Datavisualisatie als informatie: Selftracking en Datamining minor I research Crosslab lente 2011 I

oudste kaart: Catal Huyuk 6200 BC,

oudste kaart: Catal Huyuk 6200 BC,

Lust, 2006,

research: datavisualisatie zelfstandig onderzoek naar: blok 1: data als informatie definities, betekenis, context > onderzoeksvraag blok 2: data en vormgeving > research mbt vormgeving blok 3: data en publiek > research mbt user deliverable eind semester: - onderzoeksdocument [beeld / tekst] I opdracht uit de praktijk - blog / proces [compleet!]

blok 1: datavisualisatie als informatie I betekenis kernvraag: Hoe geef je betekenis aan een dataset dmv een datavisualisatie? subvragen: Welke gegevens gebruik je voor je dataset? Wat visualiseer je, wat niet? -> vooronderzoek onderzoeksvraag

eindopdracht sem6 de opdracht bestaat uit 2 onderdelen 1. een onderzoeksblog met: alle opdrachten incl. definities I vocabulary I literatuurlijst I samenvattingen etc. 2. een onderzoeksdocument - onderzoeksvraag: afgebakend, beantwoordbaar - uitwerking van je onderzoek [cases, bron- en praktijkonderzoek] - jouw benadering mbt datavisualisatie (praktijkopdracht) - je onderbouwde visie [referenties, min. 10]: totaal: woorden

stappenplan research blok 1: vooronderzoek: achtergrond, definities, voorbeelden, actueel debat Stap 1: wat is datavisualisatie definities / context: kenmerken, voorgeschiedenis, actualiteit research: voorbeeldprojecten Stap 2: wat is de betekenis van data? data als informatie definities / context: selfhacking en datamining field- deskresearch: verzamelen en analyseren data voor de dataset Stap 3: wat is het actuele debat? Welke opinies. discussies en vraagstukken zijn er? research: inventarisatie vakliteratuur /- actuele media Stap 4: wat is jouw rol als ontwerper? De macht van de metafoor, hoe zet je datavisualisatie in? research: vakbronnen -> definiëren onderzoeksvraag

research opdracht 1 eerste onderzoek [blog] > selecteer: 3 uiteenlopende / extreme datavisualisaties. wat is de relatie tussen inhoud en vorm? welke gegevens worden prominent uitgelicht, welke niet? wat betekent dat voor de interpretatie? > bekijk: The Future of Finance conclusies? > lezen: David Case, How to Design with Numbers (kopie), vat de kerngedachte samen.

welke criteria hanteer je bij datavisualisatie? welke bij dynamische datavisualisatie? voorbeeld:

Beautiful Evidence, Edward Tufte, 2006

Science and art have in common intense seeing, the wide-eyed observing that generates empirical information. This book is about how that seeing turns into showing. Edward Tufte, Beautiful Evidence,

datavisualisatie als informatie: interpretatie > is datavisualisatie ‘beautiful evidence’ I bewijsmateriaal? Joy of Stats: patronen, ‘averages’, ‘correlation’ > patroonherkenning > gemiddelden > relatie tussen data > wat is de relatie informatie - vormgeving > dataviz als kennis: welk soort kennis? > manipulatie?

betekenis van datasets: researchdomein: Selftracking en Datamining informatie overload I datafilters I datamanipulatie twee perspectieven: 1. datamining: van datamining naar KDD (Knowledge Discovery in Databases) - data-identiteit en data-set door overheden I bedrijven I marketing - hoe, voor wie en waarom visualiseren zij persoonlijke data?

voorbeelden datamining a world of tweets, The Dumpster, Golan Levin,

Selftracking I Quantified Self I Life logging "Self-knowledge through numbers” [Quantified Self]Quantified Self “zelfportet als data” > Kevin Kelly: > leven als kwantificeerbare data > doel: optimalisering eigen functioneren > eigen dataset > rol van dig. media > personalisering > mobile computing / tools / apps etc. > welke informatie laat je zien, voor wie?

doel I functie - relateren van data - alles kwantificeren rambler shoes is alles kwantificeerbaar? onzichtbare data…

opdracht 2: betekenis van persoonsgebonden datasets? op je blog publiceren bespr: 21 feb > onderzoek de begrippen Selftracking en Datamining, definieer in eigen woorden. [min. 6 bronnen, in literatuurlijst] > beschrijf de relatie tussen Selftracking en Datamining, voor- en / of nadelen? > zijn data ‘beautiful evidence’? Geef 3 voorbeelden van Selftracking en 3 van Datamining [kwantificeerbare / ‘onzichtbare’ data]. analyseer: - doel / doelgroep? - welke datasets worden gevisualiseerd? hoe? - welke patronen, gemiddelden en relaties zie je? - wat kan je concluderen?

> lezen: Gary Wolf, The Data Driven Life, New York Times, April 28, Lev Manovich, Social Data Browsing, 12 February korte samenvatting

bronnen datamining Lev Manovich, The Age of Datamining website Lev Manovich, Social Data Browsing, 12 February Datamining door de politie Self Tracking / Quantified Self The Quantified Self: Gary Wolf om the Quantified Self (video) Gary Wolf, Know Thyself: Tracking Every Facet of Life, from Sleep to Mood to Pain, Wired, 17 June Gary Wolf, The Data Driven Life, New York Times, April 28,