Wie unterscheidet sich Informationsvisualisierung von wissenschaftlicher Visualisierung?

Informationsvisualisierung befasst sich mit abstrakten Daten, die keine inhärente räumliche Form haben, wie Finanzdaten oder soziale Netzwerke, sodass der Designer eine räumliche Zuordnung erfinden muss. Wissenschaftliche Visualisierung stellt Daten dar, die bereits räumlich oder physikalisch sind, wie medizinische Scans oder Flüssigkeitsströme, bei denen die Geometrie weitgehend vorgegeben ist.

Warum ist die Wahl des Diagrammtyps so wichtig?

Verschiedene visuelle Kodierungen werden vom menschlichen visuellen System mit unterschiedlicher Genauigkeit gelesen; Position und Länge werden präzise beurteilt, während Fläche und Farbe weniger präzise beurteilt werden. Die Wahl einer Kodierung, die zu den Daten und der Aufgabe passt, erleichtert das Erkennen von Mustern und verringert das Risiko von Fehlinterpretationen.

Informationsvisualisierung

Informationsvisualisierung ist der Einsatz interaktiver visueller Darstellungen abstrakter Daten, um das menschliche Verständnis zu erweitern und Menschen dabei zu unterstützen, Informationen zu erkunden, zu analysieren und zu kommunizieren.

Thema finden mit PaperMindDemnächstFind papers & topics

Tools & resources

Folien herunterladen

Learn & explore

VideoDemnächst

Definition

Informationsvisualisierung ist die Gestaltung interaktiver visueller Darstellungen abstrakter Daten, die so ausgewählt und angeordnet werden, dass sie die menschliche visuelle Wahrnehmung nutzen, um Muster, Beziehungen und Ausreißer sichtbar und nachvollziehbar zu machen.

Scope

Dieser Bereich umfasst die visuelle Darstellung abstrakter, nicht-räumlicher Daten innerhalb der Mensch-Computer-Interaktion: wie Daten visuellen Merkmalen und Kanälen zugeordnet werden, wie die Wahrnehmung die Wirksamkeit bestimmt, die Interaktionstechniken, die Visualisierungen explorierbar machen, die Visualisierung von Graphen und Netzwerken sowie die Integration von Visualisierung und Analyse in der visuellen Analytik. Er behandelt weder die wissenschaftliche Visualisierung inhärent räumlicher physikalischer Daten noch die statistischen Methoden der Datenanalyse selbst, die der Statistik zuzuordnen sind.

Sub-topics

Core questions

Wie werden abstrakte Daten visuellen Merkmalen und Kanälen zugeordnet?
Warum vermitteln einige visuelle Kodierungen Informationen effektiver als andere?
Wie unterstützen Interaktionstechniken die Exploration großer Datensätze?
Wie kombiniert sich Visualisierung mit Berechnung, um die Analyse zu unterstützen?

Key concepts

visuelle Kodierung (Merkmale und Kanäle)
perzeptive Effektivität
Übersicht, Zoom, Filter, Details bei Bedarf
Interaktion in der Visualisierung
Graphen- und Netzwerkvisualisierung
visuelle Analytik
Daten-Tinte-Verhältnis
explorative Datenanalyse

Key theories

Sehen zum Denken nutzen: Informationsvisualisierung externalisiert Daten in visuelle Form, sodass das hochbandbreitige menschliche visuelle System Muster erkennen und die Kognition entlasten kann, wodurch die Wahrnehmung zu einem Werkzeug für das Denken über abstrakte Informationen wird.
Das Mantra der visuellen Informationssuche: Shneidermans Prinzip „Übersicht zuerst, zoomen und filtern, dann Details bei Bedarf“ organisiert, wie interaktive Visualisierungen es Benutzern ermöglichen, von einer breiten Ansicht zu spezifischen Details zu navigieren, strukturiert durch eine Aufgaben-nach-Datentyp-Taxonomie.
Effektivität visueller Kodierungen: Visuelle Kodierungsentscheidungen können danach bewertet werden, wie genau Menschen sie lesen, und prinzipielles Design, wie die Maximierung der angezeigten Daten im Verhältnis zur Tinte, führt zu klareren, wahrheitsgetreueren Darstellungen.

Clinical relevance

Informationsvisualisierung hilft Menschen, große und komplexe Daten in Bereichen von Wissenschaft und Finanzen bis hin zu öffentlicher Gesundheit und Journalismus zu verstehen; gut gestaltete Visualisierungen unterstützen schnellere, genauere Erkenntnisse und Entscheidungsfindungen, während schlechte irreführen können.

History

Aufbauend auf statistischen Grafiken und Kartografie entwickelte sich die Informationsvisualisierung in den 1990er Jahren zu einem eigenständigen Feld, konsolidiert durch die Readings-Sammlung von 1999 und Shneidermans Aufgaben-Taxonomie. Tuftes Schriften prägten Prinzipien grafischer Exzellenz, und spätere Texte wie Munzners systematisierten das Design, während die visuelle Analytik in den 2000er Jahren entstand, um Visualisierung mit automatisierter Analyse zu verbinden.

Key figures

Stuart K. Card
Jock D. Mackinlay
Ben Shneiderman
Tamara Munzner
Edward R. Tufte

Seminal works

card1999
shneiderman1996
tufte2001

Frequently asked questions

Wie unterscheidet sich Informationsvisualisierung von wissenschaftlicher Visualisierung?: Informationsvisualisierung befasst sich mit abstrakten Daten, die keine inhärente räumliche Form haben, wie Finanzdaten oder soziale Netzwerke, sodass der Designer eine räumliche Zuordnung erfinden muss. Wissenschaftliche Visualisierung stellt Daten dar, die bereits räumlich oder physikalisch sind, wie medizinische Scans oder Flüssigkeitsströme, bei denen die Geometrie weitgehend vorgegeben ist.
Warum ist die Wahl des Diagrammtyps so wichtig?: Verschiedene visuelle Kodierungen werden vom menschlichen visuellen System mit unterschiedlicher Genauigkeit gelesen; Position und Länge werden präzise beurteilt, während Fläche und Farbe weniger präzise beurteilt werden. Die Wahl einer Kodierung, die zu den Daten und der Aufgabe passt, erleichtert das Erkennen von Mustern und verringert das Risiko von Fehlinterpretationen.