Supporting sense-making and insight models for visual analytics

Abstract

Die maschinelle Verarbeitung digitaler Daten stellt ein nie dagewesenes Informationspotential dar, das eine Vielfalt an neuen Möglichkeiten eröffnet. Ziel und Zweck von Visual Analytics ist die Verbindung von automatischer Datenverarbeitung mit interaktiven Visualisierungen zur Gewinnung von Einblicken in komplexe Sachverhalte. Der Mensch, als sogenannter human in the loop, ist unabdingbar um resultierende Cluster, Trends und Abweichungen zu analysieren und um semantische Informationen zu ergänzen. Der Prozess des Sensemakings, der Sinnstiftung, an sich und wie dieser am besten unterstützt wird, ist bisher jedoch weitgehend ungeklärt. Die Frage ist, welche Sensemaking-Strategien in zunehmend komplexeren Visual Analytics-Systemen angewendet werden. Empirische Untersuchungen zeigen auf welchen Einfluss die Art der Darstellung auf den Erkenntnisgewinn hat und wie der Mensch bestmöglich unterstützt werden kann. Der interaktive Umgang des human in the loop mit dem System gibt Aufschluss über seine analytische Arbeitsweisen und sein Sensemaking, wodurch er für Designempfehlungen herangezogen werden kann. In den empirischen Erhebungen der vorliegenden Doktorarbeit werden daher interaktive Prozesse während explorativer Analysen beobachtet. Das Ziel ist, dadurch ein besseres Verständnis vom Sensemaking-Prozess und dessen Strategien zu erlangen. Die Analyse der vorliegenden Doktorarbeit beinhaltet zum einen die Untersuchung von Sensemaking-Modellen und deren Auswirkungen auf die Gestaltung von Visual Analytics-Systemen, und zum anderen ein Set von Sensemaking-Strategien, welches aus fünf empirischen Untersuchungen hervorgegangen ist. Die qualitative Analyse der Untersuchungen liefert konkrete Gestaltungsrichtlinien dafür, wie Sensemaking durch Visual Analytics unterstützt werden kann. Darüber hinaus leisten diese empirischen Studien einen Beitrag zum besseren Verständnis der untersuchten Modelle und demonstrieren zugleich die Verallgemeinerbarkeit des Strategien-Sets durch die Verwendung unterschiedlich komplexer, vor allem realistischer Systeme.

Digital data has the potential to inform us in novel ways as computing allows us to process and analyse vast amounts of data which would not be possible otherwise. The aim of visual analytics, combining automatic computation and interactive visualisation, is to enable insight into complex data. The inevitable human in the loop provides contextualised human judgement to reason about discovered clusters, trends, and outliers in the data. The process of sense-making, i.e., giving meaning to ones experience, and how design influences insight, however, is not understood very well. It is an open question which sense-making strategies get employed while working with increasingly complex visual analytics systems. Empirical investigations on system design can show up how to support the human in the analysis process and how to present the available data appropriately. Investigating how users interact with a system provides an understanding of how they work and make sense of data, and consequently, informs system design with regard to the human sense-making and insight process. We, therefore, investigate interaction processes to improve the understanding of how people make sense and to describe the observed sense-making strategies. First, this thesis includes an analysis of sense-making and insight models and their implications for the design of visual analytic tools in the form of design guidelines. Secondly, we describe a framework of sense-making strategies derived from five investigatory studies closely exploring user interaction. The qualitative analysis of our investigations yields detailed design implications for the support of sense-making and insight models in visual analytics. The empirical work not only contributes to a better understanding of these models but also demonstrates the generalisability of the framework by using systems of different, notably realistic, complexities.