Visual Analytics

450 Aufrufe

Veröffentlicht am

Visual Analytics, Visuelle Kommunikation, Visuelle Wahrnehmung, Kognitionstheorie, Visualisierung, Kommunikation, Kommunikationsforschung, Visualisierungstools, Visual Analytics, Datenvisualisierung, Informationstransfer, Semiotik, Informationsgrafik, Netzwerkvisualisierung, Cathleen Stuetzer, Cathleen Stützer, cast-media, HS Mittweida, TU Dresden, JGU Mainz

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

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
450
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
12
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Visual Analytics

  1. 1. © Cathleen M. Stützer, 2013 – www.cast-media.de VISUALISIERUNG
  2. 2. Extracting complex data
  3. 3. Analyzing complex data
  4. 4. Imagery complex data
  5. 5. Thinking with eyes (Krempel, 2004)
  6. 6. DATENVISUALISIERUNG? Was… Wie… Warum…?
  7. 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. 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. 9. STATUS QUO Interdisziplinäres Forschungs- und Anwendungsgebiet • Kognitionsforschung • Kommunikationsforschung • Lern- und Bildungsforschung • Naturwissenschaften (Geografie, Biologie, Physik, …) • (Daten-)Journalismus • Data Mining • Business Intelligence, … Einführung
  10. 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
  11. 11. Data meets Design
  12. 12. Visuelle Wahrnehmung Kognitionsforschung
  13. 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. 14. Visuelle Reizaufnahme  Extraktion, Verarbeitung und Interpretation des Reizes im Gehirn Visuelle Wahrnehmung Adaptiertes Bild von David McCandless, www.informationisbeautiful.net (2013)
  15. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 27. ORDNUNGSSYSTEME VON FARBEN SIR ISAAC NEWTON (1643-1727) Visuelle Wahrnehmung
  28. 28. ORDNUNGSSYSTEME VON FARBEN JOHANN WOLFGANG VON GOETHE (1749-1832) Visuelle Wahrnehmung
  29. 29. ORDNUNGSSYSTEME VON FARBEN ALBERT HENRY MUNSELL (1858-1918) Visuelle Wahrnehmung
  30. 30. ORDNUNGSSYSTEME VON FARBEN WILHELM OSTWALD (1853-1932) Visuelle Wahrnehmung
  31. 31. ORDNUNGSSYSTEME VON FARBEN JOHANNES ITTEN (1888-1967) Visuelle Wahrnehmung
  32. 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. 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. 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
  35. 35. FARBSYSTEME Visuelle Wahrnehmung
  36. 36. Visualisierung als Kommunikationsmittel Kommunikationsforschung
  37. 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. 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. 39. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL Kommunikation „Vermittlungs- und Verständigungsform zwischen Menschen, die entweder auf verbaler oder non-verbaler Verständigung beruht“ (Cherry, 1967)
  40. 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. 41. Kommunikation Kommunikation aus soziologischer Perspektive (Stützer, 2009)
  42. 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. 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. 44. KOMMUNIKATIONSMODELLE Shannon und Weaver (1949/ 1963)  informationstheoretische Betrachtung der Kommunikation  gerichtete Einseitigkeit der Kommunikation gilt als überholt (Rogers, 2003) Kommunikation
  45. 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. 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. 47. Einblicke in die Lern- und Bildungsforschung
  48. 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. 49. LERN- UND BILDUNGSFORSCHUNG KOGNITIVISMUS • Lernen unter der Berücksichtigung von internen Prozessen des menschlichen Gehirns (Schulmeister, 1981) ab Mitte der 1950er Jahre Bildungsforschung
  50. 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. 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. 52. LERN- UND BILDUNGSFORSCHUNG KONNEKTIVISMUS • Lernen als Zusammenspiel der reflexiver Prozesse interner und externer Netzwerke (Siemens, 2006) Bildungsforschung
  53. 53. Past paths …
  54. 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. 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. 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. 57. INFORMATIONSVISUALISIERUNG IM 18. JH. Historie • 1767-1796: erste graphische Analysen von Johann H. Lambert  Repräsentation in Liniengraphen (Lambert,1767)
  58. 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. 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. 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. 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. 62. Historie • 1854: Karte über Cholera-Epidemie von Dr. John Snow (Tufte,1983) INFORMATIONSVISUALISIERUNG ANFANG DES 19. JH.
  63. 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. 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. 65. INFORMATIONSVISUALISIERUNG AB 1850 (IV) • 1884: Piktogramm von Michael G. Mulhall (Mulhall, 1884) Historie
  66. 66. INFORMATIONSVISUALISIERUNG AB 1900 (I) • 1911 - 1913: Hertzsprung-Russell Diagramm von Ejnar Hertzsprung und Henry Norris Russell (Spence & Garrison, 1993) Historie
  67. 67. INFORMATIONSVISUALISIERUNG AB 1900 (II) • 1917: Gantt-Diagramm von Henry L. Gantt (Gantt,1919) Historie
  68. 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. 69. INFORMATIONSVISUALISIERUNG AB 1900 (IV) • 1933: erste U-Bahn-Netzkarte von Henry C. Beck Historie
  70. 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. 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. 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. 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. 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
  75. 75. INFORMATIONSVISUALISIERUNG HEUTE Historie TheAmsterdamMuseum,January29,2012 http://www.theatlantic.com/video/archive/ 2012/02/an‐amazing‐3‐d‐visualization‐of‐ amsterdam/253808/
  76. 76. INFORMATIONSVISUALISIERUNG HEUTE Historie PostedbyMarkMotiveonAugust5,2011 American Family Consumer Debt Facts ‐ http://www.planbeconomics.com/2011/08/ 05/graphic‐consumers‐carry‐big‐debt‐load/
  77. 77. INFORMATIONSVISUALISIERUNG HEUTE Historie PostedbySamLairdonJune2,2011 http://mashable.com/2012/06/02/mobile‐ apps‐cloud‐infographi/
  78. 78. Historie HansRoslingonBitshare,June5,2012 http://bitshare.tumblr.com/post/232614621 4/amazing‐visualization‐of‐life‐in‐the‐last‐ 200‐yrs
  79. 79. Visualisierungstools
  80. 80. INFORMATIONSVISUALISIERUNG WAS MÜSSEN WIR ÜBER DATEN WISSEN? • WIE VIELE…? • WOHER…? • WER/ WEN/ WAS…? • WANN…? • VERTEILUNGSVERHALTEN? (DURCHSCHNITT/SPITZE/SENKE) • ORDNUNG UND RANKINGS…? Visualisierungstools
  81. 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. 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. 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. 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. 85. INFORMATIONSVISUALISIERUNG MAPS • www.umapper.com • www.map.google.com • http://grubba.net/ • http://www.zeemaps.com/ Visualisierungstools
  86. 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. 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. 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. 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. 90. © Cathleen M. Stützer, 2013 – www.cast-media.de VISUAL ANALYTICS
  91. 91. Datenvisualisierung und Informationstransfer
  92. 92. Wissen ist Macht!
  93. 93. Was können wir tun?
  94. 94. Daten haben eine Bedeutung und
  95. 95. wir erzählen ihre Geschichte!
  96. 96. „Visual Analytics is the science of analytical reasoning facilitated by interactive visual interfaces“ (Thomas & Cook, 2005)
  97. 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. 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. 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. 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. 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. 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. 103. DATENMODELLIERUNG (IN ANLEHNUNG AN BARTH, 2004) Visual Analytics (in Anlehnung an Barth, 2004)
  104. 104. BEISPIELE DATA MINING & BUSINESS-INTELLIGENCE Visual Analytics Google Analytics: http://www.google.com/intl/de_ALL/analytics/features/analysis-tools.html
  105. 105. DATEN-JOURNALISMUS Visual Analytics http://www.nytimes.com/imagepages/2011/03/15/science/15food_graphic.html
  106. 106. VISUAL ANALYTICS … as soft skill ?!?
  107. 107. AUFGABEN • Extraktion • Exploration • Visualisierung von • Daten & Informationen zum • Modellbildung • Konzepterstellung • Informationstransfer • Kommunikation … as Soft Skill
  108. 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. 109. … as Soft Skill Nur ca. 20 % der Arbeit ist eigentliche (grafische) Visualisierung! „Wie will ich es zeigen?“
  110. 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. 111. KOMMUNIKATIONSMITTEL • Mindmaps • Tabellen, Charts und Diagramme (Balken-, Kreis-, Linien-, Flussdiagramme, Trendcharts) • Grafiken, Illustrationen,… • Kartografien (Wetterkarten, Landkarten) • Netzwerkvisualisierungen • (kombinierte) Infografiken … as Soft Skill
  112. 112. TABELLEN, CHARTS UND DIAGRAMME (BALKEN-, KREIS-, LINIEN-, FLUSSDIAGRAMME,TRENDCHARTS,…) … as Soft Skill
  113. 113. GRAFIKEN, ILLUSTRATIONEN,… … as Soft Skill http://socialnow.de/
  114. 114. KARTOGRAFIEN … as Soft Skill http://www.grafiksg.com http://www.interkart.de
  115. 115. KARTOGRAFIEN … as Soft Skill http://www.wetter3.de/animation.html
  116. 116. NETZWERKVISUALISIERUNGEN … as Soft Skill Quelle:Stützer,2008
  117. 117. KOMBINIERTE INFOGRAFIKEN … as Soft Skill http://www.infografikdienst.de/infografiken/57.html
  118. 118. KOMBINIERTE INFOGRAFIKEN … as Soft Skill http://www.infografikdienst.de/infografiken/57.html
  119. 119. … as Soft Skill
  120. 120. … as Soft Skill http://www.nytimes.com/interactive/2011/01/30/weekinreview/30marsh.html?_r=0
  121. 121. … as Soft Skill http://www.nytimes.com/interactive/2011/03/16/world/asia/japan-nuclear-evaculation-zone.html
  122. 122. … as Soft Skill Quelle:Stützer,2009
  123. 123. … as Soft Skill Quelle:FASresearch,Austria,2012
  124. 124. … as Soft Skill Quelle:FASresearch,Austria,2012
  125. 125. … as Soft Skill Infografiken visualisieren komplexe Zusammenhänge !
  126. 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. 127. KONZEPTIONALISIERUNG (VIA MINDMAPPING) … as Soft Skill Dan Roam: „The Back of the Napkin“, 2010 Bildquelle:DanRoam(2010)
  128. 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. 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
  130. 130. UNIVARIATE DATENVISUALISIERUNG … as Soft Skill
  131. 131. BIVARIATE DATENVISUALISIERUNG … as Soft Skill
  132. 132. MULTIVARIATE DATENVISUALISIERUNG … as Soft Skill
  133. 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
  134. 134. Semiotik
  135. 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. 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. 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
  138. 138. Informationsgrafik Data meets Design
  139. 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. 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. 141. EFFEKTIVITÄT DER INFORMATIONSGRAFIK (NACH BARTH, 2005) Informationsgrafik
  142. 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. 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. 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. 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. 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. 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. 148. DATEN-JOURNALISMUS The Associated Press interactive for the 2013 Men’s NCAA tournament Visual Analytics
  149. 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
  150. 150. Netzwerkvisualisierung
  151. 151. We dream in graphs – we analyze in matrices (Wellman, 2008)
  152. 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. 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. 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. 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. 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. 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. 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. 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. 160. Introduction EXAMPLE CEO Nancy Tim Anna Karsten Conny Bernd Hans Susi Rolf Formal chain of organizationInformal chain of organization
  161. 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
  162. 162. NETZWERKDATEN Netzwerkvisualisierung
  163. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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

×