imported>Saehrimnir: /* Forschungsbereiche */ BKL Fix

2025-08-13T11:16:16Z

Forschungsbereiche: BKL Fix

Neue Seite

[[Datei:VisualAnalyticsOverview.png|mini|Die Bandbreite von Visual Analytics<ref>D. A. Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: ''Visual analytics: Scope and challenges.'' Visual Data Mining, 2008, S. 76–90.</ref> |302x302px]]'''Visual Analytics''' ist ein interdisziplinärer Ansatz, der die Vorteile aus unterschiedlichen [[Forschung]]sgebieten verbindet. Das Ziel der Visual-Analytics-Methode ist, Erkenntnisse aus extrem großen und komplexen Datensätzen zu gewinnen. Der Ansatz kombiniert die Stärken der automatischen [[Datenanalyse]] mit den Fähigkeiten des [[Mensch]]en, schnell Muster oder Trends visuell zu erfassen. Durch geeignete Interaktionsmechanismen können Daten visuell exploriert und Erkenntnisse gewonnen werden. Er wurde 2004 eingeführt und ein Jahr später in dem Buch "Illuminating the Path" beschrieben.<ref>D. Keim, S. North, C. Panse, M. Sips: ''Visual Data Mining in Large Geo-Spatial Point Sets.'' In: ''IEEE Computer Graphics and Application.'' Nr. 12, 2004, S. 36–44.</ref>

== Motivation ==
[[Datei:VisualAnalyticsWorkflow.svg|miniatur|The visual analytics workflow. Based on D. A. Keim, J. Kohlhammer, G. P. Ellis, F. Mansmann: Mastering The Information Age - Solving Problems with Visual Analytics. Eurographics, 2010.|300x300px]]
Die stetig wachsende Menge an zu verarbeitenden Daten hat dazu geführt, dass immer größere [[Speichermedien]] entwickelt wurden. Häufig wird die gesammelte Datenmenge für die spätere Verarbeitung allerdings weder gefiltert noch bereinigt, sondern als Rohdaten abgespeichert. Diese Daten sind für sich genommen nutzlos, können allerdings wichtige Informationen beinhalten. Mit Hilfe des Visual-Analytics-Ansatzes wird diese Datenflut elektronisch analysiert, wobei der Mensch stets Einfluss auf die automatisch generierten Ergebnisse hat. Mittels geeigneter interaktiver [[Visualisierung]]en kann der Mensch den Analyseprozess beliebig lenken. Im Gegensatz zur reinen [[Informationsvisualisierung]] werden dem Menschen also nicht nur Resultate präsentiert, sondern darüber hinaus wird ihm die Möglichkeit gegeben, in die Analyse einzugreifen und die [[Algorithmus|Algorithmen]] zu beeinflussen.

== Prozess ==
''Data:'' Heterogene Datenquellen müssen vor der visuellen oder automatischen Analyse zuerst vorverarbeitet werden (z. B. bereinigt, normalisiert etc.).

''Models:'' Mit Hilfe von Data-Mining-Techniken werden Modelle der Originaldaten generiert, welche daraufhin zu Evaluationszwecken oder für weitere Verbesserungen visualisiert werden.

''Visualization:'' Um die Modelle durch einen Benutzer zu überprüfen, werden Visualisierungen generiert, welche mit Interaktionstechniken für eine Analyse angereichert werden.

Die Vorgehensweise orientiert sich dabei an folgendem Paradigma:

„''Analyse First – Show the Important – Zoom, Filter and Analyse Further – Details on Demand''“<ref>D. A. Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: ''Visual analytics: Scope and challenges.'' Visual Data Mining, 2008, S. 82.</ref>

Dabei ist ein stetiger Wechsel zwischen visuellen und automatischen Vorgängen eine wichtige Eigenschaft des Visual-Analytics-Prozesses. Verfälschte Resultate können dadurch frühzeitig erkannt werden, um ein besseres und vertrauenswürdigeres Endergebnis zu erhalten.

== Anwendungsgebiete ==
Anwendungsbereiche, in denen große Mengen an Daten verarbeitet und visualisiert werden müssen, profitieren von Visual Analytics.

Das sind zum Beispiel:
# Physik und Astronomie: Das Erkennen von unerwarteten Phänomenen in riesigen und dynamischen Datenströmen.
# Katastrophenschutz: Die Analyse einer Notsituation, um geeignete Gegenmaßnahmen zu entwickeln, die helfen den Schaden einzugrenzen (Naturkatastrophen etc.).
# Biologie und Medizin: Die Analyse großer Mengen an Bio-Daten (das menschliche Genom etc.).
# [[Business-Intelligence]]: Analyse von Kundendaten.<ref>J. Kohlhammer, U. Proff, A. Wiener: [https://www.dpunkt.de/buecher/3760/visual-business-analytics.html ''Visual Business Analytics. Effektiver Zugang zu Daten und Informationen.''] dpunkt.verlag, 2013.</ref>
# Policy Modeling und E-Government: Analyse von Daten zur politischen Entscheidungsfindung.<ref>Peter Sonntagbauer; Kawa Nazemi, Susanne Sonntagbauer, Giorgio Prister, Dirk Burkhardt (Hrsg.): ''Handbook of Research on Advanced ICT Integration for Governance and Policy Modeling.'' IGI Global, 2014. [[doi:10.4018/978-1-4666-6236-0]]</ref>

== Forschungsbereiche ==
Die Forschung um Visual Analytics untersucht zahlreiche interdisziplinäre Aspekte von der Datenanalyse bis hin zur visuellen Wahrnehmung und [[Mensch-Computer Interaktion]].

Diese sind zum Beispiel:
# [[Data Mining]] und [[Knowledge Discovery in Databases]]: Analyse heterogener Daten<ref>D. A. Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: ''Visual analytics: Scope and challenges.'' Visual Data Mining, 2008, S. 88.</ref>
# [[Informationsvisualisierung]]: Computer basierte interaktive Visualisierung abstrakter Daten<ref>D. A. Keim, F. Mansmann, J. Schneidewind, J. Thomas, H. Ziegler: ''Visual analytics: Scope and challenges.'' Visual Data Mining, 2008, S. 76–77.</ref>
# Intelligente und [[Adaptive Systeme]]: Systeme, die sich an die [[Kenntnisse]] und [[Fähigkeit (Psychologie)|Fähigkeiten]] der Benutzer anpassen<ref>K. Nazemi: [https://diglib.eg.org/handle/10.2312/12076 ''Adaptive Semantics Visualization.''] Eurographics Associations, 2014, S. 15–78.</ref>
# [[Visuelle Wahrnehmung]]: Forschung und Ergebnisse der menschlichen visuellen Fähigkeiten in Bezug zur [[Kognition]], insbesondere der kognitiven Aufgaben zur Exploration und Analyse<ref>K. Nazemi: [https://diglib.eg.org/handle/10.2312/12076 ''Adaptive Semantics Visualization.''] Eurographics Associations, 2014, S. 30–105.</ref>
# [[Software-Ergonomie|Usability]] und [[User Experience]]: Benutzungstauglichkeit ([[Gebrauchstauglichkeit (Produkt)|Gebrauchstauglichkeit]]) und Benutzungserlebnis in Bezug auf Verstehen und Erleben<ref>K. Nazemi: [https://diglib.eg.org/handle/10.2312/12076 ''Adaptive Semantics Visualization.''] Eurographics Associations, 2014.</ref>

== Forschungseinrichtungen ==
* Pacific Northwest National Laboratory (PNNL)
* National Center for Visual Analytics (NCVA)
* Arbeitsgruppe Datenanalyse und Visualisierung, [[Universität Konstanz]]
* Forschungsgruppe Human-Computer Interaction und Visual Analytics (VIS)<ref>{{Internetquelle |autor= |url=https://vis.h-da.de/ |titel=Forschungsgruppe Human-Computer Interaction und Visual Analytics (VIS), Hochschule Darmstadt |werk= |hrsg= |datum= |abruf=2019-04-30 |sprache=en-US}}</ref>, [[Hochschule Darmstadt]]

== Einzelnachweise ==
<references />

== Literatur ==
* J. J. Thomas, K. A. Cook (Hrsg.): ''Illuminating the path: The research and development agenda for visual analytics.'' IEEE Computer Society 2005, ISBN 0-7695-2323-4.

[[Kategorie:Computergrafik]]
[[Kategorie:Usability]]
[[Kategorie:Kartografie]]

== Weblinks ==
* [https://blog.wolfram.com/2016/11/23/making-wikipedia-knowledge-visible/ Making Wikipedia Knowledge Visible] Beispiele für die Visualisierung des in Wikipedia gesammelten Wissens (englisch)

Visual Analytics - Versionsgeschichte

imported>Saehrimnir: /* Forschungsbereiche */ BKL Fix