pearltrees html popular pearltrees search

Recommendation, opinion et médiation

<

De la logistique à la médiation Il me semble pourtant que la médiation est bien la recherche de dispositifs permettant de faire se rencontrer l’offre et la demande documentaire . A cet égard, je crois qu’elle fait partie intégrante de notre métier (tout comme l’action culturelle, dont elle est partie prenante). L’émergence d’Internet a d’abord fait croire que tous allions nous passer des médiateurs, puis ceux-ci sont revenus de manière très forte sous la forme de services numériques de recommandation plus ou moins automatisés. http://www.bibliobsession.net/2008/03/19/bibliotheques-passer-de-lere-logistique-a-lere-de-la-mediation/

http://bbf.enssib.fr/consulter/bbf-2007-06-0067-000 Bibliothécaire = médiateur ? « La médiation n’est pas une tâche mais une mission, un tout, une conception transcendantale, un postulat de départ et d’arrivée 1 . » Le bibliothécaire est-il un médiateur ? « Les médiateurs sont partout mais personne ne sait à quoi

Du temps (pas si lointain) où je préparais les concours de la fonction publique, j’avais été frappé par la notion de "Leader d’opinion"…c’est quoi un leader d’opinion? hé bien dans ce billet de Sébastien Bailly on apprend que : Cet article a été publié il y a 5 ans 16 jours , il est donc possible qu’il ne soit plus à jour. Les informations proposées sont donc peut-être expirées. C’est en 1940 que Paul Lazarsfeld mène, avec quelques autres chercheurs, la première étude sur la communication de masse politique. http://www.bibliobsession.net/2007/01/25/des-leaders-d-opinion/ Leaders d’opinion

Vers le graphe social du livre http://lafeuille.blog.lemonde.fr/2008/03/vers-le-graphe-social-du-livre.html Toutes nos excuses, mais la page que vous demandez est introuvable. Essayez de lancer une recherche.

http://spectrum.ieee.org/computing/software/people-who-read-this-article-also-read IEEE Spectrum: People Who Read This Article Also Read... The most interesting and important way to customize a site is to create a page of stories based on your unique interests culled from information about your past reading behavior. There’s already a model for that—the recommendation systems used by Amazon, TiVo, and Netflix. Using information on past purchases, movie ratings, or items viewed, these systems steer consumers to items from among the thousands or millions they have on offer. Newspapers can and should borrow this idea. It could transform the industry. Based on articles viewed, these systems could highlight the ones they think a reader would find most interesting, even presenting them in order, with the most interesting article first.

http://www.internetactu.net/2008/03/18/comment-ameliorer-les-moteurs-de-recommandation/ Les moteurs de recommandation fonctionnent souvent de la même façon et se contentent d’offrir aux utilisateurs un système de notation pour faire des recommandations adaptées aux notes attribuées. Pour Alex Iskold, il faut distinguer les recommandations personnalisées (adaptées à nos comportements passés), sociales (adaptées au comportement d’utilisateurs similaires) ou sur l’objet (les spécifications du produit génèrent la recommandation, comme en comparant les qualités d’un livre à celles d’un autre , à la manière du projet BookLamp ). Les recommandations sociales s’appuient sur un filtrage collaboratif : les gens qui aiment le Seigneur des anneaux vont apprécier Eragon et les Chroniques de Narnia . Le problème de ce type d’approche est que les goûts des gens ne se superposent pas toujours à des catégories aussi simples. Comment améliorer les moteurs de recommandation ? | InternetActu

Rethinking Recommendation Engines Over two years ago, Netflix announced a Recommendation Engine contest - anyone who invents an algorithm that does 10% better than their current recommendation system will win $1 Million dollars. Many research teams raced to attack the problem, excited by the unprecedented amount of data available. Initially quite a lot of progress was made, but then slowly the progress stalled and now teams are stuck at around the 8.5% improvement mark. http://www.readwriteweb.com/archives/rethinking_recommendation_engines.php

10 Recommended Recommendation Engines Alex Iskold just posted Rethinking Recommendation Engines , a product type that we here at ReadWriteWeb have explored a lot over the past year or so. In this follow-up post, we present 10 recommendation engines that we like. And we don't include the obvious ones, such as Amazon, Netflix, last.fm, Pandora. So it's not a 'top 10', don't panic. http://www.readwriteweb.com/archives/10_recommendation_engines.php

Services de recommendation

La Feuille » Archive du blog » Vers le graphe social du livre

On pourrait dire la même chose de beaucoup d’outils de recommandation : si vous recherchez les Beatles, le plus souvent ils vous conseilleront les Rolling Stones, John Lennon ou Paul McCartney : j’y serais arrivé tout seul ! Vous avez acheté Fahrenheit 9/11 de Michael Moore, les internautes ont également acheté Bowling For Columbine et L’Amérique de Michael Moore : surpris ? Les outils du web 2.0 nous ont fait rentrer dans l’ère de l’agrégation, mais c’est une expérience dont on perçoit assez vite les limites. Des agrégateurs aux disséminateurs | InternetActu.net http://www.internetactu.net/2007/01/12/des-agregateurs-aux-disseminateurs/

Le secret honteux de la sagesse des foules : il n’y a pas de fou http://fr.readwriteweb.com/2009/09/28/analyse/secret-honteux-de-sagesse-des-foules-ny-pas-de-foules/ Par exemple, sur Amazon, seul 5% des utilisateurs actifs d’Amazon ont déjà voté sur plus de 10 produits, mais une petite poignée d’utilisateurs a voté pour plus d’une centaine de produits. Selon Kostakos, “Si vous avez deux ou trois personnes qui votent 500 fois, les résultats ne sont pas du tout représentatifs de l’opinion de la communauté dans son ensemble”. Ce n’est pas la première fois que la théorie de la sagesse des foules est mise à mal. Le terme, qui sous entend qu’un échantillon vaste d’individus prennent de meilleures décisions et font de meilleures prédictions que des individus seuls ou des experts, a été utilisé dans le passé pour décrire la façon dont tout, de Wikipedia à Digg, offre de meilleurs services sur internet que ce qu’un petit groupe d’individus pourrait faire. Pour mener sa recherche, Kostakos a travaillé avec une échantillon large de notations faites en ligne par des utilisateurs.

A new online community site called Lunch.com has just launched into private beta here at the Web 2.0 Expo in San Francisco. The site, essentially a recommendation network, aims to bring the sort of casual conversations you would have with friends over lunch to the online arena. Using a proprietary "Similarity Network Engine," Lunch calculates what you have in common with other site members so you can share recommendations with those who have your same interests and perspectives. Click through for an exclusive invite code to this new site! In a way, Lunch is somewhat like a "Yelp 2.0." But unlike Yelp and other sites like it, Lunch's network aims to make user-generated reviews more of a personalized experience. http://www.readwriteweb.com/archives/lunch_launches_a_personal_recommendation_network_i.php Lunch Launches a Personal Recommendation Network (+Invites)

Give these new and notable pieces a read and share some comments with a sprinkling of thumbs up ratings. I'm sure they'll appreciate it! As always, follow us on Twitter @ Lunch_com for news and updates. Lunch - Feed your Curiosity http://www.lunch.com/