Titelaufnahme

Titel
Integrating Explicit Knowledge in the Visual Analytics Process / von Markus Wagner
Weitere Titel
Integrating Explicit Knowledge in the Visual Analytics Process
VerfasserWagner, Markus
Begutachter / BegutachterinAigner, Wolfgang
ErschienenWien, 2017
Umfang346 Seiten
HochschulschriftTechnische Universität Wien, Dissertation, 2017
Anmerkung
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprueft
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
SpracheEnglisch
DokumenttypDissertation
Schlagwörter (EN)Visual Analytics / Information Visualization / Knowledge-Assisted Visualization / Time-Oriented Data
URNurn:nbn:at:at-ubtuw:1-100388 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Integrating Explicit Knowledge in the Visual Analytics Process [20.72 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Visual Analytics (VA) zielt darauf ab, die Stärken des Menschen und des Computers für eine effektive Datenanalyse zu kombinieren. Hierbei ist das implizite Wissen des Menschen aus früherer Erfahrung wichtig, welches vom Menschen und vom Computer zu Verbesserung des analytischen Prozesses genutzt werden kann. Während in VA Anwendungen begonnen wird dieses Wissen eigenschaftsbasiert zu formalisieren, speichern und zu nutzen, ist jedoch der Integrationsgrad von explizitem Wissen sehr unterschiedlich und diese Art von Anwendungen wurde auch noch nie durch vorhandene VA Theoriearbeiten ausgearbeitet. Diese Dissertation zielt darauf ab, diese Lücke zu schließen, indem sie ein neues theoretisches High-Level-Modell vorschlägt, welches konzeptionell auf dem 'Simple Visualization Model' von Van Wijk basiert, um die Visualisierungscommunity zu unterstützen. Das neue 'Wissensgestützte VA Modell' bietet die Möglichkeit, alle Komponenten und Prozesse zu beschreiben, um wissensunterstützte VA Systeme zu charakterisieren. Darüber hinaus unterstützt es VisualisierungsexpertInnen und -designerInnen durch Vergleichs- und Bewertungsmöglichkeiten von wissensgestützten VA Systemen und hilft zugleich bei der Entwicklung neuer Lösungen. Um die Anwendbarkeit des neuen Modells zu demonstrieren, werden anhand eines problemorientierten Forschungsansatzes wissensgestützte Visualisierungssysteme für zeitorientierte Daten im Kontext zweier realer Probleme studiert. Die erste Fallstudie konzentriert sich auf die Domäne der IT-Sicherheit, um ExpertInnen bei der verhaltensbasierten Schadsoftwareanalyse zu unterstützen. Deshalb haben wir KAMAS, ein wissensgestütztes Visualisierungssystem für die verhaltensbasierte Schadsoftwareanalyse entwickelt und beschreiben dessen Design, Implementierung und Evaluierung. Um medizinische ExpertInnen während ihrer täglichen Arbeit zu unterstützen, führten wir eine zweite Fallstudie durch, wobei wir KAVAGait, eine wissensunterstützte VA Lösung für die klinische Ganganalyse entwickelt haben. Darüber hinaus haben wir die Verwendbarkeit des Modells für den Vergleich verschiedener Designalternativen veranschaulicht und bestehende Ansätze hinsichtlich ihrer Nutzung vonWissen bewertet. Unser Modell kann von DesignerInnen als High-Level-Blaupause verwendet werden, um neue effektive VA Anwendungen in Kombination mit explizitemWissen zu entwickeln. Darüber hinaus haben wir festgestellt, dass der VA Prozess auf vielfältige Weise durch explizites Wissen profitiert: 1) durch Einbeziehung in den automatisierten Datenanalyseprozess; 2) für die Anpassung der System-Spezifikation und 3) um schneller neues implizites Wissen über die Daten zu gewinnen. Schließlich präsentieren wir zukünftige Forschungsmöglichkeiten in Bezug auf explizites Wissen. Dazu gehören unter anderem die Integration in den Interaktionsprozess, die Verflechtung mit automatisierten Datenanalysemethoden sowie die Validierung von explizitemWissen und die Auswertung von wissensgestützten VA Systemen.

Zusammenfassung (Englisch)

Visual analytics (VA) aims to combine the strengths of the human user and computers for effective data analysis. In this endeavor, the user's implicit knowledge from prior experience is an important asset that can be leveraged by both, the user and the computer to improve the analytics process. While VA environments are starting to include features to formalize, store and utilize such knowledge, the mechanisms and degree to which these environments integrate explicit knowledge varies widely. Additionally, a theoretical model and formalization of this class of VA environments is not available in the VA community yet. This doctoral thesis aims to close this gap by proposing a new theoretical high-level model conceptually grounded on the 'Simple Visualization Model' by Van Wijk supporting the visualization community. The new 'Knowledge-assisted VA Model' provides the ability to describe all components and processes to characterize knowledge-assisted VA systems. Additionally, it supports visualization experts and designers by comparing and evaluating knowledge-assisted VA systems as well by creating new solutions. To demonstrate the model's application, we use problem-driven research to study knowledge-assisted visualization systems for time-oriented data in the context of two real world problems. The first case study focuses on the domain of IT-security to support experts during behavior-based malware analysis. Therefore, we developed KAMAS, a knowledge-assisted visualization system for behavior-based malware analysis, describing its design, implementation, and evaluation. Additionally, to support clinical gait analysts during their daily work, we conducted a second case study developing KAVAGait, a knowledge-assisted VA solution for clinical gait analysis. In addition to applying the 'Knowledge-assisted VA Model' in two case studies, we also elaborate on two examples from literature. Moreover, we illustrated the utilization of the model for the comparison of different design alternatives and to evaluate existing approaches with respect to their use of knowledge. Our model provides the opportunity to inspire designers by using the model as a high-level blueprint to generate new VA environments using explicit knowledge effectively. Additionally, we observed that the VA process benefits in several ways by explicit knowledge: 1) by including it into the automated data analysis process; 2) for adapting the system¿s specification and 3) to faster gain new implicit knowledge about the data. Finally, we present possible future directions for future research on the integration of explicit knowledge in VA.