Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Fragment über Google Books (2011)

2010 hatte ich auf einen Call for Papers von Dirk Lewandowski zum Thema Suchmaschinen geantwortet und war in die Schaar der Mitarbeiter aufgenommen worden, konnte aber meinen Beitrag nicht fertigstellen. Gründe: Überforderung, anderweitige Überlastung, schlechtes Zeitmanagement? Was auch immer, er blieb ein Torso. Das Fragment mag angesichts der bei Google Books eingetretenen und womöglich noch zu befürchtenden Änderungen als “historische” Momentaufnahme der Veröffentlichung wert zu sein, zumal ich nicht den Eindruck habe, dass mir seither bekannt gewordene Studien die von mir aufgeworfenen Fragen zum Retrieval aus Benutzersicht überzeugend behandelt haben.

Google Book Search – Leistungen und Probleme

Von Klaus Graf

Was die Ende 2004 gestartete Buchsuche von Google im
Bereich des Ebook-Marktes, des Buchhandels, des
Bibliothekswesens und der Wissenschaft ausgelöst hat, kann
in seiner Bedeutung kaum überschätzt werden. Kontrovers
wird über das Angebot weltweit vor allem deshalb
diskutiert, weil es auf zwei Säulen ruht – dem
Verlagsprogramm und dem Bibliotheksprogramm – und die
zweite Säule, das Scannen von urheberrechtlich noch
geschützten Büchern in Googles Partnerbibliotheken, als
juristisch überaus problematisch angesehen wird.
Gerichtlich noch nicht anerkannt ist ein in den USA
ausgehandelter Vergleich (“Settlement”) zwischen den
Rechteinhabern (Verlage und Autoren) auf der einen und
Google auf der anderen Seite. Während es dazu unzählige
Stellungnahmen gibt, fehlt es an
informationswissenschaftlichen Studien, die Leistungen und
Probleme der Google Buchsuche in den Blick nehmen. Solche
Recherchen werden durch die Geheimhaltung, die Google
hinsichtlich wesentlicher Details dieses Angebots
praktiziert, erheblich erschwert. Massenhafte
automatisierte Abfragen blockt Google konsequent.

Im Oktober 2004 wurde auf der Frankfurter Buchmesse das
Verlagsprogramm des damals “Google Print” genannten
Angebots vorgestellt, im Dezember 2004 folgte die
Ankündigung des umstrittenen Bibliotheksprogramms, und es
begannen in der Google-Websuche erste Treffer aus der
Buchsuche sichtbar zu werden. Um das Spezifische von Google
Books (künftig: GBS), wie es heute offiziell heißt,
herauszuarbeiten, empfiehlt sich ein kurzer Blick auf
Vorgänger und Konkurrenten.

Soweit sich vor dem Start von GBS Bibliotheken in der
Massendigitalisierung engagierten, gab es bereits
Sammlungen gescannter Bücher, die sowohl die Bilder der
gescannten Seiten als auch den OCR-Text und eine
buchübergreifende Volltextsuche anboten. Herausgegriffen
sei die nach wie vor im Netz befindliche Seite der Suche
für die “Digital General Collection” der Bibliothek der
University of Michigan. Der Umfang wurde im Januar 2011 mit
30.000 Bücher angegeben. Die Sammlung dürfte seit der
Partnerschaft mit Google kaum ausgebaut worden sein.

http://porter.umdl.umich.edu/g/genpub/

Während die Seite optisch kaum spartanischer denkbar ist,
werden ausgefeilte Suchmöglichkeiten (z.B. eine
Proximity-Search) geboten, die man nicht nur bei GBS,
sondern auch bei dem von der University of Michigan
koordinierten Kooperationsprojekt HathiTrust vermisst.
Nicht nur bei deutschsprachigen Digitalisierungsprojekten
sucht man noch 2011 allzu oft eine konsequente
OCR-Durchführung und eine buchübergreifende Volltextsuche
vergebens. Während das Münchner Digitalisierungszentrum bei
dem Projekt Digi20 endlich einmal eine Volltextsuche
realisiert hat, arbeitet das Göttinger
Digitalisierungszentrum nach wie vor weitgehend ohne OCR.
Soweit deutsche Bibliotheken ihre digitalen Sammlungen mit
Hilfe der Firma Semantics anlegen, wird zwar eine
buchübergreifende Volltextsuche angeboten, aber eine
Metasuche für die diversen Bibliotheksprojekte existiert
nicht, und da ein Zugriff auf den OCR-Text anders als bei
den Public-Domain-Büchern in GBS – nicht möglich ist, ist
dieser Wissensschatz für die Google-Websuche (und andere
Suchmaschinen) nicht erreichbar.

Im Vergleich zur Sichtbarkeit von Google-Produkten befinden
sich Angebote wie das
US-Zeitschriftendigitalisierungsprojekt JSTOR, das seit
Anfang 1997 Bibliotheken lizenzpflichtig angeboten wird,
oder NetLibrary (gegründet 1998) in der akademischen
Nische. Bis 2010 war die Volltextsuche in JSTOR den
Abonnenten vorbehalten (während das kleinere Project MUSE
schon lange eine Volltextsuche für das allgemeine Publikum
ermöglichte). NetLibrary-Bücher können nach wie vor nur in
den lizenzierenden Institutionen einzeln oder im Paket
durchsucht werden.

Bereits vor GBS war – seit Oktober 2003 – das Angebot des
großen US-Online-Buchhändlers Amazon “Search Inside” auf
dem Markt, der das Durchsuchen eines Teilbestands der von
ihm angebotenen Bücher und Zugriff auf die gescannten
Seiten unmittelbar vor und nach dem Treffer ermöglicht.
Eine Suchanleitung durch Amazon existiert nicht. Seit 2007
vertraut der deutschsprachige Buchhandel auf das Portal
Libreka. Hier gibt es immerhin eine erweiterte Suche, aber
hinsichtlich der Details ist die “Hilfe” alles andere als
hilfreich.

Mit – im Januar 2011 – über 2,6 Mio. Texten ist das
Internet Archive der größte Konkurrent für GBS. Seit
September 2002 ist die Sektion “Texts” online. Sie enthielt
aber zunächst nur gespiegelte Inhalte vor allem aus dem
Project Gutenberg, für das bis heute E-Texte ohne Scans im
Vordergrund stehen, auch wenn inzwischen teilweise
Imagedateien zu den erfassten Texten angeboten werden. Die
Philosophie von GBS war diesbezüglich von Anfang an
diametral entgegengesetzt: Angezeigt wird standardmäßig
nicht der OCR-Text, sondern das gescannte Seitenbild. Auf
den Start von GBS reagierte das Internet Archive bzw. sein
Gründer Brewster Kahle mit der Gründung der Open Content
Alliance (OCA), der auch Suchmaschinen-Rivale Yahoo!
beitrat. Der andere große Rivale, Microsoft, sponsorte
nicht nur OCA-Digitalisierungen in Bibliotheken, sondern
zog ein unmittelbares Konkurrenzprodukt zu GBS auf, Live
Search Books. Dieses Angebot hatte nur ein kurzes Leben:
von Dezember 2006 bis Mai 2008.

Hinsichtlich der Volltextsuche kann aber das Internet
Archive keineswegs als Konkurrent von GBS gelten, denn
diese findet sich auf der Website der Open Library – gut
versteckt.

http://openlibrary.org/search/inside

Diese Volltextsuche – eine Anleitung fehlt – war längere
Zeit deaktiviert und erfasst anscheinend keineswegs alle
OCR-Texte des Internet Archives. Sie dürfte auch den
wenigsten bekannt sein., da die Standardsuche der
Textsektion ausschließlich Metadaten durchsucht.

Dieser kurze Blick auf andere Angebote zeigt: Hinsichtlich
der Reichweite ist GBS konkurrenzlos, zumal ausgewählte
GBS-Suchergebnisse in die Google-Websuche integriert sind.
Hinsichtlich der Dokumentation, die bei den anderen
Angeboten gar nicht oder nur rudimentär vorhanden ist,
profitiert GBS von der Erkundung der Google-Websuche durch
unzählige Suchmaschinen- bzw. Google-Spezialisten, die auch
von Google selbst nicht dokumentierte Features wie etwa den
AROUND-Operator erörtern.

Ein Konkurrent für eine vergleichbare Buchvolltextsuche ist
nicht in Sicht. Die Europeana, zurückgehend auf eine
Anti-Google-Initiative, setzt anders als ein
Vorläuferangebot nicht auf Volltexte, sondern auf Metadaten
und ist im Kern noch nichts anderes als ein OAI-Harvester.
Ob bei der Weiterentwicklung dieses Angebots der
Volltextrecherche in Buchinhalten hinreichend Beachtung
geschenkt wird, bleibt abzuwarten. Die “Gemeinsamen
Eckpunkte von Bund, Ländern und Kommunen zur Errichtung
einer “Deutschen Digitalen Bibliothek (DDB)” (Finale
Fassung vom 02.12.2009) äußern sich zu dem Gegensatz
Metadatensuche vs. Volltextsuche nicht.

Geht es um den Zugriff auf wissenschaftliche
Fachinformationen, steht für mich fest, dass auch die
vielen anderen wissenschaftlich verwertbaren
Volltext-Corpora im “Deep Web” und die unzähligen
Digitalisate (image-Format) durch Suchmaschinen mit
hinreichend differenzierten Suchmöglichkeiten erschlossen
werden müssen. Dies gilt auch für die Suche in
kostenpflichtigen Volltexten, selbst wenn diese Inhalte
nicht frei zugänglich sind. Es liegt nahe, spezielle
Volltextsuchen für wissenschaftliche Zwecke mittels des
Google-Index zu realisieren, wie man dies etwa bei
Open-Access-Repositorien-Inhalten bereits versucht hat:

http://roar.eprints.org/content.html

Die Nutzung einer Google Custom Search Engine hat jedoch
zwei Haken: Was Google nicht erfasst, kann auch diese Suche
nicht finden. Es ist bekannt, dass Google bei der Erfassung
wissenschaftlicher Fachliteratur im Netz merkliche Lücken
aufweist (Hagedorn/Santelli 2008). Und: Die Custom Search
Engine bietet ärgerlicherweise nicht alle Treffer, die die
gewählten Kriterien (Vorkommen auf genau definierten
Websites) erfüllen. Es besteht also eindeutig ein Bedarf an
einem Ergänzungsangebot zu Google hinsichtlich
wissenschaftlich motivierter Volltextsuche.

Solange aber bei wissenschaftlichen Suchmaschinen wie
Bielefelds BASE die Auswertung von Metadaten und nicht die
Volltextrecherche im Vordergrund steht, bleibt GBS die
wichtigste wissenschaftliche Volltextsuchmaschine.

Wie sich die Bücher in GBS darstellen ist “Ansichtssache”

Als Einheiten zählen in GBS zum einen die im Rahmen des
Bibliotheksprogramms gescannten Bibliotheksbücher und zum
anderen die Bücher des Partnerprogramms, die entweder von
Google selbst gescannt werden oder vom
Verleger/Rechteinhaber im PDF-Format eingereicht werden.
Jede Einheit erhält von Google offenbar eine eindeutige
Kennung (ID), die sich in der URL niederschlägt. es ist
damit zu rechnen, dass diese IDs konstant bleiben und
dauerhaft die Einheit bezeichnen, sofern das Buch von
Google in seinem Index belassen wird. Hinsichtlich der
Public-Domain-Bücher gibt es vereinzelte Beobachtungen,
dass Google, ohne dass Gründe ersichtlich sind, Bücher
entfernt. Um eine Seite in GBS zu verlinken, genügt die
Angabe der ID und der jeweiligen Seitencodierung (z.B. PA27
für S. 27, PR8 für S. VIII). Der von Google bei jeder Seite
angebotene Zitierlink kann also rigoros zusammengestrichen
werden. Beispiel:

http://books.google.de/books?id=nkgPAQAAIAAJ&dq=uhland&pg=PR11#v=onepage&q&f=false

wird zu

http://books.google.de/books?id=nkgPAQAAIAAJ&pg=PR11

GBS bietet seine Inhalte in den folgenden “Ansichten” an:

(1) Nur Metadaten, keine Vorschau

In großem Umfang hat GBS reine Metadaten importiert, die
nicht zuletzt aus dem WorldCat stammen. Diese Bücher liegen
nicht digitalisiert vor.

(2) Keine Vorschau

Diese Bücher sind zwar digitalisiert und ihr Volltext ist
in der Regel mit der allgemeinen Suche von GBS
durchsuchbar, es ist jedoch keine Suche im Buch verfügbar.
Nicht immer wird die Bibliothek mit Digitalisierungsdatum
angegeben, es kann daher Fälle geben, bei denen die
Zuordnung zu Gruppe (1) oder (2) nicht sicher gelingt bzw.
mit zu großem Aufwand verbunden ist.

(3) Snippet-Ansicht

Nur als Schnipsel werden Buchinhalte dieses kontroversen
Ansichtstyps dargestellt. Es handelt sich um meistens noch
um urheberrechtlich geschützte Bücher, die in Bibliotheken
gescannt wurden. Allerdings werden, ohne dass dazu von
Google eine Auskunft zu erhalten war, auch eindeutig
gemeinfreie Drucke z.B. des 18. Jahrhunderts nur in
Schnipselform angezeigt. Es kann im Buch gesucht werden.
Angezeigt werden maximal drei Schnipsel, auf die
Trefferzahl (1-3) ist aber kein Verlass. Es kommt aber auch
zunehmend vor, dass trotz positivem Treffer gar keine
Schnipsel angezeigt werden.

(4) Vorschau

Diese Bücher stammen aus dem Partnerprogramm. Die Verlage
können frei entscheiden, ob es bei einem Buch die
Möglichkeit geben soll, dass der Nutzer ganze Seiten
einsehen darf. Neben Büchern, in denen ganze Kapitel frei
lesbar sind, gibt es andere (z.B. Nachschlagewerke), die
nur wenige Probeseiten enthalten. Beispielsweise waren in
großem Umfang Seiten von “Die deutsche Literatur des
Mittelalters. Verfasserlexikon” (2. Auflage) frei
einsehbar, was aber der Verlag wieder rückgängig gemacht
hat (offenbar zugunsten einer Präsentation in Libreka).
Einzelne Seiten können nicht ohne Vorkenntnisse
abgespeichert oder gedruckt werden. Dieses DRM ist
allerdings sehr leicht zu überwinden, z.B. durch Sichten
des Medien-Reiters im Browser Firefox).

(5) Vollständige Ansicht

Vergleichsweise wenige Bücher aus dem Partnerprogramm
können vollständig gelesen werden. Davon wiederum ein
kleiner Teil bietet einen PDF-Download an, und es gibt
sogar einige Bücher unter Creative-Commons-Lizenzen. Auf
die im Dezember 2010 für US-Bürger eröffnete Möglichkeit,
den Volltext via Google eBooks zur Nutzung in der Cloud zu
erwerben, soll nicht näher eingegangen werden. Die meisten
Bücher in vollständiger Ansicht sind gescannte
Bibliotheksexemplare, die GBS als Public Domain ansieht.
Jeder PDF-Download ist mit einer Vorsatzseite versehen, der
die kommerzielle Nutzung unterbinden möchte, was aber nicht
als verbindliche Lizenzvereinbarung anzusehen ist. In
großem Umfang stehen Digitalisate von Google auch in
HathiTrust und den Servern der Bibliothekspartner München
und Gent sowie im Internet Archive zur Verfügung.
HathiTrust macht beispielsweise auch europäische Literatur
nach 1909 und vor 1923 für US-Bürger verfügbar, die bei
Google nicht in vollständiger Ansicht vorliegt, auch nicht
für US-Bürger.

Google unterscheidet die Benutzer anhand ihrer IP-Adressen
hinsichtlich der vollständigen Ansicht in US-Bürger und
Nicht-US-Bürger, wobei letztere sehr viel weniger zu sehen
bekommen als erstere. Als restriktive “moving wall” aus
Gründen urheberrechtlicher Vorsicht dient ein Zeitraum von
etwa 140 Jahren: Anfang 2011 wurden die meisten im Jahr
1870 außerhalb der USA erschienenen Publikationen von GBS
freigegeben. Damit werden unzählige Werke, die in Europa
aufgrund der urheberrechtlichen Regelschutzfrist (70 Jahre
nach dem Tod des Urhebers) eindeutig gemeinfrei sind, für
EU-Bürger von GBS blockiert.

Rätselhaft ist, wieso GBS in nicht zu vernachlässigendem
Umfang auch ältere Literatur (durchaus auch Werke aus dem
18. Jahrhundert) zwar US-Bürgern, nicht aber Europäern in
Vollansicht zur Verfügung steht. Urheberrechtliche Bedenken
scheiden hier aus. Freilich ist dieses Rights Management
sehr einfach zu umgehen, indem man einen US-Proxy nutzt.
Auch ohne spezifische Vorkenntnisse kann jeder einen der
(in der Regel mit Werbung überladenen) webbasierten
Anonymizer nutzen, der die in Google (und HathiTrust) für
Nicht-US-Bürgern unzugänglichen Inhalte verfügbar macht.
Google erschwert aber den Nutzern solcher Angebote oder des
Firefox-Addons GoogleSharing das Surfen z.B. bei der
Navigation oder der erweiterten Suche.

GBS ist erheblich größer als seine Konkurrenten. Aktuelle
Zahlen liefert das im Dezember 2010 publizierte
Zusatzmaterial zu Michel et al.: “In 2004, Google began
scanning books to make their contents searchable and
discoverable online. To date, Google has scanned over
fifteen million books: over 11% of all the books ever
published. The collection contains over five billion pages
and two trillion words, with books dating back to as early
as 1473 and with text in 478 languages. Over two million of
these scanned books were given directly to Google by their
publishers; the rest are borrowed from large libraries such
as the University of Michigan and the New York Public
Library.” Da das Google Books Team als Mitautor erscheint,
repräsentieren diese Angaben die Selbsteinschätzung
Googles.

Mit diesen – durchaus eindrucksvollen – Angaben muss es
sein Bewenden haben, da quantitative Auswertungen der von
GBS angebotenen Trefferlisten keine zuverlässigen
Ergebnisse erbringen können. Reine Phantasie sind etwa
Angaben am Kopf der Trefferliste, zu dem Suchwort
geschichte existierten “ungefähr 17.300.000 Ergebnisse”
(das folgende nach einer Recherche am 10. Januar 2011).
Während die Google Websuche dem Nutzer zu geschichte
immerhin acht Trefferseiten anbietet, kommt man durch
Weiterblättern in 100er-Schritten nur zu 333 Ergebnissen
(wenige Minuten später waren es dann nur noch 330). Dass es
sich dabei nur um eine winzige Auswahl handeln kann, über
deren Ranking nichts bekannt ist, zeigt die Suche mit dem
Zeitintervall 1860-1870, die für alle Ansichtsformen 281
Treffer ausgibt (die gleiche Suche mit US-Proxy: 303
Treffer). Für das Erscheinungsjahr 1879 fanden sich 219
Treffer, davon nur 5 in Vollansicht (US-Proxy: 236, davon
176 in vollständiger Ansicht).

Wer hofft, dies liege an dem Allerweltbegriff Geschichte
und bei geringen Trefferzahlen sei die Anzeige exakt, wird
enttäuscht. Das zugegebenermaßen exotische Suchwort
Sustentationskommission ergab in der deutschsprachigen GBS
17 Treffer, in der US-Version 18 (später 19), auch die
französischsprachige Version bot mit 18 mehr als die
deutsche. Die dem deutschsprachigen Publikum vorenthaltenen
Treffer boten durchaus wichtige Hinweise zu dieser kaum
bekannten Institution aus der Zeit um 1800, unter anderem
eine Seite aus einem Buch von 1805.

Angesichts der Fluktuation im Suchindex, die ja auch von
der Google-Websuche bekannt ist, und der Unterschiede in
den Sprachversionen empfiehlt es sich, bei
wissenschaftlichen Recherchen in GBS immer auch die
US-Version zu nutzen und die gleiche Suche zu verschiedenen
Zeitpunkten durchzuführen.

Nach eigenen Beobachtungen ist die Abdeckung der zentralen
geisteswissenschaftlichen Forschungsliteratur des 19.
Jahrhunderts einschließlich der Zeitschriften durch GBS als
gut zu bezeichnen. Große Lücken gibt es selbstverständlich
bei der deutschen Lokal- und Regionalliteratur, die von den
Google-Partnern allenfalls München in größerem Umfang
besitzt. das deutschsprachige Wikisource-Projekt
dokumentiert auf seiner Seite “Württembergische
Oberamtsbeschreibungen” die vorhandenen Digitalisate. Von
den 64 Bänden der ersten Bearbeitung (bis 1885) sind etwas
mehr als die Hälfte (36 Bände) bei GBS einsehbar, 6 von
Google digitalisierte Bände bietet nur das Münchner
Digitalisierungszentrum in vollständiger Ansicht, 10 wurden
anderweitig digitalisiert (auf Benutzerwunsch durch die ULB
Düsseldorf oder durch Wikisource-Mitarbeiter). Drei der
noch ausstehenden Bände hat Google nach eigenen Angaben am
29. August 2008 in der Bayerischen Staatsbibliothek
digitalisiert, es wird jedoch (auch für US-Bürger) nur eine
Snippet-Ansicht angeboten. Auch das MDZ stellt sie (noch?)
nicht zur Verfügung.

2008 untersuchte Ed Jones anhand einer Zufallsauswahl,
wieviele von den im 1874/82 gedruckten Katalog der
traditionsreichen Athenaeums-Bibliothek in Boston
aufgeführten Bücher unter den Public-Domain-Büchern in GBS
vorhanden waren. Von 398 überprüften Einträgen waren 235 in
GBS vertreten, also rund 60 Prozent (Jones 2010).

Zumindest für die Disziplinen, für die der Zugriff auf
Bücher des 19. Jahrhunderts nach wie vor wichtig ist, kann
angesichts dieser Befunde behauptet werden, dass die
GBS-Volltexte inzwischen eine mit Altbestand gut
ausgestattete Forschungsbibliothek repräsentieren.

Qualitätsmängel

Wer häufiger mit GBS-Büchern arbeitet stößt immer wieder
auf Fehlscans, ja sogar auf ganze Bücher, die aufgrund des
Textverlusts als unbrauchbar bezeichnet werden müssen.
Mintunter werden solche missratenen Scans auch vom Münchner
Digitalisierungszentrum – offenkundig ohne
Qualitätskontrolle – eingestellt. James 2010 hat die
Scanqualität in GBS jedoch mittels einer Zufallsstichprobe
von 50 Büchern, aus denen 2500 Seiten gesichtet wurden, als
gut beurteilt (siehe auch Conway 2010): Weniger als 1 % der
untersuchten Seiten wies Fehler auf, die ihre Lesbarkeit
beeinträchtigten. Für Wissenschaftler, die ein dringend
benötigtes Buch aufgrund von Scanfehlern sich anderweitig
beschaffen müssen, bleiben diese jedoch ärgerlich.

Enorme Fortschritte sind bei der Frakturschrifterkennung
durch die OCR von GBS zu registrieren. Während diese bei
dem Internet Archive immer noch völlig unbefriedigend ist,
hat sich GBS inzwischen weit von seinen unsäglichen
Anfängen in diesem Bereich, reinem Buchstabensalat,
entfernt. Bei Antiquaschriften ist die OCR als sehr gut,
bei Frakturschriften in der Regel immer noch als gut zu
bewerten. Allerdings gibt es immer noch “Altlasten” mit
unbrauchbarer OCR. Mitunter wird anscheinend die OCR gegen
eine neue, bessere ausgetauscht (siehe z.B. Graf 2007).

http://books.google.com/books?id=PbYTAAAAYAAJ
http://books.google.de/books?id=Gb8TAAAAYAAJ

Qualität der Scans, der OCR und der Metadaten
(Spracherkennung), mehrbändige Werke, Dubletten

Mehrere Suchbegriffe, Synonymbehandlung/Stemming, Ranking
der Ergebnisse

Quantitative Auswertung

Qualitative Auswertung

Literaturverzeichnis

Bailey, Charles W.: Google Books Bibliography. Version 6:
4/12/2010. Online:
http://www.digital-scholarship.org/gbsb/gbsb.htm

Conway, Paul: Measuring Content Quality in a Preservation
Repository: HathiTrust and Large-Scale Book Digitization.
Vortrag: 7th International Conference on Preservation of
Digital Objects (iPRES2010) September 19 – 24, 2010,
Vienna, Austria. Online:
http://www.ifs.tuwien.ac.at/dp/ipres2010/papers/conway-20.pdf

Dougan, Kirstin: Music to our Eyes: Google Books, Google
Scholar, and the Open Content Alliance. In: portal:
Libraries and the Academy 10 (2010), S. 75-93. Online:
DOI: 10.1353/pla.0.0088

Duguid, Paul: Inheritance and loss? A brief survey of
Google Books. In: First Monday 12 (2007). Online:
http://firstmonday.org/issues/issue12_8/duguid/index.html

Graf, Klaus: Wort Raub-Ritter 1781 belegt. In: Archivalia
15. Dezember 2007. Online:
http://archiv.twoday.net/stories/4537828/

Hagedorn, Kat/Santelli, Joshua: Google Still Not Indexing
Hidden Web URLs. In: D-Lib Magazine 14 (2008). Online:
http://www.dlib.org/dlib/july08/hagedorn/07hagedorn.html

Jacsó, Péter: Metadata mega mess in Google Scholar. In:
Online Information Review 34 (2010), S. 175-191. Online:
DOI: 10.1108/14684521011024191

James, Ryan: An Assessment of the Legibility of Google
Books . In: Journal of Access Services 7 (2010), S. 223 –
228
DOI: 10.1080/15367967.2010.503486
Eingesehen:
http://scholarspace.manoa.hawaii.edu/bitstream/10125/15358/3/google1.pdf.txt

Jones, Ed: Google Books as a General Research Collection.
In: Library Resources & Technical Services 54 (2010), S.
77-89. Online:
http://national.academia.edu/EdJones/Papers/117683/Google_Books_as_a_General_Research_Collection

Nunberg, Geoffrey: Google’s Book Search: A Disaster for
Scholars. In: The Chronicle of Higher Education 31. August
2009. Online:
http://chronicle.com/article/Googles-Book-Search-A/48245/?sid=at&utm_source=at&utm_medium=en

Nunberg, Geoffrey: Counting on Google Books. In: The
Chronicle of Higher Education 16. Dezember 2010. Online:
http://chronicle.com/article/Counting-on-Google-Books/125735

Orwant, Jon: Kommentar zu Nunberg, Geoffrey: Google Books:
A Metadata Train Wreck. In: Language Log 29. August 2009.
Online:
http://languagelog.ldc.upenn.edu/nll/?p=1701#comment-41758

Supporting Online Material zu Michel et al. 2010. Online:
http://www.sciencemag.org/cgi/content/full/science.1199644/DC1

Vincent, Luc: Google Book Search: Document Understanding on
a Massive Scale. In: Document Analysis and Recognition.
ICDAR 2007. 23-26 Sept. 2007, S. 819 – 823. Online:
DOI: 10.1109/ICDAR.2007.4377029
Eingesehen:
http://www.vincent-net.com/luc/papers/07icdar_googlebooks.pdf

Wikisource: Google Book Search. In: Wikisource die freie
Quellensammlung
http://de.wikisource.org/wiki/Wikisource:Google_Book_Search

#forschung #googlebooks

Dramatische Verschlechterung bei der Arbeit mit Google Books

Für eine Anfrage beim Bischöflichen Archiv in Chur Ende August verlinkte ich einen Schnipsel aus Google Books (GBS) über ein von Vasella ohne Quellenangabe erwähntes Verzeichnis der Gefangenen von Seckenheim 1462, der jetzt verschwunden ist.

https://books.google.de/books?id=_yLiAAAAMAAJ&q=verzeichnis+seckenheim+1462+gefangene

Auch wird das Buch von Vasella bei der Suchanfrage nicht mehr gefunden, und Google behauptet wahrheitswidrig es gebe keine Treffer für Seckenheim im Buch. HathiTrust weist aber die Seiten 131 und 207 nach.

Dergleichen passiert in letzter Zeit bei mir, einem GBS-Intensivnutzer, immer wieder. Neulich waren über Nacht ein paar Tabs futsch, und ich fand den Hinweis auf einen von mir seinerzeit übersehenen Aufsatz über den Hofhistorikus Abraham Hosemann und Ansbach erst wieder, als ich in der Browser-History den vor mir herausgesuchten ZBLG-Link fand. Im Sommer war der Hinweis auf ein wichtiges Digitalisat weg.

Am 24. September legte ich ein Google-Doc zum Crailsheimer Inschriftenband bzw. zu den Herren von Bebenburg an, in das ich seither sechs Links zu Google-Schnipseln mit Stichworten kopierte. Alle Links funktionieren (im Gegensatz zu den Volltextlinks) nicht mehr (die Bücher sind aber noch online). Das gleiche Bild auch bei anderen Projekten von mir.

Man sollte also einigermaßen wichtige Hinweise immer sichern (was leicht gesagt ist, wenn man zunächst noch nicht weiß, was sich als wichtig erweist). Volltext-Fundstellen in GBS, dass man die Anhäuser Inschriften an den WürttGAV gemeldet habe (schon Mitte 19. Jahrhundert) und dass man ebenfalls im 19. Jahrhundert dazu aufforderte Crailsheimer Inschriften zu sammeln, finde ich nicht mehr wieder. Ich hatte sie zunächst nicht als hinreichend relevant eingeschätzt.

Von den 26 Ergebnissen zu Sein Schwiegersohn, Wilhelm von Bebenburg weisen 4 tatsächlich diesen Eintrag auf (sie stammen alle aus einem Werk, früher wurde mit der Suche ein Aufsatz von Bühler im Heimatbuch Leipheim gefunden) – der Rest ist offenkundig Buch-Spam, der ersichtlich nichts mit der Suchanfrage zu tun hat. Es stellt sich die Frage, ob Google mit seinen irreführenden Einträgen massiv gegen deutsches und EU-Recht verstößt.

Frühere Beobachtungen mit heute verglichen:

Der Vogt von Lorch (Google-Fail) (Februar 2016)- die Beobachtungen können heute nicht mehr nachvollzogen werden, die Rezeptionszeugnisse sind auch mit US-Proxy inzwischen verschwunden.

Google-Fail (September 2015) – auch hier ist es schlechter geworden. “what a jump for” hat nur noch 4 statt 8 Treffer. Übrigens: HathiTrust Search Results: 1,782 items found for “what a jump” in Full-Text + All Fields (Google Books derzeit 31).

Wie Google seine Nutzer bevormundet (August 2014). Heute: Ihre Suchanfrage “”a.VI.30.” salzburg” stimmt mit keinem Buchergebnis überein. Früher: 10 Treffer. Heute: Ihre Suchanfrage “„Dr med Albrecht“ Münsinger” stimmt mit keinem Buchergebnis überein. Früher: 1 Treffer.

Google Books: Diverse Suchen ausprobieren! (August 2013). Für “Domus und Religion in Montaillou” früher 31 Treffer, heute 13 (darunter kein einziges relevantes Snippet!). Auch sonst sind die seinerzeit diskutierten anderen Treffer zurückgegangen.

Zitatsuche Medizingeschichte (Februar 2016) – für kühnel “leibärzte der habsburger” früher 38 Ergebnisse, heute nur noch 18.

Offenkundig hat Google die Anzahl der zu einer Suchanfrage angezeigten Snippet-Bücher drastisch reduziert! Ich möchte diese Verschlechterung der Recherchequalität durchaus dramatisch nennen. Die verschwundenen Schnipsel gaben höchst wichtige Hinweise für die Forschung, sie ermöglichen es, entlegene Belege aufzufinden.

Alles fließt, auch Google Books. Während man aber über Googles Everflux bei der Websuche leicht Informationen findet, gibt es zu dem kommerziell für die Suchmaschinenoptimierung uninteressanten Google Books kaum weiterführende Informationen (auf Deutsch bietet wohl Archivalia die dichteste Berichterstattung).

Wer hat ähnliche oder andere Erfahrungen gemacht?

Updates:

15.10.2016 Fragment über Google Books (2001)
https://archivalia.hypotheses.org/59945

Wie Google Books uns derzeit gewaltig in die Irre führt
https://archivalia.hypotheses.org/60007

#googlebooks

Überlieferung von Filmgeschichte

“Der Freitag widmet sich in zwei online nachgereichten Beiträgen der Überlieferung von Filmgeschichte: Andreas Beilharz bietet einen Überblick über die Geschichte der Filmdigitalisierung und welche Auswirkungen diese auf die Bestände der Filmarchive hat. Mit der umfassenden Digitalisierung des Vorführbetriebs geht nämlich ein massenhafter Verlust von historischen analogen Filmkopien einher, die oft schlicht entsorgt werden. Und das gehe nicht nur Materialfetischisten an: Denn “Filmkopien aus der Erstaufführung [sind] als Referenz für Digitalisierungen unersetzlich, denn sie lassen im Gegensatz zum Negativ Rückschlüsse auf das ursprüngliche Erscheinungsbild zu. Fehlende historische Referenzen haben zur Folge, dass viele im Werbesprech als ‘digitale Restaurierungen’ vermarktete Neuerscheinungen mitnichten eine Wiederherstellung des ursprünglichen Werks darstellen, sondern eine Neuinterpretation in Format wie Erscheinungsbild des historischen Materials.”

Fabian Tietke war unterdessen bei der ersten Ausgabe des Filmerbe-Festivals, das die Deutsche Kinemathek in Berlin ins Leben gerufen hat. Dort zeigte sich ihm, dass es zum einen am Geld fehle, zum anderen “bereits einiges an Digitalisierungsinitiativen läuft”.” (Perlentaucher)

Massenhaft Fehler in Zitationsindizes

http://adresscomptoir.twoday.net/stories/1022591396/ weist auf eine Dissertation von Terje Tüür-Fröhlich hin.

“The main findings: SSCI records contain tremendous amounts of “trivial errors”, not only misspellings and typos as previously mentioned in bibliometrics and scientometrics literature. But Tüür-Fröhlich’s research documented fatal errors which have not been mentioned in the scientometrics literature yet at all. Tüür-Fröhlich found more than 80 fatal mutations and mutilations of Pierre Bourdieu (e.g. “Atkinson” or “Pierre, B. and “Pierri, B.”). SSCI even generated zombie references (phantom authors and works) by data fields’ confusion — a deadly sin for a database producer — as fragments of Patent Laws were indexed as fictional author surnames/initials. Additionally, horrific OCR-errors (e.g. “nuxure” instead of “Nature” as journal title) were identified.”

Verbesserungen bei der Volltextsuche des Internet Archive

Die über die Open Library realisierte Suche, zeitweilig völlig abgeschaltet, ist immer noch schlecht, funktioniert aber inzwischen mit mehr als einem Suchwort. Phrasensuche kann sie nicht, aber Phrasen stehen im Ranking eher oben, wie

https://openlibrary.org/search/inside?q=%22ulrich+von+bebenburg%22

zeigt.