Karl H. Müller (WISDOM): Visuelle Datenanalyse als sozialwissenschaftliche Methode

Karl H. Müller (WISDOM): Visuelle Datenanalyse als sozialwissenschaftliche Methode

Vortrag am Symposium: Infografik und Datenjournalismus
2.-3.12.2013, #dataviz13
Department Medien und Design, FH JOANNEUM Graz
http://datablog.fh-joanneum.at/symposium

Transcript

  1. 1.

    Karl H. Müller WISDOM (Wien) 2. Dezember 2013 FH Joanneum

    Visualisierung als sozialwissenschaftliche Methode
  2. 2.

    0.29"2 Übersicht in fünf Etrappen Ø Otto Neurath (1982 – 1945)

    als Referenzpunkt im Bereich Visualisierung Ø Zwei „große Transformationen“ bzw. „lange Revolutionen“ in Wissenschaft und Gesellschaft Ø Visualisierung als sozialwissenschaftliche Methode Ø Komparative Vorteile der sozialwissenschaftlichen Datenvisualisierung Ø Verbindungen zum Datenjournalismus
  3. 3.

    0.29"3 Otto Neurath als Visionär der Visualisierung Otto Neurath, 1882

    – 1945: Wien, Den Haag, Oxford Mitglied des „Wiener Kreises“, Begründer einer neuen „Wissenschafts- enzyklopädie“, Pionier der Visualisierung u.va.m. Gesellschafts- und Wirtschaftsmuseum, Wien (1925 – 1934), Zusammenarbeit mit Gerd Arntz (1900 – 1988) „Modern Man in the Making“ (1939) als Höhepunkt der ISOTYPE-Visualisierung („Mengensymbole“)
  4. 6.

    0.29"6 Zwei „große Transformationen“ in Wissenschaft und Gesellschaft Science I

    → Science II (Wissenschaften zwischen (Wissenschaften seit dem 17. und dem frühen 20. 1940/60) Jahrhundert) Piaget-Gesellschaften → Turing-Gesellschaften (Sprach- und schriftbasiert) (Maschinencodebasiert)
  5. 7.

    0.29"7 Wechsel von Science I zu Science II Dimensionen Science

    I Science II Leitwissenschaften Klassische Physik “Life Sciences” und Komplexi- tätswissen- schaften
  6. 8.

    0.29"8 Wechsel von Science I zu Science II (Fortsetzung) Dimensionen

    Science I Science II Visualisierung Peripher Zentral Methodenspektrum dual, offen, triadisch (quant., unvermittelt quali., visuell), geschlossen, visuell vermittelt
  7. 9.

    0.29"9 Evolutionär starke Brüche in Gesellschaftsformationen Darwingesellschaften → Polanyigesellschaften (Genetischer

    Code (lernfähig, basierend auf als Wissensbasis) neuronalen Code) Polanyigesellschaften → Piagetgesellschaften („implizites Wissen“) (Sprache und schrift- codierte Wissensbasiss Piagetgesellschaften → Turing-Gesellschaften (Sprach- und schriftbasiert) (Maschinencodebasiert, digitale Wissensbasis)
  8. 10.

    0.29"10 Bausteine von Turing-Gesellschaften Turing-Kreaturen und ihre technologischen Trajektorien Transformation

    der Wissensbasis der Piaget-Gesellschaften in die Turing-Gesellschaften Neue Potenziale: Globale Reichweite, globale Reproduzierbarkeit Jahr 2000: Verhältnis von Turingkreaturen zu Menschen 10:1 Jahr 2012: Verhältnis steigert sich auf rund 30:1 „Big Data“: Gegenwärtige Gesellschaften produzieren enorme Datenmengen und vernichten sie auch wieder
  9. 11.

    0.29"11 Probleme mit der Visualisierung in der vergleichenden europäischen Forschung

    Ø  Große Datenmengen (Europäischer Sozialer Survey (ESS), Survey of Health, Ageing and Retirement (SHARE), etc.) Ø  Stark unterschiedliche Ländergrößen (Karten sind kaum zu verwenden (Luxemburg, San Marino, etc.) Ø  Traditionelle Verfahren der Visualisierung eignen sich nur sehr begrenzt für komplexe europäisch-vergleichende Musterbildungen (ESS-Fiasko, 2003) Ø  Kein kognitiver Mehrwert von üblichen Datenvisualisierungen zu normalen Tabellen Ø  Datenvisualisierung als “Behübschung” und nicht als erkenntnisleitende Methode
  10. 12.

    0.29"12 Sozialwissenschaften und Visuali- sierungen: Three Grand Challenges Drei große

    Herausforderungen im Bereich von Daten, Methoden und Räumen: Ø “Big Data”: Zugang, Anonymität, Auswertungs- techniken, explorative visuelle Verfahren Ø Visuelle Methoden: Datenvisualisierungen als eigenständige Methoden zur Unterstützung von komparativen Analysen (Vergleichende Analysen als “experimentelle Methode” in den Sozialwissenschaften) Ø Europäischer Kontext: Vergleichende Visualisierungen speziell für den europäischen Kontext (viele Länder, mehrere Zeitpunkte, etc.)
  11. 13.

    0.29"13 Aufbau von Visualisierungen als sozialwissenschaftliche Methode Ø Visuelle Methoden: Aufbau

    eines Begriffsapparats, der einen Tansformationsprozess emöglicht: Daten → Musterbildungen/Mustererkennungen Ø Lösung des Raumproblems: z.B. Relationale Karten, gleiche Größen pro regionaler Unit (Länder, Bundesländer, Bezirke, etc.) Ø Grundbegriffe: Modus: Modus I (ein einzelner Datensatz); Modus II (zwei oder mehrere Datensätze) Kontexte (ein/mehrere Beobachtungspunkte/eine/mehrere Variablen (Vier Kontexte) Ø Visuelle Prototypen (“Mustergeneratoren”)
  12. 14.

    0.29"14 Eigenschaften visueller Methoden Ø Interaktiv (im Gegensatz zu sequentiellen quantitativen

    und qualitativen Methoden) Ø Beobachterabhängig (keine Mustererkennung versus vielfache Mustererkennungen) Ø Fokussierung auf spezifische Problemstellungen: Ähnlichkeiten, Distanzen, Kohärenzen, Korrelationen, Outliers, Mekmale einer Verteilung, etc. Ø Explorativ: Mustererkennung benötigt Zeit; viele Lösungen möglich, offener Suchprozess Ø Rekursivität (Muster entstehen in der Interaktion) Ø Kognitiver Mehrwert: Schnelle Mustererkennung speziell bei hoher Komplexität von Daten
  13. 16.

    0.29"16 Beispiele für visuelle Datenanalysen für die Sozialwissenschaften Ø Vier Beispiele

    für Kohärenzen, Clusterbildungen, Distanzen, Korrelationen Ø Europäischer Rahmen: Daten des Europäischen Sozialen Survey 2003 und 2011 Ø Zwei Prototypen (Kohärenzen, multiple Bereiche/ multiple Dimensionen pro Bereich Ø Zwei Kontexte: ein Zeitpunkt/mehrere Dimensionen und Bereiche sowie mehrere Zeitpunkte und mehrere Dimensionen und Bereiche Ø Kognitiver Mehrwert: Muster können in tabellarischer Form oder mit statistischen Verfahren sehr schwer entdeckt werden Ø Geringe Eingewöhnungszeit notwendig
  14. 24.

    0.29"24 Visuelle Methoden und Datenjournalismus Ø Vorteil visueller Methoden: Geinge Lernzeit,

    relativ leicht verständlich und handhabbar (im Gegensatz zu statistischen Verfahren und Programmen) Ø Verwendung visueller Methoden als “Geschichtengeneratoren” mit unterschiedlichen Themen: Abweichungen, Kohärenzen, Distanzen, Korrelationen (Zusammenhänge zwischen Sub- populationen wie Geschlecht, Alter, etc.) Ø Permanente Verfügbarkeit und Erweiterbarkeit (neue Wellen von ESS, SHARE, etc.) Ø Hoher Neuigkeitswert (im Vergleich zur journalistischen Aufbereitung von Umfragen)
  15. 25.

    0.29"25 Ende Ø Danke für die audio-visuelle Aufmerksamkeit Ø Kontakt: mueller@wisdom.at Ø Wiener

    Institut für sozialwissenschaftliche Dokumentation und Methodik (WISDOM) Liechtensteinstraße 22a/2/17 1090 Wien
  16. 26.

    0.29"26 WISDOMIZE_2.0 online data visualization —  web-application —  ruby on

    rails (web-application development framework ::backend) —  extjs (javascript library for rich user interfaces ::frontend) —  mysql (data storage) —  svg (graphic format > current version) —  flash based charts (graphic format >> upcoming version) —  xml (data/settings exchange format
  17. 27.

    0.29"27 Ø Generate visual patterns Ø on the basis of survey data

    Ø on the basis of graphic prototypes Ø online and on demand WISDOMIZE_beta Online Data Visualization