Visual Analytics in der Schule - Mit Daten lehren, aus Daten lernen

1.425 Aufrufe

Veröffentlicht am

Das Ziel des Visual Analytics ist es, Werkzeuge und Techniken zur Visualisierung großer, dynamischer und oft unvollständiger Datensätze bereitzustellen. Durch die Interpretation der Visualisierung können Informationen abgeleitet werden, die dazu dienen, erwartete und unerwartete Erkenntnisse zu gewinnen. Erst durch die Kombination dieser Erkenntnisse mit bestehenden Erfahrungen, kann beim Betrachter Wissen über vorhandene Zusammenhänge generiert werden. Was aber genau verbirgt sich hinter diesem Prozess und wie kann er im Kontext der schulischen Ausbildung genutzt werden? Es werden Möglichkeiten vorgestellt und diskutiert wie mit Hilfe des Visual Analytics Schülerinnen und Schüler für die Informatik und deren Möglichkeiten interessiert werden können.

Veröffentlicht in: Bildung
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.425
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
372
Aktionen
Geteilt
0
Downloads
6
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Visual Analytics in der Schule - Mit Daten lehren, aus Daten lernen

  1. 1. Mit Daten lehren AusVisual Analytics in der Schule Daten lernenBerliner Herbstkongress "Deutscher Verein zur Förderung desmathematischen und naturwissenschaftlichen Unterrichts e.V." (MNU)Prof. Dr. Claudia Müller-BirnInstitut für Informatik, Arbeitsgruppe Vernetzte Informationssysteme30. August 2012
  2. 2. “The purpose of visualization is insight, not pictures” Ben Shneiderman (1999) Warum?Mit Daten lehrenProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 2
  3. 3. Was bedeutet Visual Analytics? • Visual Analytics ist die Wissenschaft des analytischen Schlussfolgerns durch die Interaktion mit Daten mithilfe visueller Benutzeroberflächen • Ziele des Visual Analytics sind die Entdeckung von versteckten Informationen, Mustern und Trends • Visual Analytics vereinigt Bereiche wie Interaktionsdesign und Usability, die Darstellung und Aufbereitung von Daten, aber auch die Bereitstellung von Untersuchungsergebnissen • Bestehende Herausforderungen, z.B. - Elektronische Repräsentation der Daten ist häufig beschränkt durch die Größe der Displays - Zunehmende Größe der zugrunde gelegten Datensätze (“Big Data”) (Thomas & Cook 2004)Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 3
  4. 4. Bereiche des Visual Analytics Visualization Information Retrieval Information Visualization Data Retrieval Scientific Visualization Data Mining Computer Graphics Data Analysis Interaction Human-Computer Interaction Cognitive Psychology PerceptionProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 4
  5. 5. Informationsvisualisierung• Visuelle Repräsentation von Abstraktionen von oder Beziehungen zwischen den zugrunde gelegten Daten• Hauptaufgabe der Informationsvisualisierung ist das Übersetzen der Daten in eine möglichst einfache graphische Darstellung, in der alle notwendigen und wichtigen Informationen enthalten sind• Ziele der Informationsvisualisierung - Kommunikation von komplexen Zusammenhängen (z.B. Minards Darstellung von Napoleons Russlandfeldzug im Jahr 1812) - Unterstützung des analytischen Problemlöseprozesses (z.B. Snows Cholera Karte von London aus dem Jahr 1854) (Thomas & Cook 2004)Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 5
  6. 6. Beispiel Minard • Verwendete Daten - Geographische Informationen (Städtenamen, Flüße) - Strategien der unterschiedlichen Bataillone - Grundsätzliche Marschrichtung der Armee - Größe der Armee - Temperatur - Zeit (Charles Joseph Minard, 1861)Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 6
  7. 7. Beispiel Minard • Verwendete Daten - Geographische Informationen (Städtenamen, Flüße) - Strategien der unterschiedlichen Bataillone - Grundsätzliche Marschrichtung der Armee - Größe der Armee - Temperatur - Zeit (Charles Joseph Minard, 1861)Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 7
  8. 8. Beispiel Snow • Verwendete Daten - Geographische Informationen (Straßennamen) - Verwaltungsdaten - Öffentliche Daten der Wasserwirtschaft (Dr. John Snow, 1854)Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 8
  9. 9. Beispiel Snow • Verwendete Daten - Geographische Informationen (Straßennamen) - Verwaltungsdaten - Öffentliche Daten der Wasserwirtschaft (Dr. John Snow, 1854)Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 9
  10. 10. Informationsvisualisierung im Unterricht Bereits untersucht und belegt: Visualisierungen helfen Lernenden, spezifisches Wissen beispielsweise Konzepte, Fakten, Algorithmen und Beziehungen leichter und schneller zu internalisieren. These: Kann der Erstellungsprozess einer Visualisierung bereits helfen, Wissen über Datenbeziehungen und Algorithmen leichter und schneller zu internalisieren? Nutzbare Theorie User Engagement Nutzbare Technik ScaffoldingProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 10
  11. 11. Attraktoren des User Engagements Attributes of varying levels of intensity Point of Dis- Phase of Engagement Engagement engagement Re-Engagement Ästhetik Neuheit Interesse Motivation Spezifisches Ziel (OBrien and Toms, 2008)Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 11
  12. 12. Scaffolding aus lerntheoretischer Sicht • “Instructional devices that enable students to complete tasks they would be unable to master without assistance” (Grady, 2006) • Befähigt Lernende ein bestimmten Erkenntnisstand zu erreichen bevor das Gerüst (Orientierungsgrundlage in Form einer Vorlage oder Anleitung) entfernt wird • Lernende können dann mit komplexeren Aufgaben fortfahren oder aber aufbauende Gerüste verwenden photo credit: http://www.flickr.com/photos/dystopos/13891567/ CC BY-NC 2.0Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 12
  13. 13. “This quantity over quality shift in our culture has created an even deeper need for truly informing experiences - for insight, the most precious form of information.” Nathan Shedroff (2000)Aus Daten lernen Wie?Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 13
  14. 14. Datenvisualisierung besteht 80% aus DatenFormulieren der Frage und nur zu 20% aus der eigentlichen Visualisierung. Sammeln der DatenAufbereiten der DatenVisualisieren der DatenPräsentieren der DatenInteragieren mit Daten
  15. 15. Mögliche Datenquellen Ausführliche Liste bei http://www.quora.com/Data/Where-can-I-get-large-datasets-open-to-the-publicProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 15
  16. 16. Visualisieren der Daten Wie können Schüler an dieses Thema herangeführt werden? 1 Analysieren von “vorgefertigten” Visualisierungen Engagement (ideal) Scaffolding 2 Anpassen von Visualisierungsvorlagen 3 Erstellen von individuellen VisualisierungenProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 16
  17. 17. Anwendungsbeispiel 1Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 17
  18. 18. 1 Gapminder Februar 2006 Hans Rosling “No more boring data”Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 18
  19. 19. 2 Many EyesProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 19
  20. 20. 2 Worldbank Daten in ManyEyes Daten von World Bank http://data.worldbank.org/indicator/IT.NET.USER.P2Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 20
  21. 21. Anwendungsbeispiel 2Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 21
  22. 22. EASY, ea ea, mh mh EASY EASY, ea ea, mh mh Leute sagen zu mir "Cro das Genie", denn er flowt wieder wie dieser Hova und außerdem baut er die Beats es ist EASY, ea ea, mh mh Und dieser Typ hier vergleicht sich mit Jay-Z und scheiß auf die Playsi denn ich häng ab mit Rockstars genauso wie AC/D EASY, ea ea, mh mh Ich chill im Bett mit ner Chic die sieht aus wie die Sis von Beyoncé, doch eigentlich geb ich n Fick auf Fraun Cro wie EASY, ea ea, mh mh Ok, das mit den Chics tut mir Leid, es war nicht so gemeint, kannst Du mir noch mal verzeihn Ina,photo credit: http://www.flickr.com/photos/der_robert/7547499690/ CC BY 2.0 und Sie schreit "Ich heiß" EASY, ea ea, mh mh Doch wenn Sie plötzlich so kleines Ding zeigt, du eiegntlich schon weißt der zweite Strich heißt es ist aus und vorbei bleib EASY, ea ea, mh mh Und wenn Sie heiraten will und nach drei Tagen chilln schon Dein ganzes Haus und Deinen Leihwagen will ersch EASY, ea ea, mh mh Doch das würd ich mich nicht traun man das weiß ich genau, denn davor hau ich ab und sing "Run Away" wie Kan-YEASY, ea ea, mh mh und dann lauf ich und lauf ich wohin ist noch offen am Besten nur weit, weit weg vielleicht Washington D EASY, ea ea, mh mh Und diese Frau war verrückt denn Sie hat mich erdrückt, Schreit "Cro komm zurück" doch ich schlüpf grad in die Air EASY,und verl EASY, und mach den iPod an und alles was ich hör ist SUNNY,ah,ah,ah ich weiß schon Du heißt EASY aber ist mir egal, ich nenn dich lieber SUNNY,ah,ah,ah ab jetzt wird alles EASY denn du bist nicht mehr da SUNNY,ah,ah,ah ich weiß schon Du heißt EASY aber ist mir egal, ich nenn dich lieber SUNNY,ah,ah,ah ab jetzt wird alles EASY denn du bist nicht mehr da EASY, ea ea, mh mh EASY, ea ea, mh mh
  23. 23. 2 Visualisierung von Tag Clouds• Schlagwortwolken (Tag Clouds) wurden ursprünglich als Navigationshilfe von Jonathan Feinberg und Bernhard Kerr entwickelt• Ermöglichen den Nutzer einen schnellen (dynamischen) Überblick über den Inhalt einer Seite und wurden daher vor allem in Bookmarking-Systemen wie Flickr oder del.icio.us verwendet Beispiele von http://www.smashingmagazine.com/2007/11/07/tag-clouds-gallery-examples-and-good-practices/Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 23
  24. 24. 2 Easy von Cro in WordleProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 24
  25. 25. 3 Processing• Processing ist eine Open Source Programmiersprache und Entwicklungsumgebung für Personen, die Visualisierungen, Animations- und Interaktionsprojekte (Sketches) umsetzen wollen• Ursprünglich entwickelt, um die Grundlagen der Programmierung zu vermitteln• Für GNU/Linux, Mac OS X und Windows• Über 100 Bibliotheken, die die Software um Sound, Video und vieles mehr erweitern• Sehr gut dokumentiert und eine große Community• Ressourcen - Discussion Forum: http://forum.processing.org/ - Wiki: http://wiki.processing.org/w/Main_Page - Processing sketches: http://www.openprocessing.org/Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 25
  26. 26. 3 Tag Cloud in Processing (1) import wordcram.*; size(600, 350); background(255); new WordCram(this) // load file with text .fromTextFile("cro_easy.txt") .lowerCase() //.upperCase() //.keepCase() // the default /* * Tell WordCram which words to skip by calling * withStopWords() with a space-delimited string. */ //.withStopWords("easy") // Much bigger: not all words will fit, and itll take // longer to place them. Be patient! .sizedByWeight(15, 90)Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 26
  27. 27. 3 Tag Cloud in Processing (2) // Since there will be little change between words in // size, many of them will be pretty large - so make the // range small enough to fit them. //.sizedByRank(1, 30) //----------- // Coloring words //.withColor(#0000AA) .withColors(#00C90D, #26972D, #008209, #39E444, #67E46F) //--------- // Padding .withWordPadding(2) //----------- // Words at Angles //.angledAt(radians(30)) .angledAt(radians(30), radians(-60)) .drawAll();Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 27
  28. 28. 3 Easy von Cro in ProcessingProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 28
  29. 29. Interesse?Sie wollen es in Ihrem Unterricht testen?Lassen Sie es mich wissen... photo credit: http://www.flickr.com/photos/nasamarshall/6425767811/ CC BY-NC 2.0
  30. 30. Kontaktdaten Claudia Müller-Birn Freie Universität Berlin Institute of Computer Science AG Networked Information Systems phone: +49 30 838 75256 mail: clmb [ at ] inf dot fu-berlin dot deProf. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 30

×