อมูลที่ไม่จำเป็นและ49% ไม่มีข้อมูลใหม่ นอกจากนี้แท็กทางสังคมพบว่ามีประโยชน์มากกว่าที่เป็นทางการคำศัพท์และส่วนใหญ่ของผู้ใช้ที่ต้องการที่จะเปลี่ยนแปลงคำอธิบายเมตาดาต้าเดิมที่จะนำมาใช้บางส่วนของสังคมแท็กเป็นแง่การจัดทำดัชนี. อีกการศึกษาที่สำคัญเกี่ยวกับการติดแท็กทางสังคมที่ได้รับการดำเนินการใน กรอบของสหรัฐได้รับการสนับสนุนโครงการ"สตีฟ: พิพิธภัณฑ์โครงการติดแท็กสังคม" (http://www.steve.museum/) (Trant, 2009a) อื่น ๆโดยเฉพาะโครงการพัฒนาพื้นที่เก็บข้อมูลรวมทั้งรอบ 97.000 ทรัพยากรดิจิตอลของมรดกทางวัฒนธรรม. ทรัพยากรเหล่านี้มีลักษณะกับเมตาดาต้าโดยผู้เชี่ยวชาญมืออาชีพพิพิธภัณฑ์เช่นเดียวกับแท็กเพิ่มโดยผู้ใช้ของพื้นที่เก็บข้อมูล (นั่นคือนักเรียนและครู) ในระหว่างการศึกษาการประเมินผลของโครงการ, สตีฟเป็นพื้นที่เก็บข้อมูลรวมถึง 36,981 แท็กที่ได้รับการเพิ่ม 1,792 มรดกทางวัฒนธรรมดิจิตอลทรัพยากร ซึ่งหมายความว่าโดยเฉลี่ย 20 ทางสังคมที่ถูกเพิ่มแท็กต่อทรัพยากรมรดกทางวัฒนธรรม หลักปัญหาที่ถูกตรวจสอบในระหว่างการศึกษาการประเมินผลโครงการ STEVE มีดังต่อไป ?? I1. สังคมแท็กความสัมพันธ์กับเมตาดาต้าพิพิธภัณฑ์?? I2: ประโยชน์ของสังคมเป็นแท็กอธิบายเมตาดาต้าพิพิธภัณฑ์มรดกทางวัฒนธรรมดิจิตอล. ทรัพยากรผลการประเมินในส่วนที่เกี่ยวกับปัญหาดังกล่าวข้างต้นแสดงให้เห็นว่า: ?? I1. 86% ของแท็กทางสังคมไม่ตรงกับเมตาดาต้าที่เพิ่มขึ้นโดยพิพิธภัณฑ์พิพิธภัณฑ์ผู้เชี่ยวชาญมืออาชีพ?? I2: 88% ของแท็กทางสังคมได้รับการพิจารณาที่มีประโยชน์โดยผู้เชี่ยวชาญพิพิธภัณฑ์มืออาชีพในขณะที่เราสามารถสังเกตได้จากการศึกษาดังกล่าวที่มีความสนใจในการตรวจสอบที่เพิ่มมูลค่าของการติดแท็กทางสังคมในการขยายรายละเอียดmetadata ของทรัพยากรทางการศึกษาดิจิตอลเช่นเดียวกับคำศัพท์อย่างเป็นทางการที่ใช้ในการเมตาดาต้าผู้เชี่ยวชาญตาม อย่างไรก็ตามประเด็นที่ทั้งสองได้รับการตรวจสอบโดยไม่ต้องพิจารณาผลกระทบที่เป็นไปได้ของแรงจูงใจการติดแท็กของผู้ใช้ในการขยายตัวของแท็กที่เกิดและfolksonomies ต่อไปเรามุ่งมั่นที่จะแก้ไขปัญหานี้และเรานำเสนอวิธีการประเมินของเราที่นำเสนอ. 3 เสนอระเบียบวิธีการประเมินผลในส่วนนี้เราจะนำเสนอวิธีการที่นำเสนอของเราในการระบุชนิดของการติดแท็กของผู้ใช้แรงจูงใจและการประเมินผลที่มีอิทธิพลต่อความเป็นไปได้ของพวกเขาไปรายละเอียดmetadata ของการศึกษาดิจิตอลทรัพยากรเช่นเดียวกับการส่งผลfolksonomy เมื่อมันถูกเมื่อเทียบกับคำศัพท์ที่มีโครงสร้างอย่างเป็นทางการ ที่ใช้สำหรับการเขียนโดยผู้เชี่ยวชาญด้านเมตาดาต้าเมตาดาต้าหรือผู้ให้บริการเนื้อหา โดยเฉพาะอย่างยิ่งวิธีการของเรามีขั้นตอนดังต่อไปนี้: ?? ขั้นตอนที่ 1 - ระบุพฤติกรรมพื้นฐานที่แตกต่างกันสำหรับการติดแท็กของผู้ใช้: ขั้นตอนนี้รวมถึงการเลือกปฏิบัติของผู้ใช้ขึ้นอยู่กับแรงจูงใจในการติดแท็กของพวกเขา เพื่อจุดประสงค์นี้เรานำมาใช้ทั้งสองประเภทของแรงจูงใจของผู้ที่เสนอโดย Korner (2009): o Categorizers ที่มีแรงจูงใจจากการจัดหมวดหมู่และการใช้แท็กเพื่อสร้างและรักษาความช่วยเหลือการเดินเรือไปยังแหล่งข้อมูลที่พวกเขาอธิบาย เพื่อจุดประสงค์นี้ categorizers มุ่งมั่นที่จะสร้างคำศัพท์ที่มีเสถียรภาพและจำกัด ขึ้นอยู่กับความชอบส่วนบุคคลและแรงจูงใจ. o describers ที่มีแรงจูงใจจากคำอธิบายจุดมุ่งหมายที่จะอธิบายทรัพยากรที่พวกเขาอธิบายได้อย่างถูกต้องและแม่นยำ เป็นผลให้แท็กคำศัพท์ของพวกเขามักจะมีชุดที่เปิดกว้างของแท็ก. เพื่อที่จะแยกแยะระหว่าง categorizers และ describers เรานำมาใช้ชุดของมาตรการที่เสนอโดยKorner et al, (2010): o Tag / อัตราส่วนทรัพยากร: คำศัพท์ที่เกี่ยวข้องกับขนาดของผู้ใช้จำนวนรวมของดิจิตอลทรัพยากรการศึกษาที่ติดแท็กโดยผู้ใช้นี้ describers ที่ใช้ความหลากหลายของแท็กที่แตกต่างกันสำหรับทรัพยากรของพวกเขาทำคะแนนค่าที่สูงขึ้นสำหรับวัดนี้กว่าcategorizers ที่ใช้น้อยลงแท็ก. o กำพร้าแท็อัตราส่วน: ลักษณะระดับที่ผู้ใช้ผลิตแท็กกำพร้า (นั่นคือแท็กที่ได้รับมอบหมายไปยังแหล่งข้อมูลเพียงไม่กี่และดังนั้นจึงถูกนำมาใช้บ่อย) แท็กกำพร้าอัตราส่วนร้อยละของการจับแท็กคำศัพท์ของผู้ใช้ที่เป็นตัวแทนของเด็กกำพร้าดังกล่าวแท็ก Categorizers คะแนนคำศัพท์ที่มีค่าใกล้เคียงกับ 0 เพราะแท็กกำพร้าจะแนะนำเสียงคำศัพท์ส่วนตัวของพวกเขาในขณะที่describers คำศัพท์ค่าคะแนน

ผลลัพธ์ (ไทย) 3:

I2 : 25% ของแท็กทางสังคมที่มีอยู่เพิ่มเติมเพื่อเขียนข้อมูล 26 % ไม่จําเป็นข้อมูล
49 % ข้อมูลใหม่ นอกจากนี้แท็กทางสังคมพบว่ามีประโยชน์มากกว่าอย่างเป็นทางการ
ศัพท์แง่และส่วนใหญ่ของผู้ใช้ต้องการเปลี่ยนคำอธิบายเมตาดาต้าเดิม

รับบางส่วนของแท็กทางสังคมเป็นเงื่อนไข
ดัชนี .ศึกษาอื่นที่สำคัญเกี่ยวกับสังคมมาได้ถูกดำเนินการในกรอบของโครงการเราได้รับทุน
" สตีฟ : พิพิธภัณฑ์สังคม ติดตามโครงการ " ( http://www.steve.museum/ ) ( เทรนท์ 2009a , ) เพิ่มเติม
โดยเฉพาะ โครงการพัฒนาพื้นที่เก็บข้อมูลรวมทั้งรอบ 97.000 ทรัพยากรดิจิตอลมรดกทางวัฒนธรรม .
ทรัพยากรเหล่านี้เป็นลักษณะของพิพิธภัณฑ์โดยผู้เชี่ยวชาญมืออาชีพเช่นเดียวกับแท็กเพิ่ม
โดยผู้ใช้งานของกรุ ( ที่เป็นครูและนักเรียน ) ในการประเมินผลของโครงการ
กรุสตีฟรวมทั้ง 36981 Tags ที่ได้รับเพิ่ม 1 ดิจิตอลมรดกทางวัฒนธรรม
ทรัพยากรซึ่งหมายความว่าโดยเฉลี่ย 20 สังคมแท็กเติมต่อแหล่งมรดกทางวัฒนธรรม ปัญหาหลักที่พบใน
สตีฟ การประเมินโครงการศึกษาต่อไปนี้ :
เจ้า i0 : แท็กทางสังคมความสัมพันธ์กับพิพิธภัณฑ์เมตาดาต้า เจ้า I2
: ประโยชน์ของสังคมเป็นพิพิธภัณฑ์ในแท็ก metadata ของดิจิตอลมรดกทางวัฒนธรรม

ทรัพยากรผลการประเมินในส่วนที่เกี่ยวกับประเด็นดังกล่าว พบว่า :
เจ้า i0 86% ของแท็กทางสังคมไม่ตรงกับข้อมูลพิพิธภัณฑ์พิพิธภัณฑ์เพิ่ม โดยผู้เชี่ยวชาญมืออาชีพ เจ้า I2
: 88% ของแท็กทางสังคมที่ถูกถือว่าเป็นประโยชน์ โดยผู้เชี่ยวชาญมืออาชีพ เช่น พิพิธภัณฑ์
เราสามารถสังเกตเห็นจากการศึกษาดังกล่าว มีความสนใจ ที่แข็งแกร่งสำหรับการเพิ่ม
คุณค่าของสังคมในตัวขยายภาพดิจิตอลรายละเอียดของทรัพยากรทางการศึกษา รวมทั้งศัพท์ที่ใช้ในด้านข้อมูล
อย่างเป็นทางการตาม อย่างไรก็ตาม ประเด็นที่ทั้งสองได้รับการสอบสวนโดยไม่พิจารณาผลกระทบที่เป็นไปได้ของผู้ใช้
' แท็กแรงจูงใจที่จะขยายผลแท็กและ
folksonomies . ต่อไปเรามุ่งมั่นที่จะแก้ไขปัญหานี้ และเราเสนอของเราเสนอวิธีการประเมินผล .
3 เสนอวิธีการประเมิน
ในส่วนนี้ เราเสนอของเราเสนอวิธีการสำหรับการระบุประเภทที่แตกต่างกันของผู้ใช้ ' แท็ก
แรงจูงใจและประเมินอิทธิพลที่สุดของข้อมูลดิจิตอลรายละเอียดของทรัพยากรทางการศึกษา
,รวมทั้งผลโฟล์คโซโนมีเมื่อเปรียบเทียบกับระบบโครงสร้าง ศัพท์ใช้
สำหรับการเขียนข้อมูล metadata โดยผู้เชี่ยวชาญหรือผู้ให้บริการเนื้อหา มากขึ้นโดยเฉพาะ
วิธีการของเรารวมถึงขั้นตอนต่อไปนี้ :
เจ้าขั้นที่ 1 –ระบุถึงพฤติกรรมที่แตกต่างกันสำหรับผู้ใช้ ' แท็ก : ขั้นตอนนี้รวมถึง
การแบ่งแยกของผู้ใช้ตามแท็กแรงจูงใจสำหรับวัตถุประสงค์นี้ เราใช้สองประเภทของแรงจูงใจผู้ใช้
เสนอโดยคอร์เนอร์ ( 2009 ) :
O categorizers ใครมีแรงจูงใจโดยการใช้แท็กเพื่อสร้างและรักษา
ช่วยการเดินเรือไปยังทรัพยากรที่พวกเขาอธิบาย . สำหรับวัตถุประสงค์นี้ categorizers เป้าหมาย

สร้างที่มั่นคงและล้อมรอบคำศัพท์ขึ้นอยู่กับความชอบส่วนบุคคลของพวกเขาและ

o describers , แรงจูงใจใครมีแรงจูงใจจากรายละเอียดมุ่งมั่นที่จะอธิบายถึงทรัพยากรที่พวกเขาอธิบาย
อย่างถูกต้องและแม่นยำ . ผลคือ ศัพท์ แท็กของพวกเขามักจะมีการตั้งค่าเปิดของ
, .
เพื่อแยกแยะระหว่าง categorizers และ describers เรานำชุดของมาตรการที่เสนอโดย
คอร์เนอร์ et al . ( 2010 ) :
o แท็ก / ทรัพยากรอัตราส่วน : เกี่ยวข้องกับคำศัพท์ขนาดของผู้ใช้จำนวนของดิจิตอล
การศึกษาทรัพยากรแท็กโดยผู้ใช้นี้ describers ที่ใช้ความหลากหลายของที่แตกต่างกันแท็ก
สำหรับทรัพยากรของพวกเขา คะแนนสูงกว่าค่าสำหรับวัดนี้กว่า categorizers ที่ใช้น้อยลง

o กำพร้าโดยแท็ก แท็ก : ลักษณะของการที่ผู้ใช้ผลิตกำพร้าแท็ก ( คือ
แท็กมอบหมายทรัพยากรน้อยเท่านั้น ดังนั้นจึงใช้บ่อย ) เด็กกำพร้าแท็ก
อัตราส่วนจับเปอร์เซ็นต์ของแท็กในศัพท์ที่เป็นตัวแทนของผู้ใช้เช่นพร้า
Tags categorizers คะแนนคำศัพท์มีค่าใกล้ 0 เพราะกำพร้าแท็กจะ
แนะนำเสียงศัพท์ส่วนตัวของตนเอง ในขณะที่คะแนนค่า
describers คำศัพท์