Data Storytelling

Data-Storytelling ist die Verwendung von Daten, Visualisierungen und Narration, um Geschichten zu erzählen und Informationen zu präsentieren. Data-Storytelling erfordert Kenntnisse der Datenanalyse als auch der Kommunikation, um erfolgreich zu sein.

Es erfordert auch die F√§higkeit, die richtigen Daten auszuw√§hlen, die richtigen Visualisierungen zu erstellen und die richtigen Botschaften zu kommunizieren, um die gew√ľnschte Wirkung zu erzielen. Es geht darum, komplexe und m√∂glicherweise trockene Daten in eine leicht verst√§ndliche Form zu bringen, die f√ľr die Zielgruppe relevant ist und sie dazu inspiriert, zu handeln oder Entscheidungen zu treffen.

Data-Storytelling kann in vielen Bereichen eingesetzt werden, wie z.B. in Unternehmen, um Gesch√§ftsentscheidungen zu unterst√ľtzen, in der Wissenschaft, um Forschungsergebnisse zu pr√§sentieren oder in der Medienbranche, um Nachrichten und Analysen zu pr√§sentieren.

Eine wichtige Komponente von Data-Storytelling ist die Visualisierung von Daten. Durch die Verwendung von Diagrammen, Grafiken und anderen visuellen Elementen können komplexe Daten in einer leicht verständlichen Form dargestellt werden. Dies erleichtert es dem Publikum, die Informationen schnell zu verstehen und zu verinnerlichen.

Eine weitere wichtige Komponente von Data-Storytelling ist die Verwendung einer klaren und prägnanten Sprache. Durch die Verwendung von Beispielen und Analogien kann man komplexe Sachverhalte erklären und die Aufmerksamkeit des Publikums halten.

Data-Storytelling erfordert sowohl Kenntnisse in der Datenanalyse als auch in der Kommunikation, um erfolgreich zu sein. Es erfordert auch die F√§higkeit, die richtigen Daten auszuw√§hlen, die richtigen Visualisierungen zu erstellen und die richtigen Botschaften zu kommunizieren, um die gew√ľnschte Wirkung zu erzielen.

Der Erstellung, Verwaltung und Analyse von Daten wird in der Industrie und in der beruflichen Praxis zunehmend mehr Aufmerksamkeit geschenkt. Das Potenzial der Aufbereitung von Daten und Analyseergebnissen in leicht verdauliche und visuell erforschbare Inhalte f√ľr ein nichtprofessionelles Publikum ist jedoch noch nicht in vollem Umfang erforscht worden. Wir haben dazu beigetragen, die Kluft zwischen Datenanalyse und Datenpr√§sentation zu √ľberwinden. Durch die Integration einer geschichten√§hnlichen Umgebung und von Unterhaltungselementen in die Datenvisualisierung erkunden wir die M√∂glichkeiten der effizienten Vermittlung von Daten und Erkenntnissen an ein allgemeines Publikum in einem lockeren Kontext. Wir stellen diesen modularen Ansatz zur Anpassung von Botschaften f√ľr visuelles Data-Storytelling aus einer Informations- und Kommunikationsperspektive vor, einschlie√ülich eines Testprototyps, der zur Veranschaulichung unseres Data-Storytelling-Framework entwickelt wurde.

Unter den vielen M√∂glichkeiten, visuelle Informationen zu nutzen, sind Bild-/Video-Sharing-Dienste und Datenvisualisierung zwei der bekanntesten Anwendungen. Ersteres wird in der Regel mit verschiedenen Formen der Unterhaltung in Verbindung gebracht, letzteres mit dem Bed√ľrfnis nach einer √ľbersichtlichen Darstellung von Daten, um deren effiziente Nutzung und Anwendung zu erm√∂glichen. Bilder sind in der heutigen Kultur wohl die vorherrschende Art der Informations√ľbermittlung. Wir erstellen heute immer mehr visuelle Inhalte zu Unterhaltungszwecken, und inzwischen nutzen wir die Datenvisualisierung auch als Instrument zur Unterst√ľtzung der Produktivit√§t und Entscheidungsfindung in Industrie und Unternehmen. Bei beiden visuellen Ans√§tzen geht es um die Vermittlung und Verwertung von Informationen, doch werden sie als getrennte T√§tigkeits- und Einflussbereiche wahrgenommen. Werden ihre jeweiligen St√§rken jedoch zusammengef√ľhrt, k√∂nnen sie die Strategien zur Datenvisualisierung und -kommunikation erheblich verbessern.
Daten sind eine ergiebige Informationsquelle. In ihrer vereinfachten, „rohen“ Form enthalten sie eine F√ľlle von Wissen und Erkenntnissen. In den meisten F√§llen erfordert die Umwandlung von Daten in eine f√ľr den Menschen verst√§ndliche Form jedoch einen Analyseprozess, eine Vereinfachung und die Auswahl geeigneter Visualisierungsmethoden. Rohdaten sind f√ľr ein Laienpublikum in der Regel schwer zu verstehen, aber die auff√§lligen Bilder, Grafiken, Gifs und Videos, die sich in den Kreisl√§ufen des Alltags und der Popul√§rkultur ausbreiten, sind zwar leicht zu verstehen, aber manchmal nicht sehr aussagekr√§ftig, da sie oft zum Zweck des reinen √§sthetischen Reizes oder der Unterhaltung erstellt werden. Unter diesem Gesichtspunkt erscheint es machbar, Unterhaltung und Datenvisualisierung zusammenzubringen, um „seri√∂se“ Daten in unterhaltsame Inhalte f√ľr ein breites Publikum zu verpacken. Dies w√ľrde den praktischen Bereich der Datenvisualisierung potenziell erweitern und sie f√ľr die √Ėffentlichkeit attraktiver machen.

Der n√§chste Schritt in der Visualisierung darin, von der Exploration und Datenanalyse zur Pr√§sentation √ľberzugehen. Die Verwendung von Visualisierung als Werkzeug f√ľr die Datenexploration und -analyse ist beschrieben worden. Genauer gesagt ging es darum, zu untersuchen, wie die Kommunikation von Informationen und Erkenntnissen, die w√§hrend des Datenanalyseprozesses gewonnen wurden, verbessert werden kann. Besonderes Augenmerk legten wir dabei auf die Vermittlung der Erkenntnisse an ein allgemeines, nicht professionelles Publikum. In dieser Studie ging es nicht darum, den Prozess der Datenanalyse zu untersuchen. Stattdessen lag der Schwerpunkt auf der Erstellung von visuellen Inhalten auf der Grundlage der aus der Datenanalyse gewonnenen Informationen. Mit anderen Worten, wir haben uns darauf konzentriert, wie man die Ergebnisse der Datenanalyse einem allgemeinen Publikum durch ein visuelles Erz√§hlformat besser pr√§sentieren kann.

Basierend auf fr√ľheren Arbeiten im Bereich der narrativen Visualisierung und der beil√§ufigen Visualisierung wird in dieser Studie ein Framework f√ľr die Erstellung von visuellen Data-Storytelling-Anwendungen in einer interaktiven digitalen Plattform f√ľr ein allgemeines Publikum vorgestellt und erweitert. Wir haben eine Kodierungsstrategie f√ľr visuelles Data Storytelling vorgeschlagen, die auf der Strukturierung von Informationseinheiten, damit verbundenen Computertechnologien, Methoden aus Serious Games und Entertainment Computing basiert, und haben kognitive Faktoren untersucht, um eine bessere Einpr√§gsamkeit und Attraktivit√§t zu erreichen. Mit dem Ziel, geschichten√§hnliche Dateninhalte zu erstellen, haben wir ein Design f√ľr einen neuen interdisziplin√§ren Rahmen vorgeschlagen, um Daten mit Geschichtenelementen zu verbinden und Informationseinheiten in eine visuelle Umgebung zu √ľbersetzen. In diesem Artikel untersuchen wir, wie man Daten auf ansprechendere Weise mit der √Ėffentlichkeit teilen kann. Unser Ziel ist es, Daten in einer unterhaltsamen und aufschlussreichen interaktiven visuellen Form zu visualisieren, die eine praktikable Option f√ľr die Erstellung von Datengeschichten darstellt. Die Grundidee unseres Ansatzes ist in Abbildung 1 dargestellt.

Das Framework basierte auf der Kommunikation von Informationen, um die Entwicklung von visuellen Datengeschichten zu unterst√ľtzen und eine ma√ügeschneiderte unkonventionelle Datendarstellung zu erm√∂glichen.

  • RQ1-Welches ist die geeignete Kodierungsstrategie, um Daten zu einer unterhaltsamen Geschichtenkomposition zusammenzustellen, die die Kommunikationsqualit√§t von Schl√ľsselinformationen in einer Umgebung mit erh√∂hter Komplexit√§t und Redundanz beibeh√§lt?
  • RQ2-Wie kann Data Storytelling mit Technologien aus dem Bereich der digitalen Medien angewendet werden, um neuartige visuelle Inhalte f√ľr Data Storytelling zu entwickeln, die √ľber konventionelle text- und chartbasierte Stile hinausgehen?

Die Datenvisualisierung ist eines der zentralen Konzepte f√ľr diese Forschung. Einige der bisherigen Forschungsarbeiten zur Datenvisualisierung konzentrierten sich auf die gestalterischen Aspekte der Visualisierung, und einige von ihnen schenkten dem Erkenntnisprozess mehr Aufmerksamkeit. Es gibt auch Arbeiten, die sich auf die technischen Aspekte der Verwendung von Visualisierung in der Datenanalyse konzentrieren.

Data Storytelling nutz f√ľr verschiedene Zwecke, z. B. in der Wirtschaft und im Bildungswesen. Data Storytelling wird h√§ufig f√ľr professionelle Zwecke eingesetzt; daher ist seine visuelle Effizienz immer eine der obersten Priorit√§ten. Daher sind die Visualisierungen und die visuellen Stile des Data Storytelling in solchen Bereichen oft sehr einfach gestaltet. Wie bereits erw√§hnt, konzentrieren sich die meisten Studien zum Data Storytelling auf dessen Anwendung in einem professionellen Kontext. W√§hrend Forscher im Bereich der Datenvisualisierung begonnen haben, sich an ein breiteres Publikum zu wenden, wird es immer wichtiger, die Rahmenbedingungen und Techniken zu ber√ľcksichtigen, die es erm√∂glichen, Datengeschichten in einem zwanglosen Kontext zu erz√§hlen und unterhaltsame Inhalte aus komplexen Datens√§tzen zu erstellen. Das Potenzial des visuellen Data Storytelling ist noch nicht vollst√§ndig erforscht worden. In einem ersten Schritt war unser Hauptziel, ein Framework f√ľr verbessertes Data Storytelling zu schaffen.

Da t√§glich immer mehr Daten gesammelt und verarbeitet werden, gewinnen die M√∂glichkeiten der Weitergabe und Kommunikation von Informationen, die auf Daten basieren, zunehmend an Bedeutung. Die Erforschung moderner Ausdrucksm√∂glichkeiten bietet neue Modalit√§ten, um Daten Bedeutung zu verleihen. So gibt es beispielsweise das Konzept des Serious Storytelling – „Storytelling au√üerhalb des Unterhaltungskontexts“ – und kognitive Big Data als neues Paradigma f√ľr die Definition datengesteuerter Visualisierungen.

erzählerische Visualisierung

Vier Hauptunterschiede zwischen traditionellen Informationsvisualisierungssystemen und gelegentlicher Informationsvisualisierung: Benutzerpopulation, Nutzungsmuster, Datentyp und Einblick. Sie wiesen darauf hin, dass eine der Herausforderungen bei der gelegentlichen Informationsvisualisierung darin besteht, das System so zu gestalten, dass „utilitaristische“ Ziele gegen eine breitere Palette „n√ľtzlicher“ Ziele eingetauscht werden. Mit unserer Forschung wollten wir einen modularen und anpassbaren Framework zur Verf√ľgung stellen, um die Entwicklung von visuellen Data-Storytelling-Inhalten zu unterst√ľtzen und den Nutzern zu helfen, die in seri√∂sen Daten enthaltenen Informationen an allgemeine, nicht-professionelle Betrachter zu vermitteln.

Die drei gr√∂√üten Herausforderungen bei der Interpretation von Datenvisualisierungen Misstrauen, proportionales Denken und zeitliches Denken sind. In Anbetracht dieser Herausforderungen hat unser Framework die Phase der Nachrichtenplanung beim Data Storytelling besonders hervorgehoben. Es bietet einen Ansatz, mit dem die Nutzer ihre Botschaft f√ľr die Betrachter bewusster planen k√∂nnen.

In einer anderen Untersuchung √ľber Datenvideos wurde ein √§hnlicher Prozess vorgeschlagen, der das Lesen und Interpretieren von Daten, die Auswahl von Daten, die Ausarbeitung der Erz√§hlstruktur und die Integration von Strategien zur Einbeziehung der Betrachter umfasst. ….vier redaktionelle Ebenen f√ľr die Visualisierung von Erz√§hlungen vor: Daten, visuelle Darstellung, Textanmerkungen und Interaktivit√§t. Diese Modelle liefern wertvolle Erkenntnisse dar√ľber, wie ein narratives Visualisierungssystem strukturiert werden sollte.

Die meisten der aktuellen Modelle f√ľr narrative Visualisierung [4,19,20,21,22] basieren jedoch auf der Beobachtung und Untersuchung bestehender Beispiele f√ľr narrative Visualisierung. Einerseits ist es wichtig, Verbesserungen auf der Grundlage bestehender Praktiken oder Muster vorzunehmen; andererseits ist es auch sehr wichtig, den wesentlichen Bedarf und Zweck aus einer grundlegenden Perspektive zu betrachten und alternative Ans√§tze zu erkunden. Anstatt sich auf die Beobachtung und Untersuchung bestehender narrativer Visualisierungsbeispiele zu st√ľtzen, haben wir daher versucht, einen Framework zu entwickeln, der auf grundlegenden Kommunikationsprinzipien basiert, die flexibler sind und die Erkundung unkonventioneller Stile f√ľr das Erz√§hlen von Daten unterst√ľtzen. In dieser Forschung haben wir die Elemente anderer narrativer Visualisierungsmodelle integriert und einen Rahmen entworfen, der auf grundlegenden Kommunikationsprinzipien basiert und drei Entwurfsphasen umfasst: Planung der Botschaft, Zusammenstellung der Informationen und Zuordnung der visuellen Elemente. Wir haben Methoden eingef√ľhrt, die die Anpassung einer Vielzahl von Arten visueller Elemente unterst√ľtzen, um verschiedene Informationen zu transportieren.

Eine Geschichte ist eine M√∂glichkeit, Daten zu pr√§sentieren und Informationen in einem leicht verst√§ndlichen Format zu verpacken. Der √úbergang von der Erkundung zur Analyse zur Pr√§sentation eine nat√ľrliche Entwicklung ist. Im Zusammenhang mit Datenvisualisierung und Data Storytelling haben wir daher versucht, die Unterschiede zwischen dem analyseorientierten Prozess und dem erz√§hlorientierten Prozess zu ermitteln. In der Untersuchung von Amini et al. wird vorgeschlagen, dass eine Geschichte vier Phasen hat: Ersteller, Anfang, H√∂hepunkt und Ver√∂ffentlichung. ….Strategien zur Visualisierung von Erz√§hlungen ein, die kurze Geschichten mit Textkommentaren und zeitlichen Bez√ľgen hinzuf√ľgen, um das Gef√ľhl des Erz√§hlflusses zu verst√§rken. In der Untersuchung von Segel und Heer wurden sieben Genres der narrativen Visualisierung auf der Grundlage einer Analyse des Online-Journalismus zusammengefasst. Die oben genannten Forschungsarbeiten bieten gro√üartige Strategien und Methoden zur Einf√ľhrung von Geschichten in die Visualisierung. Ihre Methoden konzentrieren sich jedoch haupts√§chlich auf die Verkn√ľpfung von erz√§hlendem Text mit Datenvisualisierungsgrafiken und schlagen eine Standardstruktur mit Anfang, Mitte und Ende der Geschichte vor. Wir weisen darauf hin, dass es auch andere Arten von Erz√§hlstilen gibt, wie z. B. Bewusstseinsstrom, die nicht der normalen zeitlichen Struktur und Kausalit√§t folgen. Es gibt auch einige Geschichten, wie z. B. die ber√ľhmte Sechs-W√∂rter-Geschichte – „Zu verkaufen: Babyschuhe, nie getragen“ -, die keine Standard-Geschichtenkomponenten wie Charakter und Kontext enthalten. Daher haben wir bei der Entwicklung dieses Framework f√ľr die visuelle Datenerz√§hlung verschiedene Kategorien von visuellen Kan√§len identifiziert, die Informationen transportieren, und eine modulare Struktur verwendet, um die Anpassung von Datengeschichten zu unterst√ľtzen.

Konzepte wie das neue Mediendesign, das zur menschlichen Erfahrung und Wissensverarbeitung beitr√§gt (z. B. √Ąsthetik, emotionale Bindung, Reflexion und Weisheit) sowie solche aus der medienwissenschaftlichen Forschung beeinflussen, wie Menschen Erkenntnisse verarbeiten. Ein Beispiel aus der Medienwissenschaft ist das ber√ľhmte Zitat „the medium is the message“, das die Wirkung beschreibt, wie Menschen Medieninhalte wahrnehmen. Im Zusammenhang mit Data Storytelling.. die Gestaltungstechniken bei der narrativen Visualisierung die Interpretation des Betrachters erheblich beeinflussen k√∂nnen. Daher w√§re es von Vorteil, zun√§chst die Botschaft zu planen und dann die Gestaltungstechniken entsprechend zu w√§hlen. Mit unserem Framework haben wir einen solchen Ansatz eingef√ľhrt, um die Informationen auf einer grundlegenden Ebene zu planen und die visuelle Darstellung zu gestalten.

Entwurf eines Data-Storytelling FRAMEWORKs

Data-Storytellings aus drei Hauptperspektiven abdeckt: Konzept, Komponente und Verfahren. Aus der Perspektive des Konzepts haben wir die Grundlage unseres Ansatzes vorgestellt und die allgemeine Absicht und die Strategien des Data-Storytellings definiert. Unter dem Gesichtspunkt der Komponente haben wir den erweiterten Gestaltungsraum f√ľr visuelles Data Storytelling und die Schl√ľsselelemente seiner Informationsstruktur skizziert. Aus der Perspektive des Verfahrens haben wir den Prozess der Erstellung von Inhalten f√ľr visuelles Data Storytelling und die Umwandlung von Informationen in Bilder erl√§utert. Abbildung 2 zeigt die Schl√ľsselelemente des Framework f√ľr visuelles Data-Storytelling.

In den folgenden Abschnitten erläutern und demonstrieren wir diese Elemente im Detail.

  • Der narrative Visualisierungsprozess wird in Abschnitt 3.2 erl√§utert.
  • Die kognitiven und kommunikativen Theorien werden in Abschnitt 3.2 und Abschnitt 3.3 erl√§utert.
  • Die visuellen Kan√§le werden in Abschnitt 3.3.2 erkl√§rt und in Abschnitt 4 demonstriert.
  • Die Informationseinheiten werden in Abschnitt 3.3.3 erkl√§rt und in Abschnitt 4 demonstriert.
  • Die Story-Umgebung wird in Abschnitt 3.3.2 erkl√§rt und in Abschnitt 4 demonstriert.
  • Die Umwandlung von Daten in Geschichten wird in Abschnitt 3.3.3 erkl√§rt und in Abschnitt 4 demonstriert.

Die Grundstruktur unseres Frameworks basiert auf kognitiven und Kommunikationstheorien [9,28]. Dreiphasigen Designprozess (Erkundung, Entwurf und Produktion) und den vierphasigen Storyboard-Prozess (Lesen und Interpretieren von Daten, Auswahl von Daten, Ausarbeitung der Erz√§hlstruktur und Integration von Strategien zur Einbeziehung der Zuschauer) integriert. Um dies zu erreichen, haben wir drei Phasen der Informationsverarbeitung, die das visuelle Storytelling unterst√ľtzen, in unseren narrativen Visualisierungsprozess eingef√ľhrt: Strukturierung, Komposition und √úbersetzung. Basierend auf dem Modell der narrativen Visualisierung von Satyanarayan und Heer (Szenen, Parameter, Annotationen, Ausl√∂ser) und den redaktionellen Ebenen der narrativen Visualisierung (Daten, visuelle Darstellung, textuelle Annotationen und Interaktivit√§t) haben wir ein erweitertes Spektrum an visuellen Kan√§len identifiziert, um diese Komponenten innerhalb einer vierteiligen Story-Struktur (Charakter, Hintergrund, Ereignis und Wirkung) zu ber√ľcksichtigen.

Definition der Komponenten

Dieser Abschnitt enth√§lt eine kurze Erl√§uterung und Beschreibung der wichtigsten Konzepte und Begriffe, die f√ľr diese Untersuchung relevant sind.

Visuelle Datenerz√§hlung: Im Rahmen dieser Untersuchung beziehen wir uns auf visuelles Data Storytelling als eine Praxis, die Informationen innerhalb eines Datensatzes √ľber visuelle Medien an das Publikum kommuniziert. Dabei werden alle Informationseinheiten in einem geschichten√§hnlichen Format zusammengestellt und einem allgemeinen oder gelegentlichen Publikum vermittelt.

Informationseinheit: Eine Informationseinheit kapselt einen Teil der Schl√ľsselinformationen, die dem Publikum vermittelt werden m√ľssen. Informationseinheiten k√∂nnen auch eine atomare Darstellung von Daten und Geschichten sein. Sie sind die grundlegenden Bausteine einer visuellen Data-Storytelling-Komposition. Es gibt drei Untertypen von Informationseinheiten: Datennachricht, Story-Komponente und Ausdrucksanhang. Sie unterscheiden sich durch die verschiedenen Arten von Informationen, die sie enthalten, und durch die unterschiedlichen Zwecke, denen sie dienen:

Datennachricht РEine Datennachricht ist eine Informationseinheit, die eine einfache und grundlegende Nachricht aus dem Datensatz enthält (z. B.: Welches sind die wichtigsten energieverbrauchenden Branchen in einem landesweiten Energieverbrauchsdatensatz). Der Fokus und die Aspekte, die dem Publikum als Teil eines Datensatzes präsentiert werden sollen, werden durch die Bestimmung der Datenbotschaften ausgewählt.

Story-Komponente РEine Story-Komponente ist eine Informationseinheit, die eine einzelne Information enthält, die eine Komponente der Story darstellt (z. B. wer die Hauptfigur in der Story ist, welche Aktivität in der Story stattfindet). Die grundlegendsten Elemente einer Geschichte sind Figuren, Schauplatz, Handlung und Wirkung. Die Figuren und Schauplätze definieren die Welt der Geschichte. Die Handlungen und Wirkungen bilden die Ereignisse in der Geschichte. Die Komponenten einer Geschichte sind also die Informationen, die jeden grundlegenden funktionalen Teil einer Geschichte identifizieren und beschreiben. Die Hauptfunktion von Story-Komponenten besteht darin, eine Story-Struktur aufzubauen, an die sich andere Informationseinheiten anhängen können.

Ausdrucksanhang – Ein Ausdrucksanhang ist eine Informationseinheit, die eine Information enth√§lt, die sich auf den Ausdruck und die Darstellung unter narrativen Gesichtspunkten bezieht (z. B. der „Ton“, wenn es um einen bestimmten Teil der Geschichte geht). Sie verleiht anderen Informationseinheiten einen subjektiven Dreh, wenn sie mit diesen verbunden ist. Ausdrucksanh√§nge k√∂nnen, wenn sie richtig eingesetzt werden, auch die Aufmerksamkeit auf sich ziehen.

Umgebung einer Geschichte: Eine Story-Umgebung ist eine visuelle Umgebung oder ein Raum, der eine Geschichte darstellt. Sie ist eine Kombination aus mehreren spezifischen visuellen Elementen. Eine geeignete Story-Umgebung vermittelt ein Gef√ľhl f√ľr eine Geschichte, die Informationen durch Entit√§ten und Ereignisse beschreibt. Eine Story-Umgebung dient als Platzhalter f√ľr die Entit√§t(en) (einer der beiden Hauptbestandteile einer Geschichte) und das Ereignis (die Ereignisse) (der andere der beiden Hauptbestandteile einer Geschichte). Charaktere und Hintergr√ľnde werden als Entit√§ten betrachtet; Aktionen und Effekte werden als Ereignisse betrachtet.

Visuelles Element: Ein visuelles Element ist ein einzelnes visuelles Objekt. Es ist eine visuelle Darstellung einer Entit√§t oder eines Ereignisses. Visuelle Elemente sind die Bausteine einer Handlungsumgebung. Innerhalb jedes visuellen Elements gibt es mehrere visuelle Kan√§le, die f√ľr den Transport von Informationseinheiten zur Verf√ľgung stehen.

Visuelle Kanäle: Visuelle Kanäle sind die Kanäle innerhalb eines visuellen Elements, in denen die Informationseinheiten kodiert werden können. Sie sind die sehr einfachen visuellen Attribute, Symbole oder Unterelemente, die in einem visuellen Element vorhanden sind.

Data-Storytelling als Prozess

Im Rahmen dieses Abschnitts untersuchen wir einige grundlegende Motivationsfaktoren, die die Bedeutung des visuellen Data-Storytellings unterstreichen. Zunächst erörtern wir, wie sich Kognition und Gedächtnis auf die Kommunikationsqualität in einem Kommunikationssystem auswirken, wenn es sich bei dem Endempfänger um einen Menschen und nicht um eine Maschine handelt. Zweitens analysieren wir die Unterschiede zwischen visuellem Data-Storytelling und normaler Datenvisualisierung und vergleichen dann den Arbeitsablauf eines narrativ-orientierten Prozesses mit dem eines analytisch-orientierten Prozesses.

Kognitive Kommunikationsaspekte

Betrachten wir die Kommunikation in einem Telekommunikationskontext, in dem der Empf√§nger und das Ziel Maschinen sind. Das Rauschen und die St√∂rungen, die behandelt werden m√ľssen, betreffen den √úbertragungsprozess und das √úbertragungsmedium. Das bedeutet, dass die St√∂rungen meist auf der √úbertragungsseite auftreten. Handelt es sich bei Empf√§nger und Ziel jedoch um Menschen im Kontext der visuellen Medienkommunikation, betreffen die St√∂rungen den Wahrnehmungs- und Interpretationsprozess. Dieser liegt auf der Seite des Empf√§ngers und des Ziels. Daher muss eine empf√§ngerorientierte entsprechende Kodierungsstrategie angewandt werden, um die Genauigkeit der Informations√ľbertragung zu gew√§hrleisten.

F√ľr die Datenvisualisierung in einem professionellen Kontext hat sich die Maximierung des Daten-Ink-Verh√§ltnisses [11,13] als effizienter Weg erwiesen, um die Genauigkeit der Informations√ľbertragung zu gew√§hrleisten. Mit anderen Worten, es handelt sich um eine Kodierungsstrategie, die die Botschaft vereinfacht und unn√∂tige Unklarheiten beseitigt, um St√∂rungen im Interpretationsprozess zu verringern.

Betrachten wir jedoch visuelles Data-Storytelling in einem zwangloseren Kontext, in dem das Publikum die breite √Ėffentlichkeit und nicht die Fachleute sind. Von der Datenvisualisierung wird erwartet, dass sie als konsumierbarer Inhalt oder Kunstwerk fungiert und nicht die Produktivit√§t unterst√ľtzt. Die einfache Beseitigung unn√∂tiger Unsicherheiten zur Verringerung der Interferenzstrategie ist nicht mehr praktikabel und betrifft den √§sthetischen Reaktionsprozess. Ein Kunstwerk nicht eine Sch√∂pfung des Autors oder des Publikums, sondern eine Komposition aus beiden. Der Autor hinterl√§sst die Struktur und die Anhaltspunkte. Dann interpretiert das Publikum das Kunstwerk mit seiner subjektiven Erfahrung. Daher ist die Freiheit der Interpretation eine notwendige und w√ľnschenswerte Unsicherheit. Ohne diese w√ľnschenswerte Ungewissheit kann der visuelle Inhalt die √§sthetische Reaktion nicht anregen und inspirieren. Au√üerdem wird er als konsumierbarer Inhalt schlicht und uninteressant erscheinen. Daher ist eine neue entsprechende Kodierungsstrategie erforderlich, um die erw√ľnschte Ungewissheit widerzuspiegeln, die im zwanglosen Kontext der visuellen Datenerz√§hlung auftritt.

Betrachten wir das menschliche Gehirn als Empfänger. Wie funktioniert sein Dekodierungsprozess? Wie können wir seine Kodierungsstrategie optimieren? Im Bereich der Mnemo- und Gedächtnisforschung gilt die elaborative Kodierung als effiziente Strategie zur Verbesserung des Gedächtnisses. Bei der speziellen elaborativen Kodierungsmethode der Loci wird zum Beispiel eine imaginäre Umgebung geschaffen, die auf einem vertrauten Ort basiert. Dann visualisiert man die Informationen, die man sich merken muss, in dieser imaginären Umgebung als Objekt oder Figur. Wenn die Information abgerufen werden muss, kann man einfach die mentale Umgebung besuchen und das imaginäre Objekt finden. Durch die Kodierung der Informationen in der räumlichen Umgebung wird die Erinnerung durch räumliche Beziehungen verstärkt.

Nach der Schema-Theorie ist ein Schema eine adaptive Netzwerkstruktur des vorhandenen Wissens einer Person. Es wird als ein Mechanismus betrachtet, der den kognitiven Prozess steuert und die Gedächtnisbildung und den Abruf beeinflusst. Die Merkmale eines Schemas ähneln der Struktur einer Geschichte (z. B. die Verflechtung von Ereignissen und Objekten, die chronologische Ordnungsstruktur). Schemabasierte Gedächtnisstudien zeigen auch, dass die Qualität des Geschichtengedächtnisses mit der Verstärkung der Interkonnektivität zwischen den Ereignissen zunimmt.

Vergleich zwischen Data-Storytelling und normaler Datenvisualisierung

Visuelles Data Storytelling ist der Prozess, der Daten in eine grafische Form verpackt. Es hat das gleiche Verfahren der Übersetzung von Daten in Bilder und ähnelt jedem anderen Visualisierungsprozess. Aufgrund seiner spezifischen Methoden und Ziele ist es jedoch ein eigenständiger Ansatz. Im Gegensatz zur traditionellen Visualisierung, die im Wesentlichen ein analyseorientierter Prozess ist [2,3], beruht das visuelle Data-Storytelling auf einem erzählerisch orientierten Prozess. Die Hauptunterschiede zwischen den beiden Verfahren sind in Abbildung 3 dargestellt.

Die beiden Prozesse weisen √§hnliche Merkmale auf, unterscheiden sich aber in ihren Ans√§tzen in bestimmten Phasen. Die Unterschiede zwischen dem analyseorientierten Prozess und dem erz√§hlorientierten Prozess sind in Tabelle 2 dargestellt. Im folgenden Unterabschnitt vergleichen wir die beiden Verfahren anhand eines Beispiels. Das Beispiel basiert auf den Daten, die f√ľr unseren Prototyp verwendet wurden.

Analyseorientierter Prozess

Die f√ľr unseren ersten Prototyp verwendeten Daten stammen aus dem Australia Energy Report 2018 (https://www.energy.gov.au/publications/australian-energy-update-2018, abgerufen am 22. September 2022). Es wurden zwei Variablen ausgew√§hlt, die den Energieverbrauch von Westaustralien nach Branchen im Jahr 2016-2017 darstellen. Bei der ersten Variable handelte es sich um eine kategorische Variable (die Bezeichnung der Branchen (z. B. Landwirtschaft, Bergbau, verarbeitendes Gewerbe)), w√§hrend die zweite Variable eine numerische Variable ist (die Verbrauchszahlen, gemessen in Petajoule (z. B. 22,8, 299,8, 232,8.)).

In einem analyseorientierten Prozess zur regelm√§√üigen Datenvisualisierung wird zun√§chst eine Frage gestellt: Was ist die Tatsache, die aus den Daten herausgefunden werden soll? Ausgehend von dieser Frage bestimmt der Autor dann die Variablen, die miteinander in Beziehung stehen, und w√§hlt die geeignete Visualisierungsdarstellung (z. B. Balkendiagramm, Streudiagramm, Hexbin-Plot usw.), um diese Erkenntnis zu unterst√ľtzen.

Im Fall der Beispieldaten nehmen wir an, dass wir uns einen √úberblick √ľber den industriellen Energieverbrauch in Westaustralien im Jahr 2016-2017 verschaffen wollen. Ausgehend von dieser Absicht sind die entsprechenden Variablen die Namen der Branchen und die Verbrauchszahlen. Nachdem die beiden Zielvariablen identifiziert sind, wird eine Visualisierungsgrafik auf diese beiden Variablen angewendet. Als Visualisierungsgrafik wird ein Balkendiagramm gew√§hlt, da es sich gut eignet, um die Verteilung und den Gesamtvergleich in Bezug auf die numerischen Variablen darzustellen. Die Verbrauchszahlen werden den Balken und die Namen der Branchen den Etiketten zugeordnet. Auf diese Weise erhalten wir einen guten √úberblick √ľber den tats√§chlichen Energieverbrauch. Das Balkendiagramm ist in Abbildung 4a dargestellt.

Informatik 09 00073 g004 550Abbildung 4. Ein Balkendiagramm und der interaktive Prototyp. Beide beruhen auf denselben Daten. (a) Das Balkendiagramm; (b) der Prototyp f√ľr visuelles Data-Storytelling.

Narrationsorientierter Prozess

In einem narrativ orientierten Prozess f√ľr visuelles Data Storytelling lautet die erste Frage: Welche Botschaft aus den Daten soll dem Publikum vermittelt werden? Zu diesem Zeitpunkt sollte der Autor bereits ein gutes Verst√§ndnis f√ľr die Daten haben. Ausgehend von dieser Frage bestimmt der Autor dann die Schl√ľsselinformationen, die vermittelt werden m√ľssen, und f√ľgt sie zu einer Erz√§hlumgebung zusammen.

Im Fall der Beispieldaten werden zun√§chst drei Informationen aus den Daten als die Botschaft bestimmt, die dem Publikum vermittelt werden muss: (1) Namen der Branchen, (2) Werte von Verbrauchszahlen und (3) Unterschiede in den Werten von Zahlen. Diese drei Informationen sind die grundlegenden Informationseinheiten, die mitgeteilt werden m√ľssen. Dann werden die drei datenbezogenen Informationseinheiten (Datennachrichten) mit anderen geschichtenbezogenen Informationseinheiten (Geschichtenkomponenten und Ausdrucksanh√§nge) zu einer Geschichtenumgebung zusammengesetzt. In diesem Stadium werden die Informationseinheiten in die Figuren, B√ľhnenrequisiten und ihre Bewegungen kodiert. Dieser Prozess wurde entwickelt, um die Daten auf unterhaltsame und einpr√§gsame Weise zu pr√§sentieren. Abschlie√üend wird dem Publikum die Erz√§hlumgebung in Form einer spiel√§hnlichen digitalen Installation pr√§sentiert.

Datenverarbeitung von der Analyse bis zum Storytelling

Daten in ihrem Rohzustand sind f√ľr den Menschen nicht leicht zu verstehen. Durch die Datenanalyse werden Erkenntnisse √ľber die zugrundeliegenden Muster und Charaktere aus den Rohdaten extrahiert. Die Informationen in diesem Stadium sind wertvoll f√ľr die berufliche Praxis, z. B. f√ľr die Erstellung von Vorhersagemodellen und die Unterst√ľtzung der Entscheidungsfindung, aber sie sind immer noch nicht in einem sehr freundlichen Format f√ľr ein allgemeines, nicht-professionelles Publikum. Daher m√ľssen diese Informationen weiterverarbeitet werden, damit sie f√ľr ein Laienpublikum attraktiver und verst√§ndlicher werden.

Die Geschichte ist eine M√∂glichkeit, Daten zu pr√§sentieren und Informationen in einem leicht verst√§ndlichen Format zu verpacken. Wenn man von der Datenanalyse zur Datenpr√§sentation √ľbergeht, ist das Storytelling eine Methode, mit der die aus den Daten extrahierten Informationen in ein freundliches Format f√ľr ein nicht-professionelles Publikum gebracht werden k√∂nnen.

Wir haben eine dreiteilige Struktur f√ľr die Zusammenstellung der aus den Daten extrahierten Informationen in einem Geschichtenformat definiert: Datennachricht, Geschichtenkomponente und Ausdrucksanhang. Um Daten einem nicht-professionellen Publikum besser vermitteln zu k√∂nnen, m√ľssen die Daten von ihrem urspr√ľnglichen Zustand √ľber die Datenanalyse und das Hinzuf√ľgen von Storytelling-Elementen verarbeitet werden, um schlie√ülich in ein f√ľr das Publikum verst√§ndliches Format umgewandelt zu werden. In den folgenden Abschnitten wird das Verfahren zur Zusammenstellung von Datenbotschaften in Form von Geschichten erl√§utert und anhand der Entwicklung eines Prototyps f√ľr visuelles Data Storytelling demonstriert.

Data-Storytelling Framework

Qualität der Kommunikation

In einem Kommunikationssystem wird eine Kodierungsstrategie angewandt, um die Genauigkeit der Informations√ľbertragung sicherzustellen, die durch Rauschen und Interferenzen verzerrt werden kann. Ein einfacher und unkomplizierter Code ist am effizientesten f√ľr Umgebungen, in denen die Unsicherheit durch Rauschen und Interferenzen minimal ist. In einer komplexeren Umgebung, in der Unsicherheiten unvermeidlich sind, ist hingegen eine ausgefeiltere Kodierungsstrategie erforderlich.

Beim visuellen Erz√§hlen von Daten √ľber visuelle Medien in einem zwanglosen Kontext ist die erw√ľnschte Unsicherheit ein notwendiger Teil der √§sthetischen Erfahrung. Eine Kodierungsstrategie √§hnlich dem Fehlerkorrekturcode ist eine gute Option, um Informationsverf√§lschungen durch Missverst√§ndnisse oder Fehlinterpretationen zu verhindern. Es gibt zwei Anforderungen an die Kodierungsstrategie. Erstens muss sie die Kernbotschaft √ľber mehrere Kan√§le transportieren, um den Verlust der Botschaft aufgrund von Missverst√§ndnissen oder Fehlinterpretationen zu verhindern. Zweitens muss sie eine sich selbst erkl√§rende und sich selbst erhaltende Struktur haben, um eine Verf√§lschung der Botschaft aufgrund von Fehlinterpretationen zu verhindern; dadurch bleibt die G√ľltigkeit der Botschaft der Struktur erhalten. Daher ist die Anwendung einer Story-Struktur als Kodierungsstrategie f√ľr visuelles Data-Storytelling eine praktikable und geeignete Option.

Personen, die die r√§umliche Lernstrategie verwendeten, eine bessere Ged√§chtnisqualit√§t aufwiesen als die Kontrollgruppe, der keine Ged√§chtnisstrategie zugewiesen wurde. Die Ergebnisse der funktionellen Magnetresonanztomographie (fMRT) zeigten au√üerdem, dass die Gehirnregionen der Versuchsteilnehmer w√§hrend der Versuchsaufgabe in Bereichen, die auf das r√§umliche Ged√§chtnis reagieren, aktiver waren als die der Kontrollgruppe. Die Kontextumgebung (in der sich die zu pr√§sentierenden Konzepte befinden) gro√üen Einfluss auf die Verst√§ndlichkeit und Einpr√§gsamkeit dieser Konzepte. Im Allgemeinen haben kontraintuitive Konzepte in intuitiv unterst√ľtzenden Kontexten eine bessere Erinnerungsrate [34,35]. Die Forschungen von Thorndyke und Yekovich zu Schema und Geschichtenged√§chtnis legen nahe, dass Geschichten mit einer st√§rkeren und klareren Interkonnektivit√§t zwischen den Ereignissen tendenziell einpr√§gsamer sind.

In Anbetracht der oben genannten Informationen umfasst unsere grundlegende Strategie zur Verbesserung der Kommunikation die folgenden Prinzipien:

Die Informationen werden in einer räumlichen Erzählumgebung kodiert.
Die Umgebung der Geschichte umfasst die vier grundlegenden Komponenten der Geschichte: Charakter, Hintergrund, Handlung und Wirkung.
Die Gestaltung der Story-Umgebung zielt darauf ab, Verbindungen zwischen den Story-Komponenten/visuellen Elementen herzustellen.
Die Gestaltung der visuellen Elemente, die wichtige Informationseinheiten darstellen, ist kreativ oder ungewöhnlich. Die Gestaltung der anderen Kontextelemente ist vertraut und logisch.

Visuelle Kanäle

Wenn sich der Anwendungskontext von der professionellen Pr√§sentation zum unterhaltsamen Storytelling verschiebt, verschiebt sich auch der Kommunikationskontext von einer vorlesungs√§hnlichen Umgebung zu einer geschichten√§hnlichen Umgebung. Dies ist vergleichbar mit den Unterschieden zwischen dem Anschauen einer Vorlesungsaufzeichnung und einem Spielfilm. Menschen haben in verschiedenen Kontexten unterschiedliche Erwartungen und Anliegen. Folglich variieren auch die Informationsstruktur und -hierarchie in verschiedenen Kontexten. In einer Vorlesungsumgebung sind die Informationen nach dem Thema und den Wissensschwerpunkten strukturiert. In einer Erz√§hlumgebung sind die Informationen um die Figuren und ihre Handlungen herum aufgebaut. Der Visualisierungs-Framework von Borner bietet einen detailliertes Framework von grafischen Variablen und Symbolen f√ľr die Visualisierung in Datenanalysen. Auf der Grundlage fr√ľherer Visualisierungsstudien [8,11,13] haben wir einen neues Framework entworfen, um den Wechsel von einer statischen Vorlesungsumgebung zu einer dynamischen Story-Umgebung zu reflektieren. Abgeleitet von Chatmans Story-Struktur (Handlung, Ereignis, Charakter und Schauplatz) haben wir zun√§chst zwei Hauptaspekte einer Story-Umgebung eingef√ľhrt: Entit√§t und Ereignis. Diese beiden Aspekte wurden dann weiter in vier Elemente unterteilt: Charakter, Hintergrund, Handlung und Wirkung.

Auf der Grundlage des Modells der narrativen Visualisierung von Satyanarayan und Heer (Szenen, Parameter, Annotationen, Ausl√∂ser) und der redaktionellen Ebenen der narrativen Visualisierung (Daten, visuelle Darstellung, Textannotationen und Interaktivit√§t) haben wir ein erweitertes Spektrum an visuellen Kan√§len ermittelt. Diese Kan√§le (wie in Abbildung 5 dargestellt) decken die wesentlichen Komponenten und redaktionellen Bereiche von narrativen Visualisierungsinhalten ab. Durch die Zuordnung geplanter Informationseinheiten zu ausgew√§hlten visuellen Kan√§len kann der Benutzer nicht nur seinen visuellen Datenerz√§hlungsinhalt anpassen, sondern auch einzigartige Kombinationen schaffen, die √ľber das herk√∂mmliche Modell der narrativen Visualisierung hinausgehen. Abbildung 5 zeigt die grundlegenden Kodierungskan√§le innerhalb einer Story-Umgebung.

Im Allgemeinen tendieren viele Datenvisualisierungsans√§tze zu einem vereinfachten Ansatz [8,11], der die Anzahl der visuellen Elemente minimiert und die visuellen Dimensionen vereinfacht, um eine bessere visuelle Effizienz oder Informationsdichte zu erreichen. Das Hinzuf√ľgen zus√§tzlicher visueller Elemente ist jedoch nicht so unpraktisch, wie es scheint. Bateman et al. konzentrierten sich auf die visuelle Versch√∂nerung von Datenvisualisierungen und zeigten, dass die Interpretationsgenauigkeit bei vereinfachten Visualisierungen und bei versch√∂nerten Visualisierungen die gleiche ist. Dies gilt auch f√ľr Charaktere oder Storyelemente, die als Teil des Prozesses verwendet werden k√∂nnen. Das Langzeitged√§chtnis (2~3 Wochen) von versch√∂nerten Visualisierungen ist sogar besser als das von vereinfachten Visualisierungen. Wir argumentieren, dass die Qualit√§t der Kommunikation, eine gut gestaltete Storytelling-Visualisierung, vollgepackt mit unterhaltsamen Elementen, genauso effizient sein kann wie vereinfachte Visualisierungsdesigns.

Zusammenstellung von Informationseinheiten zu einer Geschichte

Geschichten waren in der Geschichte der Menschheit schon immer ein effizientes Mittel, um Informationen zu vermitteln und Wissen zu teilen. Storytelling kann als ein Prozess der Konstruktion von Informationen betrachtet werden, um eine bessere Kommunikationsqualit√§t zu erreichen. In unserem Framework f√ľr visuelles Data-Storytelling wird der Datensatz daher in mehrere Informationseinheiten aufgeteilt. Anschlie√üend werden diese zusammen mit anderen Informationseinheiten, die keine Daten sind, zu einer Geschichte zusammengesetzt. Schlie√ülich wird die organisierte Struktur in einem visuellen Raum visualisiert und dem Publikum √ľber visuelle Medien vermittelt. Die Grundstruktur unseres visuellen Data-Storytellings ist in Abbildung 6 dargestellt, die auf dem Kommunikationsmodell von Shannon und Weaver und dem Visualisierungsmodell von Ware basiert.

Wie bereits erwähnt, ist die Informationseinheit ein grundlegender Bestandteil der Struktur des visuellen Data-Storytellings. Doch was genau ist eine Informationseinheit?

Eine sehr grundlegende Bedeutung/Information, die in einem visuellen Kommunikationskontext kommuniziert wird.
Eine einzelne Einheit/Element, das während des gesamten visuellen Datenerzählungsprozesses verarbeitet und kodiert wird.
Ein loses √Ąquivalent eines Informationsbits (auf das in der Telekommunikation √ľblicherweise Bezug genommen wird) im Kontext der menschlichen visuellen Kommunikation.

Das Kernst√ľck unseres Frameworks f√ľr das Data Storytelling ist die Strukturierung von Informationseinheiten. Dazu haben wir den von Satyanarayan und Heer identifizierten dreiphasigen Designprozess (Erkundung, Entwurf und Produktion) und den identifizierten vierphasigen Storyboard-Prozess (Lesen und Interpretieren von Daten, Auswahl von Daten, Ausarbeitung der Erz√§hlstruktur, Integration von Strategien zur Einbeziehung der Betrachter) in unseren narrativen Visualisierungsprozess integriert. Auf der Grundlage dieser Forschungsarbeit haben wir drei Phasen der Informationsverarbeitung f√ľr visuelles Data-Storytelling eingef√ľhrt: Strukturieren, Komponieren und √úbersetzen. In der Strukturierungsphase bestimmt der Benutzer alle daten- und geschichtenbezogenen Informationseinheiten, die er liefern m√∂chte. Dies geschieht durch die Analyse der Daten und unter Ber√ľcksichtigung der Zielgruppen. In der Kompositionsphase paart der Benutzer datenbezogene Informationseinheiten mit storybezogenen Informationseinheiten, um die Story zu komponieren. In der √úbersetzungsphase ordnet der Benutzer die geplanten Informationseinheiten ausgew√§hlten visuellen Kan√§len zu, um visuelle Elemente zu erstellen, die dann den endg√ľltigen visuellen Data-Storytelling-Inhalt bilden. Die grundlegende Vorgehensweise ist in Abbildung 7 dargestellt. Sie zeigt, wie die Informationen kommuniziert werden sollen, indem alles in eine Reihe von Informationseinheiten zerlegt wird. Nehmen wir ein Beispiel f√ľr eine Informationseinheit: den Namen des Dateneintrags. Der Name des Dateneintrags ist eine grundlegende Informationseinheit in einem Datensatz. Wir erhalten eine funktionale Informationseinheit, indem wir sie mit einer narrativen Informationseinheit kombinieren. Dies kann ein Zeichen sein, das die Merkmale des Dateneintrags tr√§gt, oder ein Objekt, das den Dateneintrag repr√§sentiert. Wir beabsichtigen, die Verkn√ľpfung von Story-Komponenten zu nutzen, um ein nat√ľrlicheres und sich selbst erhaltendes Kommunikationspaket zu erreichen, indem wir mehrere Informationseinheiten in einer Story-Struktur zusammensetzen. Wenn eine der Komponenten im Kommunikationsprozess verloren geht oder irgendwie nicht geliefert wird, k√∂nnen die zugeh√∂rigen Story-Komponenten den fehlenden Teil bis zu einem gewissen Grad widerspiegeln.

Ein weiterer Grund f√ľr die Anreicherung seri√∂ser Daten mit unterhaltsamen Funktionen besteht darin, eine gr√∂√üere Anziehungskraft auf bestimmte Zielgruppen (d. h. ein allgemeines, nichtprofessionelles Publikum) auszu√ľben. Das Fachpublikum hat nat√ľrlich ein Interesse an den in den Daten enthaltenen Rohinformationen. Im Gegensatz dazu ist ein allgemeines, nichtprofessionelles Publikum nicht unbedingt motiviert, alle in den Daten enthaltenen Details zu verstehen. Daher sollen der anschauliche visuelle Stil und die interaktive Funktion das Publikum dazu anregen, sich mit den Daten zu besch√§ftigen und sich einen √úberblick √ľber die Botschaften zu verschaffen, an denen es besonders interessiert ist.

Da der vorgestellte Framework Teil einer gr√∂√üeren Reihe von Projekten ist, die wir derzeit untersuchen [6,7], stellen wir in diesem Stadium eines der Schl√ľsselelemente vor, um ein besseres Verst√§ndnis dieser Forschung zu erm√∂glichen. Wir haben Informationseinheiten als Kernkomponente eingef√ľhrt, um Erkenntnisse, Informationen und Bedeutung zu b√ľndeln. Durch die Verwendung dieses Konstrukts konnten wir seine G√ľltigkeit durch die Entwicklung eines Software-Prototyps bewerten. Im folgenden Abschnitt geben wir ein grundlegendes Beispiel f√ľr die Verwendung dieses Framework, der eine allgemeine Erz√§hlstruktur zur Unterst√ľtzung der Kommunikation der Daten verwendet.

Ma√üst√§be f√ľr das Framework

Informationsvisualisierung f√ľr Gelegenheitszwecke ist schwieriger zu evaluieren, da sie in der Regel unterschiedliche Arten von Erkenntnissen vermittelt und unterschiedliche Ziele verfolgt. Die modulare Struktur unseres Framework f√ľr visuelles Data-Storytelling bietet eine bequeme M√∂glichkeit, Informationen und visuelle Komponenten zu identifizieren. Dadurch ist es flexibler in Bezug auf die Anpassung an verschiedene Bewertungen und Messungen.

Es gibt viele Bewertungsans√§tze im Bereich der Visualisierung. In den Arbeiten von Satyanarayan und Heer zur narrativen Visualisierung wurde eine Methode zur Messung des Erstellungsprozesses durch Verhaltensbeobachtung und Interviews vorgestellt. √úber das Visualisierungsged√§chtnis wurde ein Messrahmen f√ľr das Wiedererkennungs- und Erinnerungsged√§chtnis mit Visualisierungsbeispielen und Ged√§chtnistests vorgestellt. In der Forschungsarbeit von Wang et al. √ľber Data-Comics wurde die Messung der Effektivit√§t und des Engagements durch einen Selbstauskunftsfragebogen vorgestellt. Es gibt auch Methoden aus anderen Bereichen, die an die Bewertung und Messung von visuellem Data-Storytelling angepasst werden k√∂nnen, z. B. kognitive Belastung und emotionale Reaktion.

Framework Prototyp

Implementierung des Prototyps

Ein interaktiver Prototyp f√ľr Data-Storytelling wurde entwickelt, als wir Methoden des maschinellen Lernens zur Unterst√ľtzung unserer visuellen Data-Storytelling-Inhalte einsetzten. Der Schwerpunkt dieses Projekts liegt auf der Erstellung unterhaltsamer Visualisierungen mit computergest√ľtzten Tools. Es ist von Vorteil, einen Aspekt der Interaktivit√§t einzubeziehen, da wir einen dynamischen Storytelling-Ansatz gew√§hlt haben. Au√üerdem setzten wir Methoden des maschinellen Lernens ein, um Aktionen f√ľr Charaktere zu generieren.

Plattform und Werkzeuge

Der Prototyp wurde mit der Unity-Plattform entwickelt. Der Prototyp bietet eine einfache interaktive Funktion und pr√§sentiert die Daten in einem dynamischen Stil und in einer story√§hnlichen visuellen Umgebung. Im Prototyp kann das Publikum verschiedene Dateneintr√§ge ausw√§hlen, indem es den Indikator mit seiner Tastatureingabe verschiebt. Nachdem ein Dateneintrag ausgew√§hlt wurde, erscheint eine Figur, die diesen Eintrag repr√§sentiert, auf der B√ľhne und f√ľhrt die entsprechende Handlung aus. Die datenbezogenen Informationseinheiten sind in der Darbietung der Figur und in den B√ľhnenrequisiten kodiert. W√§hrend das Publikum die B√ľhne und die Darbietung sieht, wird der Dateneintrag gleichzeitig in verschiedenen visuellen Kan√§len dargestellt.

In diesem Projekt wurden C#-Skripte verwendet, um die interaktive Funktionalit√§t zu implementieren. Der Dateneingabewert wurde in den C#-Skripten verschiedenen Attributen von B√ľhnenrequisiten und Figuren zugewiesen. Wenn das Publikum also einen Dateneintrag ausw√§hlt, wird die zugeh√∂rige Figur aktiviert und f√ľhrt ihre Performance aus, w√§hrend die zugeh√∂rigen B√ľhnenrequisiten entsprechend funktionieren, um den Dateneintragswert zu reflektieren. Die Dateneingabewerte sind direkt mit mehreren Requisitenattributen verkn√ľpft, darunter das Geschwindigkeitsattribut des Kolbens, die Lichtintensit√§t des Leuchtturms, die y-Position der Messs√§ule und das Skalenattribut des Balls.

Das Verhalten der Figuren wurde mit Hilfe des ML-Agents Toolkit (https://unity.com/products/machine-learning-agents, abgerufen am 22. September 2022) generiert. Eine der im Toolkit enthaltenen Beispielumgebungen – 3D Ball – wurde in diesem Projekt verwendet. Die notwendigen Sensoren und Trainingskonfigurationen waren bereits in den Beispielumgebungen eingestellt. Indem wir die bereitgestellten Umgebungen mit unserer B√ľhne und den Charakteren verbinden und anpassen und dann die trainierten Verhaltensmodelle den entsprechenden Charakteren zuweisen, wird die Aktions- oder Bewegungsanimation automatisch von den trainierten Verhaltensmodellen generiert. Anschlie√üend wird durch √Ąnderung der Trainingszeit eines Modells oder durch √Ąnderung der Eigenschaft des Objekts (z. B. der Gr√∂√üe des Balls) in den Trainingsumgebungen das Verhalten der einzelnen Figuren an den Wert der Dateneingabe angepasst.

Die Prototypen k√∂nnen dank der Multiplattform-Exportfunktion von Unity auf verschiedenen Ger√§ten und Plattformen (z. B. PC, iOS und Webbrowser) ausgef√ľhrt werden. Die in diesem Artikel gezeigten Screenshots stammen von der Webbrowser-Version des Prototyps.

Proof of Concept Prototyp

F√ľr den ersten Prototyp ist die Zuordnung zwischen den datenbezogenen Informationseinheiten und den visuellen Story-Elementen in Abbildung 9 dargestellt. Die Namen der Eintr√§ge wurden in das Design der Zeichen und des Schildes kodiert. Der Wert jedes Eintrags wurde in das Verhalten der Figur und verschiedene visuelle Aspekte mehrerer Objekte (z. B. H√∂he, Gr√∂√üe, Geschwindigkeit und Intensit√§t) kodiert. Der Vergleich zwischen verschiedenen Werten wurde in diesem Prototyp nicht hervorgehoben. Er ist jedoch durch Beobachtung der Szene wahrnehmbar.

(a) Der Screenshot des Prototyps; (b) das Informationsmapping des Prototyps.

In einem Wer-Wo-Was-Format handelt die Geschichte von See-Einh√∂rnern, die sich auf dem Meeresboden mit einem Ball vergn√ľgen. Die Handlungslogik lautet daher: Je mehr Energie die Figur hat, desto gr√∂√üer ist der Ball, mit dem sie umgehen kann. In diesem Prototyp wird der maschinell lernende Agent darauf trainiert, einen Ball auf einer flachen Oberfl√§che im Gleichgewicht zu halten, ohne dass er auf den Boden f√§llt.

Es gibt mehrere Gr√ľnde f√ľr die Verwendung von durch maschinelles Lernen generierten Aktionen. Erstens ziehen nicht-schleifende Bewegungen die Aufmerksamkeit auf die Figur und den Ball. Dies sind die wichtigsten visuellen Elemente, die die datenbezogene Informationseinheit tragen. Zweitens betonen unterschiedliche Verhaltensweisen indirekt die Unterschiede im Datenwert. Es ist nicht unbedingt schwieriger, einen gro√üen Ball zu balancieren. Eine √Ąnderung der Ballgr√∂√üe f√ľhrt jedoch zu einem anderen Verhalten, da der Agent f√ľr maschinelles Lernen auf eine bestimmte Ballgr√∂√üe trainiert wurde. Wir haben ein Gef√ľhl f√ľr Unterschiede durch Verhalten und Bewegung vermittelt, die im Vergleich zu anderen, normalerweise in Visualisierungen verwendeten Kan√§len (z. B. Gr√∂√üe, Farbe und Form) ungew√∂hnlich sind.

Wie bereits in fr√ľheren Abschnitten erw√§hnt, deuten Studien zur Einpr√§gsamkeit darauf hin, dass kontraintuitive Konzepte in intuitiv unterst√ľtzenden Kontexten bessere Erinnerungsraten aufweisen [34,35]. Bei der Entwicklung des Prototyps haben wir uns daher f√ľr ein Thema entschieden, das den meisten Menschen vertraut ist – einen Vergn√ľgungspark – als Anwendungskontext. Bei den Hauptfiguren haben wir uns dann f√ľr ein eher ungew√∂hnliches Wesen – ein Einhorn – entschieden, das jeden Namen der Dateneintr√§ge repr√§sentiert. Mit diesem kontraintuitiven Zeichen wollten wir die Aufmerksamkeit auf die Schl√ľsselinformationen lenken und so deren Einpr√§gsamkeit erh√∂hen.

Komponenten des Data-Storytelling

Was den eigentlichen Informationsverarbeitungsprozess betrifft, so besteht der narrativ orientierte Prozess des visuellen Data-Storytellings aus drei Hauptphasen, n√§mlich Strukturierung, Komposition und √úbersetzung. Der detaillierte Arbeitsablauf des gesamten Prozesses ist in Abbildung 10 dargestellt. Im folgenden Abschnitt wird der detaillierte Arbeitsablauf jeder Phase anhand des Beispiels der Daten, die f√ľr unseren Prototyp verwendet wurden, erl√§utert.

Strukturierung

In der Phase der Strukturierung werden zunächst die Datennachrichten bestimmt. In diesem Fall handelt es sich um folgende Datenmeldungen:

Datennachricht 1: Namen der Branchen (um ein Bewusstsein daf√ľr zu schaffen, welche energieverbrauchenden Branchen es gibt).
Datenmeldung 2: Werte der Verbrauchszahlen (wie viel Energie die einzelnen Branchen verbrauchen).
Datenmeldung 3: Unterschiede in den Werten der Zahlen (um zu erkennen, welche Branchen mehr und welche weniger Energie verbrauchen).
Der zweite Schritt besteht darin, die Priorit√§t jeder Datenmeldung zu bestimmen. Diese Priorit√§ten werden sp√§ter als Parameter f√ľr die √úbersetzungsphase verwendet. In diesem Fall sind die zugewiesenen Priorit√§ten folgende:

Erste Priorität: Datennachricht 1.
Zweite Priorität: Datennachricht 2 und Datennachricht 3.
Dann ist es wichtig, die Story-Komponenten und Ausdrucksanhänge zu bestimmen. In diesem Fall sind dies:
Story-Komponente 1~8: Figuren (acht Einhörner).
Story Component 9~13: Umgebungsrequisiten (Leuchtturm, Zähler, Kolben, Ball und Schild).
Story-Komponente 14~15: Aktionen/Bewegungen (Ballspiel, Kolbenbewegung).
Expression Attachment 1~3: niedlich, lustig und lebendig.

Komponieren

In der Phase des Komponierens werden die Informationseinheiten zu Informationskompositionen zusammengesetzt. Die Grundformel hierf√ľr lautet:
Informationskomposition = Storykomponente + Datenmitteilung + Ausdrucksanhang.
Die Kompositionen, die in dieser Phase gebildet werden, werden sp√§ter in der √úbersetzungsphase in visuelle Elemente √ľbersetzt. In diesem Fall handelt es sich um folgende Informationskompositionen:

Informationskomposition 1~8: Story Component 1~8 + Data Message 1 + Expression Attachment 1.
Informationskomposition 9~13: Story Component 9~13 + Data Message 2 + Expression Attachment 2.
Information Composition 14~15: Story Component 14~15 + Data Message 3 + Expression Attachment 3.

√úbersetzen

In der Phase der √úbersetzung werden die Informationskompositionen zun√§chst in visuelle Elemente √ľbersetzt. Die Informationseinheiten innerhalb jeder Informationskomposition werden in ausgew√§hlte visuelle Kan√§le jedes visuellen Elements kodiert. Tabelle 3 zeigt die Zuordnung zwischen Informationseinheiten und visuellen Elementen f√ľr das Design des Beispielprototyps.

Aus praktischen Gr√ľnden sollte das Mapping f√ľr die Story-Komponente und die Ausdrucksanbindung vor der Datenmeldung erfolgen. Da die Bewegungen und Interaktionen von Figuren und Eigenschaften abh√§ngig sind, sollte die Zuordnung zu Figuren vor der Zuordnung zu Animationen erfolgen. Die Logik des √úbersetzungsprozesses von einer Informationskomposition zu einem visuellen Element wird in dem in Abbildung 11 dargestellten Flussdiagramm gezeigt. Im Falle des aktuellen Prototyps kann der gr√∂√üte Teil der Zuordnung von Datennachrichten rechnerisch erfolgen, aber es ist immer noch eine gro√üe Menge an menschlichem Input erforderlich, um die visuellen Kan√§le mit dem Design und dem Stil in Verbindung zu bringen.

Der zweite Schritt besteht darin, die Informationspriorit√§ten in eine visuelle Position zu √ľbersetzen. In diesem Stadium werden die visuellen Elemente im 3D-Raum entsprechend der entworfenen Informationspriorit√§t angeordnet. Interaktive Funktionen und Animationen werden ebenfalls verwendet, um die priorisierten Informationen hervorzuheben. Im Design des Beispielprototyps sieht die √úbersetzung von Informationspriorit√§ten in die visuelle Position wie folgt aus:

Erste prioritätsbezogene visuelle Elemente: Positionierung an zentraler Hauptposition und erster Position rechts vorne. Zuweisung mit direkter Interaktion und Zeichenanimation.
Zweite prioritätsbezogene visuelle Elemente: Position in der kleinen Mitte und zweite Position rechts vorne. Zuweisung mit indirekter Interaktion und einfacher Animation.

Schlussfolgerungen

Informationseinheiten basierendes Data-Storytelling-Framework zu entwickeln, das Theorien und Methoden aus verschiedenen Disziplinen – Datenvisualisierung, Kommunikation, Storytelling und interaktive Medien – miteinander verbindet. In diesem Artikel stellen wir einen Ansatz zur Entwicklung einer visuellen Anwendung f√ľr das Storytelling von Daten auf interaktiven digitalen Plattformen f√ľr ein breites Publikum vor.

Ziel war es, unterhaltsame und geschichten√§hnliche Dateninhalte zu schaffen. Daher konzentrierte sich unser Ansatz auf die Zusammenstellung eines Datensatzes und von Story-Elementen sowie auf die Zuordnungswege zwischen Informationseinheiten und visuellen Kan√§len. Au√üerdem wurden Methoden der Spieleentwicklung und des maschinellen Lernens eingesetzt, um die Erstellung visueller Dateninhalte zu unterst√ľtzen. Dieser Framework sollte ein besseres Verst√§ndnis der verschiedenen Komponenten eines visuellen Data-Storytelling-Inhalts erm√∂glichen. Es er√∂ffnete auch M√∂glichkeiten, die Funktion und Wirkung der einzelnen Komponenten gr√ľndlicher zu bewerten. Dabei handelt es sich um die Messung der Kommunikationseffizienz der im K√∂rper eines Charakters oder im Bewegungsmuster eines Objekts kodierten Informationen.

FAQ

Im Folgenden erörtern wir kurz die Antworten auf die beiden oben gestellten Fragen.

Frage 1: Was ist die geeignete Kodierungsstrategie, um Daten zu einer unterhaltsamen Geschichte zusammenzustellen, die die Kommunikationsqualit√§t von Schl√ľsselinformationen in einer Umgebung mit erh√∂hter Komplexit√§t und Redundanz beibeh√§lt?

Wir haben mit Aspekten geeigneter Kodierungsstrategien dazu beigetragen, wie man Daten zu unterhaltsamen Geschichtenkompositionen zusammensetzt, indem man die Kommunikationsqualität beibehält und die Komplexität und Redundanz der Nachrichten erhöht:

Beschreibung der Story-Struktur-Strategie im Kontext des visuellen Data-Storytellings, die ein Gleichgewicht zwischen erw√ľnschter Unsicherheit und Kommunikationsgenauigkeit herstellt.

Definition des Konzepts der Informationseinheiten als konzeptionelles Basiselement im visuellen Datenstorytelling-Kommunikationsprozess zur Unterst√ľtzung der Framework.
Einf√ľhrung eines modularen Ansatzes zur Anpassung von Botschaften f√ľr visuelles Data-Storytelling auf einer grundlegenden Informationsebene.

RQ2: Wie kann man Data-Storytelling mit Technologien aus dem Bereich der digitalen Medien anwenden, um neuartigen Data-Storytelling-Inhalte zu entwickeln, die √ľber die konventionellen text- und chartbasierten Stile hinausgehen?

Wir konzentrierten uns auf die Umsetzung des Frameworks f√ľr Data-Storytelling, um neuartige Data-Storytelling-Inhalte zu entwickeln, die √ľber das herk√∂mmliche Modell „narrativer Text plus Datendiagramm“ hinausgehen. Dies zeigt, wie ein Prozess zur Erstellung von visuellen Datengeschichten funktionieren und von Technologien aus dem weiteren Bereich der digitalen Medien profitieren kann:

Demonstration eines m√∂glichen Weges zur Erstellung von visuellen Data-Storytelling-Inhalten, die Informationen innerhalb einer visuellen Story-Umgebung anstelle des konventionellen Modells „erz√§hlender Text plus Datentabelle“ pr√§sentieren.

Vorstellung eines Prototyps, der mit der Spiele-Engine Unity entwickelt wurde und den Ansatz verfolgt, einen Datensatz mit Story-Elementen zu komponieren, um ihn als visuelle Komposition in einem beiläufigen Kontext zu vermitteln.

Bei der Datenvisualisierung geht es häufig um die Integration von Informationssystemen durch Dashboards. Unser Ansatz erweitert diese Idee, indem er einen gut strukturierten Prozess zur Entwicklung von Data Storytelling auf der Grundlage bestehender digitaler Medienwerkzeuge auf der Basis von Legacy-Informationssystemen bietet.

Verglichen mit der Anwendung von Visualisierung zur Datenexploration und -analyse ist die Pr√§sentation von Daten mit visuellem Data Storytelling ein eher subjektiver Prozess. Ein bestimmtes Datenergebnis kann in verschiedenen Kontexten unterschiedliche Bedeutungen haben; auch eine bestimmte Farbe kann in verschiedenen L√§ndern oder Kulturen unterschiedliche Bedeutungen haben. In dieser Studie wurde ein allgemeiner Framework geschaffen, der die Gestaltungsr√§ume, Komponenten und Verfahren des visuellen Data-Storytellings umrei√üt. Er soll die Autoren von Inhalten dabei unterst√ľtzen, ihre Pr√§sentationen an die Bed√ľrfnisse verschiedener Genres oder Regionen anzupassen. Die modulare Struktur des Frameworks bietet auch eine potenzielle Grundlage f√ľr die weitere Entwicklung von computergest√ľtzten Tools oder Systemen.

Nichtsdestotrotz tr√§gt unser Grundger√ľst zur Erkenntnistheorie der Datenvisualisierung bei, indem es die grundlegenden Dimensionen definiert, die erforderlich sind, um visuelle Geschichten auf der Grundlage von Rohdaten zu erz√§hlen. Wir haben den Framework konzeptualisiert und seine Validit√§t durch die Entwicklung eines Software-Prototyps bewiesen.

Evaluierung

Nach einer Evaluierung des Frameworks und des ersten Prototyps entdeckten wir einige Einschr√§nkungen, die in zuk√ľnftigen Arbeiten unter Verwendung anderer Arten von Datens√§tzen verbessert werden sollen. Die erste Einschr√§nkung besteht darin, dass die Einrichtung der Story-Umgebung einen hohen grafischen Aufwand f√ľr Aspekte wie Charakterdesign und B√ľhnengestaltung erfordert. W√§hrend die St√§rke dieses visuellen Data-Storytelling-Frameworks in seinem anpassbaren Inhalt durch die Bearbeitung von Informationseinheiten liegt, bietet es eine flexible L√∂sung, die an verschiedene Genres des Data-Storytellings angepasst werden kann, wie z. B. Datenvideo und Datencomic.

Der Prototyp demonstrierte nur einen sehr spezifischen, fokussierten und unkonventionellen Stil des Data-Storytellings, um den Prozess zu veranschaulichen. F√ľr die zuk√ľnftige Entwicklung wird es von Vorteil sein, die Bed√ľrfnisse der verschiedenen Genres des Erz√§hlens zu ber√ľcksichtigen und einen detaillierteren Leitfaden f√ľr jedes Genre zu entwickeln. Wir planen, diese in zuk√ľnftigen Erweiterungen unseres Frameworks zu √ľbernehmen.

Wie bereits erw√§hnt, ist diese Arbeit Teil einer gr√∂√üeren Reihe von Projekten. In dieser Phase haben wir uns auf die Konzeption und das Design des auf Informationseinheiten basierenden Framework konzentriert. So haben wir f√ľr den ersten Prototyp eine sehr einfache und allgemeine Story-Struktur verwendet, um die Kommunikation der Daten zu unterst√ľtzen. Um uns auf die Gestaltung der Geschichte zu konzentrieren, haben wir nur begrenzte interaktive Funktionen in Betracht gezogen und die Personalisierung oder Anpassung des Inhalts an die Pr√§ferenzen der Endbenutzer in diesem Stadium nicht ber√ľcksichtigt. Dies wird jedoch auch Teil zuk√ľnftiger Forschungsarbeiten sein und auf Modellen basieren, die aus verschiedenen Medienformen stammen (z. B.).

Dieses Framework veranschaulicht visuelles Data Storytelling aus drei Hauptperspektiven: Konzept, Komponente und Verfahren. Es skizziert die Struktur und die Komponenten des Inhalts des Data Storytellings. Auf der Grundlage dieses Framework k√∂nnen weitere Evaluierungs- und Messmethoden entwickelt werden, die auf die spezifischen Elemente der visuellen Data-Storytelling-Inhalte abzielen. F√ľr zuk√ľnftige Studien planen wir, Methoden aus der User Experience, der Kognitionspsychologie und dem Kommunikationsdesign zu integrieren, um die Leistung verschiedener Informationskompositionen und Pr√§sentationsstile zu untersuchen. In kontrollierten Experimenten werden wir die Erinnerungsqualit√§t, die emotionale Reaktion und den kognitiven Charakter der Zuh√∂rer bei verschiedenen Arten der Datenpr√§sentation untersuchen.

Erstellung anspruchsvollerer Kompositionen von Informationseinheiten und komplexerer Möglichkeiten der Informationsabbildung zwischen Rohdaten und der interaktiven Erzählumgebung. Der Plan ist, ein umfassenderes narratives Design zu entwickeln, das die Interkonnektivität zwischen den einzelnen Informationseinheiten erhöht. Damit wollen wir die Kommunikationsqualität weiter verbessern und ein besseres Unterhaltungserlebnis bieten.