In 1000e Bookmarks verwalten mit raindrop.io habe ich einige für mich wesentliche Funktionen von raindrop.io beschrieben. Ich habe dabei auch auf die sogenannte „Wiederfindbarkeitslücke“ (Findability Gap) hingewiesen. Allerdings habe ich danach vor allem allgemeine praktische Funktionen besprochen, die sich nicht unmittelbar auf die „Wiederfindbarkeitslücke“ bezogen haben. Das möchte ich nun mit diesem Beitrag nachholen.
Verwendete Literatur zum Findability Gap
Ich verwende dafür eine Reihe von speziellen Publikationen, die sich speziell mit dem „Findability Gap“ beschäftigen und einige davon dazu auch empirische Studien verfasst hatten1.
- Bruce, H., Jones, W., & Dumais, S. (2004). Keeping and re-finding information on the web: What do people do and what do they need? Proceedings of the American Society for Information Science and Technology, 41(1), 129–137. https://doi.org/10.1002/meet.1450410115
- Deng, T., & Feng, L. (2011). A survey on information re‐finding techniques. International Journal of Web Information Systems, 7(4), 313–332. https://doi.org/10.1108/17440081111187538
- Jones, W. (2007). Keeping Found Things Found: The Study and Practice of Personal Information Management. Academic Press.
- Morville, P. (2005). Ambient Findability: What We Find Changes Who We Become. O’Reilly & Associates.
- Morville, P., & Callender, J. (2010). Search Patterns: Design for Discovery. O’Reilly and Associates.
- Pérez-Quiñones, M. A. (2017). Re-Finding Found Things: An Exploratory Study of How Users Re-Find Information. Interactions, 24(2), 14–15. https://doi.org/10.1145/3044715
- Rosenfeld, L., Morville, P., & Arango, J. (2015). Information Architecture: For the Web and Beyond (3rd ed.). O’Reilly Media.
Ich stelle zuerst die allgemeine Strategie im Sinne eines Personal Information Managements (PIM) dar; eine Strategie, die nicht für Lesezeichen (Bookmarks), sondern auch für andere digitale Objekte, wie z. B. Dateien, E-Mails, Bilder, gültig ist. In einem zweiten Schritt schlage ich dann konkrete Schritte zur Realisierung in raindrops.io vor.
Finden ≠ Wiederfinden
Bis 2005 wurde mehrheitlich über das Finden von digitalen Informationen geforscht. Es war zu diesem Zeitpunkt noch nicht deutlich geworden, dass sich Wiederfinden wesentlich von Finden-Strategien unterscheidet. Unterschiede sind:
- Wiederfinden ist direkter und mehr zielorientiert: BenutzerInnen haben bereits das digitale Objekt gesehen. Ihre Strategie ist daher weniger auf Exploration ausgerichtet, sondern auf die Lokalisierung des schon einmal gefundenen Objektes.
- Wiederfinden hat eine zeitliche Variable: Finden ist immer mit dem erstmaligen Aufsuchen verknüpft. Wiederfinden hingegen unterscheidet sich hinsichtlich zeitlicher Komponenten. Je nachdem, ob es sich um Minuten (Kurzzeit), Tage (mittlerer Zeitabstand) oder Monate bzw. Jahre (Langzeit) handelt, sind unterschiedliche Strategien anzuwenden.
- Kontext ist wichtiger als Inhalt: Beim Erstkontakt (Finden) geht es in erster Linie um die inhaltliche Passung. Dementsprechend müssen geeignete inhaltliche Suchbegriffe genutzt werden. Je länger der Zeitabstand zwischen Finden und Wiederfinden ist, desto wichtiger werden Kontextstrategien.
Der wohl wichtigste Grundsatz zum Wiederfinden von Informationen lautet: Context, nicht Content, is King! Studien haben gezeigt, dass Kontext besser erinnert wird als der Inhalt des digitalen Objekts. Das gilt vor allem für Objekte, die vor langer Zeit abgespeichert worden sind.
Je länger es her ist, dass ein digitales Objekt gesichert worden ist, desto wichtiger werden kontextuelle Hinweise. Dazu zählen zeitliche und örtliche Anhaltspunkte, mit dem Finden assoziierte Aktivitäten oder auch semantische Assoziationen.
Beispiele für die Nutzung kontextueller Hinweise in raindrop.io könnten sein:
Zeitlicher Kontext
- Datum: Wann genau wurde das Lesezeichen gefunden und abgespeichert? raindrop.io fügt z. B. beim gleichzeitigen Abspeichern mehrerer URLs (Browser-Tabs bzw. Browser-Reiter) das Datum automatisch hinzu.
- Bereich: Gruppe von Lesezeichen, die innerhalb einer gewissen Zeitspanne gespeichert wurden, z. B.: Alle Lesezeichen zum Thema „Wiederfinden“ im April 2025 werden in raindrop.io mit dem Label #april2025 versehen.
- Zyklus: Gruppe von Lesezeichen, die mit einer zeitlich wiederkehrenden Aktivität verbunden sind, z. B.: Alle Lesezeichen in Zusammenhang mit meiner Einführungsvorlesung im Wintersemester werden in raindrop.io mit dem Etikett #VO-WS abgespeichert.
Räumlicher oder organisatorischer Kontext
- Ort: Lesezeichen, die ich an einem bestimmten Ort gesammelt habe, z. B. könnte ich alle Bookmarks, die ich in meinem Kroatien-Urlaub gesammelt habe, mit dem Tag #Croatia26 kennzeichnen.
- Veranstaltung: Lesezeichen, die ich auf der Pattern-Konferenz gesammelt habe, z. B. #Plop2026.
- Ordner (Collection): Lesezeichen werden mit dem Namen des Hauptordners versehen, in dem das Lesezeichen – in welchen Unterordnern auch immer – abgespeichert wird. Das ist besonders dann sinnvoll, wenn eine komplexe hierarchische Ordnerstruktur zu managen ist. (In 1000e Bookmarks verwalten mit raindrop.io habe ich jedoch von tiefgeschachtelten Strukturen abgeraten.)
Semantischer Kontext
- Zusätzlicher Text: In raindrop.io gibt es mehrere Möglichkeiten, wie erläuternder Text in der Volltextsuche gefunden werden kann.
- So kann die von raindrop.io automatisch generierte Webseiten-Beschreibung redigiert oder ergänzt werden.
- raindrop.io hat als Standard für jedes Lesezeichen ein eigenes Feld für Notizen vorgesehen.
- Ebenso kann nach Text in Hervorhebungen gesucht werden.
- Taxonomie: Etiketten (Tags) dienen der Kategorisierung der Lesezeichen und haben gegenüber der Ordnerstruktur den Vorteil, dass keine eindeutige Zuordnung notwendig ist. Ein Lesezeichen kann nur einem Ordner zugeordnet werden, aber mehrere Etiketten besitzen. Wichtig dabei ist es, ein kontrolliertes Vokabular, das ständig anzupassen und zu pflegen ist, aufzubauen. raindrop.io hilft hier mit Funktionen zum Management von Tags (Umbenennen, Zusammenführen, Löschen).
- Unsorted: Für die schnelle Sicherung von Lesezeichen hat raindrop.io den Ordner „Unsorted“ vorgesehen.
Aktivitätskontext
- To-Do-Etiketten: Lesezeichen werden mit Marker für spätere Bearbeitung versehen. Ich habe z. B. in raindrop.io folgende Etiketten für spätere Aktivitäten vorgesehen:
- #to-read (Artikel oder Buch),
- #to-watch (Video), to-inspect (Webseiten),
- #to-blog (Material für einen geplanten Blogpost)
- #to-explore (Software), und
- #to-learn (Lehrbücher, Kurse, Tutorials).
- Warum: Ein wichtiger kontextueller Hinweis ist es, einen Satz einzufügen, warum ein bestimmtes Lesezeichen gespeichert wird. „Saved because it has ready-to-run R code for a wide range of Bayesian models.“
- Wozu: Ein ebenfalls wichtiger Anhaltspunkt für spätere Wiederfinden ist eine Anmerkung, wozu der Inhalt des Lesezeichens dienen soll. Z. B.: „Material für einen möglichen Blog-Artikel zum Verhältnis von wissenschaftlichem Arbeiten und KI-Plagiaten“.
- Favoriten: raindrop.io hat einen speziellen Filter für besonders wichtige oder häufig benötigte Bookmarks.
Facettenklassifikation
Ein besonders hilfreiches Werkzeug zum Wiederfinden von Informationen ist die sogenannte Facettenklassifikation. Statt einer einzigen hierarchischen Struktur werden hierbei verschiedene Aspekte mehrdimensional hierarchisch geordnet. Dadurch kann das gesuchte digitale Objekt über mehrere Zugänge wiedergefunden werden.
Beispiele für Lesezeichen mit raindrop.io:
| Generell | #statistics | #software | #data | #personal-life |
| Spezifisch | #correlation | #R-Project | #csv | #money |
| Tiefe / Aspekt | #intro #advanced #quick-reference | #base-r #package #tidyverse #tidymodel | #who #eurostat #ess #world-bank | #sparkasse #income #invoice #crypto |
| Projekt | #edu2026 #pisa #rsf … | #dplyr #readr #ggplot2 … | #gapfinder #iris #eurodist … | #tax2025 #housing #freelance … |
Es können auch mehrere allgemeine Ebenen miteinander verknüpft werden. So können beispielsweise in der obigen Tabelle R-Pakete zu Statistik-Software für Korrelationen mit bestimmten Datensätzen über entsprechende Etiketten wiedergefunden werden.
- Ich habe für die Zusammenfassung der angeführten Literatur das KI-Modell Claude Haiku genutzt. Claude Haiku ist das kleinste, schnellste und kostengünstigste Modell der Claude-Familie von Anthropic. Es wurde für Aufgaben mit hoher Geschwindigkeit und geringer Latenz entwickelt und bietet gleichzeitig eine hohe Leistungsfähigkeit bei Codierung, Computernutzung und Agenten-Workflows. ↩︎
