Expert finding: Een efficiënte zoekstrategie voor het vinden en identificeren van alumni

(1)

Expert finding

Een efficiënte zoekstrategie voor het vinden en identificeren van alumni

Auteur: Marijn Meijering (10810765)

Begeleider: Dhr. Drs. Toon Abcouwer

Opleiding: Informatiekunde, Faculteit der

Natuurkunde, Wiskunde en Informatica

Plaats & datum: Amsterdam, 28 juni 2019

(2)

28 juni 2019 Pagina 2 van 23

Abstract

Expert finding is voor organisaties al decennialang een belangrijke bezigheid. Eerder verricht onderzoek naar expert finding was gericht op het ontwikkelen van digitale zoekstrategieën om experts met een onbekende identiteit te vinden. Echter, er was nog geen onderzoek verricht naar het vinden van een expert waarvan de identiteit wel bekend is, maar waarvan geen contactgegevens bekend zijn. Het huidige onderzoek vult dit gat in de literatuur door een digitale zoekstrategie te ontwikkelen die experts met een bekende identiteit efficiënt kan vinden en identificeren, zodat het mogelijk wordt contact op te nemen. Deze zoekstrategie is specifiek ontwikkeld voor alumni, aangezien alumni door hun specifieke kennis zeer gewild zijn in het bedrijfsleven. De gestelde vraag hierbij was: Wat is een efficiënte zoekstrategie voor het vinden en identificeren van een alumnus? Voor het beantwoorden van deze vraag is gebruik gemaakt van een think aloud zoekopdracht bij 37 tweetallen. De protocollen van deze zoekopdrachten zijn gebruikt om inzicht te krijgen in de nodige informatie en genomen stappen bij het zoeken naar een alumnus. Uit analyse van de protocollen is gebleken dat het overgrote deel van de alumni gevonden kon worden op LinkedIn, gevolgd door Google en Facebook. Hierbij werd gezocht naar de naam van de alumnus vaak in combinatie met de kenmerken universiteit en/of opleiding. Voor het identificeren van de alumni werd, naast de naam van de alumni, gebruik gemaakt van twee of meer overeenstemmende kenmerken, waarbij universiteit, opleiding en afstudeerjaar het meest gebruikt werden. Aan de hand van deze bevindingen is een efficiënte zoekstrategie opgesteld, die de lijn volgt zoals hiervoor aangegeven. Deze zoekstrategie bleek zeer effectief; van de vijftien gezochte alumni konden er veertien gevonden en geïdentificeerd worden. Trefwoorden: Zoekstrategie, expert finding, alumni, think aloud methode, sociale media, identificatie

(3)

Inhoudsopgave

Abstract ... 2

1. Inleiding ... 4

2. Literatuuronderzoek ... 5

2.1 Sociale media en digitaal zoeken ... 5

2.2 Identificatie en zoeken van personen ... 6

3. Methode van toetsing ... 7

3.1 Dataselectie... 7

3.2 Opzet think aloud zoekopdracht ... 8

3.3 Analyse van effectiviteit ontwikkelde zoekstrategie ... 9

4. Resultaten ... 9

4.1 Digitale vindbaarheid ... 9

4.2 Toegepaste zoekstrategieën ... 11

4.3 Validatie van identiteit ... 14

4.4 Ontwikkelde zoekstrategie ... 15

4.5 Effectiviteit ontwikkelde zoekstrategie ... 16

5. Conclusie ... 17 6. Discussie ... 17 6.1 Vervolgonderzoek ... 18 7. Dankwoord ... 19 8. Referenties ... 20 9. Bijlage ... 22

(4)

1. Inleiding

Al voor de opkomst van het internet was expert finding voor organisaties een belangrijke bezigheid (Yimam-Seid & Kobsa, 2003). Een expert kan gedefinieerd worden als een deskundig persoon in een vakgebied, ofwel iemand met veel kennis met betrekking tot een bepaald onderwerp (Aelen, 2016). Het vinden en hebben van experts is voor een organisatie van belang, aangezien deze onder andere nodig zijn om de informatie waarover een organisatie beschikt te analyseren en te interpreteren. Door de opkomst van big data beschikken organisaties over meer data dan ooit tevoren, wat een goudmijn aan informatie op kan leveren waarmee organisaties een competitief voordeel kunnen behalen (Provost et al., 2013). Hier vervullen experts een belangrijke rol, doordat zij als geen ander weten waar de kansen en uitdagingen voor een organisatie liggen. Ook zijn experts in staat om bij het analyseren van data de ‘juiste’ vragen te stellen, wat belangrijk is om de data optimaal te benutten (McAfee et al., 2012). Daarnaast is niet alle nodige informatie altijd binnen een organisatie beschikbaar of te begrijpen. Ook hier kunnen experts ondersteuning bieden doordat ze zelf over veel kennis beschikken (Balog et al., 2012).

Het is voor organisaties van belang dat experts met de nodige kennis gevonden kunnen worden om de hiervoor genoemde rollen te vervullen. Tegenwoordig vindt expert finding veel plaats via sociale media. In de literatuur zijn er diverse onderzoeken gewijd aan het ontwikkelen van de beste zoekstrategie om, gegeven een onderwerp, via sociale media experts te vinden. Deze onderzoeken richten zich niet alleen op het vinden van experts, maar ook op het rangschikken van zoekresultaten op basis van de beschikbare informatie (Bozzon et al., 2013; Zhang et al., 2007). Aan de hand hiervan kunnen organisaties vervolgens met de beste experts contact opnemen. Eerder ontwikkelde zoekstrategieën gericht op expert finding hebben één ding met elkaar gemeen: de identiteit van de expert is onbekend. Echter, er is nog geen onderzoek verricht naar het vinden van een expert waarvan de identiteit wel bekend is, maar waarvan geen contactgegevens bekend zijn. Bijvoorbeeld, een expert is werkzaam aan de Universiteit van Amsterdam (UvA) en gebruikt het e-mailadres van zijn werk voor correspondentie. Wanneer deze expert een andere baan krijgt, komt zijn oude correspondentie e-mailadres te vervallen en kan er geen contact meer met hem worden opgenomen (Universiteit van Amsterdam, 2019)1_{. Immers, e-mailadressen en telefoonnummers} blijven niet voor altijd up-to-date. Tot op heden is er geen zoekstrategie ontwikkeld voor het vinden van een expert met bekende identiteit maar onbekende contactgegevens, daarom zal dit onderzoek proberen dit gat in de literatuur te dichten.

In dit onderzoek wordt een digitale zoekstrategie ontwikkeld waarmee bij naam bekende experts eenvoudiger gevonden kunnen worden met zekerheid dat dit de juiste persoon is. Daarnaast moet de zoekstrategie het leggen van contact vereenvoudigen door contactgegevens boven water te halen. In dit onderzoek is een expert ‘gevonden’ als het mogelijk is om met deze persoon contact op te nemen. Een groep experts die zeer gewild is in het bedrijfsleven zijn alumni van een universiteit, aangezien deze vaak over specifieke kennis beschikken die interessant kan zijn voor een organisatie (Jacobs, 2010; Ooghe, 2019; Persgroep Online Services, 2018). Daarnaast is dit een groep experts waarvan gegevens zoals naam en opleiding bekend zijn, maar waarvan contactgegevens vaak ontbreken. Daarom zal dit onderzoek zich richten op het ontwikkelen van een zo efficiënt mogelijke zoekstrategie om alumni van de UvA te vinden.

(5)

28 juni 2019 Pagina 5 van 23 Het probleem dat behandeld wordt gedurende dit onderzoek is onder te verdelen in de volgende hoofd- en deelvragen:

Hoofdvraag: Wat is een efficiënte zoekstrategie voor het vinden en identificeren van een alumnus? Deelvraag 1: Gegeven de naam van een alumnus, hoe kan deze persoon digitaal gevonden worden? Deelvraag 2: Welke informatie wordt gebruikt om te bepalen dat de juiste alumnus gevonden is?

De eerste stap in het huidige onderzoek was een literatuuronderzoek naar de rol van sociale media bij het vinden van experts en eventuele bestaande zoekstrategieën voor het vinden van een expert met bekende naam. Voor het beantwoorden van de in dit onderzoek opgestelde vragen is gebruik gemaakt van de think aloud methode. Bij deze methode voert een participant al hardop pratend een taak uit, terwijl een notulist opschrijft wat de participant zegt. Door deze methode te combineren met een zoekopdracht, kan de door participanten gebruikte informatie en de door hen genomen stappen voor het volbrengen van de taak inzichtelijk gemaakt worden. De opzet van de think aloud zoekopdracht, de effectiviteitsanalyse van de zoekstrategie en de dataselectie worden besproken in de methode van toetsing. Vervolgens worden de analyses van de think aloud protocollen en de hierbij behorende bevindingen behandeld tijdens de resultaten. Deze bevindingen worden gebruikt om één efficiënte zoekstrategie te creëren voor het vinden van alumni. Daarna zal de effectiviteit van de ontwikkelde zoekstrategie geanalyseerd worden, door met de ontwikkelde zoekstrategie handmatig naar alumni te zoeken. Als laatste worden de conclusies van het huidige onderzoek besproken, met een discussie als afsluiting.

2. Literatuuronderzoek

2.1 Sociale media en digitaal zoeken

Aangezien de opkomst van sociale media heeft geleid tot belangrijke ontwikkelingen op het gebied van expert finding (Bozzon et al., 2013; Zhang et al., 2007), is het aannemelijk dat sociale media ook in dit onderzoek van belang zullen zijn. Doordat sociale media uitermate geschikt zijn voor het leggen van contact en ze over het algemeen beschikken over persoonsgebonden informatie, is het aannemelijk dat veel experts door middel van sociale media gevonden kunnen worden. Echter, de kans op het vinden van een expert door middel van sociale media is mede afhankelijk van het gebruik van deze platformen in Nederland. Uit onderzoek van het Centraal Bureau voor de Statistiek (2018) blijkt dat ongeveer 97% van de Nederlandse bevolking toegang heeft tot het internet en dat 85% van deze Nederlanders gebruik maakt van sociale media. Vooral de ouderen in Nederland maken minder gebruik van sociale media en halen hierdoor het algehele percentage naar beneden. In het huidige onderzoek is vooral het sociale media gebruik van personen tussen de 18 en 35 jaar van belang, aangezien er voor het overgrote deel gezocht zal worden naar alumni jonger dan 35 jaar. Van de personen tussen de 18 en 35 jaar maakt 99% gebruik van sociale media, bij de leeftijdscategorie 25 tot 35 jaar is dit percentage 97% (Beuningen & Kloosterman, 2018). De top 5 sociale media in Nederland zijn, in volgorde van hoog naar laag, WhatsApp (11,9 miljoen gebruikers), Facebook (11,1 miljoen), YouTube (8,7 miljoen), Instagram (4,9 miljoen) en LinkedIn (4,6 miljoen) (Van der Veer et al., 2019). Echter, niet al deze sociale media zijn geschikt voor expert finding, in het kader van dit onderzoek lenen Facebook en LinkedIn zich hiervoor het best. Zo maken beide sociale media gebruik van iemands voor- en achternaam, dit in tegenstelling tot Instagram en YouTube waar een

(6)

28 juni 2019 Pagina 6 van 23 ‘gebruikersnaam’ gekozen kan worden en Whatsapp waar een telefoonnummer nodig is voor unieke identificatie. Daarnaast beschikken Facebook en LinkedIn veelal over veel persoonlijke informatie. Van Dijck (2013) stelt dat Facebook en LinkedIn door mensen worden gebruik als een tool voor (professionele) zelfpromotie en deze platformen zijn hier dan ook op ingesteld. Zo sporen beide sociale media het invullen van een profiel met persoonlijke informatie aan, wat nuttig is wanneer er naar een specifiek persoon gezocht wordt. Hoewel Facebook meer gericht is op het creëren van persoonlijke netwerken en LinkedIn op professionele netwerken, zijn beide in theorie uitermate geschikt voor het vinden van personen (van Dijck, 2013). Hoewel Facebook ongeveer 2.5 keer meer gebruikers heeft dan LinkedIn, is de verwachting dat de meeste experts op LinkedIn gevonden zullen worden. LinkedIn is immers specifiek opgebouwd voor het creëren van professionele netwerken, waardoor hier hoogstwaarschijnlijk vooral experts actief op zijn.

2.2 Identificatie en zoeken van personen

Van alle zoekopdrachten op Microsofts digitale zoekmachine Bing, bevat ten minste 20 tot 30% de naam van een persoon (Yin & Shah, 2010). Bij het zoeken naar een expert is het van belang dat die ene juiste persoon gevonden wordt. Hoewel het identificeren van een expert, wanneer zowel voor- en achternaam bekend zijn, in theorie een eenvoudige opgave lijkt is dit in de praktijk niet het geval. Het grootste probleem bij identificatie is het feit dat een naam vrijwel nooit uniek is en hierdoor naar meerdere individuen kan refereren (Mann & Yarowsky, 2003). De meest populaire Nederlandse voornaam in 2015, Maria, werd bijvoorbeeld gedeeld door ongeveer 368.500 mensen (Meertens Instituut, 2015), wat het vinden van een expert met deze voornaam lastig kan maken. Hoewel er in dit voorbeeld geen rekening gehouden wordt met de combinatie van voor- en achternamen, geeft het een beeld van de frequentie waarmee een naam kan voorkomen en hoe dit het identificeren van de juiste expert lastig kan maken. Zo zoekt een digitale zoekmachine naar alle pagina’s waarop een bepaalde zoekterm te vinden is. Een eenvoudige zoekopdracht op Google kan hierdoor miljoenen resultaten opleveren. Wanneer er op Google bijvoorbeeld gezocht wordt naar de naam Chris Mulder, worden er meer dan zevenmiljoen resultaten gevonden (zie Figuur 1).

(7)

28 juni 2019 Pagina 7 van 23 Figuur 1. Resultaat van een zoekopdracht op Google naar de naam Chris Mulder.

Naast het probleem van het grote aantal resultaten die zoekopdrachten op kunnen leveren, zijn de resultaten vaak verwarrend, lijken ze op elkaar en zijn ze door de grote hoeveelheid overbodige informatie lastig te interpreteren (Sriramoju, 2017). Dit maakt het identificeren van de juiste persoon een complex probleem. Een effectieve zoekstrategie moet er dus voor zorgen dat het aantal resultaten beperkt blijft, zodat het overzicht gewaarborgd wordt en het mogelijk is de resultaten te interpreteren en te verifiëren. Alleen dan is het mogelijk om succesvol een expert te identificeren.

3. Methode van toetsing

3.1 Dataselectie

De experts die in dit onderzoek gezocht zijn betreffen alumni van de UvA. Deze alumni zijn geselecteerd aan de hand van de voorbladen van scripties uit de publiekelijk toegankelijke scriptie database van de UvA (http://www.scriptiesonline.uba.uva.nl/). Deze database bevat de afstudeerprojecten, in pdf-formaat, van zowel bachelor als master alumni van de zeven faculteiten van de UvA vanaf het jaar 2004. Deze zeven faculteiten betreffen: de Faculteit der Tandheelkunde, Faculteit der Geneeskunde, de Faculteit der Rechtsgeleerdheid, de Faculteit Economie en Bedrijfskunde, de Faculteit der Geesteswetenschappen, de Faculteit der Maatschappij- en Gedragswetenschappen en de Faculteit der Natuurwetenschappen, Wiskunde en Informatica (FNWI). Op het moment van schrijven beschikt de database in zijn totaliteit over 49951 scripties. Gezien de grootte van deze dataset en aangezien het alleen mogelijk was om per faculteit te filteren op jaar, is er in dit onderzoek voor gekozen het selectieproces te beperken tot de scripties van alumni van de FNWI. Deze subcategorie van de dataset bestaat uit 4851 scripties, waarvan er voor dit

(8)

28 juni 2019 Pagina 8 van 23 onderzoek 45 geselecteerd zijn. Dit selectieproces verliep door per beschikbaar jaar, 2004 tot en met 2018, willekeurig drie scripties te selecteren. Vervolgens zijn er, van deze 45 scripties, twee scripties per jaar geselecteerd voor de think aloud zoekopdracht. De overige 15 scripties zijn bewaard voor analyse van de effectiviteit van de ontwikkelde zoekstrategie.

3.2 Opzet think aloud zoekopdracht

Voor het ontwikkelen van een digitale zoekstrategie waarmee alumni gevonden en geïdentificeerd kunnen worden, is kwalitatief onderzoek verricht doormiddel van een think aloud zoekopdracht (n=37). Jääskeläinen (2010) beschrijft de think aloud methode als een methode waarbij participanten alles wat ze doen en denken tijdens het maken van een opdracht moeten verwoorden. Een tweede persoon noteert deze gedachtegang, waardoor er een rapportage genaamd het think aloud protocol ontstaat. Door het think aloud protocol te analyseren kan deze gebruikt worden om inzicht te krijgen in de informatie die een participant gebruikt en welke stappen er genomen worden om een taak te volbrengen (Fonteyn et al., 1993). De think aloud zoekopdracht van dit onderzoek is opgesteld met behulp van het boek ‘The Think Aloud Method: A practical guide to modelling cognitive processes’, geschreven door van Someren et al., (1994), waarin richtlijnen voor het opstellen, uitvoeren en analyseren van een think aloud onderzoek beschreven staan.

De in dit onderzoek opgestelde think aloud zoekopdracht wordt uitgevoerd in tweetallen en bestaat uit het zoeken naar drie tot vijf alumni (dit was afhankelijk van de beschikbare tijd) en wordt afgesloten met twee concluderende vragen. Bij de think aloud zoekopdracht zijn er twee rollen, namelijk de rol van ‘participant’ en de rol van ‘notulist’. De participant heeft per alumnus maximaal 10 minuten om al hardop pratend te proberen deze digitaal te vinden, terwijl de notulist deze uitgesproken gedachtes en handelingen noteert. Wanneer een alumnus gevonden is, noteert de notulist waar de alumnus gevonden is (de link naar de website) en welke kenmerken de participant gebruikt heeft om vast te stellen dat de juiste alumnus gevonden is. Na het zoeken van de drie tot vijf alumni zijn er twee concluderende vragen voor de participant. Namelijk of hij een bepaalde zoekstrategie gebruikt heeft bij het zoeken naar de alumni en welke kenmerken (naast de naam van de alumnus) voor hem het meest van belang waren voor de identificatie. De uitleg van de think aloud zoekopdracht voor de participanten en het template gebruikt door de notulisten is te vinden in de bijlage van dit verslag.

De think aloud zoekopdracht zoals hierboven beschreven is uitgevoerd door 74 eerstejaarsstudenten van de UvA, wat heeft geresulteerd in 37 think aloud protocollen die gebruikt konden worden voor analyse. Het analyseren van de protocollen is gedaan met ATLAS.ti, versie 8. Dit programma stelt de gebruiker in staat om stukken tekst te markeren en hier een kenmerk of beschrijving aan te koppelen. Om inzicht te krijgen in de gebruikte zoekstrategieën zijn de genomen stappen bij het zoeken van de alumni in ieder think aloud protocol gecodeerd. Daarnaast zijn de gebruikte kenmerken bij het identificeren van de alumni gegroepeerd om zo een overzicht te krijgen van wanneer en hoe vaak deze gebruikt zijn. Als laatste is er in alle protocollen gecodeerd welke alumnus waar gevonden is. De analyse van één van de zoekacties uit één van de think aloud protocollen is te zien in Figuur 2.

(9)

28 juni 2019 Pagina 9 van 23 Figuur 2. In ATLAS.ti gecodeerde zoekactie uit één van de think aloud protocollen.

3.3 Analyse van effectiviteit ontwikkelde zoekstrategie

Om de effectiviteit van de ontwikkelde zoekstrategie te testen is deze toegepast bij het zoeken van de overige 15 eerder geselecteerde alumni. De opgestelde zoekstrategie werd gebruikt om deze alumni één voor één te zoeken, waarbij het zoekproces werd gedocumenteerd. Het vinden van een alumnus bij één van de stappen werd gezien als een succes. Wanneer de hele zoekstrategie doorlopen was zonder resultaat werd geconcludeerd dat deze alumnus niet te vinden is. Het gedocumenteerde zoekproces werd naderhand geanalyseerd om te achterhalen welke zoekopdracht (zoektermen en website) tot het vinden van de alumnus leidde en aan de hand van welke kenmerken de identiteit werd bevestigd.

4. Resultaten

4.1 Digitale vindbaarheid

Bij het analyseren van de think aloud protocollen is allereerst gekeken naar de mate waarin de alumni digitaal te vinden waren. Doordat er 37 tweetallen waren waarvan de participanten ieder tussen de 3 en 5 alumni gezocht hebben en er slechts 30 alumni voor het zoeken beschikbaar waren, is iedere alumnus uiteindelijk door ongeveer 5 verschillende participanten gezocht. Het feit dat er meerdere keren naar dezelfde alumnus gezocht is heeft als voordeel dat er met zekerheid gezegd kan worden of een alumnus echt gevonden is, namelijk wanneer de participanten onafhankelijk van elkaar dezelfde alumnus vinden. Bij het zoeken is een deel van de alumni op meerdere websites gevonden. Dit is te verklaren doordat de participanten veelal gebruik gemaakt hebben van verschillende zoekstrategieën. De verdeling van het aantal alumni over het aantal verschillende websites waarop zij gevonden zijn is te zien in Figuur 3. Van de 30 alumni zijn er door de 37 participanten er 15 gevonden op 1 website, 7 op 2 websites, 4 op 3 websites2 en 4 alumni is door geen van de participanten gevonden. De 26 gevonden alumni hebben in totaal 41 unieke website links opgeleverd.

2_{Indien een alumnus door verschillende participanten op dezelfde website gevonden werd, was dit altijd dezelfde}

(10)

28 juni 2019 Pagina 10 van 23 Figuur 3. Groepering van het aantal alumni en het aantal unieke links waarover zij beschikken.

Naar welke websites deze links toe leiden is te zien in Figuur 4. Het label ‘totaal’ (blauw) staat in dit geval voor alle alumni die door de verschillende participanten in totaal één of meerdere keren op website X gevonden zijn. Zo werden 23 van de 26 gevonden alumni een keer door een tweetal gevonden op LinkedIn. Daarnaast zijn er zeven alumni een keer gevonden op Facebook, zeven alumni op een eigen website en vier alumni waren te vinden op overige websites zoals de website van het Centrum voor Wiskunde en Informatica (CWI) waar één van de alumni nu werkzaam is. Het label ‘uniek’ (oranje) staat voor het aantal alumni dat door verschillende participanten slechts op één website gevonden is, wat inhoudt dat alle participanten de alumnus op dezelfde website gevonden hebben. Bijvoorbeeld, 13 van de 26 alumni werden door de participanten alleen op LinkedIn gevonden.

4 15 7 4 0 2 4 6 8 10 12 14 16 0 1 2 3 A A N TA L A LU M N I (n =30)

AANTAL UNIEKE WEBSITE LINKS (n=41)

(11)

28 juni 2019 Pagina 11 van 23 Figuur 4. Het totale en unieke aantal alumni dat per website gevonden is.

Met bovenstaande informatie kan de eerder opgestelde hypothese dat de meeste alumni gevonden zullen worden op LinkedIn worden aangenomen. Immers 23 van de 26 gevonden alumni zijn een keer gevonden op LinkedIn, daarnaast zijn 13 alumni exclusief gevonden op LinkedIn. Daarnaast is het belangrijk om op te merken dat bijna alle alumni te vinden waren op LinkedIn en slechts 4 van de 30 alumni zijn geen enkele keer gevonden.

4.2 Toegepaste zoekstrategieën

Aangezien de meeste alumni gevonden werden op LinkedIn en een groot deel exclusief op LinkedIn, was het bij voorbaat aannemelijk dat de participanten allereerst op LinkedIn naar de alumni zochten. Echter, uit de analyse van de protocollen is gebleken dat bij ongeveer 85% van de zoekacties (n=133) de eerste website waarop gezocht werd Google was. De verschillende zoekstrategieën, met als eerste stap Google, die door de participanten hierbij gebruikt werden zijn weergegeven in Figuur 5. In dit Figuur is onderscheid gemaakt tussen het direct vinden van een alumnus op een bepaalde website door het gebruik van Google en het vinden van een alumnus op eenzelfde website door op deze website zelf te zoeken. Dit wordt aangegeven met de pijlen ‘direct resultaat’ en ‘geen direct resultaat’, waarbij een direct resultaat het vinden van de alumnus is doormiddel van Google en geen direct resultaat het zoeken van de alumnus op een andere website dan Google. Wanneer het zoeken met Google een resultaat opleverde werd dit beschouwd als het nemen van één stap, het intypen van een andere website in de adresbalk van de webbrowser werd gezien als een volgende stap. De T’s in het figuur staan voor het totaalaantal zoekacties waarbij eenzelfde volgorde van stappen gebruikt is voor het zoeken van de alumni, de G’s staan voor het aantal alumni dat bij een bepaalde stap gevonden is. Daarnaast geeft de groene kleur aan dat één of meerdere alumni gevonden zijn bij een bepaalde stap en staat rood voor opgeven, ofwel een alumnus is door een participant niet gevonden. In totaal waren 94 van de 113 zoekacties waarbij er allereerst op Google gezocht werd succesvol.

23 7 7 4 13 1 0 1 0 5 10 15 20 25

LinkedIn Facebook Persoonlijk Diversen

A A N TA L A LU M N I (n =26)

LINKS NAAR WEBSITE (n=41)

Aantal alumni dat een keer op website X gevonden is

(12)

28 juni 2019 Pagina 12 van 23 Figuur 5. Overzicht van alle genomen stappen bij de 113 zoekacties waarvan de eerste stap Google was, met het aantal keer dat een bepaalde stap volgorde gebruikt is en wanneer een bepaalde stap succesvol was.

(13)

28 juni 2019 Pagina 13 van 23 Bij de overige 15% van de zoekacties werd gebruik gemaakt van LinkedIn (n=12) of Facebook (n=8) als eerste stap. De hierbij gebruikte zoekstrategieën zijn te zien in Figuur 6.

Figuur 6. Overzicht van alle genomen stappen bij de 20 zoekacties waarvan de eerste stap LinkedIn of Facebook was, met het aantal keer dat een bepaalde stapvolgorde gebruikt is en wanneer een bepaalde stap succesvol was. Hoewel LinkedIn en Facebook door de participanten veel minder vaak als eerste stap gebruikt zijn, is het opvallend dat LinkedIn als eerste stap slechts één keer niet tot een resultaat heeft geleid. Facebook als eerste stap lijkt veel minder succesvol met slechts bij twee van de acht pogingen een positief resultaat. Wanneer er met deze observaties in gedachte nogmaals naar Figuur 5 wordt gekeken is het opvallend dat alumni alleen gevonden zijn door gebruik te maken van de websites Google, LinkedIn en Facebook. Daarnaast is ook in Figuur 5 te zien dat het overgrote deel van de alumni uiteindelijk gevonden wordt op LinkedIn. Ondanks dat veel alumni gevonden worden op LinkedIn door gebruik te maken van Google, zijn er ook een aantal alumni die alleen op LinkedIn gevonden kunnen worden door direct op het platform zelf te zoeken. Een mogelijke verklaring hiervoor werd gegeven in één van de protocollen:

“De eerste twee alumni zijn als eerst gezocht met naam op Google. Dit leverde te veel resultaten op waardoor er besloten werd op LinkedIn te zoeken naar de naam + opleiding erachter. Dit zorgde ervoor dat alle vier de alumni gevonden werden op LinkedIn.”

Zoeken op Google levert veel resultaten op. Het is echter maar de vraag of het juiste resultaat ertussen staat en of dit resultaat hoog bovenaan de pagina komt te staan. Het is immers mogelijk dat de alumnus tussen de resultaten staat, maar als dit er substantieel veel zijn zal de alumnus niet gevonden worden. Wanneer er van Google gebruik wordt gemaakt is het dus van belang een specifieke zoekopdracht in te typen om het aantal resultaten te beperken. De zoekmachine is immers goed in het vinden van zo veel mogelijk resultaten die met de zoekopdracht overeen komen, maar minder goed in het vinden van

(14)

28 juni 2019 Pagina 14 van 23 specifieke personen. De LinkedIn-zoekfunctie daarentegen is wel gemaakt voor het vinden van specifieke individuen. Dat het eenvoudiger is om iemand op LinkedIn te vinden dan op Google werd ook in één van de protocollen benadrukt: “LinkedIn was veruit de makkelijkste manier om iemand te vinden, vaak was de alumnus met twee klikken gevonden.” Van de 3 websites waarmee alumni gevonden zijn, was Facebook duidelijk het minst behulpzaam, terwijl Facebook momenteel 2.5 keer meer gebruikers heeft dan LinkedIn (Van der Veer et al., 2019). Eén van de participanten merkte op dat er op Facebook weinig persoonlijke informatie beschikbaar is, wat een verklaring kan zijn voor het lage aantal alumni dat op dit platform gevonden werd:

“Meestal is er wel een LinkedIn-account te vinden, maar in sommige gevallen ook niet. Als dit het geval is kan je verder kijken op Facebook, alleen is hier niet bij iedereen veel persoonlijke informatie te vinden, omdat op Facebook iedereen persoonlijke informatie afschermt. Op LinkedIn willen mensen juist gevonden worden.”

Dat er weinig informatie beschikbaar is heeft dus waarschijnlijk te maken met het feit dat veel profielen zijn afgeschermd als je niet met de desbetreffende persoon bevriend bent. Hierdoor is het identificeren van iemand vaak lastig of onmogelijk, wat de kans op het vinden van een alumnus op Facebook verkleint. Als laatste was het opvallend dat bij zoekopdrachten op Google, LinkedIn of Facebook er vaak gezocht werd op naam van een alumnus in combinatie met de kenmerken universiteit en/of opleiding. De naam van een alumnus met één van deze kenmerken leverde vaak een overzichtelijk aantal resultaten op waar de gezochte alumnus tussen stond. In de conclusies van de protocollen werd het gebruik van deze kenmerken bij de zoekopdracht ook aangeraden, in één van de protocollen stond bijvoorbeeld: “Zoeken op LinkedIn geeft vaak betere resultaten dan zoeken op Google. Gebruik bij het zoeken kenmerken zoals de universiteit of de opleiding van de persoon om deze te vinden.” Deze kenmerken zijn hoogstwaarschijnlijk het meest geschikt als zoektermen, aangezien veel alumni deze informatie digitaal delen en de kenmerken uniek genoeg zijn om het aantal resultaten flink te beperken. Het afstudeerjaar van een alumnus gebruiken als zoekterm is bijvoorbeeld minder geschikt, doordat een jaartal niet uniek is waardoor het gebruik hiervan veel niet-relevante zoekresultaten kan opleveren. Uit bovenstaande bevindingen kan geconcludeerd worden dat de meest effectieve zoekstrategie er één is waarbij LinkedIn als eerste stap gebruikt wordt en waarbij er gezocht wordt op de naam van een alumnus in combinatie met de universiteit en/of opleiding.

4.3 Validatie van identiteit

Voor het valideren van de identiteit van een alumnus werd er door de participanten gebruik gemaakt van diverse kenmerken. In Tabel 1 is een overzicht te zien van de gebruikte kenmerken en de frequentie waarmee ieder kenmerk gebruikt is. De kenmerken onder de kolom Google behoren in dit geval tot de websites die alleen met Google gevonden konden worden, bijvoorbeeld een persoonlijke website of de website van een werkgever. Het meest gebruikte kenmerk is uiteraard de naam van de te zoeken alumnus aangezien die bij ieder zoekactie gebruikt werd. Dit kenmerk is dan ook in 100% van de gevallen gebruikt, ofwel het totaal van 133 zoekacties.

(15)

28 juni 2019 Pagina 15 van 23 Tabel 1. Frequentie gebruik van kenmerken bij het valideren van de identiteit van een alumnus.

Kenmerken LinkedIn Facebook Google Totaalaantal Percentage

Naam 100 22 11 133 100% Opleiding 70 10 19 99 75% Universiteit 67 10 19 96 72% Afstudeerjaar 42 3 11 56 42% Scriptie onderwerp 14 3 5 22 17% Leeftijd 12 4 3 19 14% Beroep 8 - 4 12 9% Aansluitende master 6 - - 6 5% Stagebedrijf 4 - - 4 3% Tweede voornaam 3 - - 3 2% Woonplaats - 2 1 3 2% Vrienden - 2 - 2 1%

De kenmerken naam, universiteit en opleiding zijn vaak uniek en daarom goed te gebruiken voor identificatie, wat verklaart waarom dit de meest gebruikte kenmerken zijn. Voor de validatie van de identiteit werd door het overgrote deel van de participanten op een website gezocht naar twee of meer overeenstemmende kenmerken met die van de te zoeken alumnus. Het gebruiken van slechts één kenmerk resulteerde vaak in meerdere matches, waardoor dit geen goede strategie was. Door naar twee of meer overeenstemmende kenmerken te zoeken kan met grote zekerheid gezegd worden of de juiste persoon gevonden is. Vooral op LinkedIn was het identificeren van een alumnus vaak eenvoudig, aangezien bijna ieder LinkedIn profiel beschikt over informatie met betrekking tot iemands opleiding. Hierdoor kon er op de meeste profielen aan de hand van de universiteit, opleiding en het afstudeerjaar worden vastgesteld of de juiste alumnus gevonden was. Het valideren van de identiteit van een alumnus kan dus het best gedaan worden door te zoeken naar twee of meer overeenstemmende kenmerken die samen een unieke combinatie vormen.

4.4 Ontwikkelde zoekstrategie

De analyse van de think aloud protocollen heeft een paar belangrijke inzichten opgeleverd die gebruikt kunnen worden voor het opstellen van een efficiënte zoekstrategie. De belangrijkste hiervoor genoemde resultaten voor het opstellen van een zoekstrategie zijn hieronder kort samengevat.

• Het overgrote deel van de alumni is gevonden op LinkedIn. • Alumni zijn alleen gevonden met LinkedIn, Facebook en Google. • Op Google kan het best een specifieke zoekopdracht gebruikt worden. • Identificatie op Facebook was vaak lastig door privéprofielen.

• Bij het zoeken is gebruik gemaakt van een naam en de kenmerken universiteit en/of opleiding. • Voor identificatie zijn twee of meer overeenstemmende kenmerken nodig die samen een relatief

(16)

28 juni 2019 Pagina 16 van 23 Met deze bevindingen is de in Figuur 7 weergegeven zoekstrategie ontwikkeld. Zoals in het figuur is weergegeven is het verstandig om te beginnen met zoeken op LinkedIn. Als dit geen resultaat oplevert kan op Google gezocht worden en als laatste is zoeken op Facebook een mogelijkheid. Voor het zoeken op deze websites kan het best een combinatie van naam, universiteit en/of opleiding gebruikt worden om zo de meest relevante resultaten te krijgen. Op LinkedIn lijkt het zoeken op naam en het filteren op universiteit het meest effectief te zijn, aangezien vrijwel alle gebruikers op dit platform een profiel hebben met daarop informatie over behaalde diploma’s. Nog effectiever zou het zijn om te zoeken op naam en te filteren op opleiding. Dit is echter alleen mogelijk met een premium account. Op Google kan het best gezocht worden naam, universiteit en opleiding om het aantal resultaten te beperken. Als laatste kan op Facebook het best gezocht worden op naam en universiteit, aangezien hier over het algemeen weinig persoonlijke informatie beschikbaar is als je niet bevriend bent met de desbetreffende persoon. Voor validatie is een overeenstemming in naam en twee of meer andere kenmerken nodig. Deze kenmerken moeten een relatief unieke combinatie vormen, zodat er met zekerheid gezegd kan worden dat de juiste alumnus gevonden is.

Figuur 7. Ontwikkelde zoekstrategie voor het efficiënt vinden en identificeren van alumni.

4.5 Effectiviteit ontwikkelde zoekstrategie

Om de effectiviteit van de zoekstrategie in Figuur 7 te analyseren is er met deze strategie gezocht naar vijftien alumni. Hierbij is in eerste instantie gebruik gemaakt van de zoektermen die bij iedere stap zijn voorgeschreven. Als deze zoektermen geen resultaat opleverde zijn ze aangepast. De zoekopdracht bestond altijd uit een naam of een combinatie van naam, universiteit en/of opleiding. Indien de alumnus aan het eind van de zoekstrategie niet gevonden was, werd er geconcludeerd dat deze niet te vinden is. Met de zoekstrategie is het gelukt om veertien van de vijftien alumni te vinden. Hiervan werden er dertien gevonden door op LinkedIn te filteren op naam en universiteit. Het filteren op universiteit bracht het aantal resultaten in deze gevallen terug tot een maximum van twee. De overige twee alumni konden, ook met aanpassing van de zoektermen, niet op LinkedIn gevonden worden. Het zoeken naar deze personen op Google met naam, universiteit en/of opleiding was ook onsuccesvol. Als laatste is er naar de overige twee alumni gezocht op Facebook. Eén van hen kon hier gevonden worden door te zoeken op naam en

(17)

28 juni 2019 Pagina 17 van 23 universiteit. Ook met aangepaste zoektermen kon de laatste alumnus niet gevonden worden. Alle dertien, op LinkedIn gevonden alumni, konden geïdentificeerd worden aan de hand van hun naam en drie overeenkomende kenmerken, namelijk universiteit, opleiding en afstudeerjaar. De op Facebook gevonden alumnus werd geïdentificeerd aan de hand van de twee overeenkomende kenmerken, universiteit en opleiding.

5. Conclusie

In dit onderzoek is een efficiënte zoekstrategie ontwikkeld voor het vinden van alumni van de UvA, zodat er contact opgenomen kan worden met deze alumni. Voor het ontwikkelen van deze zoekstrategie is er allereerst gekeken naar hoe een alumnus digitaal gevonden kon worden, met als hypothese dat de meeste alumni op LinkedIn gevonden konden worden. Uit het onderzoek is gebleken dat het overgrote deel van de alumni inderdaad gevonden werd op LinkedIn, daarnaast kon een deel van de alumni gevonden worden op Google en Facebook. De naam van de alumnus, vaak in combinatie met de kenmerken universiteit en/of opleiding, werden hierbij gebruikt als zoektermen.

Vervolgens is er gekeken naar de informatie die nodig is om met zekerheid te zeggen dat de juiste alumnus gevonden is. Bij validatie van de identiteit van een alumnus werd er met name gebruik gemaakt van de kenmerken naam, universiteit, opleiding en het afstudeerjaar. Een combinatie van twee of meer van deze kenmerken was nodig om met zekerheid te kunnen vaststellen dat de juiste alumnus gevonden was. Aangezien de combinatie van universiteit, opleiding en afstudeerjaar relatief uniek is, waren deze kenmerken uitermate geschikt voor validatie van de identiteit.

Gebruikmakend van bovenstaande bevindingen is de in Figuur 7 weergegeven efficiënte zoekstrategie voor het vinden van alumni ontwikkeld, waarmee het doel van dit onderzoek is gerealiseerd. De zoekstrategie begint met het zoeken van de alumnus op LinkedIn. Wanneer dit geen resultaat oplevert kan er gebruik gemaakt worden van Google, gevolgd door Facebook. Om gericht te zoeken en het aantal resultaten te beperken kan er op LinkedIn het best gezocht worden op naam met een filter voor “universiteit”. Op Google is zoeken op naam, universiteit en opleiding het effectiefst, terwijl op Facebook het best gezocht kan worden op naam en universiteit. Gebruikmakend van de opgestelde zoekstrategie konden veertien van de vijftien gezochte alumni eenvoudig gevonden worden, waarvan dertien op LinkedIn en één op Facebook. Uit analyse is dus gebleken dat de voorgestelde zoekstrategie een hoog succespercentage heeft en efficiënt werkt.

Kortom, de in het huidige onderzoek ontwikkelde zoekstrategie biedt mogelijkheden voor het vinden en identificeren van alumni, terwijl hier voorheen geen duidelijke strategie voor was. Hierdoor kunnen organisaties eenvoudiger op zoek naar alumni die expert zijn in een vakgebied die voor de organisatie interessant is. Dit kan het doorstromen van alumni naar de arbeidsmarkt bespoedigen.

6. Discussie

De resultaten van het huidige onderzoek bevestigen dat sociale media een belangrijke rol spelen bij expert finding. Daarnaast is de ontwikkelde zoekstrategie voor het vinden van experts, waarvan de identiteit wel bekend is, een aanvulling op de bestaande literatuur. Dat de meeste alumni op LinkedIn gevonden konden

(18)

28 juni 2019 Pagina 18 van 23 worden, komt door de opbouw van dit sociale medium. LinkedIn is opgericht met als doelgroep professionals, zodat zij met elkaar in contact kunnen komen en netwerken kunnen opbouwen (van Dijck, 2013). Het gebruik van meerdere zoektermen bij het zoeken naar een alumnus kan verklaard worden door een te groot aantal resultaten wanneer er alleen op naam gezocht wordt. Een te groot aantal resultaten is immers onoverzichtelijk en daardoor lastig te analyseren en interpreteren (Sriramoju, 2017). Dat er voor validatie meerdere overeenkomende kenmerken nodig zijn, valt te wijten aan het feit dat namen vrijwel nooit uniek zijn (Mann & Yarowsky, 2003). Een naam wordt vaak gedeeld door meerdere personen, waardoor andere kenmerken nodig zijn om onderscheid te kunnen maken.

De resultaten in het huidige onderzoek kunnen beïnvloed zijn door een aantal factoren. Er is bijvoorbeeld alleen gezocht naar alumni en niet naar andere experts. Wellicht is de ontwikkelde zoekstrategie hierdoor lastig te generaliseren voor het vinden van andere experts. Gebruikte zoektermen in de huidige zoekstrategie zullen veranderen wanneer de te vinden expert geen alumnus is. Echter, het is waarschijnlijk onmogelijk om één zoekstrategie te ontwikkelen die toepasbaar is voor het vinden van iedere expert, terwijl de huidige zoekstrategie met enkele aanpassingen van zoektermen al erg breed inzetbaar is. Een tweede mogelijke beperking van de ontwikkelde zoekstrategie is het feit dat deze opgesteld is op basis van Nederlandse alumni, waardoor deze mogelijk minder optimaal werkt voor gebruik in andere landen. Bijvoorbeeld, het zou kunnen dat het in Amerika veel effectiever is om eerst op Facebook te zoeken naar een alumnus, omdat bijna 70% van de Amerikaanse bevolking gebruik maakt van dit sociale medium (Smith & Anderson, 2018). Hoewel de genomen stappen van de zoekstrategie hierdoor kunnen verschillen zullen de gebruikte zoektermen hoogstwaarschijnlijk hetzelfde blijven, waardoor de efficiëntie van de zoekstrategie behouden blijft.

6.1 Vervolgonderzoek

In het huidige onderzoek is een zoekstrategie ontwikkeld voor het efficiënt vinden van alumni. Het doel hierbij was om met zekerheid te kunnen zeggen dat de gevonden persoon de juiste alumnus betreft. Echter, uit analyse van de think aloud protocollen is gebleken dat er gevallen waren waarbij er getwijfeld werd over de identiteit van een gevonden persoon: “Ik heb een Facebook resultaat met dezelfde naam en de leeftijd lijkt te kloppen, ik weet echter niet zeker of dit hem is maar door hem een bericht te sturen zouden we het kunnen controleren.” In vervolgonderzoek zou gekeken kunnen worden naar de grens tussen wel of niet contact opnemen met de gevonden persoon om zijn identiteit te valideren. Met de huidige opzet van de zoekstrategie en de hierbij gehanteerde criteria wordt een alumnus waarvan twijfel bestaat over de identiteit beschouwd als niet gevonden. Deze aanpak resulteert in een hoog aantal true positives (de juiste alumnus is gevonden) maar kan ook leiden tot een hoog aantal false negatives (de alumnus wordt beschouwd als niet gevonden, maar was wel te vinden). Door bij twijfel over de identiteit van een alumnus een bericht te sturen naar de alumnus om deze te valideren, kan het aantal false negatives worden beperkt. Echter, het is ongewenst om een bericht te sturen naar iedereen waar wellicht twijfel over bestaat, omdat dit veel tijd in beslag kan nemen. Hierdoor is het van belang om richtlijnen of grenzen te bepalen voor het al dan niet sturen van een bericht, wat perspectieven biedt voor vervolgonderzoek.

Tevens kan vervolgonderzoek zich richten op het automatiseren van de in dit onderzoek ontwikkelde zoekstrategie. De huidige zoekstrategie leent zich slecht voor het zoeken naar alumni op grote schaal in korte tijd. Het uitvoeren van alle handelingen en het scannen van informatie is immers een tijdsintensieve

(19)

28 juni 2019 Pagina 19 van 23 bezigheid. Het automatiseren van de zoekstrategie kan deze beperking verhelpen. Zo beschikt de scriptiedatabase van de UvA over ruim 49000 scripties van alumni, waarvan geen contactgegevens bekend zijn. Een geautomatiseerde zoekstrategie maakt het mogelijk om naar al deze alumni te zoeken. De contactgegevens van de gevonden alumni kunnen vervolgens, met toestemming, in een database worden opgenomen. Hierdoor kunnen zij in de toekomst eenvoudig benaderd worden door bijvoorbeeld organisaties of wetenschappers. De scripties in deze database bevatten immers veel informatie. Echter, zonder een mogelijkheid om contact met de auteur op te nemen is deze informatie minder waardevol. De in dit onderzoek ontwikkelde zoekstrategie is de basis voor het vinden van bij naam bekende experts. Door in vervolgonderzoek hierop verder te bouwen kan de toepassing uitgebreid worden en kunnen meer experts gevonden worden.

7. Dankwoord

Graag wil ik mijn begeleider Toon Abcouwer bedanken voor zijn input, feedback en hulp gedurende dit onderzoek. Daarnaast wil ik hem bedanken voor het beschikbaar stellen van een aantal colleges voor het verzamelen van mijn data. Ook was het een fijne omgang en heb ik veel van het project opgestoken. Deze vaardigheden zal ik gebruiken voor het behalen van mijn master volgend jaar.

(20)

28 juni 2019 Pagina 20 van 23

8. Referenties

Aelen, P. (2016, 4 februari). Expert. Geraadpleegd van https://www.ensie.nl/paul-aelen/expert

Balog, K., Fang, Y., de Rijke, M., Serdyukov, P., & Si, L. (2012). Expertise retrieval. Foundations and Trends® in Information Retrieval, 6(2–3), 127-256.

Beuningen, J., & Kloosterman, R. (2018). Opvattingen over sociale media. Geraadpleegd van: https://www.cbs.nl/nl-nl/achtergrond/2018/20/opvattingen-over-sociale-media

Bozzon, A., Brambilla, M., Ceri, S., Silvestri, M., & Vesci, G. (2013). Choosing the right crowd: expert finding in social networks. In Proceedings of the 16th International Conference on Extending Database Technology (pp. 637-648). ACM.

Centraal Bureau voor de Statistiek (2018, 31 oktober). Internet; toegang, gebruik en faciliteiten [Dataset]. Geraadpleegd van:

https://opendata.cbs.nl/statline/#/CBS/nl/dataset/83429NED/table?ts=1518596208847

Van Dijck, J. (2013). ‘You have one identity’: performing the self on Facebook and LinkedIn. Media, culture & society, 35(2), 199-215.

Fonteyn, M. E., Kuipers, B., & Grobe, S. J. (1993). A description of think aloud method and protocol analysis. Qualitative health research, 3(4), 430-441.

Jacobs, C. (2010, 8 april). Studenten, de nieuwe prooi voor online recruitment. Geraadpleegd van https://www.bijgespijkerd.nl/social-networking/studenten-de-nieuwe-prooi-voor-online-recruitment

Jääskeläinen, R. (2010). Think-aloud protocol. Handbook of translation studies, 1, 371-374.

Mann, G. S., & Yarowsky, D. (2003). Unsupervised personal name disambiguation. In Proceedings of the seventh conference on Natural language learning at HLT-NAACL 2003-Volume 4 (pp. 33-40). Association for Computational Linguistics.

McAfee, A., Brynjolfsson, E., Davenport, T. H., Patil, D. J., & Barton, D. (2012). Big data: the management revolution. Harvard business review, 90(10), 60-68.

Meertens Instituut. (2015). Nederlandse Voornamenbank [Dataset]. Geraadpleegd van: https://www.meertens.knaw.nl/nvb/

Ooghe, S. (2019, 1 maart). Bedrijven smeken om onze studenten. Geraadpleegd van https://m.hln.be/in-de-buurt/gent/-bedrijven-smeken-om-onze-studenten~a6cf609b/

(21)

28 juni 2019 Pagina 21 van 23 Persgroep Online Services. (2018, april). Werkgevers starten steeds vroeger met laatstejaarsstudenten te ronselen. Geraadpleegd van https://www.vacature.com/nl-be/carriere/solliciteren/werkgevers-starten-steeds-vroeger-met-laatstejaarsstudenten-te-ronselen

Provost, F., & Fawcett, T. (2013). Data science and its relationship to big data and data-driven decision making. Big data, 1(1), 51-59.

Smith, A., & Anderson, M. (2018). Social media use in 2018. Pew Research Center. http://www.pewinternet.org/2018/03/01/social-media-use-in-2018/

Van Someren, M. W., Barnard, Y. F., & Sandberg, J. A. C. (1994). The think aloud method: a practical approach to modelling cognitive. Academic Press, London.

Sriramoju, S. B. (2017). Heat Diffusion Based Search for Experts on World Wide Web. International Journal of Science and Research”, International Journal of Science and Research 6(11), 632-635.

Universiteit van Amsterdam. (2019). UvAnetID. Geraadpleegd van https://medewerker.uva.nl/fnwi/ shared/subsites/

extranet/nl/a-z/uvanet-id/uvanetid-voor-medewerkers-gelieerden-en-gasten.Html?origin=mRGBazhNQ4SjC72X5Oqv8w

Van der Veer, N., Boekee, S., & Hoekstra, H. (2019). Nationale social media Onderzoek 2019. Newcom Research.

Yimam-Seid, D., & Kobsa, A. (2003). Expert-finding systems for organizations: Problem and domain analysis and the DEMOIR approach. Journal of Organizational Computing and Electronic Commerce, 13(1), 1-24.

Yin, X., & Shah, S. (2010). Building taxonomy of web search intents for name entity queries. In Proceedings of the 19th international conference on World wide web (pp. 1001-1010). ACM.

Zhang, J., Tang, J., & Li, J. (2007). Expert finding in a social network. In International Conference on Database Systems for Advanced Applications (pp. 1066-1069). Springer, Berlin, Heidelberg.

(22)

28 juni 2019 Pagina 22 van 23

9. Bijlage

9.1 Think aloud zoekopdracht

THINK ALOUD ONDERZOEK

OPDRACHT

In duo’s gaan jullie proberen om drie alumni te vinden m.b.v. het internet, zodat er met deze alumni contact opgenomen zou kunnen worden. Dit doen jullie aan de hand van de informatie op het voorblad van diverse scripties. Voor dit experiment maken we gebruik van het zogeheten thinking aloud protocol, wat inhoudt dat je je gedachte verwoord en dus hardop verteld wat je tijdens het zoeken denkt en doet. Er zijn twee rollen tijdens dit experiment, één van jullie zal proberen de alumni te vinden (gebruik makend van het thinking aloud protocol) en de ander zal dit notuleren. Neem maximaal 10 minuten de tijd voor het vinden van elke alumnus. Hieronder staan de notulen die ingevuld moeten worden door de notulist.

Tijdens het experiment zijn we vooral geïnteresseerd in de strategie die gebruikt wordt tijdens het zoeken van de alumni (wat doe je stap voor stap, waar let je op bij het zoeken en hoe weet je dat je de juiste persoon gevonden hebt?).

Note: Help je partner herinneren dat er hardop gesproken moet worden als hij of zij dit vergeet.

NOTULEN … (SCHRIJF HIER DE NAAM VAN DE TE ZOEKEN ALUMNI OP)

Transcriptie …

Reflectie (na het zoeken) Persoon gevonden: ja/nee

Link (URL) naar persoon (indien gevonden):

Gebaseerd waarop denk je dat dit de juiste persoon is (bijvoorbeeld woonplaats, leeftijd, etc.)? …

Transcriptie …

(23)

28 juni 2019 Pagina 23 van 23 Reflectie (na het zoeken)

Persoon gevonden: ja/nee

Transcriptie …

Reflectie (na het zoeken) Persoon gevonden: ja/nee

CONCLUSIE

Terugkijkend op de notulen, wat lijkt jullie de handigste manier om iemand te zoeken op het internet? …

Aan de hand van welke kenmerken werd er bepaald of de juiste persoon gevonden was? • Voor- en achternaam

• … • … • …