Das Ziel des Visual Analytics ist es, Werkzeuge und Techniken zur Visualisierung großer, dynamischer und oft unvollständiger Datensätze bereitzustellen. Durch die Interpretation der Visualisierung können Informationen abgeleitet werden, die dazu dienen, erwartete und unerwartete Erkenntnisse zu gewinnen. Erst durch die Kombination dieser Erkenntnisse mit bestehenden Erfahrungen, kann beim Betrachter Wissen über vorhandene Zusammenhänge generiert werden. Was aber genau verbirgt sich hinter diesem Prozess und wie kann er im Kontext der schulischen Ausbildung genutzt werden? Es werden Möglichkeiten vorgestellt und diskutiert wie mit Hilfe des Visual Analytics Schülerinnen und Schüler für die Informatik und deren Möglichkeiten interessiert werden können.

1. Mit
Daten
lehren Aus
Visual Analytics in der Schule Daten
lernen
Berliner Herbstkongress "Deutscher Verein zur Förderung des
mathematischen und naturwissenschaftlichen Unterrichts e.V." (MNU)
Prof. Dr. Claudia Müller-Birn
Institut für Informatik, Arbeitsgruppe Vernetzte Informationssysteme
30. August 2012

2. “The purpose of visualization is insight, not pictures”
Ben Shneiderman (1999)
Warum?
Mit Daten lehren
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 2

3. Was bedeutet Visual Analytics?
• Visual Analytics ist die Wissenschaft des analytischen Schlussfolgerns durch
die Interaktion mit Daten mithilfe visueller Benutzeroberflächen
• Ziele des Visual Analytics sind die Entdeckung von versteckten Informationen,
Mustern und Trends
• Visual Analytics vereinigt Bereiche wie Interaktionsdesign und Usability, die
Darstellung und Aufbereitung von Daten, aber auch die Bereitstellung von
Untersuchungsergebnissen
• Bestehende Herausforderungen, z.B.
- Elektronische Repräsentation der Daten ist häufig beschränkt durch die Größe der
Displays
- Zunehmende Größe der zugrunde gelegten Datensätze (“Big Data”)
(Thomas & Cook 2004)
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 3

4. Bereiche des Visual Analytics
Visualization
Information Retrieval Information Visualization
Data Retrieval Scientific Visualization
Data Mining Computer Graphics
Data Analysis Interaction
Human-Computer Interaction
Cognitive Psychology
Perception
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 4

5. Informationsvisualisierung
• Visuelle Repräsentation von Abstraktionen von oder Beziehungen zwischen den
zugrunde gelegten Daten
• Hauptaufgabe der Informationsvisualisierung ist das Übersetzen der Daten in eine
möglichst einfache graphische Darstellung, in der alle notwendigen und wichtigen
Informationen enthalten sind
• Ziele der Informationsvisualisierung
- Kommunikation von komplexen Zusammenhängen
(z.B. Minards Darstellung von Napoleons Russlandfeldzug im Jahr 1812)
- Unterstützung des analytischen Problemlöseprozesses
(z.B. Snows Cholera Karte von London aus dem Jahr 1854)
(Thomas & Cook 2004)
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 5

6. Beispiel Minard
• Verwendete Daten
- Geographische Informationen (Städtenamen, Flüße)
- Strategien der unterschiedlichen Bataillone
- Grundsätzliche Marschrichtung der Armee
- Größe der Armee
- Temperatur
- Zeit
(Charles Joseph Minard, 1861)
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 6

7. Beispiel Minard
• Verwendete Daten
- Geographische Informationen (Städtenamen, Flüße)
- Strategien der unterschiedlichen Bataillone
- Grundsätzliche Marschrichtung der Armee
- Größe der Armee
- Temperatur
- Zeit
(Charles Joseph Minard, 1861)
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 7

8. Beispiel Snow
• Verwendete Daten
- Geographische Informationen (Straßennamen)
- Verwaltungsdaten
- Öffentliche Daten der Wasserwirtschaft
(Dr. John Snow, 1854)
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 8

9. Beispiel Snow
• Verwendete Daten
- Geographische Informationen (Straßennamen)
- Verwaltungsdaten
- Öffentliche Daten der Wasserwirtschaft
(Dr. John Snow, 1854)
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 9

10. Informationsvisualisierung im Unterricht
Bereits untersucht und belegt:
Visualisierungen helfen Lernenden, spezifisches Wissen beispielsweise Konzepte,
Fakten, Algorithmen und Beziehungen leichter und schneller zu internalisieren.
These:
Kann der Erstellungsprozess einer Visualisierung bereits helfen, Wissen über
Datenbeziehungen und Algorithmen leichter und schneller zu internalisieren?
Nutzbare Theorie
User Engagement
Nutzbare Technik
Scaffolding
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 10

11. Attraktoren des User Engagements
Attributes of varying
levels of intensity
Point of Dis-
Phase of Engagement
Engagement engagement
Re-Engagement
Ästhetik
Neuheit
Interesse
Motivation
Spezifisches Ziel
(O'Brien and Toms, 2008)
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 11

12. Scaffolding aus lerntheoretischer Sicht
• “Instructional devices that enable
students to complete tasks they would
be unable to master without
assistance” (Grady, 2006)
• Befähigt Lernende ein bestimmten
Erkenntnisstand zu erreichen bevor
das Gerüst (Orientierungsgrundlage in
Form einer Vorlage oder Anleitung)
entfernt wird
• Lernende können dann mit
komplexeren Aufgaben fortfahren oder
aber aufbauende Gerüste verwenden
photo credit: http://www.flickr.com/photos/dystopos/13891567/ CC BY-NC 2.0
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 12

13. “This quantity over quality shift in our culture has
created an even deeper need for truly informing
experiences - for insight, the most precious form of
information.”
Nathan Shedroff (2000)
Aus Daten lernen
Wie?
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 13

14. Datenvisualisierung besteht
80% aus Daten
Formulieren der Frage und nur zu 20% aus der
eigentlichen Visualisierung.
Sammeln der Daten
Aufbereiten der Daten
Visualisieren der Daten
Präsentieren der Daten
Interagieren mit Daten

15. Mögliche Datenquellen
Ausführliche Liste bei http://www.quora.com/Data/Where-can-I-get-large-datasets-open-to-the-public
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 15

16. Visualisieren der Daten
Wie können Schüler an dieses Thema herangeführt werden?
1 Analysieren von “vorgefertigten” Visualisierungen
Engagement (ideal)
Scaffolding
2 Anpassen von Visualisierungsvorlagen
3 Erstellen von individuellen Visualisierungen
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 16

17. Anwendungsbeispiel
1
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 17

18. 1 Gapminder
Februar 2006
Hans Rosling
“No more boring data”
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 18

19. 2 Many Eyes
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 19

20. 2 Worldbank Daten in ManyEyes
Daten von World Bank http://data.worldbank.org/indicator/IT.NET.USER.P2
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 20

21. Anwendungsbeispiel
2
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 21

22. EASY, ea ea, mh mh
EASY
EASY, ea ea, mh mh
Leute sagen zu mir "Cro das Genie",
denn er flowt wieder wie
dieser Hova
und außerdem baut er die Beats
es ist EASY, ea ea, mh mh
Und dieser Typ hier vergleicht sich mit Jay-Z
und scheiß auf die Playsi
denn ich häng' ab mit Rockstars
genauso wie AC/D EASY, ea ea, mh mh
Ich chill im Bett mit ner Chic
die sieht aus
wie die Sis' von Beyoncé,
doch eigentlich
geb ich n' Fick auf Frau'n
Cro
wie EASY, ea ea, mh mh
Ok, das mit den Chics tut mir Leid,
es war nicht so gemeint,
kannst Du mir noch mal verzeihn' Ina,
photo credit: http://www.flickr.com/photos/der_robert/7547499690/ CC BY 2.0 und Sie schreit
"Ich heiß" EASY, ea ea, mh mh
Doch wenn Sie plötzlich so kleines Ding zeigt,
du eiegntlich schon weißt
der zweite Strich heißt
es ist aus und vorbei bleib
EASY, ea ea, mh mh
Und wenn Sie heiraten will
und nach drei Tagen chilln
schon Dein ganzes Haus und
Deinen Leihwagen will
ersch EASY, ea ea, mh mh
Doch das würd ich mich nicht traun'
man das weiß ich genau,
denn davor hau ich ab
und sing "Run Away"
wie Kan-YEASY, ea ea, mh mh
und dann lauf ich und lauf ich
wohin ist noch offen
am Besten nur weit, weit weg
vielleicht Washington D EASY, ea ea, mh mh
Und diese Frau war verrückt
denn Sie hat mich erdrückt,
Schreit "Cro komm zurück"
doch ich schlüpf grad in die
Air EASY,und verl EASY,
und mach den iPod an
und alles was ich hör' ist
SUNNY,ah,ah,ah
ich weiß schon Du heißt EASY
aber ist mir egal,
ich nenn dich lieber
SUNNY,ah,ah,ah
ab jetzt wird alles EASY
denn du bist nicht mehr da
SUNNY,ah,ah,ah
ich weiß schon Du heißt EASY
aber ist mir egal,
ich nenn dich lieber
SUNNY,ah,ah,ah
ab jetzt wird alles EASY
denn du bist nicht mehr da
EASY, ea ea, mh mh
EASY, ea ea, mh mh

23. 2 Visualisierung von Tag Clouds
• Schlagwortwolken (Tag Clouds) wurden ursprünglich als Navigationshilfe von
Jonathan Feinberg und Bernhard Kerr entwickelt
• Ermöglichen den Nutzer einen schnellen (dynamischen) Überblick über den Inhalt
einer Seite und wurden daher vor allem in Bookmarking-Systemen wie Flickr oder
del.icio.us verwendet
Beispiele von http://www.smashingmagazine.com/2007/11/07/tag-clouds-gallery-examples-and-good-practices/
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 23

24. 2 Easy von Cro in Wordle
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 24

25. 3 Processing
• Processing ist eine Open Source Programmiersprache und
Entwicklungsumgebung für Personen, die Visualisierungen,
Animations- und Interaktionsprojekte (Sketches) umsetzen wollen
• Ursprünglich entwickelt, um die Grundlagen der Programmierung zu vermitteln
• Für GNU/Linux, Mac OS X und Windows
• Über 100 Bibliotheken, die die Software um Sound, Video und vieles mehr
erweitern
• Sehr gut dokumentiert und eine große Community
• Ressourcen
- Discussion Forum: http://forum.processing.org/
- Wiki: http://wiki.processing.org/w/Main_Page
- Processing sketches: http://www.openprocessing.org/
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 25

26. 3 Tag Cloud in Processing (1)
import wordcram.*;
size(600, 350);
background(255);
new WordCram(this)
// load file with text
.fromTextFile("cro_easy.txt")
.lowerCase()
//.upperCase()
//.keepCase() // the default
/*
* Tell WordCram which words to skip by calling
* withStopWords() with a space-delimited string.
*/
//.withStopWords("easy")
// Much bigger: not all words will fit, and it'll take
// longer to place them. Be patient!
.sizedByWeight(15, 90)
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 26

27. 3 Tag Cloud in Processing (2)
// Since there will be little change between words in
// size, many of them will be pretty large - so make the
// range small enough to fit them.
//.sizedByRank(1, 30)
//-----------
// Coloring words
//.withColor(#0000AA)
.withColors(#00C90D, #26972D, #008209, #39E444, #67E46F)
//---------
// Padding
.withWordPadding(2)
//-----------
// Words at Angles
//.angledAt(radians(30))
.angledAt(radians(30), radians(-60))
.drawAll();
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 27

28. 3 Easy von Cro in Processing
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 28

29. Interesse?
Sie wollen es in Ihrem Unterricht testen?
Lassen Sie es mich wissen...
photo credit: http://www.flickr.com/photos/nasamarshall/6425767811/ CC BY-NC 2.0

30. Kontaktdaten
Claudia Müller-Birn
Freie Universität Berlin
Institute of Computer Science
AG Networked Information Systems
phone: +49 30 838 75256
mail: clmb [ at ] inf dot fu-berlin dot de
Prof. Dr. C. Müller-Birn «Visual Analytics in der Schule - Mit Daten lehren und aus Daten lernen» (August 2012) 30