Datavisualisatie als informatie: Selftracking en Datamining minor I research Crosslab lente 2011 I 140211.

Presentatie over: "Datavisualisatie als informatie: Selftracking en Datamining minor I research Crosslab lente 2011 I 140211."— Transcript van de presentatie:

1 Datavisualisatie als informatie: Selftracking en Datamining minor I research Crosslab lente 2011 I 140211

2 oudste kaart: Catal Huyuk 6200 BC, http://www.latebytes.nl/?p=220 http://www.latebytes.nl/?p=220

3 oudste kaart: Catal Huyuk 6200 BC, http://www.latebytes.nl/?p=220 http://www.latebytes.nl/?p=220

4 Lust, 2006, http://lust.nl/oog/oog.php?view=world http://lust.nl/oog/oog.php?view=world

5 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!]

6 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

7 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: 1500 - 2000 woorden

8 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

9 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 http://tegenlicht.vpro.nl/afleveringen/2010-2011/the-future-of-finance/money-and-speed.html conclusies? > lezen: David Case, How to Design with Numbers (kopie), vat de kerngedachte samen.

10 welke criteria hanteer je bij datavisualisatie? welke bij dynamische datavisualisatie? voorbeeld: http://moebio.com/plasma/

11 Beautiful Evidence, Edward Tufte, 2006

12 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, 2006 http://www.latebytes.nl/?p=1115

13 datavisualisatie als informatie: interpretatie > is datavisualisatie ‘beautiful evidence’ I bewijsmateriaal? Joy of Stats: patronen, ‘averages’, ‘correlation’ http://www.open.ac.uk/openlearn/whats-on/the-joy-stats > patroonherkenning http://www.youtube.com/watch?v=-YlT1qFhJhk&feature=player_embedded > gemiddelden > relatie tussen data > wat is de relatie informatie - vormgeving > dataviz als kennis: welk soort kennis? > manipulatie? http://www.spotlighteffect.nl/media/internet/vijf-alternatieve-manieren-om-de-amerikaanse-verkiezingen-te-volgen/

14 betekenis van datasets: researchdomein: Selftracking en Datamining informatie overload I datafilters I datamanipulatie twee perspectieven: 1. datamining: http://www.britannica.com/EBchecked/topic/1056150/data-mining http://www.britannica.com/EBchecked/topic/1056150/data-mining - 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?

15

16 voorbeelden datamining a world of tweets, 2010 http://aworldoftweets.frogdesign.com/ The Dumpster, Golan Levin, 2006 http://www.tate.org.uk/netart/bvs/thedumpster.htm

17 Selftracking I Quantified Self I Life logging "Self-knowledge through numbers” [Quantified Self]Quantified Self “zelfportet als data” > Kevin Kelly: http://www.kk.org/ http://www.kk.org/ > leven als kwantificeerbare data > doel: optimalisering eigen functioneren > eigen dataset > rol van dig. media > personalisering > mobile computing / tools / apps etc. http://quantifiedself.com/2010/11/roundup-lifelogging-tools/#more-775 > welke informatie laat je zien, voor wie?

18 doel I functie - relateren van data http://your.flowingdata.com/ - alles kwantificeren rambler shoes http://vimeo.com/10868721 http://vimeo.com/10868721 - is alles kwantificeerbaar? onzichtbare data… http://www.trackyourhappiness.org/ http://www.moodscope.com/ http://www.youtube.com/watch?v=ujcrJZRSGkg&feature=player_embedded#at=22

19 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?

20 > lezen: Gary Wolf, The Data Driven Life, New York Times, April 28, 2010 http://www.nytimes.com/2010/05/02/magazine/02self-measurement-t.html?_r=1&ref=magazine Lev Manovich, Social Data Browsing, 12 February 2006 http://www.tate.org.uk/intermediaart/entry15484.shtm korte samenvatting

21 bronnen datamining Lev Manovich, The Age of Datamining website http://manovich.net/category/the-age-of-data-mining/ Lev Manovich, Social Data Browsing, 12 February 2006 http://www.tate.org.uk/intermediaart/entry15484.shtm Datamining door de politie http://www.sentient.nl/docs/dataming_voor_igp.pdf http://www.wired.com/images_blogs/threatlevel/files/dni_datamining_report_2008.PDF Self Tracking / Quantified Self The Quantified Self: http://quantifiedself.com/http://quantifiedself.com/ Gary Wolf om the Quantified Self (video) http://flowingdata.com/2010/10/07/gary-wolf-on-the-quantified-self/ Gary Wolf, Know Thyself: Tracking Every Facet of Life, from Sleep to Mood to Pain, Wired, 17 June 2010 http://www.wired.com/medtech/health/magazine/17-07/lbnp_knowthyself?currentPage=all Gary Wolf, The Data Driven Life, New York Times, April 28, 2010 http://www.nytimes.com/2010/05/02/magazine/02self-measurement-t.html?_r=1&ref=magazine