Wissens-Erzeugung in Visual Analytics

• Antragsteller: Professor Dr. Daniel Keim
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik
• Förderung: Förderung von 2017 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 350399414

• Erstellungsjahr: 2022

Zusammenfassung der Projektergebnisse

In diesem Projekt haben wir fundamentale Grundlagenforschung in der Zusammenarbeit mit verschiedenen Arbeitsgruppen für die Erweiterung des existierenden Knowledge-Generation-Modells geleistet. Wir haben verschiedene Analysesysteme entwickelt, welche die Aufgaben von Experten aus unterschiedlichsten Domänen (z.B. Politik-, Musikwissenschaft, Biologie) adressieren. Die gemeinschaftliche Arbeit mit Arbeitsgruppen aus den Bereichen Scientific Visualization, Visual Computing sowie Engineering und Applied Sciences ermöglichte es uns, neue Methoden und theoretische Konzepte zu entwickeln, anhand derer man die ablaufenden Prozesse in VA-Systemen besser planen, analysieren und umsetzen kann. Durch die Umsetzung verschiedener Fallstudien konnten wir Qualitätsmaße für Visualisierungen entwickeln sowie den Einfluss von Anwendern durch die Analyse der Benutzerinteraktion mithilfe von Gamification und Guidance Prozessen auf die Verbesserung von Klassifikationsmodellen untersuchen. Durch den Einsatz der in diesem Projekt entwickelten Methoden (z.B. Guidance, GamefulVA, visuellinteraktives maschinelles Lernen) sind weitere Untersuchungen in diese Forschungsrichtung naheliegend und bergen wertvolles Potenzial. Das Projekt hat den Stand der Forschung vorangebracht, indem das VA Knowledge Generation Model konkretisiert und erweitert, sowie anhand konkreter Forschungsbeispiele evaluiert und die Vorteile von Visual Analytics im Einsatz beim Wissens-Erzeugungsprozess aufzeigt wurden. Die durchgeführten Forschungsarbeiten haben ein großes Anwendungspotential und sie liefern zahlreiche Anknüpfungspunkte für zukünftige Forschungsarbeiten. Insbesondere die entwickelten Methoden zum Einsatz von Gamification und Guidance als Erweiterungen zum traditionellen Wissens-Erzeugungsmodells erlauben es Entwicklern von Visualisierungssystemen, VA Systeme an die Bedürfnisse und Aufgaben der Benutzer anzupassen. Die dafür zu betrachtenden Reaktionsschleifen sind ein dynamisches Zusammenspiel zwischen der maschinellen und menschlichen Seite im Analyseprozess. Die Anwendung der Methoden auf existierende Probleme in verschiedenen Domänen haben wir anhand von Fallbeispielen im Rahmen des Projekts umsetzen können. Vorrangig war dabei der Einsatz von Visual Analytics für die Datenexploration und Verifikation von Hypothesen, welche wir in der konzeptionellen Arbeit zur Beschreibung der Analysemodelle bereits umgesetzt haben. Die Entwicklung von Methoden zur interaktiven Externalisierung von Wissen durch Analysten erlaubt es, gewonnene Analyseerkenntnisse zwischen Nutzern auszutauschen und so symbiotische Effekte zu erzielen. Eine umfassende anwendungsunabhängige Implementierung der Methoden bleibt aber eine Herausforderung.

Projektbezogene Publikationen (Auswahl)

• FDive: Learning Relevance Models using Pattern-based Similarity Measures. In IEEE Conf. on Visual Analytics Science and Technology (VAST’2019), (Vancouver, CA, Oct. 2019)
  F. Dennig, T. Polk, Z. Lin, T. Schreck, H. Pfister, M. Behrisch
  
• Shall we play? : Extending the Visual Analytics Design Space through Gameful Design Concepts. In: Machine Learning from User Interactions for Visualization and Analytics (MLUI’2019), (Vancouver, BC, CA, October 2019)
  R. Sevastjanova, H. Schäfer, J. Bernard, D. Keim, M. El-Assady
  
• Evaluating Reordering Strategies for Cluster Identification in Parallel Coordinates. In: Computer Graphics Forum, 39: 537-549, (July, 2020)
  M. Blumenschein, X. Zhang, D. Pomerenke, D. Keim, J. Fuchs
  
• Task-based Visual Interactive Modeling: Decision Trees and Rule-based Classifiers. In IEEE Transactions Visualization and Computer Graphics (TVCG), (Jan, 2021)
  D. Streeb, Y. Metz, U. Schlegel, B. Schneider, M. El-Assady, H. Neth, M. Chen, D. Keim
  
• A Typology of Guidance Tasks in Mixed-Initiative Visual Analytics Environments. in: Computer Graphics Forum (July, 2022)
  I. Pérez-Messina, D. Ceneda, M. El-Assady, S. Miksch and F. Sperrle
  
• CorpusVis: Visual Analysis of Digital Sheet Music Collections. in: Computer Graphics Forum (July, 2022)
  M. Miller, J. Rauscher, D. Keim, M. El-Assady