7. 1. EINFÜHRUNG
2. VISUELLE WAHRNEHMUNG (KOGNITIONSFORSCHUNG)
3. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL
4. EINBLICKE IN DIE LERN- UND BILDUNGSFORSCHUNG
5. PAST PATHS : EIN BLICK IN DIE HISTORIE
6. VISUALISIERUNGSTOOLS
7. VISUAL ANALYTICS (DATENVISUALISIERUNG UND
INFORMATIONSTRANSFER)
8. SEMIOTIK & INFORMATIONSGRAFIK
9. NETZWERKVISUALISIERUNG
Überblick
8. STATUS QUO
VERNETZTE INFORMATIONS- UND WISSENSGESELLSCHAFT
• permanente Erzeugung, Nutzung, Organisation und Verteilung
von Daten und Information
• steigende Komplexität der Daten- und Informationsbeschaffung,
-Transformation und -Verwertung
• Daten- und Informationsflut vs. bedingte
Wahrnehmungsfähigkeit
• Notwendigkeit Daten in eine wahrnehmbare Form zu bringen,
die auf Rezeptionsfähigkeit des Menschen zielt (Spence, 2001)
Einführung
9. STATUS QUO
Interdisziplinäres Forschungs- und Anwendungsgebiet
• Kognitionsforschung
• Kommunikationsforschung
• Lern- und Bildungsforschung
• Naturwissenschaften (Geografie, Biologie, Physik, …)
• (Daten-)Journalismus
• Data Mining
• Business Intelligence, …
Einführung
10. BEGRIFFSKLÄRUNG
DATENVISUALISIERUNG
• to visualize (engl.): „form a mental vision, image, or picture of
(something) not visible or present to sight, or of an abstraction“
(Oxford English Dictionary, 2012)
• „Tätigkeit einen bislang im Zeichensystem der Wortsprache
ausgedrückten Inhalt entweder durch bildsprachliche Zeichen
zu ergänzen oder aber ihn ganz in die Bildsprache zu
übersetzen“ (Stary, 1997, S. 12)
• „Unter Informationsvisualisierung werden heute alle Konzepte,
Methoden und Tools zur visuellen Darstellung von Informationen
aus Datenbanken, digitalen Bibliotheken oder anderen großen
Dokumentsammlungen, zusammengefasst.“ (Däßler/Palm,
1998)
Einführung
13. KOGNITIONSFORSCHUNG
• Daten- und Informationsvisualisierung positiver Einfluss
auf Gedächtnisleistung und Informationsverwertung
• Wahrnehmung: visuelle Reizaufnahme Extraktion und
Verarbeitung Interpretation des Reizes
• bedingte Rezeption und Perzeption
• ca. 75 % visuelle Wahrnehmung
• ca.13 % Gehör
• ca.12 % Sonstige
(Böhringer et al., 2000)
Visuelle Wahrnehmung
14. Visuelle Reizaufnahme Extraktion, Verarbeitung und
Interpretation des Reizes im Gehirn
Visuelle Wahrnehmung
Adaptiertes Bild von David McCandless, www.informationisbeautiful.net (2013)
16. WAHRNEHMUNGSTHEORIEN
Reiztheorie
• Wahrnehmung wird als direkte Antwort auf den Reiz verstanden
• später wird der Faktor der visuellen Aufmerksamkeit als
zentrales Merkmal eingeführt (James Jerome Gibson (1904-
1979)
Visuelle Wahrnehmung
17. WAHRNEHMUNGSTHEORIEN
Gestalttheorie
• Mensch verfügt über eine angeborene Vorstellung zu Form,
Größe und anderen Eigenschaften
• René Descartes (1596-1650)
• Immanuel Kant (1727-1804)
• Johann Wolfgang von Goethe (1749-1832) und
• Christian Freiherr von Ehrenfels (1859-1932)
Visuelle Wahrnehmung
18. GESTALTTHEORIE GESTALTPSYCHOLOGIE
• der Reiz allein enthält zu wenig Informationen, um
Wahrnehmungsprozesse zu erklären
• Max Wertheimer (1880-1943)
• Kurt Koffka (1886-1941)
• Wolfgang Köhler (1887-1967)
• Kurt Lewin (1890-1947)
Visuelle Wahrnehmung
Wahrnehmungsphänomene GESTALTGESETZE
20. WAHRNEHMUNG VON FORM
• Mensch nimmt Formen prinzipiell nach seinen
Helligkeitsunterschieden in sein Reizsystem auf (Ware, 2000)
• Fähigkeit bestimmte Elemente oder Anordnungen als Figuren
wahrzunehmen Vorder- und Hintergrund unterscheiden
• Fähigkeit separierte Gegenstände aus der Umwelt als Einheit
wahrzunehmen Gestaltgesetze
Visuelle Wahrnehmung
21. WAHRNEHMUNG VON MUSTERN
• neuronalen Strukturen des visuellen Systems befähigen auf
bestimmte Reize besonders stark und auf andere kaum oder
gar nicht zu reagieren (Ware, 2000)
• Richtung und Größe
• Farbe und räumliche Tiefe
• Bewegung
• Von Berlyne & McDonell : Disharmonische Muster
• Anstieg des Erregungsgrades
• im Umkehrschluss, dass in der Gesamtwahrnehmung die
komplexen und intensiven Musterungen als Überinformation
aufgenommen werden und dabei zur Überstimulation führen
können (Ware, 2000)
Visuelle Wahrnehmung
22. WAHRNEHMUNG VON FARBE
ERGEBNIS AUS PHYSIOLOGIE UND PSYCHOLOGIE
• physiologisch:
• Farbreize über das Auge empfangen elektrischen Impulse im
Sehzentrum vom Gehirn verarbeitet und interpretiert
• Klassifizieren und Sortieren von Farbe nach Gegensätzen
• psychologisch:
• Sehen Interpretation Assoziationen der wahrgenommenen
Reize (subjektiven Wahrnehmung)
Visuelle Wahrnehmung
23. PHYSIOLOGIE DER WAHRNEHMUNG
• horizontaler Sichtbereich: ca. 180°
• vertikaler Sichtbereich: ca. 120°
• Blickwinkel ist aber dabei nur 1,5° nur einen geringen Teil,
um scharf zu sehen
• ca. 75% Prozent der Informationen über den Sehvorgang
• Netzhaut der lichtempfindlichen Schicht im inneren des
Auge Fotorezeptoren
• helligkeitsempfindliche Stäbchen
• drei farbempfindliche Zapfenarten für Rot, Grün und Blau
Visuelle Wahrnehmung
Farbwahrnehmung ist rein physiologisch gleich !
24. PHYSIOLOGIE DER FARBWAHRNEHMUNG
• visuelle Aufmerksamkeit beim Rezipienten zu erzielen Farb-
und Helligkeitsrezeptoren anregen
• visuelle Reize permanentes Vergleichen von Polen und
Gegenpolen im Gehirn
• menschliche Gehirn baut auf Gegensätze (sonst kontextorientierte
Entscheidung)
• Farbe= Farbton (Wellenlänge), Sättigung (Reinheitsgrad) und
Helligkeit (Lichtintensität)
Visuelle Wahrnehmung
Farbempfindung ist individuell !
25. PSYCHOLOGIE DER FARBWIRKUNG
• Aufmerksamkeit
• Farbkontraste
• Farbordnung
• Farbharmonien
• Farbkontraste
• Hell-Dunkel-Kontrast (Spannungaufbau)
• Kalt-Warm-Kontrast (schattig-sonnig, fern-nah)
• Komplementär-Kontrast (Buntheit, Spannung, Lebendigkeit, psych.)
• Simultan-Kontrast (Unterschiede: Hintergrund-Vordergrund, phys.)
• Qualitäts-Kontrast (Trübung, Pastell) und Quantitäts-Kontrast
(Flächengröße der Farben)
• Farbwirkung kann in psychologische, symbolische, kulturelle,
politische, traditionelle und kreative Wirkung unterschieden
werden (Heller, 2004 )
Visuelle Wahrnehmung
32. PHYSIK DER FARBWAHRNEHMUNG
• menschliche Wahrnehmungssystem empfängt
elektromagnetische Wellen mit einer Wellenlänge von ca. 380
nm bis 750 nm (Bereich des sichtbaren Lichtes)
Visuelle Wahrnehmung
33. FARBSYSTEME
• Unterscheidung in bunte (chromatischen) und unbunte
(achromatischen) Farben
• chromatische Farben = Farbton (Chrominanz), Farbsättigung
und Helligkeit (Luminanz)
• achromatischen Farben =Tonwertabstufungen der Helligkeit
(Luminanz) zwischen 0 und 255 (schwarz zu weiß)
Visuelle Wahrnehmung
34. FARBSYSTEME
• Farbmodelle in der digitalen Bildverarbeitung auf dieser
Zerlegung von Farbe Simulation der Farbwahrnehmung
(Krempel, 2004)
• Farbmodelle in der digitalen Bildbearbeitungspraxis
• CMYK (Farbraum der Körperfarben)
• RGB (Farbraum der Lichtfarben)
• CIE-L*a*b* (kurz Lab; Farbraum aller wahrnehmbaren Farben)
Visuelle Wahrnehmung
37. KOMMUNIKATIONSFORSCHUNG
Visualisierung als Kommunikationsmittel
• communicatio (lat.): Verbindung, Zusammenhang, Mitteilung
(Duden, 1986)
• Entwicklung der Schrift (etwa 3200 v. Chr.)
Auseinandersetzung mit der Bedeutung von Kommunikation
(Beck, 2010)
• Erfindung des modernen Buchdrucks (Mitte 15. Jh.)
Diskussion um den Einfluss von Kommunikation und
Kommunikationsmitteln (Merten, 1994)
Kommunikation
38. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL
• Entwicklung der Massenmedien: Telefon (seit ca. 1872), Film
(seit ca. 1895), Radio (seit ca. 1918), Fernsehen (seit ca. 1931)
sowie Internet (seit ca. 1992) Entfaltung wissenschaftlicher
Disziplinen „Wie funktioniert Kommunikation?“
• Sozialpsychologie: Kommunikation als Phänomen der
Wahrnehmung
• Sozialwissenschaften: Kommunikation als
Handlungsorientierung sozialer Individuen (Giesecke, 2002)
• Kommunikation von Individuum ausgelöst und trägt zur
Verhaltensänderung beim Rezipienten bei (Hovland, Janis & Kelley,
1953)
Kommunikation
40. VISUALISIERUNG ALS KOMMUNIKATIONSMITTEL
• Evolution sozialer Software im Internet «Prozess der
zwischenmenschlichen und wechselseitigen Verhaltens-
orientierung, die auf sozialer Interaktion beruht «(Schenk, 2007)
• Kommunikation beruht auf verschiedenen Codes und
Sprachen, um soziale Beziehungen aufzubauen,
aufrechtzuerhalten oder zu lösen (Schenk, 2007)
Kommunikation
43. KOMMUNIKATIONSMODELLE
Harold D. Lasswell (1948) Begründer der behavioristischen
Medienwissenschaft
»Wer (Sender) sagt was (Inhalt) über welchen Kanal (Medium) zu
wem (Empfänger) mit welchem Effekt (Effekt)?«
Kommunikation
44. KOMMUNIKATIONSMODELLE
Shannon und Weaver (1949/ 1963) informationstheoretische
Betrachtung der Kommunikation
gerichtete Einseitigkeit der Kommunikation gilt als überholt
(Rogers, 2003)
Kommunikation
45. KOMMUNIKATIONSMODELLE
ZWEI-STUFEN-FLUSS DER KOMMUNIKATION
• Paul F. Lazarsfeld, Bernard Berelson und Hazel Gaudet (1944)
und Katz & Lazarsfeld (1955)
zwischenmenschliche Kommunikation einflussreicher bei der
Meinungsbildung als der Wirkungsgrad eingesetzteR Medien
Kommunikation
46. KOMMUNIKATIONSMODELLE
MEHR-STUFEN-FLUSS DER KOMMUNIKATION
• Modell der Ko-Orientierung nach Newcomb (1953): balance-
theoretischen Ansatz Kommunikation als wechselseitiger
Prozess zwischen Akteuren
• Kommunikationstheorie nach Rogers (1962, 1981):
Wechselwirkungsmechanismen der Akteure
• »Cycles of Influence« nach Troldahl (1966): Mehrstufigkeit
der Kommunikation Trennung von Informationsfluss von
sozialer Beeinflussung
• Feldmodell der Kommunikation nach Maletzke (1963):
wechselwirkende Effekte der Massenmedien
Kommunikation
48. LERN- UND BILDUNGSFORSCHUNG
BEHAVIORISMUS
• Lernen als Effekt auf eine Reiz-Reaktion-Kette (Thorndike &
Gates, 1930)
• Lernen durch erwartete Konsequenzen - Belohnung /
Bestrafung (Skinner, 1953)
• Operantes konditioniertes Lernen = Kopplung von Zeichen
und Zeichenbedeutung + Informationstransfer + Verständigung
Bildungsforschung
49. LERN- UND BILDUNGSFORSCHUNG
KOGNITIVISMUS
• Lernen unter der Berücksichtigung von internen Prozessen
des menschlichen Gehirns (Schulmeister, 1981) ab Mitte der
1950er Jahre
Bildungsforschung
50. LERN- UND BILDUNGSFORSCHUNG
KONSTRUKTIVISMUS
• Lernen als Konstruktions- und Abstraktionsprozess interner
und externer Lebenswelten
• Selbstaktiviertes Lernen, in dem Wirklichkeit konstruiert und
mit der sozialen Umwelt abgeglichen (Piaget & Inhelder, 1972)
• Modell-Lernen: Beobachtung, Imitation und Modellierung
(Bandura & Walters, 1963)
Bildungsforschung
54. INFORMATIONSVISUALISIERUNG BIS 12.JH.
Historie
• Geografie erste hochwertige
Kartographien
• 550 v.Chr.: «Weltkarte» von
Anaximander von Miletus (Robinson, 1982)
• 90-150 n.Chr.: «Weltkarte» von
Claudius Ptolemäus (Thrower,1999)
• 400 n.Chr.: «Weltkarte» von
Martianus Capella (Tufte, 1983)
• 950 n.Chr.: erste astronomische
Visualisierung Neigung von
Planeten über Zeit (Funkhouser, 1936)
• 1137 n.Chr.: «Yu Chi Thu »-chines.
Landkarte (Tufte, 1983)
55. INFORMATIONSVISUALISIERUNG BIS CA. 16. JH.
Historie
• 1305: «Baum des Wissens» von
Ramon Llull erste symbol. Grafik
(Lullus, 1999)
• 1375: «Katalanischer Atlas» von
Abraham Cresques (Louvre, Paris)
• 1450(1455): «Gutenberg Bibel» von
Johann Gutenberg Text-Bild-
Kombination (Gutenberg-Museum, Mainz)
• 1500: «Selbstportrait» von Leonardo
da Vinci Quadrate zur
Proportionierung (Biblioteca Reale, Turin)
• 1570: «Atlas» von Abraham Ortelius
erster moderner Atlas (Theatrum Orbis
Terrarum, Antwerpen)
• 1610: «Krater auf dem Mond» von
Galileo Galilei erstes gedrucktes
astronom. Bild (Galilei,1610)
56. INFORMATIONSVISUALISIERUNG IM 17. JH.
Historie
• 1644: erste Visualisierung stat.
Daten von Michael F. van
Langren (Langren, 1644)
• 1662: erste demografische
Statistik von John Graunt (Graunt,
1662)
• 1679: erstes Netzdiagramm
von John Adams (Adams, 1679)
• 1686: «Karte der Passat- und
Monsunwinde der Erde» von
Edmond Halley (1701) erste
Wetter- und Isogonen-Karte
(Halley, 1686)
57. INFORMATIONSVISUALISIERUNG IM 18. JH.
Historie
• 1767-1796: erste graphische Analysen von Johann H. Lambert
Repräsentation in Liniengraphen (Lambert,1767)
58. INFORMATIONSVISUALISIERUNG IM 18. JH.
Historie
• 1782: «Tableau Poléométrique» von Charles de Fourcroy
Darstellungen von Proportionen (Fourcroy,1782)
Hierarchiche Analysen von
Städten
nach geografischem Gebiet
via proportionale Quadrate
stat. Analysen und
mathematische Visualisierung
59. INFORMATIONSVISUALISIERUNG IM 18. JH.
Historie
• 1786: erste Balkendiagramme von William Playfair (Playfair,1786;
Spence,2005)
Vergleich von Weizenpreis und Wochenlöhnen über 256 Jahre
60. Historie
• Beginn industrielle Revolution „Golden Age“ der
statistischen Grafik
• 1801-1805: erste Torten- und Kreisdiagramme von William
Playfair (Playfair,1801; Playfair,1805;Spence, 2005)
INFORMATIONSVISUALISIERUNG ANFANG DES 19. JH.
Verteilung der Bevölkerung
in den USA
BundesstaateninUSA
61. INFORMATIONSVISUALISIERUNG AB 1850 (I)
• 1851: Visuelle Karten von Charles J. Minard (Minard, 1861; Spence, 2005)
Historie
Herkunft von Fleischwaren,
die in Paris verzehrt werden
62. Historie
• 1854: Karte über Cholera-Epidemie von Dr. John Snow (Tufte,1983)
INFORMATIONSVISUALISIERUNG ANFANG DES 19. JH.
63. INFORMATIONSVISUALISIERUNG AB 1850 (II)
• 1861: Erste multivariate Fluss-Map von Charles J. Minard (Tufte,1983)
Historie
«Karte des Rußlandfeldzuges von Napoleon von 1812-1813» (Tufte (1983, S. 34)
1. Größe der Armee
2. Ort der Truppen zu einem 3.
bestimmten Zeitpunkt
4. Bewegungsrichtung der Armee
5. Temperatur auf dem Rückzug der
Armee nach der Belagerung von Moskau
64. INFORMATIONSVISUALISIERUNG AB 1850 (III)
• 1861: Venn-Diagramm von John Venn (Venn, 1880)
Historie
Proportionen und Zusammenhänge als Überlappung
«Überlappung griechischer, russischer und deutscher Buchstaben» (Lipedia (2012, Wikipedia, „Venn-Diagramm“)
66. INFORMATIONSVISUALISIERUNG AB 1900 (I)
• 1911 - 1913: Hertzsprung-Russell Diagramm von Ejnar
Hertzsprung und Henry Norris Russell (Spence & Garrison, 1993)
Historie
68. INFORMATIONSVISUALISIERUNG AB 1900 (III)
• 1924: Isotype-System (International System of Typographic
Picture Education) von Otto Neurath (Neurath,1973, Neurath,1991)
Historie
Mengen werden durch
gegenständliche Symbole
veranschaulicht,
bildstatistische
Informationsgrafik
70. INFORMATIONSVISUALISIERUNG AB 1950 (I)
• 1967: Theorie zu Repräsentationsformen von grafischen
Variablen von Jacques Bertin in «Sémiologie graphique» (Bertin, 1974)
• Typisierung von visuelle Variablen
• Unterteilung in Inhalten in Invarianten und Komponenten
• Invarianten: Form der Betitelung eines Diagramms
• Komponenten: Elemente, die später grafisch aufbereitet werden (< 3
sonst mehrere Bilder)
Historie
71. BERTIN‘S „GRAFISCHES SYSTEM“
• „Zeichner“ verschiedene Variablen, um Informationen zu
transkribieren
• ORDNUNGSSTUFEN:
• assoziativ: Ordnung durch Farben, Texturen, Orientierungs-
elemente, Formen
• selektiv: Ordnung durch Isolierung (Größe, Helligkeit, Texturen
und Farben)
• geordnet: Ordnung durch Reihenfolge (Größe, Helligkeit,
Texturen)
• quantitativ: Ordnung durch bewertbare Verhältnisse durch
(Größe)
Historie
Variablen der Ebene Variablen der «3. Dimension»
Punkt Größe
Linie Helligkeitswerte
Fläche Muster
Farbe
Richtung
Form
Quelle: Bertin‘ grafische Variablen (1974) in Krempel (2004)
72. INFORMATIONSVISUALISIERUNG AB 1950 (II)
• 1974: Farbcodierte bivariate Grafik des U.S. Bureau of the
Census (US Census,1974)
Historie
Zeitreihenstudie (1930-1969) zu Magenkrebs bei weißen Frauen in USA
73. INFORMATIONSVISUALISIERUNG AB 1950 (II)
• 1982: USA Today Wetterkarten von George Rorick (US Census,1974)
Beginn der colorierten Informationsgrafiken in Zeitungen und
Zeitschriften
Historie
74. INFORMATIONSVISUALISIERUNG AB 1950 (III)
• 1983: Systematisierung graphischer Ästhetik von Edward Tufte
(Tufte,1983/1990/1997) “Sparklines” (Tufte,2004)
• 1989: Einführung interaktiver Grafiken u.a. von P. Craig, J.
Haslett, M. Monmonier, A. Unwin, Graham Wills (Wills et al., 1989, Monmonier, 1989)
• 2002: erste Word-Cloud von Jim Flanagan (Flanagan, 2002) Wortgröße
als Designinstrument für Hervorhebung von Wichtigkeit
Historie
80. INFORMATIONSVISUALISIERUNG
WAS MÜSSEN WIR ÜBER DATEN WISSEN?
• WIE VIELE…?
• WOHER…?
• WER/ WEN/ WAS…?
• WANN…?
• VERTEILUNGSVERHALTEN?
(DURCHSCHNITT/SPITZE/SENKE)
• ORDNUNG UND RANKINGS…?
Visualisierungstools
81. INFORMATIONSVISUALISIERUNG
DIAGRAMME
• MS Office, Open Office, etc.
• Adobe Illustrator, Adobe Indesign, etc.
• Google Doc Spreadsheet
• Zeichnen von Graphen, Netzwerken und Diagrammen
• URL: http://www.google.de
Visualisierungstools
84. INFORMATIONSVISUALISIERUNG
TAG & WORD CLOUDS
• Wordle
• Exploration und Analyse von Tag & Word Clouds
• frei verfügbar
• URL: http://www.wordle.net/create
• Tagxedo
• Exploration und Anaylse von Tag & Word Clouds
• veränderbare Styles
• frei verfügbar
• URL: http://www.tagxedo.com/
Visualisierungstools
88. INFORMATIONSVISUALISIERUNG
INTERAKTIVE VISUALISIERUNGEN
• Many Eyes
• Zeichnen von Graphen, Netzwerken, Diagrammen, Clouds, etc.
• frei online verfügbar
• URL: http://www-958.ibm.com/software/analytics/manyeyes/
The New York Times Data Visualization Lab
• Gapminder (von Hans Rosling)
• Dynamische Visualisierung von Statistiken
• frei verfügbar und läuft auf Windows, Unix/Linux und Mac OS X
• Download: http://www.gapminder.org/downloads/
Visualisierungstools
89. INFORMATIONSVISUALISIERUNG
INTERAKTIVE VISUALISIERUNGEN
• Tableausoftware
• Zeichnen von Graphen, Netzwerken, Diagrammen, Clouds, etc.
• frei online verfügbar
• Download: http://www. tableausoftware.com
• Highcharts
• Dynamische Visualisierung von Statistiken
• frei verfügbar und läuft auf Windows, Unix/Linux und Mac OS X
• Download: http://www.highcharts.com
Visualisierungstools
96. „Visual Analytics is the science of
analytical reasoning facilitated by
interactive visual interfaces“
(Thomas & Cook, 2005)
97. ITERATIVER PROZESS
1. Extraktion und Exploration (Herauslösen und Aufdecken
wichtiger Informationen) Datenanalyse (Analyse wichtiger
Informationen)
2. Daten-Handling (Visualisierung und Modellbildung wichtiger
Informationen)
3. Visuelle Analyse (Analyse der dargestellten Informationen)
Visual Analytics
98. EINORDNUNG
KOMBINATION AUS
• Visualization & Interaction
• Human Perception & Kognition
• Computation & Mining
häufig mit dynamischer und emergenter
Informationsvisualisierung in einen Kontext
überführt
Visual Analytics
Thomas & Cook (2005) - http://www.infovis-wiki.net/index.php/Visual_Analytics
99. ABGRENZUNG
• Wissenschaftliche Visualisierungen: Daten haben ‘natural
geometric structure’ (Keim et al., 2008)
• Informationsvisualisierung: ‘handles abstract data structures
such as trees or graphs’ (Keim et al., 2008)
• Visual Analytics: ‘is especially concerned with sensemaking
and reasoning’ (Keim et al., 2008)
Visual Analytics
Keim D. A, Mansmann F, Schneidewind J, Thomas J, Ziegler H: Visual analytics: Scope and challenges. Visual Data Mining: 2008, S. 82.
Visual representations and interaction techniques to see,
explore, and understand large amounts of information at once.
100. ZIELE
EINBLICKE IN KOMPLEXE DATENWELT
• bietet grafische Repräsentation von Daten und Information für
Kommunikation von Schlüsselaspekten durch entsprechende
Verfahren
• verbindet Kommunikations-, Informationstheoretische und
Design-Aspekte
• soll Übertragungsleistung zwischen Medium und Rezipient
steigern
• Information soll dem Betrachter effizient und leicht verständlich
gemacht werden
Visual Analytics
101. ZIELE
DYNAMISCHE BEWERTUNG DES STATUS QUO
• Abgleich Vergangenheit und Präsenz Trends erkennen
• Entwicklung von Präventionsstrategien, Warnsignale erkennen,
Krisenmanagement etc.
• Bewertung aktueller Entwicklungen
• Aufdecken von Interaktionsindikatoren
• Unterstützung für Entscheidungsträger
Visual Analytics
[Keim et al 2008]: Visual analytics: Scope and challenges
102. EXTRAKTION UND EXPLORATION VON DATEN
1. Datenquellenbereinigung: Datenquellen müssen vor der
visuellen Analyse zuerst bereinigt werden z.B. Normalisierung
heterogener Datenbestände
2. Modellbildung: Mit Hilfe von Data Mining-Techniken werden
Modelle der Originaldaten generiert und visualisiert
3. Visualisierung: Die Visualisierungen werden mit
Interaktionstechniken für eine Analyse angereichert
Stetiger Wechsel zwischen visuellen und statistischen
Analysen
Visual Analytics
[Keim et al 2010]: Mastering The Information Age - Solving Problems with Visual Analytics
107. AUFGABEN
• Extraktion
• Exploration
• Visualisierung
von
• Daten & Informationen
zum
• Modellbildung
• Konzepterstellung
• Informationstransfer
• Kommunikation
… as Soft Skill
108. … as Soft Skill
Etwa 80 % der Arbeit
besteht aus dem Sammeln und
Herauslösen wichtiger Informationen
(Extraktion und Exploration) von Daten!
„Was will ich zeigen?“
109. … as Soft Skill
Nur ca. 20 % der Arbeit
ist eigentliche (grafische) Visualisierung!
„Wie will ich es zeigen?“
110. AUFGABEN DER VISUALISIERUNG
• Zugang zu neuen Informationen schaffen
• Reduzierung von Komplexität (Ballstaedt, 1997)
• Zusammenhänge erfassbar machen (Ware, 2000)
• Repräsentation und Verständlichkeit (Krempel, 2004)
• Aufmerksamkeit, Motivation und Stimulation (Ballstaedt,
1997)
… as Soft Skill
128. DATEN
ENTITÄTEN UND BEZIEHUNGEN (BERTIN,1977; WARE, 2004)
• Numerische Daten
• Kategoriale Daten
• Relationale Daten
• Textdaten, etc.
ATTRIBUTDATEN (WARE, 2004)
• Nominale Daten: Qualitative Merkmale ohne Ordnung (z.B.
Geschlecht, Geburtsort, dichotome Daten (ja/nein) etc.)
• Ordinale Daten: Qualitative Merkmale mit Ordnung (z.B. gut-bis
schlecht, Ratings, etc.)
• Metrische Daten: Merkmal und Dimension (z.B. Einkommen (in
Euro), Alter (in Jahren), Leistung (pro Stunde)
• Intervaldaten (zeitabhängig)
… as Soft Skill
129. DATEN
ATTRIBUTDIMENSION
• Univariate Daten: von einer Variable abhängige Daten z.B.
via Diagramm, etc.
• Bivariate Daten: von zwei Variablen abhängige Daten z.B.
via Scatterplot, Maps (z.B. PreisOrt), etc.
• Multivariate Daten: von mehreren Variablen abhängige Daten
via kombinierte Infografik, etc.
… as Soft Skill
135. Syntaktik
Pragmatik Semantik
formale Gestaltung eines Zeichens
Bedeutung und die Botschaft eines ZeichensZweck und Einsatzgebiet eines Zeichens
BEDEUTUNGSLEHRE VON VISUELLEN ZEICHEN
• Ferdinand de Saussure (1857–1913) & Charles S. Peirce
(1839–1914)
• Saussure: Bedeutung von Zeichen und Sprachelementen in der
Sprache «Semiologie» (Eco, 1962)
• Peirce (1903): Bedeutung und Rezeption von Zeichen
«Semiotisches Dreieck»
Semiotik
136. PEIRCE‘S VISUELLE ZEICHEN
• Ikone, Indizes und Symbole
• Einteilung nach Abstraktionsgrad
Semiotik
Ikone = Zeichen, die dem dargestellten Objekt sehr ähnlich sind
wie z.B. Piktogramme
Indizes = Zeichen, die direkt mit dem Objekt verknüpft sind,
aber kein direktes Abbild liefert wie z.B. Verkehrszeichen
Symbolische Zeichen = "arbiträre" Zeichen (Bedeutung eines
Zeichens sich nicht aus seiner Form und Farbe erschließt) z.B.
Markenzeichen, Logos und Flaggen
Ikone
Indizes
Symbole
Grafische Zeichen in Anlehnung an Peirce (1903)
137. ISOTYPES VON OTTO NEURATH
• 1924: Isotype-System (International System of Typographic
Picture Education) von Otto Neurath (Neurath,1973, Neurath,1991)
Historie
Mengen werden durch
gegenständliche Symbole
veranschaulicht,
bildstatistische
Informationsgrafik
139. FORMEN DER INFORMATIONSGRAFIK
• grafische (sprachunabhängige) Darstellung zur
Veranschaulichung von komplexen Sachverhalten und
Informationen via Bildsprache und Semiotik
• Bildstatistik (zur Strukturierung von Informationen als
Ordnungsprinzip) Mindmaps, Diagramme, Isotypes
• Kartografische Infografik (zur Darstellung und Interpretation von
Daten aus Messungen, Experimenten oder Computersimulationen
(Katzmair, 2004)
• spezielle Elemente wie räumliche Zusammenhänge, Grenzen, Flächen,
Linien und Positionen
• Ereignisraumkarte, Lage- oder Orientierungskarte, Thematische Karten
und Wetterkarten
• Kombinierten Infografik (Zusammenstellung einer Infografik mit
Text, Grafik, Karte und Bild (Böhringer et al., 2004)
Informationsgrafik
140. WEITERE FORMEN DER INFORMATIONSGRAFIK
• „Isotypische“-Infografik (Otto Neurath)
• Mengen werden durch gegenständliche Symbole veranschaulicht
• Form der bildstatistischen Informationsgrafiken von Otto Neurath
(1920/1930)
• Technische Infografik
• Interaktive Infografik
• Soziometrische Infografik bzw. Netzwerkvisualisierung
Informationsgrafik
143. WAS MACHT GUTE DATENVISUALISIERUNG AUS?
• Farben heben spezifische Daten hervor
• Größen Quantität schaffen Ordnung, zeigen Muster
• Orientierung (Hierarchien) Trends
Informationsgrafik
Klare Kommunikation durch Sortierung und
Ordnung von Information (Daten, Prozesse,
Hierarchien)!
144. KEY FACTS
• Mindmapping (5 W-Fragen? mit Beachtung des WARUM?)
• Kompaktheit und Verständlichkeit
• Lesbarkeit & Ästhetik
• Kombination von grafischen Elementen - Grafiken,
Diagrammen, Dynamiken, Piktogrammen, Texten etc.
• Beachtung wahrnehmungstheoretische Aspekte, Nutzen
von aktueller Visualisierungssoftware
Informationsgrafik
145. KEY FACTS
• Möglichkeiten der Schriftgestaltung ausnutzen
• Lesbarkeit und Ästhetik gewährleisten
Informationsgrafik
Lesbarkeit gewährleisten
zu kleine Schriftgrößen vermeiden (>10pt)
zu lange Zeilen vermeiden
Absätze als Gestaltungelement einbinden
kontrastreichen Aufbau (Textauszeichnung)
Ausrichtung von Text (zentriert, linksbündig, etc.)
nicht zu viele Schriften mischen (<=2‐3)
146. KEY FACTS
• Möglichkeiten der Farbgestaltung ausnutzen
• Farben in Dienst der Funktionalität stellen
„Weniger ist oft mehr!“
Informationsgrafik
Farben
Farben als Orientierungshilfe
Farben als Auszeichnungssprache
Farbe als Gestaltungelement (Vermeiden von gelb auf weiß , rot auf grün)
Kontraste (Bunt/Unbunt/Warm/Kalt/Komplementär/Simultan ...)
Datenspezifische Nutzung (Kategoriale Daten, etc.)
nicht zu viele Schriften mischen (i.d.R. 3‐5 Farbkombinationen reichen aus)
Übermäßige Musterung gilt es zu vermeiden
147. KEY FACTS
• Möglichkeiten der Farbgestaltung ausnutzen
• Dezente Flächen, starke Kontraste
• Helligkeit und Kontrast zwischen Vordergrund (Text) und Hintergrund
erleichtern das Lesen
• kontrastarme Farbgebung bei Flächenelementen
• kontrastreiche Farbgebung bei Überschriften und
Navigationselementen
• Struktur im Gestaltungsraster
• geordnet und ruhig
• Ziel muss erkennbar werden!
• Betitelung und Skalierung sind zu visualisieren (u.a. von
Diagrammen, Flussgrafiken, etc.)
Informationsgrafik
149. DATENVISUALISIERUNG
a) Lernen Sie den vorgegebenen Datensatz kennen und spielen
Sie damit! Was sind Schlüsselinformationen?
b) Explorieren Sie die Schlüsselinformationen aus Ihrem
Datensatz! Setzen Sie verschiedene Diagramm- und oder
Visualisierungsformen ein!
Übung 2
151. We dream in graphs –
we analyze in matrices
(Wellman, 2008)
152. HINTERGRUND
• Netzwerke immer existiert Netzwerktheorie hat eine lange
Tradition
• Mediatisierung des sozialen Netzwerks und die rasante
Entwicklung von Online-Netzwerken Evolution neuer
Forschungsgebiete
• Soziale Netzwerkanalyse (SNA) als Methode zur Extraktion,
Exploration, Visualisierung beziehungsorientierter
Informationen
• Soziologische Auseinandersetzung, Anwendungsforschung,
Methodenentwicklung und Netzwerkvisualisierung
Netzwerkvisualisierung
153. Soziologie:
• Tönnies (1887): social structure
• Simmel (1890): interdependencies and reciprocal interaction
• Durkheim (1893): forms of solidarity – division of society
• Weber (1921, 1984): forms of social action – »vergemeinschaftete«
und »vergesellschaftete« ties
Anthropologie:
• Alfred Radcliffe-Brown (1933): introduced the term »network«
• Machester Group: Gluckman, Barnes, Bott, Mitchell (Scott, 2000)
Psychologie:
• Jakob Levy Moreno (1934): sociometry
• Fritz Heider (1946): balance theory
• Kurt Lewin (1947,1951): group dynamics, gatekeeper effects
Introduction
154. • Katz und Lazarsfeld (1955): power of opinion leaders
• Stanley Milgram (1967): small world phenomenen
• six degrees of separation (Watts, 2003)
• Merton (1968): Matthew effect in science
• rich get richer and preferential attachments (Barabási, 2003)
• Rogers (1981): communication networks
• Harrison White, Boorman & Breiger (1976): blockmodelling
• Mark Granovetter (1973, 1983): strength of weak ties – job
seeker
• Ronald S. Burt (1987, 1992): social capital, social contagion,
structural holes
• Thomas Valente (1995): network exposure (treshold model)
• Gladwell (2000): tipping point – social epidemics (AIDS,
SARS, Internet)
Introduction
Netzwerktheorie in der Wissenschaft
155. • interpretierbar als metaphor oder concept Beziehungen zu
reflektieren
• »interconnected individuals who are linked by patterned
communication flows« (Rogers & Kincaid, 1981:203)
• besteht aus»interconnected individuals who are linked by
patterned flows of information« (Rheingold, 1985: 337)
• besteht aus»a finite set or sets of actors and the relation or
relations defined on them« (Wasserman & Faust,1994: 20)
• Beziehungen allgegenwärtig:
• Verwandtschaft, Freundschaft, Bekanntschaft
• Kollaboration, Kommunikation, Wettbewerb
• ökonomische, biologische physikalische Beziehungen
• soziale Interaktion
• Infrastrukturen (Straßen, …), Warenflüsse
• Social networks reflect relationships between social actors!
Introduction
Was ist ein soziales Netzwerk
156. WHAT IST SOCIAL NETWORK ANALYSIS (SNA)?
• Ansatz soziale Interaktion und Verhalten zu studieren
• Set von analyt. und stat. Techniken basierend auf
Graphentheorie
• exploriert und beschreibt Beziehungsmuster und
strukturelle Bedingungen, in denen Akteure eingebunden
sind
• systematische Analyse empirischer Daten
• Graphen als Visualisierungsform und bezieht sich auf
mathematische Modelle (Freeman, 2004: 3)
Introduction
157. GRAPH THEORY
• Leonhardt Euler (1736): »Königsberger Brückenproblem«
Introduction
Source: Solutio problematis ad geometriam situs pertinentis, Commentarii academiae
scientiarum Petropoli-tanae, 8, (1736) 1741, 128-140, (Opera Omnia, series 1, vol 7, 1-10)
158. Introduction
GRAPHENTHEORIE
FORMALE BESCHREIBUNG:
• “set of nodes connected by ties”
• Visualsierung soziometrischer Graph (Wassermann &
Faust, 2003)
• nodes (N) = depends on settings: social actors, organizations, etc.
in the network
• ties (e) = relation between the actors in the network (depends on
settings) friendship, kinship, advice, exchange, co-work
• graphs visualize the whole structure of ties
INTERDISZIPLINÄRE FORSCHUNGSMETHODE
(FREEMAN, 2004: 5)
159. FÜR WAS KANN SNA GENUTZT WERDEN?
• Verbesserung organisatorischer Strukturen (formal vs.
informal)
• Verbesserung Fluss von Kommunikation
• Vorhersage und Interventionsstrategie-Bildung
• Identifizierung von Schlüsselakteuren (Valente et al., 2003)
• Strategie zur Extraktion von Daten
• Visualisierungsform
Introduction
161. NETZWERKDATEN
• Knoten = Akteure in einem Netzwerk durch Größe, Farbe und
Form geordnet
• Kanten = Verbindungen zwischen Akteuren in einem Netzwerk
durch Stärke (Intensität), Richtung (Pfeile) und Farbe geordnet
• Attribute der Knoten und Kanten = qualitative und quantitative
Eigenschaften von Akteuren
• Visualisierung durch:
• Größe und Farbe (Kategorisierung und Abgrenzung)
• Anordnung (Struktur und Symmetrie)
• Ordnung durch Maximierung der Winkel (stumpfe Winkelung
=Ästhetik) und Minimierung der Kantenkreuzungen (Pfeffer, 2008)
Netzwerkvisualisierung
163. FORSCHUNGSDESIGNS
• Ego network (ego alters)
• set of contacts (alters) of one specific entity (ego)
• will collected for a sample of egos (e.g. usually in surveys)
• includes attributes of alters and ties
• »With whom do you talk about problems at work, personal
problems, etc.?« get different relationships
• Whole network
• whole set of ties of a particular group
• not focused on one specific entity
• includes attributes of alters and ties
• requires defining network boundaries
• observation, archives, …
Data collection
165. Data collection
SOURCES
• ACTIVE DATA COLLECTION VIA SURVEY
NAME GENERATOR / INTERPRETERS,
SNOWBALL SAMPLING, …
Who talks to whom (and how often) about personal problems?
social relationship
Who is involved in which organization? instrumental
relationship
• PASSIVE DATA COLLECTION VIA OBSERVATION
& ARCHIVAL WORK ARCHIVES,
WEBCRAWLER, …
blog postings, wiki edits, online transaction data, search
engines, website browsings, movements, bonus card
usages…
for quality control, customization, marketing, etc.
166. Data collection
DATENQUELLEN
• active data collection via survey name generator /
interpreters, snowball sampling, …
• Who talks to whom (and how often) about personal problems?
social relationship
• Who is involved in which organization? instrumental relationship
• passive data collection via observation & archival work
archives, webcrawler, …
• blog postings, wiki edits, online transaction data, search engines,
website browsings, movements, bonus card usages…
• for quality control, customization, marketing, etc.
167. Data collection
ZUSAMMENFASSUNG
AIM: WHAT DO YOU WANT TO ACHIEVE?
research question - determine networks of interest structure,
evolution, and function of networks
which data are collected - explanation of nodes and ties
DATA: HOW BIG IS THE POPULATION?
size and boundaries of the population
extraction of changing processes: using SNA or DNA
RESEARCH DESIGN: DOES YOUR RESEARCH FOCUS ON
THE INTERNAL STRUCTURE OF A POPULATION OR THE
EMBEDDEDNESS OF ACTORS?
complete network approach or ego centric network approach
168. NETWORK METRICS
• having collected data extract and explore data set to
describe, explain or predict human beings
• Group level
• network size, density, diameter (distance), centralization,
connectedness, …
• Individual level
• Degree centrality, Betweenness centrality, Closeness centrality,…
Analysis
» One of the primary uses of graph theory in social network analysis is
the identification of the most important actors in a social network«
(Wasserman & Faust, 1997 [1994])
169. NETWORK METRICS
• Network size
• number of nodes (or contacts in ego network)
• Density
• proportion of ties that actually exist to maximal possible ties
• compares existing links to all possible links
• must be interpreted in relation to the size of the group
Analysis
170. Analysis
EXAMPLE
DENSER ONLINE NETWORKS SPREAD BEHAVIOUR FASTER (CENTOLA,
2010)
BUT IS THE NETWORK TOO DENSE INFORMATION SEEK (GRANOVETTER,
1985; BURT, 1992)
Image source: Watts (2003:112)
171. CENTRALIZATION
• extent to which a network is dominated by one (or a few)
nodes
• comparing centrality of the most central node to the
centrality of other nodes
• normalized by dividing by the maximum centralization
possible for a network of the given size
• types: star, circle, chain, … (ranges 0…1)
Analysis
star circle chain
172. CENTRALITY
• Degree centrality (DC): Who is most popular in a network?
(Freeman, Linton C., 1978/1979)
• by virtue of their position people with high DC have access to the
ideas, thoughts, beliefs of many others
• Betweenness centrality (BC): Who is most potentially
influential, and positioned to broker connections between
groups in a network? (Freeman, Linton C., 1978/1979)
• by virtue of their position people with high BC have power to control
the flow of information and serve as a gatekeeper between groups
• Closeness centrality (CC): Who is on the shortest path
between all others in a network? (Freeman, Linton C.,
1978/1979)
• CC reveals how long it takes information to spread from one
individual to others in the network
Analysis
173. Analysis
EXAMPLE
Kite Network idea developed by David Krackhardt and Valdis Krebs (1990)
Diana acts as a connector or hub
(highest DC).
Heather has fewer connections than
Diane, yet she occupies a central
position between different parts of the
network. So she controls the flow of
information in the network (highest BC).
Fernando and Garth have fewer
connections than Diane. But they are at
a shorter distance from all other
network members. So they can monitor
the information flow in the network
(highest CC).
Ike and Jane have low centrality
scores. They are on the peripheral and
act maybe as innovator of new ideas
(Valente, 1995).
174. ZIEL
• Visualisierung relationaler Informationen von Daten
Aufdeckung von komplexen Zusammenhängen
• Darstellung relationaler Strukturen zur Extraktion, Exploration
und Präsentation von Informationen
• Verbesserung der Darstellung von Zusammenhängen
• Aufdeckung von versteckten Informationen
• Extraktion großer Datenbestände
• neue Visualisierungsform
Netzwerkvisualisierung
(Social) networks reflect relationships between entities!
175. BEISPIELE
• UML-Diagramme, Flow-Charts
• Diagramme biochemischer Reaktionsketten
• Abbildungen der Internet-Topologie
• Familienstammbäume
• Repräsentationen von Sozialstrukturen, etc.
REPRÄSENTATIONSFORM
• Knoten = graphische Symbole
• Kanten = gerade, gebogene oder rechtwinklig verlaufende
Linien, welche die zugehörigen Knoten verbindet
Netzwerkvisualisierung
176. VISUALISIERUNG VON KNOTEN UND KANTEN
• verschiedene Daten erfordern unterschiedliche
Visualisierungsformen bei Informationspräsentation (Krempel,
2004)
Netzwerkvisualisierung
Eignung Quantitativ Ordinal Nominal
Größe
Farbsättigung
Farbton
Textur
Formen
Farbsättigung
Farbton
Textur
Größe
Formen
Farbton
Textur
Farbsättigung
Formen
Größe
Attribute zur Visualisierung (Krempel, 2004)
177. ORDNUNGSVERFAHREN
Netzwerkvisualisierung
Zirkulare Ordnung
Die zirkulare Darstellung bietet
ein Ordnungsverfahren der
Darstellung, wo alle Akteure
des Netzes kreisförmig ange-
ordnet werden und dabei alle
Verbindungen den gleichen
Abstand zu den Akteuren
besitzen.
1
2
3
4
5
6
7
8
10
11
12
15
16
Haushalt
Geschehen
Arbeit
Sport
Unterhaltung
Privat
Einkommen
Kultur
Technik
Gesundheit
Politik
Liste
Neuanschaffung
178. ORDNUNGSVERFAHREN
Netzwerkvisualisierung
Graphentheoretische Ordnung
Zudem gibt es Graphentheoreti-
sche Ordnungsverfahren, die
sich zum Beispiel aus den
Distanzen und den Zentralitäten
(Anzahl der Verbindungen,
Anzahl der Nachbarschaften,
kürzeste Wege, etc.) der Akteu-
re ergeben. Zu diesen zählen
die Gruppe der «Spring
Embedder» und die MDS
(Mehrdimensionale Skalie-
rungs)-Verfahren.
12
3
4
5
6
7
8
10
11
12
15
16
Haushalt
Geschehen
Arbeit
Sport
Unterhaltung
Privat
Einkommen
Kultur
Technik
Gesundheit
Politik
Liste
Neuanschaffung
180. ORDNUNGSVERFAHREN
Netzwerkvisualisierung
Komponentenbasierte Ordnung
Kategoriale oder Komponentenba-
sierte Ordnungsverfahren basieren
auf der Typisierung von Knoten
ähnlich der Cluster-Analyse der
deskriptiven Statistik.
12345
6
7
8 10
11
12
15
16
HaushaltGeschehen
Arbeit
Sport
Unterhaltung
Privat
Einkommen
Kultur
Technik
Gesundheit
Politik
Liste
Neuanschaffung
181. • leistungsfähige Methode, um Zusammenhänge
wirkungsvollen darzustellen
– Aufgabe der Wissenschaft neue Methoden und Ansätze
interdisziplinär in die Untersuchungskontexte zu implementieren,
um komplexe Relationen sichtbar zu machen
• zunehmende mediale Verdichtung in den kleinsten sozialen
Einheiten sind die Kommunikationsprozesse nur schwer
fassbar, um auf Informationsfluss schließen zu können
• mit Hilfe relationaler Informationen, können Innovations-
und Diffusionsprozesse abgebildet werden
Netzwerkvisualisierung
182. SOFTWARETOOLS
• Network Overview Discovery Exploration for Excel
(NodeXL): http://nodexl.codeplex.com/
• Gephi: Graph exploration and visualization software
http://gephi.org/
• AutoMap: Network Text Analysis
http://www.casos.cs.cmu.edu/projects/automap/
• EgoNet Active Development: Ego-centric network analysis
http://sourceforge.net/projects/egonet/
• NetLogo: Modelling and Simulation of networks
http://ccl.northwestern.edu/netlogo/
Netzwerkvisualisierung
183. • ORA: Social Network Analysis, Network Visualization, Meta-
Network Analysis, Trail Analysis, Geospatial Network
Analysis, Network Generation
http://www.casos.cs.cmu.edu/projects/ora/
• Pajek: Analysis and Visualization of Large Scale Networks
http://vlado.fmf.uni-lj.si/pub/networks/pajek/
• R: Social network analysis within the versatile and popular
R environment
http://en.wikipedia.org/wiki/R_%28programming_language%
29
• tnet: Social network analysis of weighted, two-mode, and
longitudinal networks in R http://toreopsahl.com/tnet/
SNA software
184. • UCINET: Social Network Analysis tool
https://sites.google.com/site/ucinetsoftware/home
• VennMaker: Egocentric network analysis and interview
tool http://www.vennmaker.com/
• Visione: Interactive analysis and visualization of social
networks http://visone.info/
SNA software
185. • Edward R. Tufte: The visual display of quantitative information
(2. Ed.)
• Robert Spence: Information visualization (design for interaction)
(2.Ed.)
• Colin Ware: Information visualization (perception for design) (2.
Ed.)
• Lothar Krempel: Thinking with eyes (Article online available)
• New York Times: newyorktimes.com (Visual Analytics by
Amanda Cox)
Literaturhinweise