Dynamic Network Analysis with Centrality Measures

Abstract

Die Analyse großer, dynamischer Netzwerkdaten, wie zum Beispiel der Database of Modern Exhibitions, stellt aufgrund ihres Umfangs und ihrer Komplexität eine Herausforderung dar. Zentralitätsmaße helfen, diese Komplexität zu bewältigen, indem sie Algorithmen verwenden, um die Bedeutung jedes Knotens des Netzwerks zu quantifizieren. Ein wichtiger nächster Schritt besteht jedoch darin, zu erforschen, wie diese berechneten Zentralitätsmetriken in aussagekräftige visuelle Darstellungen umgewandelt werden können, um Erkenntnisse zu gewinnen und Schlüsselakteurinnen und Schlüsselakteure zu identifizieren.Zu diesem Zweck haben wir eine umfassende Literaturrecherche durchgeführt, um zu untersuchen, wie Zentralitätsmaße in der Datenvisualisierung angewendet werden. Diese Erkenntnisse führten zur Entwicklung von dome-insights, einem Visual-Analytics-Tool, das Zentralitätsmaße sowohl in seine Visualisierungs- als auch in das Interaktionsdesign integriert. Dome-insights dient als Prototyp, um zu zeigen, wie die Einbindung von Zentralitätsmaßen die Exploration großer, komplexer Netzwerke verbessern und die Entdeckung von Erkenntnissen sowie die Identifizierung von Schlüsselakteurinnen und Schlüsselakteuren erleichtern kann.Das Tool wurde von Kunsthistorikerinnen und Kunsthistorikern evaluiert und erzielte positive Ergebnisse sowohl in quantitativen als auch in qualitativen Methoden. Es zeigte, dass es in der Lage ist, bedeutsame Erkenntnisse zu gewinnen. Darüber hinaus deuten die Ergebnisse auf das Potenzial von Zentralitätsmaßen für die dynamische Netzwerkanalyse im Allgemeinen hin und unterstreichen ihre Rolle bei der Verbesserung der visuellen Analyse komplexer Netzwerkdaten.

Analyzing large, dynamic network data, such as the Database of Modern Exhibitions, presents significant challenges due to the dataset's scale and complexity, as it tracks a decade of European art exhibitions and encompasses thousands of artists with evolving relationships. Centrality measures help address this complexity by using algorithms to quantify the importance of each node. However, an important next step is to explore how these calculated importance metrics can be transformed into meaningful visual representations to extract insights and identify key actors.To achieve this, we conducted a state-of-the-art literature review to investigate how centrality measures are applied in data visualization, which informed the development of dome-insights, a visual analytics tool that integrates centrality measures into both its visualization and interaction design. Dome-insights serves as a prototype to demonstrate how incorporating centrality measures can enhance the exploration of large, complex networks, facilitating insight discovery and identification of key actors.The tool was assessed by art historians and delivered positive results in both quantitative and qualitative evaluations, demonstrating its ability to uncover meaningful insights. More broadly, the findings highlight the potential of centrality measures in dynamic network analysis, underscoring their role in enhancing visual analytics for complex network data.