Muster sehen, Aussagen prüfen: visuelle Analyse von Medienbeständen
Welche Darstellung hilft bei welcher Frage? Informationsvisualisierung für Medienbestände: visuelle Codierung, verknüpfte Ansichten, Unsicherheit und Evaluation.
Eine Mediathek enthält tausend Videos. Eine Liste kann jedes davon aufführen, beantwortet aber noch nicht, welche Themen fehlen oder wie sich der Bestand entwickelt hat. Ein buntes Dashboard beantwortet diese Fragen ebenfalls nur dann, wenn seine Darstellung zur Aufgabe passt.
Informationsvisualisierung ordnet Daten sichtbaren Eigenschaften zu. Visuelle Analyse verbindet solche Darstellungen mit rechnerischen Verfahren und menschlicher Interpretation. Für unsere Beispielmediathek geht es darum, einen Bestand zu verstehen und einzelne Aussagen über ihn überprüfen zu können.
Die Frage kommt vor dem Diagramm
Eine Redaktion möchte möglicherweise unterrepräsentierte Themen erkennen. Studierende suchen verwandte Vorträge. Eine wissenschaftliche Auswertung untersucht Veränderungen über mehrere Jahre. Diese Aufgaben können dieselben Ausgangsdaten verwenden und trotzdem unterschiedliche Ansichten benötigen.
Daten lassen sich über Position, Länge, Fläche, Farbe und weitere visuelle Eigenschaften codieren. Welche Codierung geeignet ist, hängt von Datenart und Aufgabe ab. Kategorien brauchen eine andere Darstellung als quantitative Größen. Perspektive und Verdeckung können unnötige dreidimensionale Darstellungen schwerer lesbar machen. Munzner, 2014: Visualization Analysis and Design
Für unsere Mediathek schlagen wir folgende Zuordnung vor:
| Frage | Mögliche Darstellung | Was zusätzlich sichtbar sein muss |
|---|---|---|
| Wie viele Videos gibt es pro Thema? | Sortierte Balken | Zählregel und Mehrfachzuordnungen |
| Wie entwickelt sich ein Thema? | Zeitreihe | Zeitraum und Bezugsgröße |
| Welche Themen kommen gemeinsam vor? | Matrix | Bedeutung und Stärke der Beziehung |
| Welche Videos bilden die Grundlage? | Tabelle mit Links | Quellen und Filterzustand |
Das sind Entwurfsvorschläge. Eine Tabelle kann für genaue Einzelwerte geeigneter sein als ein Diagramm. Eine Netzwerkdarstellung wäre erst dann sinnvoll, wenn die Struktur der Beziehungen selbst Teil der Aufgabe ist.
Ein Überblick braucht Wege zu den Einzelheiten
Shneidermans bekanntes Interaktionsprinzip beginnt mit einem Überblick, ermöglicht anschließend Vergrößerung und Filterung und stellt Details bei Bedarf bereit. Seine Originalarbeit verbindet unterschiedliche Datentypen mit typischen Aufgaben bei der Exploration. Shneiderman, 1996: The Eyes Have It: A Task by Data Type Taxonomy for Information Visualizations
Im Beispiel könnte eine Themenauswahl sowohl eine Zeitübersicht als auch die Videoliste einschränken. Ein auffälliger Balken führt so zu den Datensätzen, aus denen er berechnet wurde. Die Auswahl bleibt sichtbar und lässt sich wieder aufheben.
Diese Rückverfolgbarkeit ist wichtig. Ohne sie könnte die Redaktion einen niedrigen Wert als Bestandslücke interpretieren, obwohl lediglich ein Sprachfilter aktiv ist. Eine Ansicht sollte deshalb mitteilen, welcher Teil des Bestands gerade dargestellt wird und welche Inhalte ausgeschlossen sind.
Absolute Werte können die falsche Geschichte erzählen
Ein eigenes Beispiel: Im ersten Jahr gibt es zehn Videos zu einem Thema bei insgesamt 100 Videos. Im zweiten Jahr sind es 15 bei insgesamt 300. Die absolute Zahl steigt, der Anteil fällt von zehn auf fünf Prozent.
Welche Darstellung sinnvoll ist, hängt von der Frage ab. Für den verfügbaren Umfang ist die Anzahl relevant. Für die Verteilung der redaktionellen Aufmerksamkeit kann der Anteil helfen. Beide Werte gleichzeitig zugänglich zu machen verhindert, dass eine einzige Kennzahl eine unpassende Interpretation nahelegt.
Auch die Zählregel muss feststehen. Ein Video mit drei Themen kann dreimal in thematischen Häufigkeiten erscheinen. Die Summe dieser Häufigkeiten entspricht dann nicht mehr der Anzahl der Videos. Dieser Zusammenhang gehört an die Darstellung, nicht ausschließlich in eine technische Dokumentation.
Automatische Gruppen sind eine untersuchbare Hypothese
Für unseren Entwurf könnte ein Modell ähnliche Videos gruppieren. Die Redaktion prüft anschließend, ob die Gruppen fachlich sinnvoll sind. Eine solche Gruppe ist zunächst ein Ergebnis des gewählten Verfahrens; sie sollte nicht ohne Prüfung als verbindliche Fachkategorie erscheinen.
Dasselbe gilt für räumliche Darstellungen gelernter Repräsentationen. Wenn viele Dimensionen auf zwei reduziert werden, hängt die sichtbare Anordnung vom Verfahren und seinen Einstellungen ab. Im Beispiel würden wir deshalb den direkten Zugriff auf Videos und ihre Merkmale beibehalten, statt allein aus Abständen im Bild fachliche Beziehungen abzuleiten.
Die Modellbewertung in Teil 6 und die Herkunft von Aussagen in Teil 4 liefern dafür wichtige Informationen. Ein Prüfstatus kann als Text oder Symbol sichtbar werden und darf nicht nur über eine Farbe vermittelt werden.
Auf der richtigen Ebene evaluieren
Munzners Nested Model unterscheidet das fachliche Problem, seine Abstraktion in Daten und Aufgaben, die visuelle Darstellung samt Interaktion sowie die ausführenden Algorithmen. Fehler auf einer frühen Ebene wirken in nachgelagerte Entscheidungen hinein. Eine schnelle und gut lesbare Grafik kann daher die falsche Aufgabe lösen. Munzner, 2009: A Nested Model for Visualization Design and Validation
Für die Mediathek würden wir entsprechend konkrete Fragen prüfen: Erkennt die Redaktion eine vorbereitete Themenlücke? Kann sie die zugrunde liegenden Videos finden? Versteht sie den Unterschied zwischen Anzahl und Anteil? Bleiben diese Handlungen auch bei einem größeren Bestand flüssig?
Die UX-Evaluation in Teil 3 beschreibt die Beobachtung solcher Aufgaben. Im abschließenden Entwicklungsprojekt werden Visualisierungen erst ergänzt, wenn sie eine tatsächliche Aufgabe im Umgang mit dem Bestand unterstützen.