Try this for information overload: Open your favorite browser, and in the search box type “multiplying fractions.” In about a quarter of a second, you’ll find yourself buried in more than 4 million results. Four million. Even with web page-rating schemes like Google’s PageRank pushing content deemed more relevant to the top of the pile, that’s one massive, needle-obscuring haystack of information.
בעבר האינטרנטי הרחוק קטלוגים שנבנו על ידי בני אדם הבטיחו שמי שמעיין בהם יוכל למצוא מקורות איכותיים. אבל כבר מזמן הוצפנו במקורות כל כך רבים (כולל במקורות טובים) שיד אדם איננה מסוגלת לסדר אותם בקטלוגים. זאת הסיבה ליוזמות כמו ה-LRMI – התקווה שבאמצעות metadata רב ומדוייק אפשר יהיה להגיע למקורות שתואמים את מה שמחפשים.
ה-LRMI מוותר על קטלוג מעשה ידי אדם. עם זאת, הוא דורש מאמץ אנושי לא קטן. לא ברור שהוספת ה-metadata למשאבים השונים קלה ומהירה יותר מאשר בניית קטלוג. ובנוסף, מפני שיוצרי המשאבים הם אלה שאמורים לקבוע את ה-metadata, יש כאן ציפייה גדולה שה-metadata שיוצרי המשאבים מעניקים למשאביהם יהיה יעיל ואמין. בכלל לא ברור אם בוני המשאבים יודעים לעשות זאת על הצד הטוב (ואפילו אם הם באמת רוצים לעשות זאת).
בנוסף, יש טעם לשאול עם מלאכת הוספת ה-metadata עד כדי כך נחוצה. הכתבה אמנם מצטטת מנהל של האיגוד של המו”לים החינוכיים שטוען ש:
What’s needed is a commonly agreed-upon vocabulary for describing content for education search.
There hasn’t been the sort of detailed tagging available that would allow, for example, a fourth-grader reading at a second-grade level researching the history of California to find content that is specifically appropriate to them.
ואולי אין צורך להרחיק לכת עם ההרהור החינוכי הזה. אפשר אולי להסתפק רק בהרהור “טכנולוגי”. הרהור כזה מעלה סטיבן דאונס בהתייחסות שלו לכתבה של ווטרס על ה-LRMI. דאונס מתייחס לפיסקה שציטטתי בתחילת המאמרון הזה. הוא מציין שאמנם ארבעה מיליון תוצאות על “multiplying fractions” הם תוצאה ענקית, אבל הוא מוסיף שחיפוש על “how to multiply fractions” מניב רק 812,000 תוצאות. דאונס מוסיף שזאת עדיין מספר בעייתית, אבל:
… – every one of the results on page 1 was a perfectly good explanation of how to multiply fractions. The problem for LRMI is that it’s pretty hard to improve on that, and it’s not clear that it’s necessary.