Studienszenario

In diesem Abschnitt werden die allgemeinen Faktoren der Studie dargestellt. Das er-möglicht es, die später diskutierten Ergebnisse direkt im Kontext zu betrachten. Dabei werden sowohl die Eigenschaften der Probanden, der Aufbau der Studie, die AoIs von TrajectoryLenses und die gesammelten Daten diskutiert.

7.1.1. Probanden

Studierende der Universität Stuttgart hatten sich bereit erklärt, als Probanden zu fungieren.

Nach eigenen Angaben haben zwei Probanden die Grundlagenvorlesung Information Visualisation und Visual Analytics bestanden. Des Weiteren absolvieren 17 Probanden einen Studiengang mit Informatik-Schwerpunkt. Daher sind die Ergebnisse ohne weiteres Überprüfen nicht auf Domänenspezialisten übertragbar. Die Ergebnisse lassen sich also nur auf Anfänger oder Erstanwender eines solchen Visualisierungssystems anwenden.

Die Ortskenntnisse der Probanden können sich ebenfalls unterschiedlich auf das Studien-szenario auswirken. Eine der schwierigsten Aufgaben für die Probanden war Aufgabe Nr.

10. Hier wurden die Probanden gefragt, wie viele Fahrten an der Universität Stadtmitte enden. Die Annahme, dass die Probanden aus ihrer Erinnerung rekonstruieren können, wo sich die Universität aufhalten, war falsch, obwohl 15 der Probanden sich aufgrund ihrer studentischen Arbeit oder ihres Studiengangs regelmäßig in der Stadtmitte auf-halten. Dieses Beispiel zeigt, dass die Probanden für die Lösung der Aufgaben auf die Karteninhalte angewiesen sind. Zusätzlich kann angenommen werden, dass nur wenige Informationen aus dem Alltag in die Studie übertragen wurden.

7.1.2. Aufbau

Visual Analytics Anwendungen werden entweder von Domänenspezialisten oder For-schern verwendet. Wie bereits in 7.1.1 erklärt wurde, handelt es sich bei den Probanden um Studierende, daher hätte ein komplexes Analyseszenario vermutlich zu zusätzlichen Schwierigkeiten geführt. Um weitere mögliche Erschwernisse für die Probanden zu ver-meiden, wurden, wie in Kapitel 5.1 erläutert, viele Funktionalitäten von TrajectoryLenses für die Studie deaktiviert.

Sowohl die Statistiken neben der Magic Lens als auch in der Gruppenanzeige sind nicht optimal für die Lösung der Aufgaben. Die Statistiken zeigten für die jeweiligen Eigen-schaften der Daten nur Durchschnittswerte an. Dadurch erhält der/die AnwenderIn zwar einen guten Überblick über die explorierten Daten, aber keinen Einblick in die Verteilung oder in Extremwerte. Vermutlich würden Filterfunktionen für den Gesamtdatensatz diese Probleme auch lösen.

Den Probanden stehen nur zwei der Magic Lenses sowie die gruppenabhängige Visualisie-rung zur Verfügung. Die gefundenen Lösungsstrategien stellen daher nur einen kleinen Teil der insgesamt möglichen Lösungsstrategien von TrajectoryLenses dar. Durch die Beschränkung des Kartenausschnitts und die Entfernung der Zoomfunktion für die Kar-te entsKar-teht auch eine Einschränkung in der Menge möglicher Lösungen, die gefunden werden können. Mithilfe der Zoomfunktion hätten die Probanden vermutlich auch die Fahrten genauer filtern können, um dadurch exaktere Lösungen zu finden.

Das Ziel dieser Bachelorthese ist nicht die Evaluierung von TrajectoryLenses, sondern die Evaluierung der Wechselwirkung zwischen Anwender und Attention Guiding. Die Aufgaben der Studie repräsentieren daher auch nur einen Teil eines regulären Analyses-zenarios. Trotzdem wurden durch die Aufgaben die Analysestrategien aus Kapitel 2.1.1 abgebildet. Wichtig ist, dass die Probanden die Visualisierungen zur Exploration der Daten nutzen. Ebenso sollte die Bearbeitung der Aufgaben nicht zu viel Zeit in Anspruch nehmen, da sonst die Datenmengen für die einzelnen Aufgaben zu groß werden und so die Auswertung erschweren. Unter Berücksichtigung all dieser Voraussetzungen sind die Aufgaben konzipiert worden.

7.1. Studienszenario

7.1.3. Fehlende Analyse von AoIs

Für die Studie waren im Voraus verschiedene AoI definiert. Dabei handelte es sich um den Kartenausschnitt, die Magic Lenses und die Gruppenstatistik. Die daraus erzeugten Sequence Charts, vorgestellt in Kapitel 3.2.1, haben nur wenig Aussagekraft im Vergleich mit den verwendeten Scanpaths. Das liegt vor allem daran, dass es keine AoI für die auf der Karte dargestellten Stadtteile oder Visualisierungen gibt. Daher blieb eine Analyse der AoI in der Auswertung aus. Im Folgenden werden sowohl die Herausforderungen als auch mögliche Chancen diskutiert.

Eine Abbildung der AoI auf Stadtteilen schafft weitere Herausforderungen. So muss sichergestellt werden, dass der AoI-Hit-Test trotz Abweichungen in der Aufnahme der Blickpunkte funktioniert, was durch die Form der einzelnen Stadtteile erschwert wird.

Eine ungenaue, aber einfache Möglichkeit ist die Einteilung des Kartenausschnitts. In ein Gitter aus AoI. Dadurch werden die einzelnen Stadtteile nicht exakt abgebildet aber ein solches Gitter existiert bereits in Form von geographischen Koordinaten (Längen-und Breitengraden). Es ist zwar eine Anpassung an die Zoomstufen notwendig, aber es entstehen auch Vorteile. So kann beispielsweise: ohne Vorarbeit eine andere Stadt betrachtet werden. Durch eine Überlagerung der AoI ließe sich erkennen, ob der/die AnwenderIn gerade den Rand einer AoI untersucht. Die einzelnen Abschnitte ließen sich mit Meta-Informationen verknüpfen wie ländliche Region, Innenstadt usw. Dadurch wäre es möglich Hypothesen und Aufgabenstellungen genauer zu untersuchen. Eine zusätzliche Erweiterung wäre die Zuordnung von Datenelementen auf diesem Gitter.

Damit wäre es möglich, genauere Analysen über die Data Coverage durchzuführen. Die Zuordnung von AoI zu den Visualisierungen ist ebenfalls eine Herausforderung. Das Hauptproblem hierbei ist die Ungenauigkeit bei der Aufnahme der Blickposition. Die gemessene durchschnittliche Abweichung von 40 px genügt, um bei einem AoI-Treffer-Test eine Trajektorie zu verfehlen oder bei der Punkte-Visualisierung einen ganz anderen

Punkt zu treffen.

7.1.4. Gesammelte Daten

Die Qualität der gesammelten Daten ist ebenfalls eine Herausforderung. Nicht nur die Abweichung der Blickposition ist ein Problem sondern auch nicht valide Blickpositionen.

Diese entstanden, wenn die Probanden nicht auf den Monitor schauten oder der Eye-Tracker die Augen nicht korrekt erfasste. Zusätzlich kommt es in der Aufzeichnung zu

Lücken von mehreren 100 ms. Davon sind auch die Mauspositionen betroffen. Woher genau diese Fehler stammen, wurde bisher nicht näher untersucht. Häufig treten sie aber auf, wenn Magic Lenses erzeugt werden oder Regionen mit hohen Konzentrationen an Datenelementen exploriert werden. Diese Umstände führen zu Erschwernissen in der Analyse. Durch das Fehlen einer Signifikanz zwischen den Gruppen ist ein Vergleich, ähnlich wie in Kapitel 3.3.1, nicht durchführbar. Die Ursache hierfür können entweder die Aufgaben sein, da diese zu komplex sind, oder die von den Probanden geforderte

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.