Ergebnisse

Lernkurve war zu hoch. Auch das Sammeln von relevanten Daten führt zu Problemen.

Um ein Datenelement als exploriert zu markieren, genügte es, das Datenelement mit einer Magic Lens zu explorieren. Dies ist jedoch keine Garantie dafür, dass die Probanden diese Fahrtinformationen auch wahrnehmen. Dadurch fehlt es den für die Betrachtung relevanten Daten an Aussagekraft.

7.2. Ergebnisse

relevanten Daten würde in einem realistischen Szenario mit mehr Filteroptionen kleiner werden. Ebenfalls ist eine Bestimmung relevanter Daten in einem realistischen Szenario schwierig, da diese individuell für die Aufgabe oder Hypothese anpassbar sein müss-ten. Die Prozentzahl der relevanten betrachteten Daten muss nicht zwingend hoch sein.

Wenn es sich um eine qualitativ gute Hypothese handelt, die Daten aus der Betrachtung herausnimmt, ist die Prozentzahl auch kein universelles Auswertungskriterium.

7.2.2. Verhaltensmuster

In diesem Abschnitt werden die Verhaltensmuster der Anwender diskutiert, welche durch die verschiedenen Visualisierungen ausgelöst wurden. Ein Teil der negativen Aspekte ist durch Anpassungen an der Implementierung der Visualisierung lösbar. Trotzdem ist es wichtig zu verstehen, wodurch die Verhaltensmuster entstehen, um so ein Attention Guiding zu realisieren, welches den Anwender bei möglichst vielen Anwendungsfäl-len unterstützt. Für die Auswertung werden Scanpaths verwendet, damit eine direkte Beziehung zwischen der Visualisierung und den Fixationen hergestellt werden kann.

Heatmap-Visualisierung

Durch die Heatmap-Visualisierung konnte das folgende Verhaltensmuster identifiziert werden: Cluster werden von den Probanden gefunden und erhalten Aufmerksamkeit.

Datenelemente, die nicht durch die Visualisierung hervorgehoben sind, werden von den Probanden außer Acht gelassen. Nur wenn zu wenig Datenelemente durch die Heatmap hervorgehoben werden, beginnen die Probanden, außerhalb der Visualisierung zu suchen.

Bei Aufgaben, deren Ziel es ist, Cluster zu finden, funktioniert die Visualisierung. Sind Outlier gesucht, insbesondere Datenelemente, die nicht visualisiert werden, mussten die Probanden andere Lösungsstrategien finden. Einer Gruppe von Domänenspezialisten sollte die Funktionsweise einer Heatmap bewusst sein. Daher sollten sie auch außerhalb der Visualisierung suchen, wenn die Aufgabe es erfordert.

Trajektorien-Visualisierung

Bei der Verwendung der Trajektorien-Visualisierung haben die Probanden vor allem die Enden der Trajektorien betrachtet. Das führte dazu, dass Fahrten, die bereits an einer früheren Stelle endeten, übersehen wurden. Ebenso hatten die Probanden Probleme, sowohl die Länge als auch die Häufung der angezeigten Trajektorien richtig einzuschätzen.

Die Ursache hierfür liegt in der Darstellung. Eine Trajektorie besteht aus einer Reihe von Koordinaten, welche während der Fahrt aufgezeichnet werden. Diese GPS-Koordinaten werden durch einfache Linien verbunden, daher können sich Trajektorien überlagern. Das erschwert sowohl die Abschätzung der Trajektorienanzahl als auch die Nachverfolgung einzelner Trajektorien. Gelegentlich wurde der Verlauf von Trajektorien

von Probanden mit einer Magic Lense verfolgt. Dies führte zu keinem Ergebnis, da es sich dabei um Trajektorien handelte, deren zweiter Punkt außerhalb des Kartenausschnitts lag.

Punkte-Visualisierung

Die Punkte-Visualisierung hat die Aufmerksamkeit der Probanden für die verschiedenen Schwerpunkte der Aufgaben am flexibelsten gesteuert. So wurden sowohl Cluster durch Häufungen der Punkte erkannt als auch einzelne Datenelemente, welche über die Karte verstreut waren. Bei der Punkte-Visualisierung können ebenfalls weitere Anpassungen der Implementierung vorgenommen werden, um die Effizienz der Visualisierung weiter zu erhöhen. Wie von den Probanden angemerkt wurde ist die Betrachtung aller ein-zelnen Datenelemente anstrengend. Ein Brute-Force Ansatz, wie die Exploration aller Punkte, sollte eigentlich eher die Ausnahme sein. Im Normalfall würden die verteilten Datenelemente mithilfe einer Filterung oder einer Hypothese eingegrenzt werden.

Vergleich der verschiedenen Anwenderverhaltensweisen

Wird die Heatmap-Visualisierung mit der Trajektorien-Visualisierung verglichen, so haben beide Visualisierungen ihre individuellen Schwächen. Die Probanden lassen sich von beiden Visualisierungen dahingehend beeinflussen, dass Datenelemente überse-hen werden. Die Heatmap-Visualisierung lenkt die Aufmerksamkeit der Probanden auf Häufungen von Datenelementen, während die Trajektorien-Visualisierung die Aufmerk-samkeit auf nur dann auf die Häufungen lenkt, wenn sie am Ende der Trajektorien liegen.

Im Gegensatz zur Heatmap-Visualisierung werden bei der Punkte-Visualisierung alle Datenelemente angezeigt. Dadurch können auch die Outlier Aufgaben besser gelöst werden, da die Aufmerksamkeit an diverse mögliche Stellen geleitet wird. Für die Suche nach Clustern eigenen sich beide Visualisierungen.

7.2.3. Visualisierungsunabhängige Verhaltensmuster

Die gefundenen visualisierungsunabhängigen Verhaltensmuster sind größtenteils von der Benutzeroberfläche abhängig. Das bedeutet beispielsweise, dass Blicksprünge hin zur Schaltflächen oder davon weg zu erwarten sind. Ebenso wie die Betrachtung der Statistik, angezeigt neben der Magic Lens oder der in der Gruppenübersicht zu erwarten sind. Das liegt daran, dass diese Elemente Teil der Benutzeroberfläche sind und für die Verwendung der Anwendung benutzt werden müssen. Die Betrachtung der Mausbewe-gung im Verhältnis zur Blickposition lässt erkennen, dass für eine MausbeweMausbewe-gung das Ziel bekannt sein muss. Die Maus folgt der Blickposition nur, wenn die Maus für eine Form der Interaktion benötigt wird, beispielsweise als Zeigehilfe oder für eine Selektion.

Das Beispiel mit der Statistik ist hierbei nicht aussagekräftig. Sofern die Magic Lens nicht

7.2. Ergebnisse

platziert wurde, würde eine Mausbewegung die Informationen der Statistik verändern, daher wird die Maus nicht bewegt. Im Fall der platzierten Magic Lens wurden zwei Fälle gefunden, dabei wurde zum einen die Maus an der Lens gelassen, zum anderen wurde die Maus aber bewegt, um als Zeige- oder Leseunterstützung verwendet zu werden. Daher sind diese Verhalten nicht immer eindeutig identifizierbar, da sie von den individuellen Vorlieben und dem Verhalten der Anwender abhängig sind.