Allgemeine Forschung zur Definition von Visual Analytics

Informationsüberlastung ist ein bekanntes Phänomen des Informationszeitalters: Durch den Fortschritt in Rechenleistung und Speicherkapazität der letzten Jahrzehnte werden Daten in einem unglaublichen Tempo produziert, und unsere Fähigkeit, diese Daten zu sammeln und zu speichern, wächst schneller als unsere Fähigkeit, sie zu analysieren. Die Analyse dieser massiven, typischerweise uneinheitlichen und inkonsistenten Datenmengen ist jedoch in vielen Anwendungsbereichen von entscheidender Bedeutung. Für Entscheidungsträger, Analysten oder Notfallteams ist es eine wesentliche Aufgabe, aus der Datenflut schnell relevante Informationen zu extrahieren.

Heute wird eine ausgewählte Anzahl von Softwarewerkzeugen eingesetzt, um Analysten dabei zu helfen, ihre Informationen zu organisieren, Überblicke zu erstellen und den Informationsraum zu erkunden, um potenziell nützliche Informationen zu gewinnen. Die meisten dieser Datenanalysesysteme basieren nach wie vor auf Interaktionskonzepten, die vor mehr als einem Jahrzehnt entwickelt wurden, und es ist fraglich, ob sie den Anforderungen der ständig wachsenden Informationsmassen gerecht werden können. Tatsächlich gehen enorme Zeit- und Geldinvestitionen oft verloren, weil uns noch immer die Möglichkeiten fehlen, ordnungsgemäß mit den Datenbanken zu interagieren.

Visual Analytics zielt darauf ab, diese Lücke zu schließen, indem intelligentere Mittel im Analyseprozess eingesetzt werden. Die Grundidee von Visual Analytics besteht darin, Informationen visuell darzustellen und dem Menschen zu ermöglichen, direkt mit den Informationen zu interagieren, Erkenntnisse zu gewinnen, Schlussfolgerungen zu ziehen und letztendlich bessere Entscheidungen zu treffen. Die visuelle Darstellung von Informationen reduziert den komplexen kognitiven Aufwand, der zur Durchführung bestimmter Aufgaben erforderlich ist. Menschen können Visual-Analytics-Werkzeuge und -Techniken nutzen, um Informationen zu synthetisieren und Erkenntnisse aus massiven, dynamischen und oft widersprüchlichen Daten zu gewinnen, indem sie zeitnahe, nachvollziehbare und verständliche Einschätzungen liefern.

Allgemeine Forschung zur Bewertung der Farbwahrnehmung

Die Erforschung der Farbwahrnehmung ist von grundlegendem Interesse im Bereich der Informationsvisualisierung und Visual Analytics. Beziehungen zwischen Merkmalen und Gruppen erscheinen als visuelle Muster in der Visualisierung. Optische Illusionen können jedoch die Wahrnehmung auf der ersten Ebene des Analyseprozesses verzerren. In pixelbasierten Visualisierungen beispielsweise lassen Kontrasteffekte Pixel heller erscheinen, wenn sie von einem dunkleren Bereich umgeben sind, was die kodierte metrische Größe der Datenpunkte verfälscht. Selbst wenn wir uns dieser Wahrnehmungsprobleme bewusst sind, ist unser visuelles Kognitionssystem nicht in der Lage, diese Effekte präzise zu kompensieren. Um diese Einschränkung zu überwinden, stellen wir einen Farboptimierungsalgorithmus vor, der auf Wahrnehmungsmetriken und Farbwahrnehmungsmodellen basiert, um physiologische Kontrast- oder Farbeffekte zu reduzieren. Wir evaluieren unsere Technik mit einer Nutzerstudie und stellen fest, dass sie die Genauigkeit der Nutzer beim Vergleichen und Schätzen farbkodierter Datenwerte verdoppelt. Da die vorgestellte Technik in jeder Anwendung ohne Anpassung der Visualisierung selbst eingesetzt werden kann, können wir ihre Wirksamkeit bei Datenvisualisierungen in verschiedenen Bereichen demonstrieren.

Farbzuordnungen berücksichtigen jedoch noch nicht die Umgebung von Pixeln in Visualisierungen und können die Sichtbarkeit von Strukturen in der endgültigen Visualisierung nicht garantieren. Dies ist eines der allgemeinen Probleme von Visualisierungen – etwa die Verbesserung der Sichtbarkeit von Strukturen wie Straßen auf Karten oder Venen im menschlichen Körper, aber auch in abstrakten Datenvisualisierungen, bei denen Pixelgruppen wichtige Strukturinformationen bilden. Angesichts dieser Mängel statischer Farbzuordnungsschemas schlagen wir einen neuartigen Algorithmus für dichte Datenanzeigen vor, der Farben dynamisch auf Basis lokaler Dateneigenschaften anpasst. Dieser Ansatz erhält die Sichtbarkeit lokaler Details, ohne zusätzlichen Visualisierungsraum zu beanspruchen, und zielt darauf ab, die globale Verzerrung gering zu halten. Unsere Methode führt dabei Kontrasteffekte ein, um die Sichtbarkeit von Strukturen zu verbessern. Wir zeigen, wie Kontraste zur Verbesserung dichter Datenvisualisierungen eingesetzt werden können, die Farbe zur Kodierung metrischer Größen numerischer Daten verwenden. Dieser Algorithmus kann auf jedes Bild oder jede Datenvisualisierung angewendet werden, um die Sichtbarkeit bekannter Strukturen zu verbessern.

Allgemeine Forschung zur Bewertung von Glyph-Designs

Zeitreihendaten bilden die Grundlage für Entscheidungsfindung in vielen verschiedenen Anwendungsbereichen – etwa im Finanzwesen, der Netzwerksicherheit oder dem Verkehrsmanagement. Das Erkennen von Trends, das Aufspüren von Spitzenwerten oder die Untersuchung einzelner Zeitpunkte anhand einer visuellen Darstellung sind alltägliche Analyseaufgaben von entscheidender Bedeutung.

Da Glyphen besonders geeignet sind, mehrere Zeitreihen zum Vergleich darzustellen, wurde eine Vielzahl von Designs vorgeschlagen. Verschiedene visuelle Variablen wie Länge, Farbe oder Position können verwendet werden, um zwei Aspekte temporaler Daten in einer Glyph zu kodieren: a) die zeitliche Position eines Datenpunkts und b) den quantitativen Datenwert. Bei der Wahl eines geeigneten Glyph-Designs haben Visualisierungsdesigner oder Praktiker derzeit wenig Orientierungshilfe, welche Kodierungen für welche Aufgaben am geeignetsten wären und welche visuellen Merkmale und Faktoren die Wahrnehmung von in Glyphen kodierten Daten beeinflussen. Um diesem Mangel an Orientierung beim Einsatz temporaler Glyphen zu begegnen, führten wir ein kontrolliertes Experiment durch, um vier sorgfältig ausgewählte Glyphen bei zwei verschiedenen Datendichten zu vergleichen.