Spatial organization strategies during exploratory analysis of unstructured data

Abstract

Durch die ständig zunehmende Menge und Komplexität von Daten besteht ein wachsender Bedarf, Menschen bei der Analyse von Daten zu unterstützen, die in einer Weise strukturiert sind, die von Maschinen nicht leicht interpretiert werden können. Innovative Visual Analytics Ansätze versuchen, diese Herausforderungen zu bewältigen, indem sie das Wissen der Analyst*innen in ihr System integrieren, um den Prozess der Analyse zu unterstützen.In dieser Arbeit untersuchen wir die räumlichen Organisationsstrategien, die Nutzer*innen anwenden, wenn sie mit unstrukturierten Daten in Visual Analytics Tools arbeiten. Unser Ziel ist es, die angewendeten Arten von Strategien zu charakterisieren, wie sie sich im Laufe der Analyse verändern und wie sie genutzt werden können, um das Wissen der Nutzer*innen über die Daten abzuleiten. Um diese Fragen zu beantworten, führen wir zunächst eine Studie durch, in der die Teilnehmenden einen Bilddatensatz auf einem visuellen Interface explorieren und ihre Erkenntnisse in Concept-Maps externalisieren. Wir beobachten ihre Organisationsstrategien und analysieren ihre Herangehensweisen in einem Mixed-Methods-Ansatz. Dabei kombinieren wir die qualitative Analyse der Interviews der Teilnehmenden mit der quantitativen Analyse der Interaktions-Logs der Interfaces.Wir stellen fest, dass die räumlichen Organisationsstrategien der Teilnehmenden durch vier Merkmale charakterisiert werden können: semantische Cluster, Art des Layouts, Prozess des Aufdeckens und Reorganisation der Daten. Während die meisten Teilnehmenden Layouts bevorzugten, die ihnen einen Überblick über die Daten verschaffen, haben nur etwa die Hälfte semantische Cluster erstellt (d. h. Bilder mit ähnlichen Inhalten gruppiert). Die Teilnehmenden haben auch meistens alle Bilder, welche initial auf einem Stapel dargestellt wurden, sofort aufgedeckt, bevor sie ihr Wissen externalisiert haben, und nur wenige haben die Bilder später reorganisiert. Weiterhin stellen wir fest, dass die Teilnehmenden im Allgemeinen ihre Organisationsstrategien im Laufe der Zeit nicht geändert haben und die resultierenden räumlichen Organisationen nicht unbedingt wertvolle Einblicke in das Wissen der Nutzer*innen über die Daten bieten.Abschließend diskutieren wir unsere Ergebnisse und benennen die Limitationen unserer Studie. Da diese Arbeit in ein Forschungsprojekt eingebettet ist, das darauf abzielt, ein Tool für Knowledge-Assisted Visual Analytics zu entwickeln, diskutieren wir außerdem potenzielle Implikationen für das Design eines solchen Tools.

As not only the amount but also the complexity of data increases, there is a growing need to support humans in the analysis of data that is not structured in a way that can be easily interpreted by machines. So-called “knowledge-assisted visual analytics” (KAVA) tools aim to address these challenges by integrating the knowledge of the analyst into their system to support the analysis process.In this thesis, we investigate the spatial organization strategies that users employ when exploring unstructured data. We aim to characterize the types of strategies that users employ, how they change over time, and how we can use them to infer the users’ knowledge of the data. To answer these questions, we first conduct a user study in which the participants explore an image dataset on a multitouch tabletop interface imitating an analogue setting and externalize their findings into concept maps. We observe their organization strategies and analyse their methods in a mixed-methods approach, combining qualitative analysis of the participants’ interview statements with quantitative analysis of the interaction logs.We find that the participants’ spatial organization strategies can be characterized by four features: semantic clusters, type of layout, uncovering process, and reorganization of the data. While most participants prefer layouts that give them an overview of the data, only about half create semantic clusters (i.e., grouping similar images together). The participants also mostly uncovered all images — which were initially on a stack — in the task right away before externalizing their knowledge, and only a few reorganized the images. We further find that the participants generally did not change their organization strategies over time, and that the resulting spatial arrangements do not necessarily provide valuable insights into the users’ knowledge of the data.Finally, we discuss our findings and list the limitations of our study. As this thesis is embedded in a research project that aims to develop a tool for knowledge-assisted visual analytics, we discuss potential design implications for the development of such a tool.