SlideShare ist ein Scribd-Unternehmen logo
1 von 185
© Cathleen M. Stützer, 2013 – www.cast-media.de
VISUALISIERUNG
Extracting complex data
Analyzing complex data
Imagery complex data
Thinking with eyes
(Krempel, 2004)
DATENVISUALISIERUNG?
Was… Wie… Warum…?
1. EINFÜHRUNG
2. VISUELLE WAHRNEHMUNG (KOGNITIONSFORSCHUNG)
3. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL
4. EINBLICKE IN DIE LERN- UND BILDUNGSFORSCHUNG
5. PAST PATHS : EIN BLICK IN DIE HISTORIE
6. VISUALISIERUNGSTOOLS
7. VISUAL ANALYTICS (DATENVISUALISIERUNG UND
INFORMATIONSTRANSFER)
8. SEMIOTIK & INFORMATIONSGRAFIK
9. NETZWERKVISUALISIERUNG
Überblick
STATUS QUO
VERNETZTE INFORMATIONS- UND WISSENSGESELLSCHAFT
• permanente Erzeugung, Nutzung, Organisation und Verteilung
von Daten und Information
• steigende Komplexität der Daten- und Informationsbeschaffung,
-Transformation und -Verwertung
• Daten- und Informationsflut vs. bedingte
Wahrnehmungsfähigkeit
• Notwendigkeit  Daten in eine wahrnehmbare Form zu bringen,
die auf Rezeptionsfähigkeit des Menschen zielt (Spence, 2001)
Einführung
STATUS QUO
Interdisziplinäres Forschungs- und Anwendungsgebiet
• Kognitionsforschung
• Kommunikationsforschung
• Lern- und Bildungsforschung
• Naturwissenschaften (Geografie, Biologie, Physik, …)
• (Daten-)Journalismus
• Data Mining
• Business Intelligence, …
Einführung
BEGRIFFSKLÄRUNG
DATENVISUALISIERUNG
• to visualize (engl.): „form a mental vision, image, or picture of
(something) not visible or present to sight, or of an abstraction“
(Oxford English Dictionary, 2012)
• „Tätigkeit einen bislang im Zeichensystem der Wortsprache
ausgedrückten Inhalt entweder durch bildsprachliche Zeichen
zu ergänzen oder aber ihn ganz in die Bildsprache zu
übersetzen“ (Stary, 1997, S. 12)
• „Unter Informationsvisualisierung werden heute alle Konzepte,
Methoden und Tools zur visuellen Darstellung von Informationen
aus Datenbanken, digitalen Bibliotheken oder anderen großen
Dokumentsammlungen, zusammengefasst.“ (Däßler/Palm,
1998)
Einführung
Data meets Design
Visuelle Wahrnehmung
Kognitionsforschung
KOGNITIONSFORSCHUNG
• Daten- und Informationsvisualisierung  positiver Einfluss
auf Gedächtnisleistung und Informationsverwertung
• Wahrnehmung: visuelle Reizaufnahme  Extraktion und
Verarbeitung  Interpretation des Reizes
• bedingte Rezeption und Perzeption
• ca. 75 % visuelle Wahrnehmung
• ca.13 % Gehör
• ca.12 % Sonstige
(Böhringer et al., 2000)
Visuelle Wahrnehmung
Visuelle Reizaufnahme  Extraktion, Verarbeitung und
Interpretation des Reizes im Gehirn
Visuelle Wahrnehmung
Adaptiertes Bild von David McCandless, www.informationisbeautiful.net (2013)
WAHRNEHMUNGSTHEORIEN
Deduktiv-Empiristische Wahrnehmungstheorie
• Wahrnehmung auf die Sinneserfahrung und Lernprozess
zurückzuführen
• Thomas Hobbes (1588-1679)
• John Locke (1632-1704)
• David Hume (1711-1776)
• George Berkeley (1685-1753)
Visuelle Wahrnehmung
WAHRNEHMUNGSTHEORIEN
Reiztheorie
• Wahrnehmung wird als direkte Antwort auf den Reiz verstanden
• später wird der Faktor der visuellen Aufmerksamkeit als
zentrales Merkmal eingeführt (James Jerome Gibson (1904-
1979)
Visuelle Wahrnehmung
WAHRNEHMUNGSTHEORIEN
Gestalttheorie
• Mensch verfügt über eine angeborene Vorstellung zu Form,
Größe und anderen Eigenschaften
• René Descartes (1596-1650)
• Immanuel Kant (1727-1804)
• Johann Wolfgang von Goethe (1749-1832) und
• Christian Freiherr von Ehrenfels (1859-1932)
Visuelle Wahrnehmung
GESTALTTHEORIE  GESTALTPSYCHOLOGIE
• der Reiz allein enthält zu wenig Informationen, um
Wahrnehmungsprozesse zu erklären
• Max Wertheimer (1880-1943)
• Kurt Koffka (1886-1941)
• Wolfgang Köhler (1887-1967)
• Kurt Lewin (1890-1947)
Visuelle Wahrnehmung
Wahrnehmungsphänomene  GESTALTGESETZE
GESTALTGESETZE
Visuelle Wahrnehmung
Gesetz der
einfachen Gestalt
Gesetz der
Nähe
Gesetz der
Gleichheit
Gesetz der
Geschlossenheit
Gesetz der
Erfahrung
Gesetz der
Konstanz
Gesetz der
Figur-Grund-
Trennung
WAHRNEHMUNG VON FORM
• Mensch nimmt Formen prinzipiell nach seinen
Helligkeitsunterschieden in sein Reizsystem auf (Ware, 2000)
• Fähigkeit bestimmte Elemente oder Anordnungen als Figuren
wahrzunehmen  Vorder- und Hintergrund unterscheiden
• Fähigkeit separierte Gegenstände aus der Umwelt  als Einheit
wahrzunehmen  Gestaltgesetze
Visuelle Wahrnehmung
WAHRNEHMUNG VON MUSTERN
• neuronalen Strukturen des visuellen Systems befähigen auf
bestimmte Reize besonders stark und auf andere kaum oder
gar nicht zu reagieren (Ware, 2000)
• Richtung und Größe
• Farbe und räumliche Tiefe
• Bewegung
• Von Berlyne & McDonell : Disharmonische Muster
• Anstieg des Erregungsgrades
• im Umkehrschluss, dass in der Gesamtwahrnehmung die
komplexen und intensiven Musterungen als Überinformation
aufgenommen werden und dabei zur Überstimulation führen
können (Ware, 2000)
Visuelle Wahrnehmung
WAHRNEHMUNG VON FARBE
ERGEBNIS AUS PHYSIOLOGIE UND PSYCHOLOGIE
• physiologisch:
• Farbreize über das Auge empfangen  elektrischen Impulse im
Sehzentrum vom Gehirn verarbeitet und interpretiert
• Klassifizieren und Sortieren von Farbe nach Gegensätzen
• psychologisch:
• Sehen  Interpretation  Assoziationen der wahrgenommenen
Reize (subjektiven Wahrnehmung)
Visuelle Wahrnehmung
PHYSIOLOGIE DER WAHRNEHMUNG
• horizontaler Sichtbereich: ca. 180°
• vertikaler Sichtbereich: ca. 120°
• Blickwinkel ist aber dabei nur 1,5°  nur einen geringen Teil,
um scharf zu sehen
• ca. 75% Prozent der Informationen über den Sehvorgang
• Netzhaut der lichtempfindlichen Schicht im inneren des
Auge  Fotorezeptoren
• helligkeitsempfindliche Stäbchen
• drei farbempfindliche Zapfenarten für Rot, Grün und Blau
Visuelle Wahrnehmung
Farbwahrnehmung ist rein physiologisch gleich !
PHYSIOLOGIE DER FARBWAHRNEHMUNG
• visuelle Aufmerksamkeit beim Rezipienten zu erzielen  Farb-
und Helligkeitsrezeptoren anregen
• visuelle Reize  permanentes Vergleichen von Polen und
Gegenpolen im Gehirn
• menschliche Gehirn baut auf Gegensätze (sonst kontextorientierte
Entscheidung)
• Farbe= Farbton (Wellenlänge), Sättigung (Reinheitsgrad) und
Helligkeit (Lichtintensität)
Visuelle Wahrnehmung
Farbempfindung ist individuell !
PSYCHOLOGIE DER FARBWIRKUNG
• Aufmerksamkeit
• Farbkontraste
• Farbordnung
• Farbharmonien
• Farbkontraste
• Hell-Dunkel-Kontrast (Spannungaufbau)
• Kalt-Warm-Kontrast (schattig-sonnig, fern-nah)
• Komplementär-Kontrast (Buntheit, Spannung, Lebendigkeit, psych.)
• Simultan-Kontrast (Unterschiede: Hintergrund-Vordergrund, phys.)
• Qualitäts-Kontrast (Trübung, Pastell) und Quantitäts-Kontrast
(Flächengröße der Farben)
• Farbwirkung kann in psychologische, symbolische, kulturelle,
politische, traditionelle und kreative Wirkung unterschieden
werden (Heller, 2004 )
Visuelle Wahrnehmung
Visuelle Wahrnehmung
FARBASSOZIATION
MAGENTA Jugendlichkeit, Romantik, Dynamik, Wärme, Weiblichkeit
ROT Liebe, Energie, Blut, Krieg, Leidenschaft
ORANGE Energie, Wärme, Unruhe, Innovation, Dynamik
GELB Sonne, Helligkeit, Modernität, Neid, Optimismus
GRÜN Hoffnung, Natur, Gift, Ruhe, Gesundheit
CYAN Sachlichkeit, Kühle, Frische, Sportlichkeit, Winter
BLAU Wasser, Gelassenheit, Kühle, Ruhe, Seriosität
VIOLETT Extravaganz, Feminismus, Macht, Feierlichkeit, Magie
SCHWARZ Geheimnis, Tradition, Macht, Sachlichkeit, Kraft
GRAU Sachlichkeit, Wahrheit, Seriosität, Neutralität, Technik
WEIß Sauberkeit, Sachlichkeit, Schnee, Helligkeit, Wahrheit
Wie empfinden Sie diese Farben?
Mit was assoziieren Sie diese?
ORDNUNGSSYSTEME VON FARBEN
SIR ISAAC NEWTON (1643-1727)
Visuelle Wahrnehmung
ORDNUNGSSYSTEME VON FARBEN
JOHANN WOLFGANG VON GOETHE (1749-1832)
Visuelle Wahrnehmung
ORDNUNGSSYSTEME VON FARBEN
ALBERT HENRY MUNSELL (1858-1918)
Visuelle Wahrnehmung
ORDNUNGSSYSTEME VON FARBEN
WILHELM OSTWALD (1853-1932)
Visuelle Wahrnehmung
ORDNUNGSSYSTEME VON FARBEN
JOHANNES ITTEN (1888-1967)
Visuelle Wahrnehmung
PHYSIK DER FARBWAHRNEHMUNG
• menschliche Wahrnehmungssystem empfängt
elektromagnetische Wellen mit einer Wellenlänge von ca. 380
nm bis 750 nm (Bereich des sichtbaren Lichtes)
Visuelle Wahrnehmung
FARBSYSTEME
• Unterscheidung in bunte (chromatischen) und unbunte
(achromatischen) Farben
• chromatische Farben = Farbton (Chrominanz), Farbsättigung
und Helligkeit (Luminanz)
• achromatischen Farben =Tonwertabstufungen der Helligkeit
(Luminanz) zwischen 0 und 255 (schwarz zu weiß)
Visuelle Wahrnehmung
FARBSYSTEME
• Farbmodelle in der digitalen Bildverarbeitung auf dieser
Zerlegung von Farbe  Simulation der Farbwahrnehmung
(Krempel, 2004)
• Farbmodelle in der digitalen Bildbearbeitungspraxis
• CMYK (Farbraum der Körperfarben)
• RGB (Farbraum der Lichtfarben)
• CIE-L*a*b* (kurz Lab; Farbraum aller wahrnehmbaren Farben)
Visuelle Wahrnehmung
FARBSYSTEME
Visuelle Wahrnehmung
Visualisierung als
Kommunikationsmittel
Kommunikationsforschung
KOMMUNIKATIONSFORSCHUNG
Visualisierung als Kommunikationsmittel
• communicatio (lat.): Verbindung, Zusammenhang, Mitteilung
(Duden, 1986)
• Entwicklung der Schrift (etwa 3200 v. Chr.) 
Auseinandersetzung mit der Bedeutung von Kommunikation
(Beck, 2010)
• Erfindung des modernen Buchdrucks (Mitte 15. Jh.) 
Diskussion um den Einfluss von Kommunikation und
Kommunikationsmitteln (Merten, 1994)
Kommunikation
VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL
• Entwicklung der Massenmedien: Telefon (seit ca. 1872), Film
(seit ca. 1895), Radio (seit ca. 1918), Fernsehen (seit ca. 1931)
sowie Internet (seit ca. 1992)  Entfaltung wissenschaftlicher
Disziplinen  „Wie funktioniert Kommunikation?“
• Sozialpsychologie: Kommunikation als Phänomen der
Wahrnehmung
• Sozialwissenschaften: Kommunikation als
Handlungsorientierung sozialer Individuen (Giesecke, 2002)
• Kommunikation von Individuum ausgelöst und trägt zur
Verhaltensänderung beim Rezipienten bei (Hovland, Janis & Kelley,
1953)
Kommunikation
VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL
Kommunikation
„Vermittlungs- und Verständigungsform zwischen Menschen,
die entweder auf verbaler oder non-verbaler Verständigung
beruht“
(Cherry, 1967)
VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL
• Evolution sozialer Software im Internet  «Prozess der
zwischenmenschlichen und wechselseitigen Verhaltens-
orientierung, die auf sozialer Interaktion beruht «(Schenk, 2007)
• Kommunikation beruht auf verschiedenen Codes und
Sprachen, um soziale Beziehungen aufzubauen,
aufrechtzuerhalten oder zu lösen (Schenk, 2007)
Kommunikation
Kommunikation
Kommunikation aus soziologischer Perspektive (Stützer, 2009)
VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL
Kommunikation
«Communication is a process in which participants create
and share information with one another in order to reach
a mutual understanding«
(Rogers, 2003 [1962], S. 35)
KOMMUNIKATIONSMODELLE
Harold D. Lasswell (1948)  Begründer der behavioristischen
Medienwissenschaft
»Wer (Sender) sagt was (Inhalt) über welchen Kanal (Medium) zu
wem (Empfänger) mit welchem Effekt (Effekt)?«
Kommunikation
KOMMUNIKATIONSMODELLE
Shannon und Weaver (1949/ 1963)  informationstheoretische
Betrachtung der Kommunikation
 gerichtete Einseitigkeit der Kommunikation gilt als überholt
(Rogers, 2003)
Kommunikation
KOMMUNIKATIONSMODELLE
ZWEI-STUFEN-FLUSS DER KOMMUNIKATION
• Paul F. Lazarsfeld, Bernard Berelson und Hazel Gaudet (1944)
und Katz & Lazarsfeld (1955)
 zwischenmenschliche Kommunikation einflussreicher bei der
Meinungsbildung als der Wirkungsgrad eingesetzteR Medien
Kommunikation
KOMMUNIKATIONSMODELLE
MEHR-STUFEN-FLUSS DER KOMMUNIKATION
• Modell der Ko-Orientierung nach Newcomb (1953): balance-
theoretischen Ansatz Kommunikation als wechselseitiger
Prozess zwischen Akteuren
• Kommunikationstheorie nach Rogers (1962, 1981):
Wechselwirkungsmechanismen der Akteure
• »Cycles of Influence« nach Troldahl (1966): Mehrstufigkeit
der Kommunikation  Trennung von Informationsfluss von
sozialer Beeinflussung
• Feldmodell der Kommunikation nach Maletzke (1963):
wechselwirkende Effekte der Massenmedien
Kommunikation
Einblicke in die Lern- und
Bildungsforschung
LERN- UND BILDUNGSFORSCHUNG
BEHAVIORISMUS
• Lernen als Effekt auf eine Reiz-Reaktion-Kette (Thorndike &
Gates, 1930)
• Lernen durch erwartete Konsequenzen - Belohnung /
Bestrafung (Skinner, 1953)
• Operantes konditioniertes Lernen = Kopplung von Zeichen
und Zeichenbedeutung + Informationstransfer + Verständigung
Bildungsforschung
LERN- UND BILDUNGSFORSCHUNG
KOGNITIVISMUS
• Lernen unter der Berücksichtigung von internen Prozessen
des menschlichen Gehirns (Schulmeister, 1981) ab Mitte der
1950er Jahre
Bildungsforschung
LERN- UND BILDUNGSFORSCHUNG
KONSTRUKTIVISMUS
• Lernen als Konstruktions- und Abstraktionsprozess interner
und externer Lebenswelten
• Selbstaktiviertes Lernen, in dem Wirklichkeit konstruiert und
mit der sozialen Umwelt abgeglichen (Piaget & Inhelder, 1972)
• Modell-Lernen: Beobachtung, Imitation und Modellierung
(Bandura & Walters, 1963)
Bildungsforschung
LERN- UND BILDUNGSFORSCHUNG
KONSTRUKTIVISMUS
Bildungsforschung
»Man kann einen Menschen nichts lehren,
man kann ihm nur helfen, es in sich selbst zu entdecken.«
(Galileo Galilei, 1564 – 1642)
LERN- UND BILDUNGSFORSCHUNG
KONNEKTIVISMUS
• Lernen als Zusammenspiel der reflexiver Prozesse interner
und externer Netzwerke (Siemens, 2006)
Bildungsforschung
Past paths …
INFORMATIONSVISUALISIERUNG BIS 12.JH.
Historie
• Geografie  erste hochwertige
Kartographien
• 550 v.Chr.: «Weltkarte» von
Anaximander von Miletus (Robinson, 1982)
• 90-150 n.Chr.: «Weltkarte» von
Claudius Ptolemäus (Thrower,1999)
• 400 n.Chr.: «Weltkarte» von
Martianus Capella (Tufte, 1983)
• 950 n.Chr.: erste astronomische
Visualisierung  Neigung von
Planeten über Zeit (Funkhouser, 1936)
• 1137 n.Chr.: «Yu Chi Thu »-chines.
Landkarte (Tufte, 1983)
INFORMATIONSVISUALISIERUNG BIS CA. 16. JH.
Historie
• 1305: «Baum des Wissens» von
Ramon Llull  erste symbol. Grafik
(Lullus, 1999)
• 1375: «Katalanischer Atlas» von
Abraham Cresques (Louvre, Paris)
• 1450(1455): «Gutenberg Bibel» von
Johann Gutenberg  Text-Bild-
Kombination (Gutenberg-Museum, Mainz)
• 1500: «Selbstportrait» von Leonardo
da Vinci  Quadrate zur
Proportionierung (Biblioteca Reale, Turin)
• 1570: «Atlas» von Abraham Ortelius
 erster moderner Atlas (Theatrum Orbis
Terrarum, Antwerpen)
• 1610: «Krater auf dem Mond» von
Galileo Galilei  erstes gedrucktes
astronom. Bild (Galilei,1610)
INFORMATIONSVISUALISIERUNG IM 17. JH.
Historie
• 1644: erste Visualisierung stat.
Daten von Michael F. van
Langren (Langren, 1644)
• 1662: erste demografische
Statistik von John Graunt (Graunt,
1662)
• 1679: erstes Netzdiagramm
von John Adams (Adams, 1679)
• 1686: «Karte der Passat- und
Monsunwinde der Erde» von
Edmond Halley (1701) erste
Wetter- und Isogonen-Karte
(Halley, 1686)
INFORMATIONSVISUALISIERUNG IM 18. JH.
Historie
• 1767-1796: erste graphische Analysen von Johann H. Lambert
 Repräsentation in Liniengraphen (Lambert,1767)
INFORMATIONSVISUALISIERUNG IM 18. JH.
Historie
• 1782: «Tableau Poléométrique» von Charles de Fourcroy 
Darstellungen von Proportionen (Fourcroy,1782)
 Hierarchiche Analysen von
Städten
nach geografischem Gebiet
via proportionale Quadrate
 stat. Analysen und
mathematische Visualisierung
INFORMATIONSVISUALISIERUNG IM 18. JH.
Historie
• 1786: erste Balkendiagramme von William Playfair (Playfair,1786;
Spence,2005)
Vergleich von Weizenpreis und Wochenlöhnen über 256 Jahre
Historie
• Beginn industrielle Revolution  „Golden Age“ der
statistischen Grafik
• 1801-1805: erste Torten- und Kreisdiagramme von William
Playfair (Playfair,1801; Playfair,1805;Spence, 2005)
INFORMATIONSVISUALISIERUNG ANFANG DES 19. JH.
Verteilung der Bevölkerung
in den USA
BundesstaateninUSA
INFORMATIONSVISUALISIERUNG AB 1850 (I)
• 1851: Visuelle Karten von Charles J. Minard (Minard, 1861; Spence, 2005)
Historie
Herkunft von Fleischwaren,
die in Paris verzehrt werden
Historie
• 1854: Karte über Cholera-Epidemie von Dr. John Snow (Tufte,1983)
INFORMATIONSVISUALISIERUNG ANFANG DES 19. JH.
INFORMATIONSVISUALISIERUNG AB 1850 (II)
• 1861: Erste multivariate Fluss-Map von Charles J. Minard (Tufte,1983)
Historie
«Karte des Rußlandfeldzuges von Napoleon von 1812-1813» (Tufte (1983, S. 34)
1. Größe der Armee
2. Ort der Truppen zu einem 3.
bestimmten Zeitpunkt
4. Bewegungsrichtung der Armee
5. Temperatur auf dem Rückzug der
Armee nach der Belagerung von Moskau
INFORMATIONSVISUALISIERUNG AB 1850 (III)
• 1861: Venn-Diagramm von John Venn (Venn, 1880)
Historie
Proportionen und Zusammenhänge als Überlappung
«Überlappung griechischer, russischer und deutscher Buchstaben» (Lipedia (2012, Wikipedia, „Venn-Diagramm“)
INFORMATIONSVISUALISIERUNG AB 1850 (IV)
• 1884: Piktogramm von Michael G. Mulhall (Mulhall, 1884)
Historie
INFORMATIONSVISUALISIERUNG AB 1900 (I)
• 1911 - 1913: Hertzsprung-Russell Diagramm von Ejnar
Hertzsprung und Henry Norris Russell (Spence & Garrison, 1993)
Historie
INFORMATIONSVISUALISIERUNG AB 1900 (II)
• 1917: Gantt-Diagramm von Henry L. Gantt (Gantt,1919)
Historie
INFORMATIONSVISUALISIERUNG AB 1900 (III)
• 1924: Isotype-System (International System of Typographic
Picture Education) von Otto Neurath (Neurath,1973, Neurath,1991)
Historie
 Mengen werden durch
gegenständliche Symbole
veranschaulicht,
bildstatistische
Informationsgrafik
INFORMATIONSVISUALISIERUNG AB 1900 (IV)
• 1933: erste U-Bahn-Netzkarte von Henry C. Beck
Historie
INFORMATIONSVISUALISIERUNG AB 1950 (I)
• 1967: Theorie zu Repräsentationsformen von grafischen
Variablen von Jacques Bertin in «Sémiologie graphique» (Bertin, 1974)
• Typisierung von visuelle Variablen
• Unterteilung in Inhalten in Invarianten und Komponenten
• Invarianten: Form der Betitelung eines Diagramms
• Komponenten: Elemente, die später grafisch aufbereitet werden (< 3
sonst mehrere Bilder)
Historie
BERTIN‘S „GRAFISCHES SYSTEM“
• „Zeichner“  verschiedene Variablen, um Informationen zu
transkribieren
• ORDNUNGSSTUFEN:
• assoziativ: Ordnung durch Farben, Texturen, Orientierungs-
elemente, Formen
• selektiv: Ordnung durch Isolierung (Größe, Helligkeit, Texturen
und Farben)
• geordnet: Ordnung durch Reihenfolge (Größe, Helligkeit,
Texturen)
• quantitativ: Ordnung durch bewertbare Verhältnisse durch
(Größe)
Historie
Variablen der Ebene Variablen der «3. Dimension»
Punkt Größe
Linie Helligkeitswerte
Fläche Muster
Farbe
Richtung
Form
Quelle: Bertin‘ grafische Variablen (1974) in Krempel  (2004)
INFORMATIONSVISUALISIERUNG AB 1950 (II)
• 1974: Farbcodierte bivariate Grafik des U.S. Bureau of the
Census (US Census,1974)
Historie
Zeitreihenstudie (1930-1969) zu Magenkrebs bei weißen Frauen in USA
INFORMATIONSVISUALISIERUNG AB 1950 (II)
• 1982: USA Today Wetterkarten von George Rorick (US Census,1974) 
Beginn der colorierten Informationsgrafiken in Zeitungen und
Zeitschriften
Historie
INFORMATIONSVISUALISIERUNG AB 1950 (III)
• 1983: Systematisierung graphischer Ästhetik von Edward Tufte
(Tufte,1983/1990/1997)  “Sparklines” (Tufte,2004)
• 1989: Einführung interaktiver Grafiken u.a. von P. Craig, J.
Haslett, M. Monmonier, A. Unwin, Graham Wills (Wills et al., 1989, Monmonier, 1989)
• 2002: erste Word-Cloud von Jim Flanagan (Flanagan, 2002)  Wortgröße
als Designinstrument für Hervorhebung von Wichtigkeit
Historie
INFORMATIONSVISUALISIERUNG HEUTE
Historie
TheAmsterdamMuseum,January29,2012
http://www.theatlantic.com/video/archive/
2012/02/an‐amazing‐3‐d‐visualization‐of‐
amsterdam/253808/
INFORMATIONSVISUALISIERUNG HEUTE
Historie
PostedbyMarkMotiveonAugust5,2011
American Family Consumer Debt Facts ‐
http://www.planbeconomics.com/2011/08/
05/graphic‐consumers‐carry‐big‐debt‐load/
INFORMATIONSVISUALISIERUNG HEUTE
Historie
PostedbySamLairdonJune2,2011
http://mashable.com/2012/06/02/mobile‐
apps‐cloud‐infographi/
Historie
HansRoslingonBitshare,June5,2012
http://bitshare.tumblr.com/post/232614621
4/amazing‐visualization‐of‐life‐in‐the‐last‐
200‐yrs
Visualisierungstools
INFORMATIONSVISUALISIERUNG
WAS MÜSSEN WIR ÜBER DATEN WISSEN?
• WIE VIELE…?
• WOHER…?
• WER/ WEN/ WAS…?
• WANN…?
• VERTEILUNGSVERHALTEN?
(DURCHSCHNITT/SPITZE/SENKE)
• ORDNUNG UND RANKINGS…?
Visualisierungstools
INFORMATIONSVISUALISIERUNG
DIAGRAMME
• MS Office, Open Office, etc.
• Adobe Illustrator, Adobe Indesign, etc.
• Google Doc Spreadsheet
• Zeichnen von Graphen, Netzwerken und Diagrammen
• URL: http://www.google.de
Visualisierungstools
INFORMATIONSVISUALISIERUNG
MINDMAPPING
• Wikimindmap
• Exploration ( Mindmapping) von Wiki-Inhalten
• Online verfügbar
• Freemind-File Exportmöglichkeit (*.mm)
• URL: http://www.wikimindmap.org
• Bubble.us
• Zeichnen von Mindmaps
• Online verfügbar - Login erforderlich
• GoogleChrome, IE, diverse Exportmöglichkeiten
• frei verfügbar
• URL: https://bubbl.us
Visualisierungstools
INFORMATIONSVISUALISIERUNG
MINDMAPPING
• FreeMind
• Mindmapping
• frei verfügbar
• URL: http://sourceforge.net/projects/freemind/files/latest/download
• IHMC CmapTools
• Zeichnen von Mindmaps
• frei verfügbar
• diverse Exportmöglichkeiten
• URL: http://cmap.ihmc.us/download/index.php
Visualisierungstools
INFORMATIONSVISUALISIERUNG
TAG & WORD CLOUDS
• Wordle
• Exploration und Analyse von Tag & Word Clouds
• frei verfügbar
• URL: http://www.wordle.net/create
• Tagxedo
• Exploration und Anaylse von Tag & Word Clouds
• veränderbare Styles
• frei verfügbar
• URL: http://www.tagxedo.com/
Visualisierungstools
INFORMATIONSVISUALISIERUNG
MAPS
• www.umapper.com
• www.map.google.com
• http://grubba.net/
• http://www.zeemaps.com/
Visualisierungstools
INFORMATIONSVISUALISIERUNG
DIAGRAMME, GRAPHEN, NETZWERKE, CLOUDS
• yEd Graph Editor
• Zeichnen von Graphen, Netzwerken und Diagrammen
• Mindmapping
• frei verfügbar und läuft auf Windows, Unix/Linux und Mac OS X
• diverse Exportmöglichkeiten (*.jpg, *.png)
• Download: http://www.yworks.com/de/index.html
• Gliffly Online Editor
• Zeichnen von Graphen, Netzwerken und Diagrammen ONLINE
• diverse Exportmöglichkeiten (*.jpg, *.png)
• frei verfügbar
• URL: http://www.gliffy.com/
Visualisierungstools
INFORMATIONSVISUALISIERUNG
TIMELINES
• Dipiti
• Zeichnen von Timelines
• frei
• Online Version - Login erforderlich
• URL: http://www.dipity.com/
• xTimeline
• Zeichnen von Timelines
• frei - Login erforderlich
• URL: http://www.xtimeline.com/index.aspx
Visualisierungstools
INFORMATIONSVISUALISIERUNG
INTERAKTIVE VISUALISIERUNGEN
• Many Eyes
• Zeichnen von Graphen, Netzwerken, Diagrammen, Clouds, etc.
• frei online verfügbar
• URL: http://www-958.ibm.com/software/analytics/manyeyes/
 The New York Times Data Visualization Lab
• Gapminder (von Hans Rosling)
• Dynamische Visualisierung von Statistiken
• frei verfügbar und läuft auf Windows, Unix/Linux und Mac OS X
• Download: http://www.gapminder.org/downloads/
Visualisierungstools
INFORMATIONSVISUALISIERUNG
INTERAKTIVE VISUALISIERUNGEN
• Tableausoftware
• Zeichnen von Graphen, Netzwerken, Diagrammen, Clouds, etc.
• frei online verfügbar
• Download: http://www. tableausoftware.com
• Highcharts
• Dynamische Visualisierung von Statistiken
• frei verfügbar und läuft auf Windows, Unix/Linux und Mac OS X
• Download: http://www.highcharts.com
Visualisierungstools
© Cathleen M. Stützer, 2013 – www.cast-media.de
VISUAL ANALYTICS
Datenvisualisierung und
Informationstransfer
Wissen ist Macht!
Was können wir tun?
Daten haben eine
Bedeutung und
wir erzählen ihre
Geschichte!
„Visual Analytics is the science of
analytical reasoning facilitated by
interactive visual interfaces“
(Thomas & Cook, 2005)
ITERATIVER PROZESS
1. Extraktion und Exploration (Herauslösen und Aufdecken
wichtiger Informationen)  Datenanalyse (Analyse wichtiger
Informationen)
2. Daten-Handling (Visualisierung und Modellbildung wichtiger
Informationen)
3. Visuelle Analyse (Analyse der dargestellten Informationen)
Visual Analytics
EINORDNUNG
KOMBINATION AUS
• Visualization & Interaction
• Human Perception & Kognition
• Computation & Mining
 häufig mit dynamischer und emergenter
Informationsvisualisierung in einen Kontext
überführt
Visual Analytics
Thomas & Cook (2005) - http://www.infovis-wiki.net/index.php/Visual_Analytics
ABGRENZUNG
• Wissenschaftliche Visualisierungen: Daten haben ‘natural
geometric structure’ (Keim et al., 2008)
• Informationsvisualisierung: ‘handles abstract data structures
such as trees or graphs’ (Keim et al., 2008)
• Visual Analytics: ‘is especially concerned with sensemaking
and reasoning’ (Keim et al., 2008)
Visual Analytics
Keim D. A, Mansmann F, Schneidewind J, Thomas J, Ziegler H: Visual analytics: Scope and challenges. Visual Data Mining: 2008, S. 82.
Visual representations and interaction techniques to see,
explore, and understand large amounts of information at once.
ZIELE
EINBLICKE IN KOMPLEXE DATENWELT
• bietet grafische Repräsentation von Daten und Information für
Kommunikation von Schlüsselaspekten durch entsprechende
Verfahren
• verbindet Kommunikations-, Informationstheoretische und
Design-Aspekte
• soll Übertragungsleistung zwischen Medium und Rezipient
steigern
• Information soll dem Betrachter effizient und leicht verständlich
gemacht werden
Visual Analytics
ZIELE
DYNAMISCHE BEWERTUNG DES STATUS QUO
• Abgleich Vergangenheit und Präsenz  Trends erkennen
• Entwicklung von Präventionsstrategien, Warnsignale erkennen,
Krisenmanagement etc.
• Bewertung aktueller Entwicklungen
• Aufdecken von Interaktionsindikatoren
• Unterstützung für Entscheidungsträger
Visual Analytics
[Keim et al 2008]: Visual analytics: Scope and challenges
EXTRAKTION UND EXPLORATION VON DATEN
1. Datenquellenbereinigung: Datenquellen müssen vor der
visuellen Analyse zuerst bereinigt werden z.B. Normalisierung
heterogener Datenbestände
2. Modellbildung: Mit Hilfe von Data Mining-Techniken werden
Modelle der Originaldaten generiert und visualisiert
3. Visualisierung: Die Visualisierungen werden mit
Interaktionstechniken für eine Analyse angereichert
 Stetiger Wechsel zwischen visuellen und statistischen
Analysen
Visual Analytics
[Keim et al 2010]: Mastering The Information Age - Solving Problems with Visual Analytics
DATENMODELLIERUNG (IN ANLEHNUNG AN BARTH, 2004)
Visual Analytics
(in Anlehnung an Barth, 2004)
BEISPIELE
DATA MINING & BUSINESS-INTELLIGENCE
Visual Analytics
Google Analytics: http://www.google.com/intl/de_ALL/analytics/features/analysis-tools.html
DATEN-JOURNALISMUS
Visual Analytics
http://www.nytimes.com/imagepages/2011/03/15/science/15food_graphic.html
VISUAL ANALYTICS
… as soft skill ?!?
AUFGABEN
• Extraktion
• Exploration
• Visualisierung
von
• Daten & Informationen
zum
• Modellbildung
• Konzepterstellung
• Informationstransfer
• Kommunikation
… as Soft Skill
… as Soft Skill
Etwa 80 % der Arbeit
besteht aus dem Sammeln und
Herauslösen wichtiger Informationen
(Extraktion und Exploration) von Daten!
„Was will ich zeigen?“
… as Soft Skill
Nur ca. 20 % der Arbeit
ist eigentliche (grafische) Visualisierung!
„Wie will ich es zeigen?“
AUFGABEN DER VISUALISIERUNG
• Zugang zu neuen Informationen schaffen
• Reduzierung von Komplexität (Ballstaedt, 1997)
• Zusammenhänge erfassbar machen (Ware, 2000)
• Repräsentation und Verständlichkeit (Krempel, 2004)
• Aufmerksamkeit, Motivation und Stimulation (Ballstaedt,
1997)
… as Soft Skill
KOMMUNIKATIONSMITTEL
• Mindmaps
• Tabellen, Charts und Diagramme (Balken-, Kreis-, Linien-,
Flussdiagramme, Trendcharts)
• Grafiken, Illustrationen,…
• Kartografien (Wetterkarten, Landkarten)
• Netzwerkvisualisierungen
• (kombinierte) Infografiken
… as Soft Skill
TABELLEN, CHARTS UND DIAGRAMME (BALKEN-,
KREIS-, LINIEN-,
FLUSSDIAGRAMME,TRENDCHARTS,…)
… as Soft Skill
GRAFIKEN, ILLUSTRATIONEN,…
… as Soft Skill
http://socialnow.de/
KARTOGRAFIEN
… as Soft Skill
http://www.grafiksg.com
http://www.interkart.de
KARTOGRAFIEN
… as Soft Skill
http://www.wetter3.de/animation.html
NETZWERKVISUALISIERUNGEN
… as Soft Skill
Quelle:Stützer,2008
KOMBINIERTE INFOGRAFIKEN
… as Soft Skill
http://www.infografikdienst.de/infografiken/57.html
KOMBINIERTE INFOGRAFIKEN
… as Soft Skill
http://www.infografikdienst.de/infografiken/57.html
… as Soft Skill
… as Soft Skill
http://www.nytimes.com/interactive/2011/01/30/weekinreview/30marsh.html?_r=0
… as Soft Skill
http://www.nytimes.com/interactive/2011/03/16/world/asia/japan-nuclear-evaculation-zone.html
… as Soft Skill
Quelle:Stützer,2009
… as Soft Skill
Quelle:FASresearch,Austria,2012
… as Soft Skill
Quelle:FASresearch,Austria,2012
… as Soft Skill
Infografiken visualisieren
komplexe Zusammenhänge !
HILFSMITTEL
• Helligkeit, Muster, Form, Farbe, Richtung
• Text - und Bildkombinationen
• Bildsprache und Semiotik
• Grafische Zeichen (Ikone, Indizes, Symbole)
• Bildnavigationselemente
• Ordnungsmuster (Farb-, Element-, Komponenten-Ordnung)s
QUALITÄT
• Rezipienten (Wahrnehmungskapazität, Empfindung, Vorwissen)
• Daten  Information
• Visualisierungsziel
• Ausgabemedium
… as Soft Skill
KONZEPTIONALISIERUNG (VIA MINDMAPPING)
… as Soft Skill
Dan Roam: „The Back of the Napkin“, 2010
Bildquelle:DanRoam(2010)
DATEN
ENTITÄTEN UND BEZIEHUNGEN (BERTIN,1977; WARE, 2004)
• Numerische Daten
• Kategoriale Daten
• Relationale Daten
• Textdaten, etc.
ATTRIBUTDATEN (WARE, 2004)
• Nominale Daten: Qualitative Merkmale ohne Ordnung (z.B.
Geschlecht, Geburtsort, dichotome Daten (ja/nein) etc.)
• Ordinale Daten: Qualitative Merkmale mit Ordnung (z.B. gut-bis
schlecht, Ratings, etc.)
• Metrische Daten: Merkmal und Dimension (z.B. Einkommen (in
Euro), Alter (in Jahren), Leistung (pro Stunde)
• Intervaldaten (zeitabhängig)
… as Soft Skill
DATEN
ATTRIBUTDIMENSION
• Univariate Daten: von einer Variable abhängige Daten  z.B.
via Diagramm, etc.
• Bivariate Daten: von zwei Variablen abhängige Daten  z.B.
via Scatterplot, Maps (z.B. PreisOrt), etc.
• Multivariate Daten: von mehreren Variablen abhängige Daten
 via kombinierte Infografik, etc.
… as Soft Skill
UNIVARIATE DATENVISUALISIERUNG
… as Soft Skill
BIVARIATE DATENVISUALISIERUNG
… as Soft Skill
MULTIVARIATE DATENVISUALISIERUNG
… as Soft Skill
MULTIVARIATE DATENVISUALISIERUNG
… as Soft Skill
Sightseer (68%)  View (UxU)
Cosmopolitan (17%)  View (UxU)
Broker (12%)  View (UxU)
Individualist (2%)  View (UxU)
Alpha Dog (1%)  View (UxU)
(Stuetzer, et al. 2010/11)
Quelle:Stützer,2011
Semiotik
Syntaktik
Pragmatik Semantik
formale Gestaltung eines Zeichens
Bedeutung und die Botschaft eines ZeichensZweck und Einsatzgebiet eines Zeichens
BEDEUTUNGSLEHRE VON VISUELLEN ZEICHEN
• Ferdinand de Saussure (1857–1913) & Charles S. Peirce
(1839–1914)
• Saussure: Bedeutung von Zeichen und Sprachelementen in der
Sprache  «Semiologie» (Eco, 1962)
• Peirce (1903): Bedeutung und Rezeption von Zeichen 
«Semiotisches Dreieck»
Semiotik
PEIRCE‘S VISUELLE ZEICHEN
• Ikone, Indizes und Symbole
• Einteilung nach Abstraktionsgrad
Semiotik
Ikone = Zeichen, die dem dargestellten Objekt sehr ähnlich sind
wie z.B. Piktogramme
Indizes = Zeichen, die direkt mit dem Objekt verknüpft sind,
aber kein direktes Abbild liefert wie z.B. Verkehrszeichen
Symbolische Zeichen = "arbiträre" Zeichen (Bedeutung eines
Zeichens sich nicht aus seiner Form und Farbe erschließt) z.B.
Markenzeichen, Logos und Flaggen
Ikone
Indizes
Symbole
Grafische Zeichen in Anlehnung an Peirce (1903)
ISOTYPES VON OTTO NEURATH
• 1924: Isotype-System (International System of Typographic
Picture Education) von Otto Neurath (Neurath,1973, Neurath,1991)
Historie
 Mengen werden durch
gegenständliche Symbole
veranschaulicht,
bildstatistische
Informationsgrafik
Informationsgrafik
Data meets Design
FORMEN DER INFORMATIONSGRAFIK
• grafische (sprachunabhängige) Darstellung zur
Veranschaulichung von komplexen Sachverhalten und
Informationen via Bildsprache und Semiotik
• Bildstatistik (zur Strukturierung von Informationen als
Ordnungsprinzip)  Mindmaps, Diagramme, Isotypes
• Kartografische Infografik (zur Darstellung und Interpretation von
Daten aus Messungen, Experimenten oder Computersimulationen
(Katzmair, 2004)
• spezielle Elemente wie räumliche Zusammenhänge, Grenzen, Flächen,
Linien und Positionen
• Ereignisraumkarte, Lage- oder Orientierungskarte, Thematische Karten
und Wetterkarten
• Kombinierten Infografik (Zusammenstellung einer Infografik mit
Text, Grafik, Karte und Bild (Böhringer et al., 2004)
Informationsgrafik
WEITERE FORMEN DER INFORMATIONSGRAFIK
• „Isotypische“-Infografik (Otto Neurath)
• Mengen werden durch gegenständliche Symbole veranschaulicht
• Form der bildstatistischen Informationsgrafiken von Otto Neurath
(1920/1930)
• Technische Infografik
• Interaktive Infografik
• Soziometrische Infografik bzw. Netzwerkvisualisierung
Informationsgrafik
EFFEKTIVITÄT DER INFORMATIONSGRAFIK
(NACH BARTH, 2005)
Informationsgrafik
WAS MACHT GUTE DATENVISUALISIERUNG AUS?
Informationsgrafik
1 5 8 3 2 4 7 5
5 3 7 6 9 1 2 9
2 2 9 3 2 4 6 4
5 8 3 7 8 2 1 2
3 7 6 8 1 6 7 5
2 3 9 7 3 5 3 2
3 4 6 8 5 1 4 9
8 6 2 3 1 8 7 1
8 7 9 3 6 9 6 2
3 6 3 7 8 7 8 3
4 1 4 2 6 5 1 8
7 2 6 1 7 3 4 7
1 5 8 3 2 4 7 5
5 3 7 6 9 1 2 9
2 2 9 3 2 4 6 4
5 8 3 7 8 2 1 2
3 7 6 8 1 6 7 5
2 3 9 7 3 5 3 2
3 4 6 8 5 1 4 9
8 6 2 3 1 8 7 1
8 7 9 3 6 9 6 2
3 6 3 7 8 7 8 3
4 1 4 2 6 5 1 8
7 2 6 1 7 3 4 7
Arbeiten mit Farben, Formen, Größen, Kontrasten,
Positionen, Formen, Bildern, Symbole, Icons etc.
WAS MACHT GUTE DATENVISUALISIERUNG AUS?
• Farben  heben spezifische Daten hervor
• Größen  Quantität schaffen Ordnung, zeigen Muster
• Orientierung (Hierarchien)  Trends
Informationsgrafik
Klare Kommunikation durch Sortierung und
Ordnung von Information (Daten, Prozesse,
Hierarchien)!
KEY FACTS
• Mindmapping (5 W-Fragen? mit Beachtung des WARUM?)
• Kompaktheit und Verständlichkeit
• Lesbarkeit & Ästhetik
• Kombination von grafischen Elementen - Grafiken,
Diagrammen, Dynamiken, Piktogrammen, Texten etc.
• Beachtung wahrnehmungstheoretische Aspekte, Nutzen
von aktueller Visualisierungssoftware
Informationsgrafik
KEY FACTS
• Möglichkeiten der Schriftgestaltung ausnutzen
• Lesbarkeit und Ästhetik gewährleisten
Informationsgrafik
Lesbarkeit gewährleisten
zu kleine Schriftgrößen vermeiden (>10pt)
zu lange Zeilen vermeiden
Absätze als Gestaltungelement einbinden
kontrastreichen Aufbau (Textauszeichnung)
Ausrichtung von Text (zentriert, linksbündig, etc.)
nicht zu viele Schriften mischen (<=2‐3)
KEY FACTS
• Möglichkeiten der Farbgestaltung ausnutzen
• Farben in Dienst der Funktionalität stellen
„Weniger ist oft mehr!“
Informationsgrafik
Farben
Farben als Orientierungshilfe
Farben als Auszeichnungssprache
Farbe als Gestaltungelement (Vermeiden von gelb auf weiß , rot auf grün)
Kontraste (Bunt/Unbunt/Warm/Kalt/Komplementär/Simultan ...)
Datenspezifische Nutzung (Kategoriale Daten, etc.)
nicht zu viele Schriften mischen (i.d.R. 3‐5 Farbkombinationen reichen aus)
Übermäßige Musterung gilt es zu vermeiden
KEY FACTS
• Möglichkeiten der Farbgestaltung ausnutzen
• Dezente Flächen, starke Kontraste
• Helligkeit und Kontrast zwischen Vordergrund (Text) und Hintergrund
erleichtern das Lesen
• kontrastarme Farbgebung bei Flächenelementen
• kontrastreiche Farbgebung bei Überschriften und
Navigationselementen
• Struktur im Gestaltungsraster
• geordnet und ruhig
• Ziel muss erkennbar werden!
• Betitelung und Skalierung sind zu visualisieren (u.a. von
Diagrammen, Flussgrafiken, etc.)
Informationsgrafik
DATEN-JOURNALISMUS
The Associated Press interactive for the 2013 Men’s NCAA tournament
Visual Analytics
DATENVISUALISIERUNG
a) Lernen Sie den vorgegebenen Datensatz kennen und spielen
Sie damit! Was sind Schlüsselinformationen?
b) Explorieren Sie die Schlüsselinformationen aus Ihrem
Datensatz! Setzen Sie verschiedene Diagramm- und oder
Visualisierungsformen ein!
Übung 2
Netzwerkvisualisierung
We dream in graphs –
we analyze in matrices
(Wellman, 2008)
HINTERGRUND
• Netzwerke immer existiert Netzwerktheorie hat eine lange
Tradition
• Mediatisierung des sozialen Netzwerks und die rasante
Entwicklung von Online-Netzwerken  Evolution neuer
Forschungsgebiete
• Soziale Netzwerkanalyse (SNA) als Methode zur Extraktion,
Exploration, Visualisierung beziehungsorientierter
Informationen
• Soziologische Auseinandersetzung, Anwendungsforschung,
Methodenentwicklung und Netzwerkvisualisierung
Netzwerkvisualisierung
Soziologie:
• Tönnies (1887): social structure
• Simmel (1890): interdependencies and reciprocal interaction
• Durkheim (1893): forms of solidarity – division of society
• Weber (1921, 1984): forms of social action – »vergemeinschaftete«
und »vergesellschaftete« ties
Anthropologie:
• Alfred Radcliffe-Brown (1933): introduced the term »network«
• Machester Group: Gluckman, Barnes, Bott, Mitchell (Scott, 2000)
Psychologie:
• Jakob Levy Moreno (1934): sociometry
• Fritz Heider (1946): balance theory
• Kurt Lewin (1947,1951): group dynamics, gatekeeper effects
Introduction
• Katz und Lazarsfeld (1955): power of opinion leaders
• Stanley Milgram (1967): small world phenomenen
• six degrees of separation (Watts, 2003)
• Merton (1968): Matthew effect in science
• rich get richer and preferential attachments (Barabási, 2003)
• Rogers (1981): communication networks
• Harrison White, Boorman & Breiger (1976): blockmodelling
• Mark Granovetter (1973, 1983): strength of weak ties – job
seeker
• Ronald S. Burt (1987, 1992): social capital, social contagion,
structural holes
• Thomas Valente (1995): network exposure (treshold model)
• Gladwell (2000): tipping point – social epidemics (AIDS,
SARS, Internet)
Introduction
Netzwerktheorie in der Wissenschaft
• interpretierbar als metaphor oder concept Beziehungen zu
reflektieren
• »interconnected individuals who are linked by patterned
communication flows« (Rogers & Kincaid, 1981:203)
• besteht aus»interconnected individuals who are linked by
patterned flows of information« (Rheingold, 1985: 337)
• besteht aus»a finite set or sets of actors and the relation or
relations defined on them« (Wasserman & Faust,1994: 20)
• Beziehungen allgegenwärtig:
• Verwandtschaft, Freundschaft, Bekanntschaft
• Kollaboration, Kommunikation, Wettbewerb
• ökonomische, biologische physikalische Beziehungen
• soziale Interaktion
• Infrastrukturen (Straßen, …), Warenflüsse
• Social networks reflect relationships between social actors!
Introduction
Was ist ein soziales Netzwerk
WHAT IST SOCIAL NETWORK ANALYSIS (SNA)?
• Ansatz soziale Interaktion und Verhalten zu studieren
• Set von analyt. und stat. Techniken basierend auf
Graphentheorie
• exploriert und beschreibt Beziehungsmuster und
strukturelle Bedingungen, in denen Akteure eingebunden
sind
• systematische Analyse empirischer Daten
• Graphen als Visualisierungsform und bezieht sich auf
mathematische Modelle (Freeman, 2004: 3)
Introduction
GRAPH THEORY
• Leonhardt Euler (1736): »Königsberger Brückenproblem«
Introduction
Source: Solutio problematis ad geometriam situs pertinentis, Commentarii academiae
scientiarum Petropoli-tanae, 8, (1736) 1741, 128-140, (Opera Omnia, series 1, vol 7, 1-10)
Introduction
GRAPHENTHEORIE
 FORMALE BESCHREIBUNG:
• “set of nodes connected by ties”
• Visualsierung  soziometrischer Graph (Wassermann &
Faust, 2003)
• nodes (N) = depends on settings: social actors, organizations, etc.
in the network
• ties (e) = relation between the actors in the network (depends on
settings)  friendship, kinship, advice, exchange, co-work
• graphs visualize the whole structure of ties
 INTERDISZIPLINÄRE FORSCHUNGSMETHODE
(FREEMAN, 2004: 5)
FÜR WAS KANN SNA GENUTZT WERDEN?
• Verbesserung organisatorischer Strukturen (formal vs.
informal)
• Verbesserung Fluss von Kommunikation
• Vorhersage und Interventionsstrategie-Bildung
• Identifizierung von Schlüsselakteuren (Valente et al., 2003)
• Strategie zur Extraktion von Daten
• Visualisierungsform
Introduction
Introduction
EXAMPLE
CEO
Nancy
Tim
Anna Karsten
Conny
Bernd
Hans
Susi Rolf
Formal chain of organizationInformal chain of organization
NETZWERKDATEN
• Knoten = Akteure in einem Netzwerk durch Größe, Farbe und
Form geordnet
• Kanten = Verbindungen zwischen Akteuren in einem Netzwerk
durch Stärke (Intensität), Richtung (Pfeile) und Farbe geordnet
• Attribute der Knoten und Kanten = qualitative und quantitative
Eigenschaften von Akteuren
• Visualisierung durch:
• Größe und Farbe (Kategorisierung und Abgrenzung)
• Anordnung (Struktur und Symmetrie)
• Ordnung durch Maximierung der Winkel (stumpfe Winkelung
=Ästhetik) und Minimierung der Kantenkreuzungen (Pfeffer, 2008)
Netzwerkvisualisierung
NETZWERKDATEN
Netzwerkvisualisierung
FORSCHUNGSDESIGNS
• Ego network (ego  alters)
• set of contacts (alters) of one specific entity (ego)
• will collected for a sample of egos (e.g. usually in surveys)
• includes attributes of alters and ties
• »With whom do you talk about problems at work, personal
problems, etc.?«  get different relationships
• Whole network
• whole set of ties of a particular group
• not focused on one specific entity
• includes attributes of alters and ties
• requires defining network boundaries
• observation, archives, …
Data collection
FORMAT FOR NETWORK DATA
• Matrix (small node sets)
• square matrix
• rectangular matrix
• Edge list (large node sets)
Data collection
A1 A2 A3
A1 0 3 1
A2 1 0 5
A3 4 1 0
actor-by-actor matrix actor-by-event matrix
*Edges
1 3 2
1 5 5
2 5 10
2 1 1
3 2 2
4 3 4
5 4 5
edge list with attribute
E1 E2 E3 E4
A1 0 0 1 0
A2 1 0 0 1
A3 1 1 1 0
 one-mode vs. multi-mode networks
Data collection
SOURCES
• ACTIVE DATA COLLECTION VIA SURVEY 
NAME GENERATOR / INTERPRETERS,
SNOWBALL SAMPLING, …
Who talks to whom (and how often) about personal problems?
 social relationship
Who is involved in which organization?  instrumental
relationship
• PASSIVE DATA COLLECTION VIA OBSERVATION
& ARCHIVAL WORK  ARCHIVES,
WEBCRAWLER, …
blog postings, wiki edits, online transaction data, search
engines, website browsings, movements, bonus card
usages…
for quality control, customization, marketing, etc.
Data collection
DATENQUELLEN
• active data collection via survey  name generator /
interpreters, snowball sampling, …
• Who talks to whom (and how often) about personal problems? 
social relationship
• Who is involved in which organization?  instrumental relationship
• passive data collection via observation & archival work 
archives, webcrawler, …
• blog postings, wiki edits, online transaction data, search engines,
website browsings, movements, bonus card usages…
• for quality control, customization, marketing, etc.
Data collection
ZUSAMMENFASSUNG
 AIM: WHAT DO YOU WANT TO ACHIEVE?
 research question - determine networks of interest  structure,
evolution, and function of networks
 which data are collected - explanation of nodes and ties
 DATA: HOW BIG IS THE POPULATION?
 size and boundaries of the population
 extraction of changing processes: using SNA or DNA
 RESEARCH DESIGN: DOES YOUR RESEARCH FOCUS ON
THE INTERNAL STRUCTURE OF A POPULATION OR THE
EMBEDDEDNESS OF ACTORS?
 complete network approach or ego centric network approach
NETWORK METRICS
•  having collected data  extract and explore data set to
describe, explain or predict human beings
• Group level
• network size, density, diameter (distance), centralization,
connectedness, …
• Individual level
• Degree centrality, Betweenness centrality, Closeness centrality,…
Analysis
» One of the primary uses of graph theory in social network analysis is
the identification of the most important actors in a social network«
(Wasserman & Faust, 1997 [1994])
NETWORK METRICS
• Network size
• number of nodes (or contacts in ego network)
• Density
• proportion of ties that actually exist to maximal possible ties
• compares existing links to all possible links
• must be interpreted in relation to the size of the group
Analysis
Analysis
EXAMPLE
DENSER ONLINE NETWORKS SPREAD BEHAVIOUR FASTER (CENTOLA,
2010)
BUT IS THE NETWORK TOO DENSE INFORMATION SEEK (GRANOVETTER,
1985; BURT, 1992)
Image source: Watts (2003:112)
CENTRALIZATION
• extent to which a network is dominated by one (or a few)
nodes
• comparing centrality of the most central node to the
centrality of other nodes
• normalized by dividing by the maximum centralization
possible for a network of the given size
• types: star, circle, chain, … (ranges 0…1)
Analysis
star circle chain
CENTRALITY
• Degree centrality (DC): Who is most popular in a network?
(Freeman, Linton C., 1978/1979)
• by virtue of their position people with high DC have access to the
ideas, thoughts, beliefs of many others
• Betweenness centrality (BC): Who is most potentially
influential, and positioned to broker connections between
groups in a network? (Freeman, Linton C., 1978/1979)
• by virtue of their position people with high BC have power to control
the flow of information and serve as a gatekeeper between groups
• Closeness centrality (CC): Who is on the shortest path
between all others in a network? (Freeman, Linton C.,
1978/1979)
• CC reveals how long it takes information to spread from one
individual to others in the network
Analysis
Analysis
EXAMPLE
Kite Network idea developed by David Krackhardt and Valdis Krebs (1990)
Diana acts as a connector or hub
(highest DC).
Heather has fewer connections than
Diane, yet she occupies a central
position between different parts of the
network. So she controls the flow of
information in the network (highest BC).
Fernando and Garth have fewer
connections than Diane. But they are at
a shorter distance from all other
network members. So they can monitor
the information flow in the network
(highest CC).
Ike and Jane have low centrality
scores. They are on the peripheral and
act maybe as innovator of new ideas
(Valente, 1995).
ZIEL
• Visualisierung relationaler Informationen von Daten 
Aufdeckung von komplexen Zusammenhängen
• Darstellung relationaler Strukturen zur Extraktion, Exploration
und Präsentation von Informationen
• Verbesserung der Darstellung von Zusammenhängen
• Aufdeckung von versteckten Informationen
• Extraktion großer Datenbestände
• neue Visualisierungsform
Netzwerkvisualisierung
(Social) networks reflect relationships between entities!
BEISPIELE
• UML-Diagramme, Flow-Charts
• Diagramme biochemischer Reaktionsketten
• Abbildungen der Internet-Topologie
• Familienstammbäume
• Repräsentationen von Sozialstrukturen, etc.
REPRÄSENTATIONSFORM
• Knoten = graphische Symbole
• Kanten = gerade, gebogene oder rechtwinklig verlaufende
Linien, welche die zugehörigen Knoten verbindet
Netzwerkvisualisierung
VISUALISIERUNG VON KNOTEN UND KANTEN
• verschiedene Daten erfordern unterschiedliche
Visualisierungsformen bei Informationspräsentation (Krempel,
2004)
Netzwerkvisualisierung
Eignung Quantitativ Ordinal Nominal
Größe
Farbsättigung
Farbton
Textur
Formen
Farbsättigung
Farbton
Textur
Größe
Formen
Farbton
Textur
Farbsättigung
Formen
Größe
Attribute zur Visualisierung (Krempel, 2004)
ORDNUNGSVERFAHREN
Netzwerkvisualisierung
Zirkulare Ordnung
Die zirkulare Darstellung bietet
ein Ordnungsverfahren der
Darstellung, wo alle Akteure
des Netzes kreisförmig ange-
ordnet werden und dabei alle
Verbindungen den gleichen
Abstand zu den Akteuren
besitzen.
1
2
3
4
5
6
7
8
10
11
12
15
16
Haushalt
Geschehen
Arbeit
Sport
Unterhaltung
Privat
Einkommen
Kultur
Technik
Gesundheit
Politik
Liste
Neuanschaffung
ORDNUNGSVERFAHREN
Netzwerkvisualisierung
Graphentheoretische Ordnung
Zudem gibt es Graphentheoreti-
sche Ordnungsverfahren, die
sich zum Beispiel aus den
Distanzen und den Zentralitäten
(Anzahl der Verbindungen,
Anzahl der Nachbarschaften,
kürzeste Wege, etc.) der Akteu-
re ergeben. Zu diesen zählen
die Gruppe der «Spring
Embedder» und die MDS
(Mehrdimensionale Skalie-
rungs)-Verfahren.
12
3
4
5
6
7
8
10
11
12
15
16
Haushalt
Geschehen
Arbeit
Sport
Unterhaltung
Privat
Einkommen
Kultur
Technik
Gesundheit
Politik
Liste
Neuanschaffung
ORDNUNGSVERFAHREN
Netzwerkvisualisierung
Zentralitätsbasierte Ordnung
Die Zentralitätsbasierten
Ordnungsverfahren integrieren
dabei die Zentralitätsindizes wie
Degree (Dyaden), Betweenness
(Dyaden) oder Closeness
(Triaden) in der Darstellung.
1
2
3
4
5
6
7
8
10
11
12
15
16
Haushalt
Geschehen
Arbeit
Sport
Unterhaltung
Privat
Einkommen
Kultur
Technik
Gesundheit
Politik
ListeNeuanschaffung
ORDNUNGSVERFAHREN
Netzwerkvisualisierung
Komponentenbasierte Ordnung
Kategoriale oder Komponentenba-
sierte Ordnungsverfahren basieren
auf der Typisierung von Knoten
ähnlich der Cluster-Analyse der
deskriptiven Statistik.
12345
6
7
8 10
11
12
15
16
HaushaltGeschehen
Arbeit
Sport
Unterhaltung
Privat
Einkommen
Kultur
Technik
Gesundheit
Politik
Liste
Neuanschaffung
• leistungsfähige Methode, um Zusammenhänge
wirkungsvollen darzustellen
– Aufgabe der Wissenschaft neue Methoden und Ansätze
interdisziplinär in die Untersuchungskontexte zu implementieren,
um komplexe Relationen sichtbar zu machen
• zunehmende mediale Verdichtung in den kleinsten sozialen
Einheiten sind die Kommunikationsprozesse nur schwer
fassbar, um auf Informationsfluss schließen zu können
• mit Hilfe relationaler Informationen, können Innovations-
und Diffusionsprozesse abgebildet werden
Netzwerkvisualisierung
SOFTWARETOOLS
• Network Overview Discovery Exploration for Excel
(NodeXL): http://nodexl.codeplex.com/
• Gephi: Graph exploration and visualization software
http://gephi.org/
• AutoMap: Network Text Analysis
http://www.casos.cs.cmu.edu/projects/automap/
• EgoNet Active Development: Ego-centric network analysis
http://sourceforge.net/projects/egonet/
• NetLogo: Modelling and Simulation of networks 
http://ccl.northwestern.edu/netlogo/
Netzwerkvisualisierung
• ORA: Social Network Analysis, Network Visualization, Meta-
Network Analysis, Trail Analysis, Geospatial Network
Analysis, Network Generation
http://www.casos.cs.cmu.edu/projects/ora/
• Pajek: Analysis and Visualization of Large Scale Networks
http://vlado.fmf.uni-lj.si/pub/networks/pajek/
• R: Social network analysis within the versatile and popular
R environment
http://en.wikipedia.org/wiki/R_%28programming_language%
29
• tnet: Social network analysis of weighted, two-mode, and
longitudinal networks in R http://toreopsahl.com/tnet/
SNA software
• UCINET: Social Network Analysis tool
https://sites.google.com/site/ucinetsoftware/home
• VennMaker: Egocentric network analysis and interview
tool http://www.vennmaker.com/
• Visione: Interactive analysis and visualization of social
networks http://visone.info/
SNA software
• Edward R. Tufte: The visual display of quantitative information
(2. Ed.)
• Robert Spence: Information visualization (design for interaction)
(2.Ed.)
• Colin Ware: Information visualization (perception for design) (2.
Ed.)
• Lothar Krempel: Thinking with eyes (Article online available)
• New York Times: newyorktimes.com (Visual Analytics by
Amanda Cox)
Literaturhinweise

Weitere ähnliche Inhalte

Andere mochten auch

Positive psychology And consulting psychology presentation
Positive psychology And consulting psychology presentationPositive psychology And consulting psychology presentation
Positive psychology And consulting psychology presentationToni-Jan Ifill
 
Positive Psychology and the Science of Sustained Happiness
Positive Psychology and the Science of Sustained HappinessPositive Psychology and the Science of Sustained Happiness
Positive Psychology and the Science of Sustained HappinessDavid Nowell
 
Thriving at Work: The Science of Positive Psychology
Thriving at Work: The Science of Positive PsychologyThriving at Work: The Science of Positive Psychology
Thriving at Work: The Science of Positive PsychologyStephanie Harrison
 
Principles and practices powerpoint
Principles and practices powerpointPrinciples and practices powerpoint
Principles and practices powerpointAnusjka Joseph
 
eparo – Die unbewusste Wahrnehmung - Der vergessene Supercomputer (UX-Rondtab...
eparo – Die unbewusste Wahrnehmung - Der vergessene Supercomputer (UX-Rondtab...eparo – Die unbewusste Wahrnehmung - Der vergessene Supercomputer (UX-Rondtab...
eparo – Die unbewusste Wahrnehmung - Der vergessene Supercomputer (UX-Rondtab...eparo GmbH
 
B2 Farben und ihre Bedeutung
B2 Farben und ihre Bedeutung B2 Farben und ihre Bedeutung
B2 Farben und ihre Bedeutung Lluisa Duat
 
Positive psychology appreciative inquiry workshop
Positive psychology   appreciative inquiry workshopPositive psychology   appreciative inquiry workshop
Positive psychology appreciative inquiry workshopi4ppis
 
Was ist Positives Management
Was ist Positives ManagementWas ist Positives Management
Was ist Positives ManagementTobias Illig
 
Positive Psychology at Work in Australia
Positive Psychology at Work in Australia Positive Psychology at Work in Australia
Positive Psychology at Work in Australia Luli Adeyemo
 
APS Positive Psychology #1 (intro to wellbeing science)
APS Positive Psychology #1 (intro to wellbeing science)APS Positive Psychology #1 (intro to wellbeing science)
APS Positive Psychology #1 (intro to wellbeing science)Jo Mitchell
 
Positive Psychology in the Elementary School Classroom - Book Review
Positive Psychology in the Elementary School Classroom - Book Review Positive Psychology in the Elementary School Classroom - Book Review
Positive Psychology in the Elementary School Classroom - Book Review Brittany Rechtin
 
Seminar Gesundheitspsychologie 2014: Präsentation von Gruppe 2
Seminar Gesundheitspsychologie 2014: Präsentation von Gruppe 2Seminar Gesundheitspsychologie 2014: Präsentation von Gruppe 2
Seminar Gesundheitspsychologie 2014: Präsentation von Gruppe 2Vanderbilt University
 
Werkstatt Experimentelle Medien 1 "Illusion & Wahrnehmung" WS 2013
Werkstatt Experimentelle Medien 1 "Illusion & Wahrnehmung" WS 2013Werkstatt Experimentelle Medien 1 "Illusion & Wahrnehmung" WS 2013
Werkstatt Experimentelle Medien 1 "Illusion & Wahrnehmung" WS 2013Markus Wintersberger
 

Andere mochten auch (15)

Positive psychology And consulting psychology presentation
Positive psychology And consulting psychology presentationPositive psychology And consulting psychology presentation
Positive psychology And consulting psychology presentation
 
Positive Psychology and the Science of Sustained Happiness
Positive Psychology and the Science of Sustained HappinessPositive Psychology and the Science of Sustained Happiness
Positive Psychology and the Science of Sustained Happiness
 
Thriving at Work: The Science of Positive Psychology
Thriving at Work: The Science of Positive PsychologyThriving at Work: The Science of Positive Psychology
Thriving at Work: The Science of Positive Psychology
 
Principles and practices powerpoint
Principles and practices powerpointPrinciples and practices powerpoint
Principles and practices powerpoint
 
eparo – Die unbewusste Wahrnehmung - Der vergessene Supercomputer (UX-Rondtab...
eparo – Die unbewusste Wahrnehmung - Der vergessene Supercomputer (UX-Rondtab...eparo – Die unbewusste Wahrnehmung - Der vergessene Supercomputer (UX-Rondtab...
eparo – Die unbewusste Wahrnehmung - Der vergessene Supercomputer (UX-Rondtab...
 
B2 Farben und ihre Bedeutung
B2 Farben und ihre Bedeutung B2 Farben und ihre Bedeutung
B2 Farben und ihre Bedeutung
 
Positive psychology appreciative inquiry workshop
Positive psychology   appreciative inquiry workshopPositive psychology   appreciative inquiry workshop
Positive psychology appreciative inquiry workshop
 
Was ist Positives Management
Was ist Positives ManagementWas ist Positives Management
Was ist Positives Management
 
Positive Psychology at Work in Australia
Positive Psychology at Work in Australia Positive Psychology at Work in Australia
Positive Psychology at Work in Australia
 
APS Positive Psychology #1 (intro to wellbeing science)
APS Positive Psychology #1 (intro to wellbeing science)APS Positive Psychology #1 (intro to wellbeing science)
APS Positive Psychology #1 (intro to wellbeing science)
 
Positive Psychology in the Elementary School Classroom - Book Review
Positive Psychology in the Elementary School Classroom - Book Review Positive Psychology in the Elementary School Classroom - Book Review
Positive Psychology in the Elementary School Classroom - Book Review
 
Wie lernt das Gehirn
Wie lernt das GehirnWie lernt das Gehirn
Wie lernt das Gehirn
 
Seminar Gesundheitspsychologie 2014: Präsentation von Gruppe 2
Seminar Gesundheitspsychologie 2014: Präsentation von Gruppe 2Seminar Gesundheitspsychologie 2014: Präsentation von Gruppe 2
Seminar Gesundheitspsychologie 2014: Präsentation von Gruppe 2
 
Werkstatt Experimentelle Medien 1 "Illusion & Wahrnehmung" WS 2013
Werkstatt Experimentelle Medien 1 "Illusion & Wahrnehmung" WS 2013Werkstatt Experimentelle Medien 1 "Illusion & Wahrnehmung" WS 2013
Werkstatt Experimentelle Medien 1 "Illusion & Wahrnehmung" WS 2013
 
Hackervaillant
HackervaillantHackervaillant
Hackervaillant
 

Visual Analytics

  • 1. © Cathleen M. Stützer, 2013 – www.cast-media.de VISUALISIERUNG
  • 7. 1. EINFÜHRUNG 2. VISUELLE WAHRNEHMUNG (KOGNITIONSFORSCHUNG) 3. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL 4. EINBLICKE IN DIE LERN- UND BILDUNGSFORSCHUNG 5. PAST PATHS : EIN BLICK IN DIE HISTORIE 6. VISUALISIERUNGSTOOLS 7. VISUAL ANALYTICS (DATENVISUALISIERUNG UND INFORMATIONSTRANSFER) 8. SEMIOTIK & INFORMATIONSGRAFIK 9. NETZWERKVISUALISIERUNG Überblick
  • 8. STATUS QUO VERNETZTE INFORMATIONS- UND WISSENSGESELLSCHAFT • permanente Erzeugung, Nutzung, Organisation und Verteilung von Daten und Information • steigende Komplexität der Daten- und Informationsbeschaffung, -Transformation und -Verwertung • Daten- und Informationsflut vs. bedingte Wahrnehmungsfähigkeit • Notwendigkeit  Daten in eine wahrnehmbare Form zu bringen, die auf Rezeptionsfähigkeit des Menschen zielt (Spence, 2001) Einführung
  • 9. STATUS QUO Interdisziplinäres Forschungs- und Anwendungsgebiet • Kognitionsforschung • Kommunikationsforschung • Lern- und Bildungsforschung • Naturwissenschaften (Geografie, Biologie, Physik, …) • (Daten-)Journalismus • Data Mining • Business Intelligence, … Einführung
  • 10. BEGRIFFSKLÄRUNG DATENVISUALISIERUNG • to visualize (engl.): „form a mental vision, image, or picture of (something) not visible or present to sight, or of an abstraction“ (Oxford English Dictionary, 2012) • „Tätigkeit einen bislang im Zeichensystem der Wortsprache ausgedrückten Inhalt entweder durch bildsprachliche Zeichen zu ergänzen oder aber ihn ganz in die Bildsprache zu übersetzen“ (Stary, 1997, S. 12) • „Unter Informationsvisualisierung werden heute alle Konzepte, Methoden und Tools zur visuellen Darstellung von Informationen aus Datenbanken, digitalen Bibliotheken oder anderen großen Dokumentsammlungen, zusammengefasst.“ (Däßler/Palm, 1998) Einführung
  • 13. KOGNITIONSFORSCHUNG • Daten- und Informationsvisualisierung  positiver Einfluss auf Gedächtnisleistung und Informationsverwertung • Wahrnehmung: visuelle Reizaufnahme  Extraktion und Verarbeitung  Interpretation des Reizes • bedingte Rezeption und Perzeption • ca. 75 % visuelle Wahrnehmung • ca.13 % Gehör • ca.12 % Sonstige (Böhringer et al., 2000) Visuelle Wahrnehmung
  • 14. Visuelle Reizaufnahme  Extraktion, Verarbeitung und Interpretation des Reizes im Gehirn Visuelle Wahrnehmung Adaptiertes Bild von David McCandless, www.informationisbeautiful.net (2013)
  • 15. WAHRNEHMUNGSTHEORIEN Deduktiv-Empiristische Wahrnehmungstheorie • Wahrnehmung auf die Sinneserfahrung und Lernprozess zurückzuführen • Thomas Hobbes (1588-1679) • John Locke (1632-1704) • David Hume (1711-1776) • George Berkeley (1685-1753) Visuelle Wahrnehmung
  • 16. WAHRNEHMUNGSTHEORIEN Reiztheorie • Wahrnehmung wird als direkte Antwort auf den Reiz verstanden • später wird der Faktor der visuellen Aufmerksamkeit als zentrales Merkmal eingeführt (James Jerome Gibson (1904- 1979) Visuelle Wahrnehmung
  • 17. WAHRNEHMUNGSTHEORIEN Gestalttheorie • Mensch verfügt über eine angeborene Vorstellung zu Form, Größe und anderen Eigenschaften • René Descartes (1596-1650) • Immanuel Kant (1727-1804) • Johann Wolfgang von Goethe (1749-1832) und • Christian Freiherr von Ehrenfels (1859-1932) Visuelle Wahrnehmung
  • 18. GESTALTTHEORIE  GESTALTPSYCHOLOGIE • der Reiz allein enthält zu wenig Informationen, um Wahrnehmungsprozesse zu erklären • Max Wertheimer (1880-1943) • Kurt Koffka (1886-1941) • Wolfgang Köhler (1887-1967) • Kurt Lewin (1890-1947) Visuelle Wahrnehmung Wahrnehmungsphänomene  GESTALTGESETZE
  • 19. GESTALTGESETZE Visuelle Wahrnehmung Gesetz der einfachen Gestalt Gesetz der Nähe Gesetz der Gleichheit Gesetz der Geschlossenheit Gesetz der Erfahrung Gesetz der Konstanz Gesetz der Figur-Grund- Trennung
  • 20. WAHRNEHMUNG VON FORM • Mensch nimmt Formen prinzipiell nach seinen Helligkeitsunterschieden in sein Reizsystem auf (Ware, 2000) • Fähigkeit bestimmte Elemente oder Anordnungen als Figuren wahrzunehmen  Vorder- und Hintergrund unterscheiden • Fähigkeit separierte Gegenstände aus der Umwelt  als Einheit wahrzunehmen  Gestaltgesetze Visuelle Wahrnehmung
  • 21. WAHRNEHMUNG VON MUSTERN • neuronalen Strukturen des visuellen Systems befähigen auf bestimmte Reize besonders stark und auf andere kaum oder gar nicht zu reagieren (Ware, 2000) • Richtung und Größe • Farbe und räumliche Tiefe • Bewegung • Von Berlyne & McDonell : Disharmonische Muster • Anstieg des Erregungsgrades • im Umkehrschluss, dass in der Gesamtwahrnehmung die komplexen und intensiven Musterungen als Überinformation aufgenommen werden und dabei zur Überstimulation führen können (Ware, 2000) Visuelle Wahrnehmung
  • 22. WAHRNEHMUNG VON FARBE ERGEBNIS AUS PHYSIOLOGIE UND PSYCHOLOGIE • physiologisch: • Farbreize über das Auge empfangen  elektrischen Impulse im Sehzentrum vom Gehirn verarbeitet und interpretiert • Klassifizieren und Sortieren von Farbe nach Gegensätzen • psychologisch: • Sehen  Interpretation  Assoziationen der wahrgenommenen Reize (subjektiven Wahrnehmung) Visuelle Wahrnehmung
  • 23. PHYSIOLOGIE DER WAHRNEHMUNG • horizontaler Sichtbereich: ca. 180° • vertikaler Sichtbereich: ca. 120° • Blickwinkel ist aber dabei nur 1,5°  nur einen geringen Teil, um scharf zu sehen • ca. 75% Prozent der Informationen über den Sehvorgang • Netzhaut der lichtempfindlichen Schicht im inneren des Auge  Fotorezeptoren • helligkeitsempfindliche Stäbchen • drei farbempfindliche Zapfenarten für Rot, Grün und Blau Visuelle Wahrnehmung Farbwahrnehmung ist rein physiologisch gleich !
  • 24. PHYSIOLOGIE DER FARBWAHRNEHMUNG • visuelle Aufmerksamkeit beim Rezipienten zu erzielen  Farb- und Helligkeitsrezeptoren anregen • visuelle Reize  permanentes Vergleichen von Polen und Gegenpolen im Gehirn • menschliche Gehirn baut auf Gegensätze (sonst kontextorientierte Entscheidung) • Farbe= Farbton (Wellenlänge), Sättigung (Reinheitsgrad) und Helligkeit (Lichtintensität) Visuelle Wahrnehmung Farbempfindung ist individuell !
  • 25. PSYCHOLOGIE DER FARBWIRKUNG • Aufmerksamkeit • Farbkontraste • Farbordnung • Farbharmonien • Farbkontraste • Hell-Dunkel-Kontrast (Spannungaufbau) • Kalt-Warm-Kontrast (schattig-sonnig, fern-nah) • Komplementär-Kontrast (Buntheit, Spannung, Lebendigkeit, psych.) • Simultan-Kontrast (Unterschiede: Hintergrund-Vordergrund, phys.) • Qualitäts-Kontrast (Trübung, Pastell) und Quantitäts-Kontrast (Flächengröße der Farben) • Farbwirkung kann in psychologische, symbolische, kulturelle, politische, traditionelle und kreative Wirkung unterschieden werden (Heller, 2004 ) Visuelle Wahrnehmung
  • 26. Visuelle Wahrnehmung FARBASSOZIATION MAGENTA Jugendlichkeit, Romantik, Dynamik, Wärme, Weiblichkeit ROT Liebe, Energie, Blut, Krieg, Leidenschaft ORANGE Energie, Wärme, Unruhe, Innovation, Dynamik GELB Sonne, Helligkeit, Modernität, Neid, Optimismus GRÜN Hoffnung, Natur, Gift, Ruhe, Gesundheit CYAN Sachlichkeit, Kühle, Frische, Sportlichkeit, Winter BLAU Wasser, Gelassenheit, Kühle, Ruhe, Seriosität VIOLETT Extravaganz, Feminismus, Macht, Feierlichkeit, Magie SCHWARZ Geheimnis, Tradition, Macht, Sachlichkeit, Kraft GRAU Sachlichkeit, Wahrheit, Seriosität, Neutralität, Technik WEIß Sauberkeit, Sachlichkeit, Schnee, Helligkeit, Wahrheit Wie empfinden Sie diese Farben? Mit was assoziieren Sie diese?
  • 27. ORDNUNGSSYSTEME VON FARBEN SIR ISAAC NEWTON (1643-1727) Visuelle Wahrnehmung
  • 28. ORDNUNGSSYSTEME VON FARBEN JOHANN WOLFGANG VON GOETHE (1749-1832) Visuelle Wahrnehmung
  • 29. ORDNUNGSSYSTEME VON FARBEN ALBERT HENRY MUNSELL (1858-1918) Visuelle Wahrnehmung
  • 30. ORDNUNGSSYSTEME VON FARBEN WILHELM OSTWALD (1853-1932) Visuelle Wahrnehmung
  • 31. ORDNUNGSSYSTEME VON FARBEN JOHANNES ITTEN (1888-1967) Visuelle Wahrnehmung
  • 32. PHYSIK DER FARBWAHRNEHMUNG • menschliche Wahrnehmungssystem empfängt elektromagnetische Wellen mit einer Wellenlänge von ca. 380 nm bis 750 nm (Bereich des sichtbaren Lichtes) Visuelle Wahrnehmung
  • 33. FARBSYSTEME • Unterscheidung in bunte (chromatischen) und unbunte (achromatischen) Farben • chromatische Farben = Farbton (Chrominanz), Farbsättigung und Helligkeit (Luminanz) • achromatischen Farben =Tonwertabstufungen der Helligkeit (Luminanz) zwischen 0 und 255 (schwarz zu weiß) Visuelle Wahrnehmung
  • 34. FARBSYSTEME • Farbmodelle in der digitalen Bildverarbeitung auf dieser Zerlegung von Farbe  Simulation der Farbwahrnehmung (Krempel, 2004) • Farbmodelle in der digitalen Bildbearbeitungspraxis • CMYK (Farbraum der Körperfarben) • RGB (Farbraum der Lichtfarben) • CIE-L*a*b* (kurz Lab; Farbraum aller wahrnehmbaren Farben) Visuelle Wahrnehmung
  • 37. KOMMUNIKATIONSFORSCHUNG Visualisierung als Kommunikationsmittel • communicatio (lat.): Verbindung, Zusammenhang, Mitteilung (Duden, 1986) • Entwicklung der Schrift (etwa 3200 v. Chr.)  Auseinandersetzung mit der Bedeutung von Kommunikation (Beck, 2010) • Erfindung des modernen Buchdrucks (Mitte 15. Jh.)  Diskussion um den Einfluss von Kommunikation und Kommunikationsmitteln (Merten, 1994) Kommunikation
  • 38. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL • Entwicklung der Massenmedien: Telefon (seit ca. 1872), Film (seit ca. 1895), Radio (seit ca. 1918), Fernsehen (seit ca. 1931) sowie Internet (seit ca. 1992)  Entfaltung wissenschaftlicher Disziplinen  „Wie funktioniert Kommunikation?“ • Sozialpsychologie: Kommunikation als Phänomen der Wahrnehmung • Sozialwissenschaften: Kommunikation als Handlungsorientierung sozialer Individuen (Giesecke, 2002) • Kommunikation von Individuum ausgelöst und trägt zur Verhaltensänderung beim Rezipienten bei (Hovland, Janis & Kelley, 1953) Kommunikation
  • 39. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL Kommunikation „Vermittlungs- und Verständigungsform zwischen Menschen, die entweder auf verbaler oder non-verbaler Verständigung beruht“ (Cherry, 1967)
  • 40. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL • Evolution sozialer Software im Internet  «Prozess der zwischenmenschlichen und wechselseitigen Verhaltens- orientierung, die auf sozialer Interaktion beruht «(Schenk, 2007) • Kommunikation beruht auf verschiedenen Codes und Sprachen, um soziale Beziehungen aufzubauen, aufrechtzuerhalten oder zu lösen (Schenk, 2007) Kommunikation
  • 41. Kommunikation Kommunikation aus soziologischer Perspektive (Stützer, 2009)
  • 42. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL Kommunikation «Communication is a process in which participants create and share information with one another in order to reach a mutual understanding« (Rogers, 2003 [1962], S. 35)
  • 43. KOMMUNIKATIONSMODELLE Harold D. Lasswell (1948)  Begründer der behavioristischen Medienwissenschaft »Wer (Sender) sagt was (Inhalt) über welchen Kanal (Medium) zu wem (Empfänger) mit welchem Effekt (Effekt)?« Kommunikation
  • 44. KOMMUNIKATIONSMODELLE Shannon und Weaver (1949/ 1963)  informationstheoretische Betrachtung der Kommunikation  gerichtete Einseitigkeit der Kommunikation gilt als überholt (Rogers, 2003) Kommunikation
  • 45. KOMMUNIKATIONSMODELLE ZWEI-STUFEN-FLUSS DER KOMMUNIKATION • Paul F. Lazarsfeld, Bernard Berelson und Hazel Gaudet (1944) und Katz & Lazarsfeld (1955)  zwischenmenschliche Kommunikation einflussreicher bei der Meinungsbildung als der Wirkungsgrad eingesetzteR Medien Kommunikation
  • 46. KOMMUNIKATIONSMODELLE MEHR-STUFEN-FLUSS DER KOMMUNIKATION • Modell der Ko-Orientierung nach Newcomb (1953): balance- theoretischen Ansatz Kommunikation als wechselseitiger Prozess zwischen Akteuren • Kommunikationstheorie nach Rogers (1962, 1981): Wechselwirkungsmechanismen der Akteure • »Cycles of Influence« nach Troldahl (1966): Mehrstufigkeit der Kommunikation  Trennung von Informationsfluss von sozialer Beeinflussung • Feldmodell der Kommunikation nach Maletzke (1963): wechselwirkende Effekte der Massenmedien Kommunikation
  • 47. Einblicke in die Lern- und Bildungsforschung
  • 48. LERN- UND BILDUNGSFORSCHUNG BEHAVIORISMUS • Lernen als Effekt auf eine Reiz-Reaktion-Kette (Thorndike & Gates, 1930) • Lernen durch erwartete Konsequenzen - Belohnung / Bestrafung (Skinner, 1953) • Operantes konditioniertes Lernen = Kopplung von Zeichen und Zeichenbedeutung + Informationstransfer + Verständigung Bildungsforschung
  • 49. LERN- UND BILDUNGSFORSCHUNG KOGNITIVISMUS • Lernen unter der Berücksichtigung von internen Prozessen des menschlichen Gehirns (Schulmeister, 1981) ab Mitte der 1950er Jahre Bildungsforschung
  • 50. LERN- UND BILDUNGSFORSCHUNG KONSTRUKTIVISMUS • Lernen als Konstruktions- und Abstraktionsprozess interner und externer Lebenswelten • Selbstaktiviertes Lernen, in dem Wirklichkeit konstruiert und mit der sozialen Umwelt abgeglichen (Piaget & Inhelder, 1972) • Modell-Lernen: Beobachtung, Imitation und Modellierung (Bandura & Walters, 1963) Bildungsforschung
  • 51. LERN- UND BILDUNGSFORSCHUNG KONSTRUKTIVISMUS Bildungsforschung »Man kann einen Menschen nichts lehren, man kann ihm nur helfen, es in sich selbst zu entdecken.« (Galileo Galilei, 1564 – 1642)
  • 52. LERN- UND BILDUNGSFORSCHUNG KONNEKTIVISMUS • Lernen als Zusammenspiel der reflexiver Prozesse interner und externer Netzwerke (Siemens, 2006) Bildungsforschung
  • 54. INFORMATIONSVISUALISIERUNG BIS 12.JH. Historie • Geografie  erste hochwertige Kartographien • 550 v.Chr.: «Weltkarte» von Anaximander von Miletus (Robinson, 1982) • 90-150 n.Chr.: «Weltkarte» von Claudius Ptolemäus (Thrower,1999) • 400 n.Chr.: «Weltkarte» von Martianus Capella (Tufte, 1983) • 950 n.Chr.: erste astronomische Visualisierung  Neigung von Planeten über Zeit (Funkhouser, 1936) • 1137 n.Chr.: «Yu Chi Thu »-chines. Landkarte (Tufte, 1983)
  • 55. INFORMATIONSVISUALISIERUNG BIS CA. 16. JH. Historie • 1305: «Baum des Wissens» von Ramon Llull  erste symbol. Grafik (Lullus, 1999) • 1375: «Katalanischer Atlas» von Abraham Cresques (Louvre, Paris) • 1450(1455): «Gutenberg Bibel» von Johann Gutenberg  Text-Bild- Kombination (Gutenberg-Museum, Mainz) • 1500: «Selbstportrait» von Leonardo da Vinci  Quadrate zur Proportionierung (Biblioteca Reale, Turin) • 1570: «Atlas» von Abraham Ortelius  erster moderner Atlas (Theatrum Orbis Terrarum, Antwerpen) • 1610: «Krater auf dem Mond» von Galileo Galilei  erstes gedrucktes astronom. Bild (Galilei,1610)
  • 56. INFORMATIONSVISUALISIERUNG IM 17. JH. Historie • 1644: erste Visualisierung stat. Daten von Michael F. van Langren (Langren, 1644) • 1662: erste demografische Statistik von John Graunt (Graunt, 1662) • 1679: erstes Netzdiagramm von John Adams (Adams, 1679) • 1686: «Karte der Passat- und Monsunwinde der Erde» von Edmond Halley (1701) erste Wetter- und Isogonen-Karte (Halley, 1686)
  • 57. INFORMATIONSVISUALISIERUNG IM 18. JH. Historie • 1767-1796: erste graphische Analysen von Johann H. Lambert  Repräsentation in Liniengraphen (Lambert,1767)
  • 58. INFORMATIONSVISUALISIERUNG IM 18. JH. Historie • 1782: «Tableau Poléométrique» von Charles de Fourcroy  Darstellungen von Proportionen (Fourcroy,1782)  Hierarchiche Analysen von Städten nach geografischem Gebiet via proportionale Quadrate  stat. Analysen und mathematische Visualisierung
  • 59. INFORMATIONSVISUALISIERUNG IM 18. JH. Historie • 1786: erste Balkendiagramme von William Playfair (Playfair,1786; Spence,2005) Vergleich von Weizenpreis und Wochenlöhnen über 256 Jahre
  • 60. Historie • Beginn industrielle Revolution  „Golden Age“ der statistischen Grafik • 1801-1805: erste Torten- und Kreisdiagramme von William Playfair (Playfair,1801; Playfair,1805;Spence, 2005) INFORMATIONSVISUALISIERUNG ANFANG DES 19. JH. Verteilung der Bevölkerung in den USA BundesstaateninUSA
  • 61. INFORMATIONSVISUALISIERUNG AB 1850 (I) • 1851: Visuelle Karten von Charles J. Minard (Minard, 1861; Spence, 2005) Historie Herkunft von Fleischwaren, die in Paris verzehrt werden
  • 62. Historie • 1854: Karte über Cholera-Epidemie von Dr. John Snow (Tufte,1983) INFORMATIONSVISUALISIERUNG ANFANG DES 19. JH.
  • 63. INFORMATIONSVISUALISIERUNG AB 1850 (II) • 1861: Erste multivariate Fluss-Map von Charles J. Minard (Tufte,1983) Historie «Karte des Rußlandfeldzuges von Napoleon von 1812-1813» (Tufte (1983, S. 34) 1. Größe der Armee 2. Ort der Truppen zu einem 3. bestimmten Zeitpunkt 4. Bewegungsrichtung der Armee 5. Temperatur auf dem Rückzug der Armee nach der Belagerung von Moskau
  • 64. INFORMATIONSVISUALISIERUNG AB 1850 (III) • 1861: Venn-Diagramm von John Venn (Venn, 1880) Historie Proportionen und Zusammenhänge als Überlappung «Überlappung griechischer, russischer und deutscher Buchstaben» (Lipedia (2012, Wikipedia, „Venn-Diagramm“)
  • 65. INFORMATIONSVISUALISIERUNG AB 1850 (IV) • 1884: Piktogramm von Michael G. Mulhall (Mulhall, 1884) Historie
  • 66. INFORMATIONSVISUALISIERUNG AB 1900 (I) • 1911 - 1913: Hertzsprung-Russell Diagramm von Ejnar Hertzsprung und Henry Norris Russell (Spence & Garrison, 1993) Historie
  • 67. INFORMATIONSVISUALISIERUNG AB 1900 (II) • 1917: Gantt-Diagramm von Henry L. Gantt (Gantt,1919) Historie
  • 68. INFORMATIONSVISUALISIERUNG AB 1900 (III) • 1924: Isotype-System (International System of Typographic Picture Education) von Otto Neurath (Neurath,1973, Neurath,1991) Historie  Mengen werden durch gegenständliche Symbole veranschaulicht, bildstatistische Informationsgrafik
  • 69. INFORMATIONSVISUALISIERUNG AB 1900 (IV) • 1933: erste U-Bahn-Netzkarte von Henry C. Beck Historie
  • 70. INFORMATIONSVISUALISIERUNG AB 1950 (I) • 1967: Theorie zu Repräsentationsformen von grafischen Variablen von Jacques Bertin in «Sémiologie graphique» (Bertin, 1974) • Typisierung von visuelle Variablen • Unterteilung in Inhalten in Invarianten und Komponenten • Invarianten: Form der Betitelung eines Diagramms • Komponenten: Elemente, die später grafisch aufbereitet werden (< 3 sonst mehrere Bilder) Historie
  • 71. BERTIN‘S „GRAFISCHES SYSTEM“ • „Zeichner“  verschiedene Variablen, um Informationen zu transkribieren • ORDNUNGSSTUFEN: • assoziativ: Ordnung durch Farben, Texturen, Orientierungs- elemente, Formen • selektiv: Ordnung durch Isolierung (Größe, Helligkeit, Texturen und Farben) • geordnet: Ordnung durch Reihenfolge (Größe, Helligkeit, Texturen) • quantitativ: Ordnung durch bewertbare Verhältnisse durch (Größe) Historie Variablen der Ebene Variablen der «3. Dimension» Punkt Größe Linie Helligkeitswerte Fläche Muster Farbe Richtung Form Quelle: Bertin‘ grafische Variablen (1974) in Krempel  (2004)
  • 72. INFORMATIONSVISUALISIERUNG AB 1950 (II) • 1974: Farbcodierte bivariate Grafik des U.S. Bureau of the Census (US Census,1974) Historie Zeitreihenstudie (1930-1969) zu Magenkrebs bei weißen Frauen in USA
  • 73. INFORMATIONSVISUALISIERUNG AB 1950 (II) • 1982: USA Today Wetterkarten von George Rorick (US Census,1974)  Beginn der colorierten Informationsgrafiken in Zeitungen und Zeitschriften Historie
  • 74. INFORMATIONSVISUALISIERUNG AB 1950 (III) • 1983: Systematisierung graphischer Ästhetik von Edward Tufte (Tufte,1983/1990/1997)  “Sparklines” (Tufte,2004) • 1989: Einführung interaktiver Grafiken u.a. von P. Craig, J. Haslett, M. Monmonier, A. Unwin, Graham Wills (Wills et al., 1989, Monmonier, 1989) • 2002: erste Word-Cloud von Jim Flanagan (Flanagan, 2002)  Wortgröße als Designinstrument für Hervorhebung von Wichtigkeit Historie
  • 80. INFORMATIONSVISUALISIERUNG WAS MÜSSEN WIR ÜBER DATEN WISSEN? • WIE VIELE…? • WOHER…? • WER/ WEN/ WAS…? • WANN…? • VERTEILUNGSVERHALTEN? (DURCHSCHNITT/SPITZE/SENKE) • ORDNUNG UND RANKINGS…? Visualisierungstools
  • 81. INFORMATIONSVISUALISIERUNG DIAGRAMME • MS Office, Open Office, etc. • Adobe Illustrator, Adobe Indesign, etc. • Google Doc Spreadsheet • Zeichnen von Graphen, Netzwerken und Diagrammen • URL: http://www.google.de Visualisierungstools
  • 82. INFORMATIONSVISUALISIERUNG MINDMAPPING • Wikimindmap • Exploration ( Mindmapping) von Wiki-Inhalten • Online verfügbar • Freemind-File Exportmöglichkeit (*.mm) • URL: http://www.wikimindmap.org • Bubble.us • Zeichnen von Mindmaps • Online verfügbar - Login erforderlich • GoogleChrome, IE, diverse Exportmöglichkeiten • frei verfügbar • URL: https://bubbl.us Visualisierungstools
  • 83. INFORMATIONSVISUALISIERUNG MINDMAPPING • FreeMind • Mindmapping • frei verfügbar • URL: http://sourceforge.net/projects/freemind/files/latest/download • IHMC CmapTools • Zeichnen von Mindmaps • frei verfügbar • diverse Exportmöglichkeiten • URL: http://cmap.ihmc.us/download/index.php Visualisierungstools
  • 84. INFORMATIONSVISUALISIERUNG TAG & WORD CLOUDS • Wordle • Exploration und Analyse von Tag & Word Clouds • frei verfügbar • URL: http://www.wordle.net/create • Tagxedo • Exploration und Anaylse von Tag & Word Clouds • veränderbare Styles • frei verfügbar • URL: http://www.tagxedo.com/ Visualisierungstools
  • 85. INFORMATIONSVISUALISIERUNG MAPS • www.umapper.com • www.map.google.com • http://grubba.net/ • http://www.zeemaps.com/ Visualisierungstools
  • 86. INFORMATIONSVISUALISIERUNG DIAGRAMME, GRAPHEN, NETZWERKE, CLOUDS • yEd Graph Editor • Zeichnen von Graphen, Netzwerken und Diagrammen • Mindmapping • frei verfügbar und läuft auf Windows, Unix/Linux und Mac OS X • diverse Exportmöglichkeiten (*.jpg, *.png) • Download: http://www.yworks.com/de/index.html • Gliffly Online Editor • Zeichnen von Graphen, Netzwerken und Diagrammen ONLINE • diverse Exportmöglichkeiten (*.jpg, *.png) • frei verfügbar • URL: http://www.gliffy.com/ Visualisierungstools
  • 87. INFORMATIONSVISUALISIERUNG TIMELINES • Dipiti • Zeichnen von Timelines • frei • Online Version - Login erforderlich • URL: http://www.dipity.com/ • xTimeline • Zeichnen von Timelines • frei - Login erforderlich • URL: http://www.xtimeline.com/index.aspx Visualisierungstools
  • 88. INFORMATIONSVISUALISIERUNG INTERAKTIVE VISUALISIERUNGEN • Many Eyes • Zeichnen von Graphen, Netzwerken, Diagrammen, Clouds, etc. • frei online verfügbar • URL: http://www-958.ibm.com/software/analytics/manyeyes/  The New York Times Data Visualization Lab • Gapminder (von Hans Rosling) • Dynamische Visualisierung von Statistiken • frei verfügbar und läuft auf Windows, Unix/Linux und Mac OS X • Download: http://www.gapminder.org/downloads/ Visualisierungstools
  • 89. INFORMATIONSVISUALISIERUNG INTERAKTIVE VISUALISIERUNGEN • Tableausoftware • Zeichnen von Graphen, Netzwerken, Diagrammen, Clouds, etc. • frei online verfügbar • Download: http://www. tableausoftware.com • Highcharts • Dynamische Visualisierung von Statistiken • frei verfügbar und läuft auf Windows, Unix/Linux und Mac OS X • Download: http://www.highcharts.com Visualisierungstools
  • 90. © Cathleen M. Stützer, 2013 – www.cast-media.de VISUAL ANALYTICS
  • 96. „Visual Analytics is the science of analytical reasoning facilitated by interactive visual interfaces“ (Thomas & Cook, 2005)
  • 97. ITERATIVER PROZESS 1. Extraktion und Exploration (Herauslösen und Aufdecken wichtiger Informationen)  Datenanalyse (Analyse wichtiger Informationen) 2. Daten-Handling (Visualisierung und Modellbildung wichtiger Informationen) 3. Visuelle Analyse (Analyse der dargestellten Informationen) Visual Analytics
  • 98. EINORDNUNG KOMBINATION AUS • Visualization & Interaction • Human Perception & Kognition • Computation & Mining  häufig mit dynamischer und emergenter Informationsvisualisierung in einen Kontext überführt Visual Analytics Thomas & Cook (2005) - http://www.infovis-wiki.net/index.php/Visual_Analytics
  • 99. ABGRENZUNG • Wissenschaftliche Visualisierungen: Daten haben ‘natural geometric structure’ (Keim et al., 2008) • Informationsvisualisierung: ‘handles abstract data structures such as trees or graphs’ (Keim et al., 2008) • Visual Analytics: ‘is especially concerned with sensemaking and reasoning’ (Keim et al., 2008) Visual Analytics Keim D. A, Mansmann F, Schneidewind J, Thomas J, Ziegler H: Visual analytics: Scope and challenges. Visual Data Mining: 2008, S. 82. Visual representations and interaction techniques to see, explore, and understand large amounts of information at once.
  • 100. ZIELE EINBLICKE IN KOMPLEXE DATENWELT • bietet grafische Repräsentation von Daten und Information für Kommunikation von Schlüsselaspekten durch entsprechende Verfahren • verbindet Kommunikations-, Informationstheoretische und Design-Aspekte • soll Übertragungsleistung zwischen Medium und Rezipient steigern • Information soll dem Betrachter effizient und leicht verständlich gemacht werden Visual Analytics
  • 101. ZIELE DYNAMISCHE BEWERTUNG DES STATUS QUO • Abgleich Vergangenheit und Präsenz  Trends erkennen • Entwicklung von Präventionsstrategien, Warnsignale erkennen, Krisenmanagement etc. • Bewertung aktueller Entwicklungen • Aufdecken von Interaktionsindikatoren • Unterstützung für Entscheidungsträger Visual Analytics [Keim et al 2008]: Visual analytics: Scope and challenges
  • 102. EXTRAKTION UND EXPLORATION VON DATEN 1. Datenquellenbereinigung: Datenquellen müssen vor der visuellen Analyse zuerst bereinigt werden z.B. Normalisierung heterogener Datenbestände 2. Modellbildung: Mit Hilfe von Data Mining-Techniken werden Modelle der Originaldaten generiert und visualisiert 3. Visualisierung: Die Visualisierungen werden mit Interaktionstechniken für eine Analyse angereichert  Stetiger Wechsel zwischen visuellen und statistischen Analysen Visual Analytics [Keim et al 2010]: Mastering The Information Age - Solving Problems with Visual Analytics
  • 103. DATENMODELLIERUNG (IN ANLEHNUNG AN BARTH, 2004) Visual Analytics (in Anlehnung an Barth, 2004)
  • 104. BEISPIELE DATA MINING & BUSINESS-INTELLIGENCE Visual Analytics Google Analytics: http://www.google.com/intl/de_ALL/analytics/features/analysis-tools.html
  • 106. VISUAL ANALYTICS … as soft skill ?!?
  • 107. AUFGABEN • Extraktion • Exploration • Visualisierung von • Daten & Informationen zum • Modellbildung • Konzepterstellung • Informationstransfer • Kommunikation … as Soft Skill
  • 108. … as Soft Skill Etwa 80 % der Arbeit besteht aus dem Sammeln und Herauslösen wichtiger Informationen (Extraktion und Exploration) von Daten! „Was will ich zeigen?“
  • 109. … as Soft Skill Nur ca. 20 % der Arbeit ist eigentliche (grafische) Visualisierung! „Wie will ich es zeigen?“
  • 110. AUFGABEN DER VISUALISIERUNG • Zugang zu neuen Informationen schaffen • Reduzierung von Komplexität (Ballstaedt, 1997) • Zusammenhänge erfassbar machen (Ware, 2000) • Repräsentation und Verständlichkeit (Krempel, 2004) • Aufmerksamkeit, Motivation und Stimulation (Ballstaedt, 1997) … as Soft Skill
  • 111. KOMMUNIKATIONSMITTEL • Mindmaps • Tabellen, Charts und Diagramme (Balken-, Kreis-, Linien-, Flussdiagramme, Trendcharts) • Grafiken, Illustrationen,… • Kartografien (Wetterkarten, Landkarten) • Netzwerkvisualisierungen • (kombinierte) Infografiken … as Soft Skill
  • 112. TABELLEN, CHARTS UND DIAGRAMME (BALKEN-, KREIS-, LINIEN-, FLUSSDIAGRAMME,TRENDCHARTS,…) … as Soft Skill
  • 113. GRAFIKEN, ILLUSTRATIONEN,… … as Soft Skill http://socialnow.de/
  • 114. KARTOGRAFIEN … as Soft Skill http://www.grafiksg.com http://www.interkart.de
  • 115. KARTOGRAFIEN … as Soft Skill http://www.wetter3.de/animation.html
  • 116. NETZWERKVISUALISIERUNGEN … as Soft Skill Quelle:Stützer,2008
  • 117. KOMBINIERTE INFOGRAFIKEN … as Soft Skill http://www.infografikdienst.de/infografiken/57.html
  • 118. KOMBINIERTE INFOGRAFIKEN … as Soft Skill http://www.infografikdienst.de/infografiken/57.html
  • 119. … as Soft Skill
  • 120. … as Soft Skill http://www.nytimes.com/interactive/2011/01/30/weekinreview/30marsh.html?_r=0
  • 121. … as Soft Skill http://www.nytimes.com/interactive/2011/03/16/world/asia/japan-nuclear-evaculation-zone.html
  • 122. … as Soft Skill Quelle:Stützer,2009
  • 123. … as Soft Skill Quelle:FASresearch,Austria,2012
  • 124. … as Soft Skill Quelle:FASresearch,Austria,2012
  • 125. … as Soft Skill Infografiken visualisieren komplexe Zusammenhänge !
  • 126. HILFSMITTEL • Helligkeit, Muster, Form, Farbe, Richtung • Text - und Bildkombinationen • Bildsprache und Semiotik • Grafische Zeichen (Ikone, Indizes, Symbole) • Bildnavigationselemente • Ordnungsmuster (Farb-, Element-, Komponenten-Ordnung)s QUALITÄT • Rezipienten (Wahrnehmungskapazität, Empfindung, Vorwissen) • Daten  Information • Visualisierungsziel • Ausgabemedium … as Soft Skill
  • 127. KONZEPTIONALISIERUNG (VIA MINDMAPPING) … as Soft Skill Dan Roam: „The Back of the Napkin“, 2010 Bildquelle:DanRoam(2010)
  • 128. DATEN ENTITÄTEN UND BEZIEHUNGEN (BERTIN,1977; WARE, 2004) • Numerische Daten • Kategoriale Daten • Relationale Daten • Textdaten, etc. ATTRIBUTDATEN (WARE, 2004) • Nominale Daten: Qualitative Merkmale ohne Ordnung (z.B. Geschlecht, Geburtsort, dichotome Daten (ja/nein) etc.) • Ordinale Daten: Qualitative Merkmale mit Ordnung (z.B. gut-bis schlecht, Ratings, etc.) • Metrische Daten: Merkmal und Dimension (z.B. Einkommen (in Euro), Alter (in Jahren), Leistung (pro Stunde) • Intervaldaten (zeitabhängig) … as Soft Skill
  • 129. DATEN ATTRIBUTDIMENSION • Univariate Daten: von einer Variable abhängige Daten  z.B. via Diagramm, etc. • Bivariate Daten: von zwei Variablen abhängige Daten  z.B. via Scatterplot, Maps (z.B. PreisOrt), etc. • Multivariate Daten: von mehreren Variablen abhängige Daten  via kombinierte Infografik, etc. … as Soft Skill
  • 133. MULTIVARIATE DATENVISUALISIERUNG … as Soft Skill Sightseer (68%)  View (UxU) Cosmopolitan (17%)  View (UxU) Broker (12%)  View (UxU) Individualist (2%)  View (UxU) Alpha Dog (1%)  View (UxU) (Stuetzer, et al. 2010/11) Quelle:Stützer,2011
  • 135. Syntaktik Pragmatik Semantik formale Gestaltung eines Zeichens Bedeutung und die Botschaft eines ZeichensZweck und Einsatzgebiet eines Zeichens BEDEUTUNGSLEHRE VON VISUELLEN ZEICHEN • Ferdinand de Saussure (1857–1913) & Charles S. Peirce (1839–1914) • Saussure: Bedeutung von Zeichen und Sprachelementen in der Sprache  «Semiologie» (Eco, 1962) • Peirce (1903): Bedeutung und Rezeption von Zeichen  «Semiotisches Dreieck» Semiotik
  • 136. PEIRCE‘S VISUELLE ZEICHEN • Ikone, Indizes und Symbole • Einteilung nach Abstraktionsgrad Semiotik Ikone = Zeichen, die dem dargestellten Objekt sehr ähnlich sind wie z.B. Piktogramme Indizes = Zeichen, die direkt mit dem Objekt verknüpft sind, aber kein direktes Abbild liefert wie z.B. Verkehrszeichen Symbolische Zeichen = "arbiträre" Zeichen (Bedeutung eines Zeichens sich nicht aus seiner Form und Farbe erschließt) z.B. Markenzeichen, Logos und Flaggen Ikone Indizes Symbole Grafische Zeichen in Anlehnung an Peirce (1903)
  • 137. ISOTYPES VON OTTO NEURATH • 1924: Isotype-System (International System of Typographic Picture Education) von Otto Neurath (Neurath,1973, Neurath,1991) Historie  Mengen werden durch gegenständliche Symbole veranschaulicht, bildstatistische Informationsgrafik
  • 139. FORMEN DER INFORMATIONSGRAFIK • grafische (sprachunabhängige) Darstellung zur Veranschaulichung von komplexen Sachverhalten und Informationen via Bildsprache und Semiotik • Bildstatistik (zur Strukturierung von Informationen als Ordnungsprinzip)  Mindmaps, Diagramme, Isotypes • Kartografische Infografik (zur Darstellung und Interpretation von Daten aus Messungen, Experimenten oder Computersimulationen (Katzmair, 2004) • spezielle Elemente wie räumliche Zusammenhänge, Grenzen, Flächen, Linien und Positionen • Ereignisraumkarte, Lage- oder Orientierungskarte, Thematische Karten und Wetterkarten • Kombinierten Infografik (Zusammenstellung einer Infografik mit Text, Grafik, Karte und Bild (Böhringer et al., 2004) Informationsgrafik
  • 140. WEITERE FORMEN DER INFORMATIONSGRAFIK • „Isotypische“-Infografik (Otto Neurath) • Mengen werden durch gegenständliche Symbole veranschaulicht • Form der bildstatistischen Informationsgrafiken von Otto Neurath (1920/1930) • Technische Infografik • Interaktive Infografik • Soziometrische Infografik bzw. Netzwerkvisualisierung Informationsgrafik
  • 141. EFFEKTIVITÄT DER INFORMATIONSGRAFIK (NACH BARTH, 2005) Informationsgrafik
  • 142. WAS MACHT GUTE DATENVISUALISIERUNG AUS? Informationsgrafik 1 5 8 3 2 4 7 5 5 3 7 6 9 1 2 9 2 2 9 3 2 4 6 4 5 8 3 7 8 2 1 2 3 7 6 8 1 6 7 5 2 3 9 7 3 5 3 2 3 4 6 8 5 1 4 9 8 6 2 3 1 8 7 1 8 7 9 3 6 9 6 2 3 6 3 7 8 7 8 3 4 1 4 2 6 5 1 8 7 2 6 1 7 3 4 7 1 5 8 3 2 4 7 5 5 3 7 6 9 1 2 9 2 2 9 3 2 4 6 4 5 8 3 7 8 2 1 2 3 7 6 8 1 6 7 5 2 3 9 7 3 5 3 2 3 4 6 8 5 1 4 9 8 6 2 3 1 8 7 1 8 7 9 3 6 9 6 2 3 6 3 7 8 7 8 3 4 1 4 2 6 5 1 8 7 2 6 1 7 3 4 7 Arbeiten mit Farben, Formen, Größen, Kontrasten, Positionen, Formen, Bildern, Symbole, Icons etc.
  • 143. WAS MACHT GUTE DATENVISUALISIERUNG AUS? • Farben  heben spezifische Daten hervor • Größen  Quantität schaffen Ordnung, zeigen Muster • Orientierung (Hierarchien)  Trends Informationsgrafik Klare Kommunikation durch Sortierung und Ordnung von Information (Daten, Prozesse, Hierarchien)!
  • 144. KEY FACTS • Mindmapping (5 W-Fragen? mit Beachtung des WARUM?) • Kompaktheit und Verständlichkeit • Lesbarkeit & Ästhetik • Kombination von grafischen Elementen - Grafiken, Diagrammen, Dynamiken, Piktogrammen, Texten etc. • Beachtung wahrnehmungstheoretische Aspekte, Nutzen von aktueller Visualisierungssoftware Informationsgrafik
  • 145. KEY FACTS • Möglichkeiten der Schriftgestaltung ausnutzen • Lesbarkeit und Ästhetik gewährleisten Informationsgrafik Lesbarkeit gewährleisten zu kleine Schriftgrößen vermeiden (>10pt) zu lange Zeilen vermeiden Absätze als Gestaltungelement einbinden kontrastreichen Aufbau (Textauszeichnung) Ausrichtung von Text (zentriert, linksbündig, etc.) nicht zu viele Schriften mischen (<=2‐3)
  • 146. KEY FACTS • Möglichkeiten der Farbgestaltung ausnutzen • Farben in Dienst der Funktionalität stellen „Weniger ist oft mehr!“ Informationsgrafik Farben Farben als Orientierungshilfe Farben als Auszeichnungssprache Farbe als Gestaltungelement (Vermeiden von gelb auf weiß , rot auf grün) Kontraste (Bunt/Unbunt/Warm/Kalt/Komplementär/Simultan ...) Datenspezifische Nutzung (Kategoriale Daten, etc.) nicht zu viele Schriften mischen (i.d.R. 3‐5 Farbkombinationen reichen aus) Übermäßige Musterung gilt es zu vermeiden
  • 147. KEY FACTS • Möglichkeiten der Farbgestaltung ausnutzen • Dezente Flächen, starke Kontraste • Helligkeit und Kontrast zwischen Vordergrund (Text) und Hintergrund erleichtern das Lesen • kontrastarme Farbgebung bei Flächenelementen • kontrastreiche Farbgebung bei Überschriften und Navigationselementen • Struktur im Gestaltungsraster • geordnet und ruhig • Ziel muss erkennbar werden! • Betitelung und Skalierung sind zu visualisieren (u.a. von Diagrammen, Flussgrafiken, etc.) Informationsgrafik
  • 148. DATEN-JOURNALISMUS The Associated Press interactive for the 2013 Men’s NCAA tournament Visual Analytics
  • 149. DATENVISUALISIERUNG a) Lernen Sie den vorgegebenen Datensatz kennen und spielen Sie damit! Was sind Schlüsselinformationen? b) Explorieren Sie die Schlüsselinformationen aus Ihrem Datensatz! Setzen Sie verschiedene Diagramm- und oder Visualisierungsformen ein! Übung 2
  • 151. We dream in graphs – we analyze in matrices (Wellman, 2008)
  • 152. HINTERGRUND • Netzwerke immer existiert Netzwerktheorie hat eine lange Tradition • Mediatisierung des sozialen Netzwerks und die rasante Entwicklung von Online-Netzwerken  Evolution neuer Forschungsgebiete • Soziale Netzwerkanalyse (SNA) als Methode zur Extraktion, Exploration, Visualisierung beziehungsorientierter Informationen • Soziologische Auseinandersetzung, Anwendungsforschung, Methodenentwicklung und Netzwerkvisualisierung Netzwerkvisualisierung
  • 153. Soziologie: • Tönnies (1887): social structure • Simmel (1890): interdependencies and reciprocal interaction • Durkheim (1893): forms of solidarity – division of society • Weber (1921, 1984): forms of social action – »vergemeinschaftete« und »vergesellschaftete« ties Anthropologie: • Alfred Radcliffe-Brown (1933): introduced the term »network« • Machester Group: Gluckman, Barnes, Bott, Mitchell (Scott, 2000) Psychologie: • Jakob Levy Moreno (1934): sociometry • Fritz Heider (1946): balance theory • Kurt Lewin (1947,1951): group dynamics, gatekeeper effects Introduction
  • 154. • Katz und Lazarsfeld (1955): power of opinion leaders • Stanley Milgram (1967): small world phenomenen • six degrees of separation (Watts, 2003) • Merton (1968): Matthew effect in science • rich get richer and preferential attachments (Barabási, 2003) • Rogers (1981): communication networks • Harrison White, Boorman & Breiger (1976): blockmodelling • Mark Granovetter (1973, 1983): strength of weak ties – job seeker • Ronald S. Burt (1987, 1992): social capital, social contagion, structural holes • Thomas Valente (1995): network exposure (treshold model) • Gladwell (2000): tipping point – social epidemics (AIDS, SARS, Internet) Introduction Netzwerktheorie in der Wissenschaft
  • 155. • interpretierbar als metaphor oder concept Beziehungen zu reflektieren • »interconnected individuals who are linked by patterned communication flows« (Rogers & Kincaid, 1981:203) • besteht aus»interconnected individuals who are linked by patterned flows of information« (Rheingold, 1985: 337) • besteht aus»a finite set or sets of actors and the relation or relations defined on them« (Wasserman & Faust,1994: 20) • Beziehungen allgegenwärtig: • Verwandtschaft, Freundschaft, Bekanntschaft • Kollaboration, Kommunikation, Wettbewerb • ökonomische, biologische physikalische Beziehungen • soziale Interaktion • Infrastrukturen (Straßen, …), Warenflüsse • Social networks reflect relationships between social actors! Introduction Was ist ein soziales Netzwerk
  • 156. WHAT IST SOCIAL NETWORK ANALYSIS (SNA)? • Ansatz soziale Interaktion und Verhalten zu studieren • Set von analyt. und stat. Techniken basierend auf Graphentheorie • exploriert und beschreibt Beziehungsmuster und strukturelle Bedingungen, in denen Akteure eingebunden sind • systematische Analyse empirischer Daten • Graphen als Visualisierungsform und bezieht sich auf mathematische Modelle (Freeman, 2004: 3) Introduction
  • 157. GRAPH THEORY • Leonhardt Euler (1736): »Königsberger Brückenproblem« Introduction Source: Solutio problematis ad geometriam situs pertinentis, Commentarii academiae scientiarum Petropoli-tanae, 8, (1736) 1741, 128-140, (Opera Omnia, series 1, vol 7, 1-10)
  • 158. Introduction GRAPHENTHEORIE  FORMALE BESCHREIBUNG: • “set of nodes connected by ties” • Visualsierung  soziometrischer Graph (Wassermann & Faust, 2003) • nodes (N) = depends on settings: social actors, organizations, etc. in the network • ties (e) = relation between the actors in the network (depends on settings)  friendship, kinship, advice, exchange, co-work • graphs visualize the whole structure of ties  INTERDISZIPLINÄRE FORSCHUNGSMETHODE (FREEMAN, 2004: 5)
  • 159. FÜR WAS KANN SNA GENUTZT WERDEN? • Verbesserung organisatorischer Strukturen (formal vs. informal) • Verbesserung Fluss von Kommunikation • Vorhersage und Interventionsstrategie-Bildung • Identifizierung von Schlüsselakteuren (Valente et al., 2003) • Strategie zur Extraktion von Daten • Visualisierungsform Introduction
  • 160. Introduction EXAMPLE CEO Nancy Tim Anna Karsten Conny Bernd Hans Susi Rolf Formal chain of organizationInformal chain of organization
  • 161. NETZWERKDATEN • Knoten = Akteure in einem Netzwerk durch Größe, Farbe und Form geordnet • Kanten = Verbindungen zwischen Akteuren in einem Netzwerk durch Stärke (Intensität), Richtung (Pfeile) und Farbe geordnet • Attribute der Knoten und Kanten = qualitative und quantitative Eigenschaften von Akteuren • Visualisierung durch: • Größe und Farbe (Kategorisierung und Abgrenzung) • Anordnung (Struktur und Symmetrie) • Ordnung durch Maximierung der Winkel (stumpfe Winkelung =Ästhetik) und Minimierung der Kantenkreuzungen (Pfeffer, 2008) Netzwerkvisualisierung
  • 163. FORSCHUNGSDESIGNS • Ego network (ego  alters) • set of contacts (alters) of one specific entity (ego) • will collected for a sample of egos (e.g. usually in surveys) • includes attributes of alters and ties • »With whom do you talk about problems at work, personal problems, etc.?«  get different relationships • Whole network • whole set of ties of a particular group • not focused on one specific entity • includes attributes of alters and ties • requires defining network boundaries • observation, archives, … Data collection
  • 164. FORMAT FOR NETWORK DATA • Matrix (small node sets) • square matrix • rectangular matrix • Edge list (large node sets) Data collection A1 A2 A3 A1 0 3 1 A2 1 0 5 A3 4 1 0 actor-by-actor matrix actor-by-event matrix *Edges 1 3 2 1 5 5 2 5 10 2 1 1 3 2 2 4 3 4 5 4 5 edge list with attribute E1 E2 E3 E4 A1 0 0 1 0 A2 1 0 0 1 A3 1 1 1 0  one-mode vs. multi-mode networks
  • 165. Data collection SOURCES • ACTIVE DATA COLLECTION VIA SURVEY  NAME GENERATOR / INTERPRETERS, SNOWBALL SAMPLING, … Who talks to whom (and how often) about personal problems?  social relationship Who is involved in which organization?  instrumental relationship • PASSIVE DATA COLLECTION VIA OBSERVATION & ARCHIVAL WORK  ARCHIVES, WEBCRAWLER, … blog postings, wiki edits, online transaction data, search engines, website browsings, movements, bonus card usages… for quality control, customization, marketing, etc.
  • 166. Data collection DATENQUELLEN • active data collection via survey  name generator / interpreters, snowball sampling, … • Who talks to whom (and how often) about personal problems?  social relationship • Who is involved in which organization?  instrumental relationship • passive data collection via observation & archival work  archives, webcrawler, … • blog postings, wiki edits, online transaction data, search engines, website browsings, movements, bonus card usages… • for quality control, customization, marketing, etc.
  • 167. Data collection ZUSAMMENFASSUNG  AIM: WHAT DO YOU WANT TO ACHIEVE?  research question - determine networks of interest  structure, evolution, and function of networks  which data are collected - explanation of nodes and ties  DATA: HOW BIG IS THE POPULATION?  size and boundaries of the population  extraction of changing processes: using SNA or DNA  RESEARCH DESIGN: DOES YOUR RESEARCH FOCUS ON THE INTERNAL STRUCTURE OF A POPULATION OR THE EMBEDDEDNESS OF ACTORS?  complete network approach or ego centric network approach
  • 168. NETWORK METRICS •  having collected data  extract and explore data set to describe, explain or predict human beings • Group level • network size, density, diameter (distance), centralization, connectedness, … • Individual level • Degree centrality, Betweenness centrality, Closeness centrality,… Analysis » One of the primary uses of graph theory in social network analysis is the identification of the most important actors in a social network« (Wasserman & Faust, 1997 [1994])
  • 169. NETWORK METRICS • Network size • number of nodes (or contacts in ego network) • Density • proportion of ties that actually exist to maximal possible ties • compares existing links to all possible links • must be interpreted in relation to the size of the group Analysis
  • 170. Analysis EXAMPLE DENSER ONLINE NETWORKS SPREAD BEHAVIOUR FASTER (CENTOLA, 2010) BUT IS THE NETWORK TOO DENSE INFORMATION SEEK (GRANOVETTER, 1985; BURT, 1992) Image source: Watts (2003:112)
  • 171. CENTRALIZATION • extent to which a network is dominated by one (or a few) nodes • comparing centrality of the most central node to the centrality of other nodes • normalized by dividing by the maximum centralization possible for a network of the given size • types: star, circle, chain, … (ranges 0…1) Analysis star circle chain
  • 172. CENTRALITY • Degree centrality (DC): Who is most popular in a network? (Freeman, Linton C., 1978/1979) • by virtue of their position people with high DC have access to the ideas, thoughts, beliefs of many others • Betweenness centrality (BC): Who is most potentially influential, and positioned to broker connections between groups in a network? (Freeman, Linton C., 1978/1979) • by virtue of their position people with high BC have power to control the flow of information and serve as a gatekeeper between groups • Closeness centrality (CC): Who is on the shortest path between all others in a network? (Freeman, Linton C., 1978/1979) • CC reveals how long it takes information to spread from one individual to others in the network Analysis
  • 173. Analysis EXAMPLE Kite Network idea developed by David Krackhardt and Valdis Krebs (1990) Diana acts as a connector or hub (highest DC). Heather has fewer connections than Diane, yet she occupies a central position between different parts of the network. So she controls the flow of information in the network (highest BC). Fernando and Garth have fewer connections than Diane. But they are at a shorter distance from all other network members. So they can monitor the information flow in the network (highest CC). Ike and Jane have low centrality scores. They are on the peripheral and act maybe as innovator of new ideas (Valente, 1995).
  • 174. ZIEL • Visualisierung relationaler Informationen von Daten  Aufdeckung von komplexen Zusammenhängen • Darstellung relationaler Strukturen zur Extraktion, Exploration und Präsentation von Informationen • Verbesserung der Darstellung von Zusammenhängen • Aufdeckung von versteckten Informationen • Extraktion großer Datenbestände • neue Visualisierungsform Netzwerkvisualisierung (Social) networks reflect relationships between entities!
  • 175. BEISPIELE • UML-Diagramme, Flow-Charts • Diagramme biochemischer Reaktionsketten • Abbildungen der Internet-Topologie • Familienstammbäume • Repräsentationen von Sozialstrukturen, etc. REPRÄSENTATIONSFORM • Knoten = graphische Symbole • Kanten = gerade, gebogene oder rechtwinklig verlaufende Linien, welche die zugehörigen Knoten verbindet Netzwerkvisualisierung
  • 176. VISUALISIERUNG VON KNOTEN UND KANTEN • verschiedene Daten erfordern unterschiedliche Visualisierungsformen bei Informationspräsentation (Krempel, 2004) Netzwerkvisualisierung Eignung Quantitativ Ordinal Nominal Größe Farbsättigung Farbton Textur Formen Farbsättigung Farbton Textur Größe Formen Farbton Textur Farbsättigung Formen Größe Attribute zur Visualisierung (Krempel, 2004)
  • 177. ORDNUNGSVERFAHREN Netzwerkvisualisierung Zirkulare Ordnung Die zirkulare Darstellung bietet ein Ordnungsverfahren der Darstellung, wo alle Akteure des Netzes kreisförmig ange- ordnet werden und dabei alle Verbindungen den gleichen Abstand zu den Akteuren besitzen. 1 2 3 4 5 6 7 8 10 11 12 15 16 Haushalt Geschehen Arbeit Sport Unterhaltung Privat Einkommen Kultur Technik Gesundheit Politik Liste Neuanschaffung
  • 178. ORDNUNGSVERFAHREN Netzwerkvisualisierung Graphentheoretische Ordnung Zudem gibt es Graphentheoreti- sche Ordnungsverfahren, die sich zum Beispiel aus den Distanzen und den Zentralitäten (Anzahl der Verbindungen, Anzahl der Nachbarschaften, kürzeste Wege, etc.) der Akteu- re ergeben. Zu diesen zählen die Gruppe der «Spring Embedder» und die MDS (Mehrdimensionale Skalie- rungs)-Verfahren. 12 3 4 5 6 7 8 10 11 12 15 16 Haushalt Geschehen Arbeit Sport Unterhaltung Privat Einkommen Kultur Technik Gesundheit Politik Liste Neuanschaffung
  • 179. ORDNUNGSVERFAHREN Netzwerkvisualisierung Zentralitätsbasierte Ordnung Die Zentralitätsbasierten Ordnungsverfahren integrieren dabei die Zentralitätsindizes wie Degree (Dyaden), Betweenness (Dyaden) oder Closeness (Triaden) in der Darstellung. 1 2 3 4 5 6 7 8 10 11 12 15 16 Haushalt Geschehen Arbeit Sport Unterhaltung Privat Einkommen Kultur Technik Gesundheit Politik ListeNeuanschaffung
  • 180. ORDNUNGSVERFAHREN Netzwerkvisualisierung Komponentenbasierte Ordnung Kategoriale oder Komponentenba- sierte Ordnungsverfahren basieren auf der Typisierung von Knoten ähnlich der Cluster-Analyse der deskriptiven Statistik. 12345 6 7 8 10 11 12 15 16 HaushaltGeschehen Arbeit Sport Unterhaltung Privat Einkommen Kultur Technik Gesundheit Politik Liste Neuanschaffung
  • 181. • leistungsfähige Methode, um Zusammenhänge wirkungsvollen darzustellen – Aufgabe der Wissenschaft neue Methoden und Ansätze interdisziplinär in die Untersuchungskontexte zu implementieren, um komplexe Relationen sichtbar zu machen • zunehmende mediale Verdichtung in den kleinsten sozialen Einheiten sind die Kommunikationsprozesse nur schwer fassbar, um auf Informationsfluss schließen zu können • mit Hilfe relationaler Informationen, können Innovations- und Diffusionsprozesse abgebildet werden Netzwerkvisualisierung
  • 182. SOFTWARETOOLS • Network Overview Discovery Exploration for Excel (NodeXL): http://nodexl.codeplex.com/ • Gephi: Graph exploration and visualization software http://gephi.org/ • AutoMap: Network Text Analysis http://www.casos.cs.cmu.edu/projects/automap/ • EgoNet Active Development: Ego-centric network analysis http://sourceforge.net/projects/egonet/ • NetLogo: Modelling and Simulation of networks  http://ccl.northwestern.edu/netlogo/ Netzwerkvisualisierung
  • 183. • ORA: Social Network Analysis, Network Visualization, Meta- Network Analysis, Trail Analysis, Geospatial Network Analysis, Network Generation http://www.casos.cs.cmu.edu/projects/ora/ • Pajek: Analysis and Visualization of Large Scale Networks http://vlado.fmf.uni-lj.si/pub/networks/pajek/ • R: Social network analysis within the versatile and popular R environment http://en.wikipedia.org/wiki/R_%28programming_language% 29 • tnet: Social network analysis of weighted, two-mode, and longitudinal networks in R http://toreopsahl.com/tnet/ SNA software
  • 184. • UCINET: Social Network Analysis tool https://sites.google.com/site/ucinetsoftware/home • VennMaker: Egocentric network analysis and interview tool http://www.vennmaker.com/ • Visione: Interactive analysis and visualization of social networks http://visone.info/ SNA software
  • 185. • Edward R. Tufte: The visual display of quantitative information (2. Ed.) • Robert Spence: Information visualization (design for interaction) (2.Ed.) • Colin Ware: Information visualization (perception for design) (2. Ed.) • Lothar Krempel: Thinking with eyes (Article online available) • New York Times: newyorktimes.com (Visual Analytics by Amanda Cox) Literaturhinweise