Abstract

Diese Arbeit befasst sich mit der Anwendung so genannter subjektivbewertender tags – einer möglichen Form von tags zur Bildung von Folksonomien, welche den emotionalen Inhalt einer Ressource beschreiben. Die dominierende Mehrheit von tags in heutigen Folksonomien besitzt einen eher objektiven
Charakter. Unklare subjektiv-gefärbte Begriffe gefährden die eindeutige Zuordnung von Inhalten zu Klassen, senken somit die innere Konsistenz der Taxonomie und werden aus diesem Grund eher vermieden. In der Anwendungsdomäne der Unterhaltungsmedien scheinen objektiv-beschreibende tags jedoch nicht immer geeignet zu sein, um deren Inhalt zu beschreiben. Gerade Konsumenten, die den Kontext nicht kennen, innerhalb dessen sie Inhalte suchen, wie beispielsweise eine bestimmte Art von Musikstück der klassischen Musik, haben es oft schwer sich zu Recht zu finden. Subjektiv-bewertende tags könnten dabei Abhilfe schaffen. Man sucht nicht taxonomisch, also in Kategorien einer bestimmten Domäne denkend, sondern mittels tags, die den emotionalen Inhalt beschreiben. In einem Experiment wurde untersucht, ob und wie weit diese Form des tagging effektiv ist. Tagging ist dann effektiv, wenn es eine intersubjektive Übereinstimmung über die passende Zuordnung von tags zu Objekten gibt. Im Experiment mussten die Teilnehmer aus einer begrenzten Menge solcher tags auswählen und diese Bildern zuordnen. Es kristallisierte sich heraus, dass bei Bildern auf denen Menschen und vor allem Gesichter zu sehen waren, eine hohe Übereinstimmung unter den Teilnehmern herrschte. Emotionales tagging ist dort also effektiv. Bei eher materialistischen Sujets war die Übereinstimmung deutlich geringer. Diese Arbeit präsentiert erste empirische Erkenntnisse, welche subjektivbewertenden tags heute bereits häufig verwendet werden, sowie welche Art von Inhalten sich für subjektive tags als besonders vielversprechend erweisen. Abschliessend diskutieren wir aufgrund dieser Ergebnisse Implikationen für
Plattformbetreiber und die zukünftige Verwendung von subjektiv-bewertenden tags in Web 2.0-Szenarien.