Dominic Wulff – Matrikelnr.: 1884733 – Proseminar Visualisierung SS2000 – Gruppe 7

Information Visualization

Interactive Analysis – Selective Dynamic Manipulation Overview & Detail – LifeLines: Visualizing Personal Histories

Der Text gliedert sich in die folgenden Elemente:

1. Einleitung und Überblick der Visualisierungstechniken „SDM“ und „LifeLines“ 2. Ausarbeitung „Selective Dynamic Manipulation“ zu Interactive Analysis 3. Ausarbeitung „LifeLines“ zu Overview & Detail 4. Kommentiertes Literaturverzeichnis

In diesem Text geht es um zwei Visualisierungstechniken, die heutzutage eingesetzt werden, große Datenmengen möglichst flexibel und benutzungsfreundlich anzuzeigen. Eine dieser Techniken stammt aus dem Bereich der Interactive Analysis, die andere gehört zu Overview & Detail. Das Gebiet der Interactive Analysis befasst sich mit dem Darstellen und Auswerten von gro-ßen Datenmengen in Echtzeit. Dabei steht im Vordergrund, dass der Benutzer direkten Ein-griff auf die Visualisierung erhält und so gezielt in verschiedene Richtungen analysieren kann. Eine solche Technik ist die „Selective Dynamic Manipulation“, kurz SDM. Sie behandelt die Darstellung von Informationen im dreidimensionalen Raum. Die Daten werden bei diesem System in graphische Objekte übersetzt, wobei deren physikalische Eigenschaften wie Größe oder Form einzelne Parameter darstellen. Diese Objekte werden in „Landschaften“ angeord-net, die der Benutzer dann mittels diverser Funktionen und Kombinationen daraus manipulie-ren kann. Das Gebiet von Overview & Detail hat seinen Schwerpunkt in Übersichtfunktionen und De-tailansichten. Dabei wird zu anfangs über die gesamte Datenstruktur ein Überblick gegeben und mit Hilfe von Filtern und Suchfunktionen werden gezielt Detailansichten ermittelt. So können wichtige Informationen extrahiert werden, während gleichzeitig das Risiko des Über-sehens von Informationen minimiert wird. Ein in diesem Bereich verwendetes System ist „Li-feLines“, um biographische Informationen anzuzeigen. Da diese Art der Daten oft sehr um-fassend und fassettenreich ist, musste eine Technik entwickelt werden, die dem Benutzer ei-nen Überblick verschafft, aber dabei noch in höchstem Maße benutzungsfreundlich ist. „Selective Dynamic Manipulation“ (SDM) wurde von Mei C. Chuah, Steven F. Roth, Joe Mattis, John Kolojejchick an der „School of Computer Science Carnegie Mellon University-ist“ in den USA 1995 entwickelt. SDM ist im großen und ganzen eine Ansammlung von Techniken im zwei- und dreidimensionalen Raum zur Analyse der durch graphische Objekte repräsentierten Daten. „Selective Dynamic Manipulation“ setzt sich aus drei Teilen zusam-

men: „Selective“ bezeichnet ein hohes Maß an Benutzerkontrolle. „Dynamic“ beschreibt die Verarbeitung von Eingaben in Echtzeit und „Manipulation“ steht für die Vielzahl an Interak-tionen, die zur Verfügung stehen. Bei Darstellungen in SDM stellen sich einige Probleme, die mehr als hinreichend behandelt und gelöst wurden. Ein solches ist zum Beispiel, dass wie bei jeder graphischen Anzeige Objekte verdeckt werden können. Ein weiteres Problem ist, dass in einer räumlichen Darstellung, die bezeichnend für SDM ist, die Perspektive in Bezug auf die menschliche Größenwahrnehmung eine entscheidende Rolle spielt. So werden Gegenstände, die weiter hinten liegen im Raum, kleiner wahrgenommen, als weiter vorne gelegene. SDM hält auch hierfür Lösungen bereit, die im folgenden vorgestellt werden. Alle Lösungen haben einen wichtiges gemeinsames Merkmal: Der Kontext zur gesamten Visualisierung bleibt stets erhalten. Um das System von Grund auf zu verstehen, betrachten wir zunächst den Erstellungsprozess, bei dem Rohdaten in graphische Objekte „übersetzt“ werden. Zur besseren Veranschauli-chung gehen wir von folgendem Beispielszenario aus: Ein Transportunternehmen besitzt ver-schiedene Warenlager. Diese Lager sind durch Versorgungswege miteinander verbunden. Von den Lagern aus werden Geschäfte beliefert. Relevante Einflussgrößen seien in diesem Fall der Warenbestand in den Warenlagern und den Geschäften, sowie die wichtigen Versor-gungswege zwischen strategischen Punkten. Es kann sehr hilfreich sein, dieses Szenario in einer räumlichen Darstellung anzuzeigen und anhand der visualisierten Parameter zu ent-scheiden, welche Läden beliefert und welche Lager wieder aufgefüllt werden müssen. Außer-dem kann eine Optimierung der Lagerstandorte, Warenbestände und Versorgungswege wich-tig sein. Der Warenbestand soll in der Höhe der Objekte wiedergegeben werden. Versor-gungswege sollen schwarze Linien zwischen den einzelnen Objekten, die die Lager repräsen-tieren, sein. Schließlich sollen die Lager sich noch in Form und Farbe von den Läden deutlich unterscheiden, damit keine Verwechslungen stattfinden können. Der Prozess gliedert sich in zwei Stufen. Die erste dieser Stufen ist die Datenmodellierung. Dabei werden die Informationen thematisch durch den sogenannten „Data Set Builder“ ge-ordnet und gruppiert. Einfließende Größen sind die Aufgabenschemata und die gewünschten Objektarten. Der „Data Set Builder“ erzeugt hieraus die Datensets, die die Objektart, die spe-zifischen Informationen und die Aufgabe innerhalb der Visualisierung enthalten. Die Informa-tionen sind stets homogen, d.h. dass zum Beispiel ein Set für Kontainerinhalte nicht auch In-formationen über Versorgungsrouten beinhalten kann. Einzelne Objekte aus einem Datenset allerdings können wiederum in anderen Sets enthalten sein. So kann z.B. ein Kontainer im Set „kritische Versorgung“ und in „strategisch wichtig“ enthalten sein. Die so erzeugten Datensets werden an die zweite Stufe weitergegeben.

Man spricht jetzt von der Physikalisierung, denn in dieser Stufe des Erstellungsprozesses werden die eigentlichen graphischen Objekte erstellt. Der sogenannte „Instantiator“ erzeugt Graphiksets, in denen jedes graphische Objekt genau einem Datenobjekt aus dem jeweiligen Datenset, das es repräsentiert, entspricht. Diese Graphiksets bestehen aus homogenen Objekt-arten. Ein Set besteht entweder nur aus Zylindern oder Kugeln, usw. . Die Form wird vor al-lem von den Informationen bestimmt, die die Graphikobjekte dieses Sets visualisieren sollen. In unserem Beispiel soll die Höhe der Objekte den Warenbestand wiedergeben. Ein weiterer wichtiger Bestandteil der Physikalisierung ist der „Encoder“. Er ist für die „Übersetzung“ der Datenbankinformationen in graphische Parameter verantwortlich. Dabei werden Daten wie

Anzahl, Gewicht oder Größe in graphische Eigenschaften wie Höhe, Breite oder Durch-messer umgewandelt. Diese Graphik veranschaulicht nochmals den Erstellungsprozess, wie aus Datenbankinfor-mationen graphische Objekte erzeugt werden. Die einzelnen Stufen sind klar differenziert durch umfassende Klammern an der linken Seite. Beziehungen und Abfolgen von Aktio-nen sind durch Pfeile verdeutlicht. Die unters-te Stufe, die Manipulation betrachten wir im folgenden. Sie stellt den Bereich dar, in dem der Benutzer die Möglichkeit zur interaktiven Analyse hat.

Die nebenstehende Graphik ist ein mögliches Resultat für unser Beispielszenario. Die roten Zylinder seien die Warenlager, deren Waren-bestand durch die Höhe des Zylinders dargestellt wird. Der große rote Zylinder am rechten Bildrand sei das Hauptlager, von wo aus die Waren verteilt werden. Die blauen Rechtecke seien Ge-schäfte, deren Bestand glei-chermaßen in der Höhe ver-deutlicht wird. Schwarze

Linien auf dem Boden verbinden die Lager untereinander und mit dem Hauptlager. Grün leuchtende Objekte sind bereits vom Benutzer ausgewählte Objekte. die Auswahl von Objek-ten in SDM geschieht durch anklicken oder durch Sliders. Werden die Sliders benutzt, so können diese dis- oder konjunktiv verknüpft werden. Der Fokus liegt dabei stets auf den Ob-jekten und nicht auf der Umgebung oder einem durch den Benutzer gewählten Punkt im Raum, wie bei anderen Visualisierungssystemen. Entstehende Gruppen können benannt und abgespeichert werden, falls diese spezielle Auswahl später nochmals benötigt wird. Auch das ist ein entscheidender Vorteil von SDM, den es bei anderen Visualisierungen nicht gibt. Der Benutzer ist somit freier und flexibler in seiner Analyse, da er neue Erkenntnisse durch Grup-pierungen nicht in einer neuen Visualisierung speichern muss, sondern direkt in der bestehen-den abspeichern kann. Die Anzeige dieser selbst definierten Gruppen geschieht mittels Me-nüs. Alle für die jeweilige Auswahl relevanten Sliders und Skalen werden ebenfalls abgespei-chert und gegebenenfalls ein, bzw. ausgeblendet. So wird die Anzeige übersichtlicher, da irre-levante Slider und Skalen wegfallen. Bei der Auswahl von Objekten sind auch heterogene Gruppierungen erlaubt. Das heißt, dass auch Objekte verschiedener Objektgruppen ausge-wählt werden können. Damit ist es dem Benutzer möglich, eine Visualisierung in der Visuali-sierung zu schaffen. Wie man leicht sieht, hat man es allerdings bei der Analyse der ausgewählten Objekte mit diversen Problemen zu tun. Einige Objekte sind nicht sehr deutlich zu erkennen, da sie von anderen verdeckt werden. Manche erscheinen kleiner als andere und liegen weiter entfernt vom Benutzer. Man kann also nicht mit Sicherheit ihre Größenrelation zu weiter vorne gele-genen Objekten bestimmen, da bei räumlichen Darstellungen durch die Betrachterperspektive derartige Eigenschaften beeinträchtigt werden. Die entscheidenden Eigenschaften von SDM sind die Kontextbezogenheit und die Verarbei-tung von Eingaben in Echtzeit. Vor diesem Hintergrund wurden dem Benutzer zur Bewälti-gung des Verdeckungsproblems verschiedene Möglichkeiten zur Verfügung gestellt. Zum einen ist es möglich, den Betrachterstandpunkt zu ändern. Das heißt, man kann den eigenen Standpunkt in der räumlichen Darstellung verändern und beispielsweise aus der Vogelper-spektive die Objekte in ihrer Anordnung betrachten. Dies hat zur Folge, dass je nach der ge-wählten Perspektive gewisse Eigenschaften nicht mehr analysiert werden können; zum Bei-spiel die Höhe von Objekten aus der Vogelperspektive. Eine weitere Möglichkeit zur Behe-bung des Verdeckungsproblems ist die Projektion der Auswahl in eine andere Ebene oder den Vordergrund. Bei der Projektion in eine andere Ebene wird die gesamte Gruppe aus der Land-schaft herausgelöst und in einer höheren Ebene als diese dargestellt:

Damit die Kontextbezogenheit nicht verloren geht, bleibt eine Kopie der ausgewählten Grup-pe an ihrem ursprünglichen Platz:

Bei dieser Methode, das Verdeckungsproblem zu beheben, kann der Benutzer Muster, die durch die Auswahl anstehen, leicht erkennen. In dem Beispiel bilden die ausgewählten Objek-te einen Kreis, der beispielsweise ein Gebiet umgibt, dass einen besonders hohen Bedarf an Waren hat. Ein Nachteil dieses Systems ist, dass der Benutzer in verschiedenen Ebenen den-ken muss und die Betrachterperspektive entscheidende Eigenschaften wie z. B. die Höhe der Objekte entscheidend beeinflusst. Außerdem ist es nur sehr schwer möglich, z. B. das Grö-ßenverhältnis der Auswahlobjekte zu ihrer Umgebung zu bestimmen. Bei der Projektion in den Vordergrund wird die ausgewählt Gruppe in der Ebene der Land-schaft verschoben. Dabei bleiben wieder Kopien an der eigentlichen Position in der Visuali-sierung, damit der Kontext erhalten bleibt. Bei dieser Methode können wieder bevorzugt Muster erkannt werden, die sich innerhalb der Auswahl ergeben. Im Unterschied zur Projekti-on in eine andere Ebene kann es passieren, dass die so verschobenen Objekte wieder andere verdecken. Dafür muss der Benutzer nicht in verschiedenen Ebenen denken und Größenver-hältnisse zum Beispiel sind leichter erkennbar:

Eine dritte Möglichkeit, dem Verdeckungsproblem zu begegnen, ist die Veränderung der Umgebung. Bei dieser Methode wird die Umgebung um die ausgewählten Objekte derart ver-ändert, dass verdeckende Objekte nicht mehr vorkommen. Dies geschieht entweder durch Reduktion der Höhe aller Objekte der Landschaft auf Null oder durch ein extremes Verdün-nen der umgebenden Objekte. Bei beiden Eingriffen wird der Kontext der Auswahl entschei-dend verändert, was unter Umständen eine Analyse durch Vergleiche unmöglich macht. Auf der anderen Seite kann es sein, dass die manipulierten Parameter der Umgebungsobjekte kei-ne Aussage haben oder nicht relevant sind, so dass gerade diese Methode besonders sinnvoll ist anstelle einer Projektion der Auswahl. Die Entscheidung für das eine System oder das an-dere muss stets im Moment der Analyse getroffen werden und obliegt dem Benutzer:

Reduktion der Umgebung auf Null Kaum Verdeckung vorhanden SDM stellt aber nicht nur Techniken zur Verfügung, die dem Benutzer erlauben, auftretende Probleme bei einer Visualisierung zu lösen. SDM verfügt auch über Möglichkeiten, einzelne Objekte oder ganze Objektgruppen miteinander zu vergleichen und zu analysieren. Ferner ist es möglich, Veränderungen in den Parametern sofort, also in Echtzeit, zu erleben und dadurch beispielsweise zukünftige Entscheidungen und deren Folgen absehen zu können. Dabei wird nicht nur die Parameterveränderung auf dem gewählten Objekt, sondern ggf. auch auf dessen Umgebung dargestellt. Auch hier finden sich wieder die Hauptmerkmale von SDM wieder: Kontextbezogenheit und Verarbeitung in Echtzeit.

Die Manipulation der Objekte, also Änderungen in Höhe, Farbe, Durchmesser, Breite, etc., ge-schieht über Handels, Sliders oder Menüs. Die Handels werden auf den Objekten angezeigt und können mit der Maus bedient werden. Das ist eine entscheidende Erneuerung in Sachen interak-tive Analyse, denn bisher war es nicht möglich, Objekte direkt zu verändern und den Vorgang animiert dargestellt zu bekommen. Der Benutzer erlebt förmlich, wie sich seine Änderungen auf die Daten und deren Umgebung auswirken. Da-durch kann wesentlich weiträumiger geplant wer-den und Auswirkungen von Veränderungen sind besser abzusehen. In der nebenstehenden Graphik

sind diese Handels sehr deutlich zu erkennen. Sie sind möglichst uniform für alle Objektarten gehalten, um die Benutzung in höchstem Maß intuitiv und unkompliziert zu machen. Der Be-nutzer kann jedes Objekt, sogar falls vorhanden die Linien am Boden, in unserem Beispiel die Versorgungsstraßen, in jede Dimension verändern. Im Beispiel von Straßen kann eine Verän-derung in der horizontalen einen höheren Warenfluss bedeuten. In diesem Fall würden sich andere, betroffene Objekte proportional zum Benutzereingriff ändern und die Folgen wären sofort ersichtlich. Der Benutzer ist in der Kombination der Auswahl- und Manipulationsmög-lichkeiten vollkommen ungebunden und bekommt in Echtzeit die erzielten Resultate, mit de-nen er sofort weiterarbeiten kann. Das macht die Arbeit mit SDM sehr effektiv. Eine weitere Technik zur Analyse und Vergleich von Objekten stellt eine gemeinsame Refe-renzlinie dar. SDM ermöglicht die Darstellung von einzelnen Gegenständen oder ganzen Gruppen in Abhängigkeit von einer gemeinsamen Referenzlinie. Mit ihrer Hilfe können Pro-

portionalitäten ermittelt werden und Relationen zwischen augenscheinlich grundverschiede-nen und voneinander unabhängigen Objekten, bzw. Datensätzen, erkannt und betrachtet wer-den. Dadurch können neue Zusammenhänge erarbeitet werden, die bei einer einfachen Ge-genüberstellung oder separaten Anordnung der Objekte nicht aufgedeckt werden können. Es ist auch möglich, anhand dieser Referenzlinie, Neuskalierungen durchzuführen, die zur Folge haben, dass zwar entscheidende Parameter geändert werden, aber sie im Kontext weiter ver-gleichbar und bewertbar bleiben, da sie in einem gemeinsamen Verhältnis geändert wurden. Größenrelationen bleiben so beispielsweise erhalten. Obwohl hierbei logarithmische Skalen effektiv verwendet werden, geht leider die Intuitivität und die Einfachheit des Systems für den Benutzer etwas verloren. Die Rechenprozesse auf logarithmischer Basis sind zu komplex, als dass der Benutzer sie ohne weiteres nachvollziehen und für sich beispielsweise im Kopf durchführen könnte. Es muss den Ergebnissen des Computers vertrauen. Diese Neuskalierun-gen können für das gesamte System oder nur für einzelne Gruppen durchgeführt werden. Die Referenzlinie dient hierbei zum Vergleich von weit verstreuten Objekten, durch Berechnung ihrer Parameter relativ zur Entfernung zur Referenzlinie. Dabei ist es auch möglich, die selbe Linie für verschiedene Gruppen zu benutzen und so eine gemeinsame Referenzgröße einzu-führen, die wiederum unabhängig vom Rest der Visualisierung sein kann. Dadurch kann eine Visualisierung in einer Visualisierung entstehen, ähnlich wie bei den Auswahlmöglichkeiten in SDM, und bisher versteckte Verbindungen zwischen Datensätzen werden eröffnet. Die nachstehende Graphik zeigt zwei Auswahlgruppen der selben Visualisierung, die in einem gemeinsamen Referenzsystem angezeigt werden, um die Größenverhältnisse, bzw. die durch die Größe dargestellten Daten, zu vergleichen:

Im Hintergund sieht man wieder deutlich die einzelnen Positionen der Objekte, die im Vordergrund dargestellt sind. Auf einem der grünen Rechtecke sind seine Handels angezeigt, mit denen man nun seine Höhe, Breite oder Tiefe verändern könnte. An dieser Graphik ist gut erkennen, dass man verschiedene Techniken in SDM miteinander verbinden kann, um möglichst effektiv und effizient zu arbeiten.

Zusammenfassend lässt sich folgendes über das vorgestellte Visualisierungssystem sagen: Selective Dynamic Manipulation ist in der Gesamtheit seiner Möglichkeiten ein sehr komple-xes System zur Darstellung großer Datenmengen in einer zwei- und dreidimensionalen Land-schaft. Die Daten werden in graphische Objekte „übersetzt“ und diese in ihren Zusammen-hängen angeordnet. Dem Benutzer stehen diverse Techniken während der Analyse zur Verfü-gung, wie zum Beispiel mannigfaltige Auswahlmöglichkeiten, Lösungen zu Problemen wie Verdeckung von Objekten und auch komplexe Analyse von schwer erreichbaren Objekten. Die Verdeckung wurde gelöst durch diverse Projektionsoptionen oder Manipulationen. Refe-renzlinien und Neuskalierungen ermöglichen komplexe Analyse und Speicherfunktionen von jeder Manipulation des Systems. Ferner ist es in SDM gelungen, Vergleichsmöglichkeiten zu schaffen von Objekten mit grundverschiedenen Basisdatensätzen durch eine Darstellung in einem gemeinsamen Kontext. SDM verfügt über ein äußerst hohes Maß an Kontextbezogen-heit und Benutzungsfreundlichkeit. Verbesserungen sind noch zu erwarten in Sachen Hard-wareanforderungen, denn ein solch komplexes System bedarf einer sehr rechenstarken Aus-

rüstung, was die Einsatzmöglichkeiten einschränkt. Weitere Verbesserungen sind auf dem Gebiet der Datenübersetzung zu erwarten, um ein noch größeres Spektrum an möglicherweise darstellbaren Daten zu schaffen. „LifeLines: Visualizing Personal Histories“ wurde von Catherine Plaisant, Brett Milash, Anne Rose, Seth Widoff und Ben Shneiderman am „Human-Computer Interaction Laborato-ry” des “Computer Science Dept., Institute for Systems Research” an der “University of Ma-ryland” 1995 in den USA entwickelt. Es gehört in die Sparte der Overview+Detail Systeme. Overview+Detail Systeme charakterisieren sich durch die Bereitstellung einer Gesamtüber-sicht der Daten und mögliche Detailansichten. Die Vorteile bei dieser Art der Visualisierung liegt darin, dass der Benutzer weniger suchen muss, um Daten zu finden, dass Muster leicht erkannt werden können und der nächste Schritt in der Analyse leichter zu entscheiden ist, da man alles überblicken kann. LifeLines wurde erstellt, um biographische Daten möglichst ü-bersichtlich darzustellen und dem Benutzer in möglichst geringer Zeit und mittels möglichst wenig Aufwand Detailansichten zur Verfügung zu stellen. Mögliche Anwendungsgebiete von LifeLines finden sich in der Medizin, bei Gericht, in Personalakten oder anderen Bereichen, in denen biographische Daten eine wichtige Rolle spielen. Die Stärken von LifeLines liegen vor allem bei der Analyse von Verläufen und Entscheidungsfindungen. Bisher wurden viele Anstrengungen unternommen, Daten über Personen zu sammeln, aber deren Darstellung ist bislang noch kaum untersucht. LifeLines ist ein Versuch, diesem Prob-lem zu begegnen. Der Hauptansatzpunkt der Entwickler war die Überlegung, dass das Über-sehen von Aspekten gerade in Gebiet der Personenbetreuung oder Personalverwaltung schlimme Folgen haben kann. So kann zum Beispiel das Übersehen einer bestimmten Medi-kation bei der Behandlung eines Patienten im schlimmsten Fall mit dem Tod enden. Ein früheres Projekt mit Overview+Detail Systemen war zum Beispiel die Entwicklung eines Raums, in dem der Benutzer sitzt und auf einer Leinwand vor ihm Daten angezeigt werden. Die Idee war, dass der Benutzer in einem Sessel sitzt und mittels eines Datenhandschuhs auf insgesamt drei Monitoren Informationen zu analysieren. Auf dem Monitor zu Linken des Be-nutzer sollte stets der Überblick über die gesamten Daten angezeigt werden. Durch Auswahl mit dem Datenhandschuh sollte dann auf dem rechten Monitor die nächste gewählte Detail-stufe angezeigt werden und darin gewählte Daten würden dann gut leserlich auf dem Haupt-bildschirm vor dem Benutzer dargestellt. Dabei sollte sich der Benutzer blätternd durch die Datenbereich bewegen und bei Bedarf zoomen können. Doch der Rechenaufwand machte dieses System zu ineffizient und kostspielig. Daher ging man zu anderen Systemen über. Bei der Entwicklung von Overview+Detail Anzeigen wurden zwei wesentliche Unterschiede herausgearbeitet. Man unterscheidet zwischen „Time Multiplexing“ und „Space Multiple-xing“. Bei ersterem wird eine Detailansicht nach der anderen angezeigt. Das heißt, die Visua-lisierung ist weniger vom Platz als von der Zeit abhängig. „Space Multiplexing“ bedeutet, dass mehrer Detailansichten auf einmal gezeigt werden, die Zeit also weniger eine Rolle spielt. Bei beiden Prinzipien spielt stets der Kompromiss zwischen der Menge der angezeigten Daten und dem dafür zur Verfügung stehenden Raum im Mittelpunkt des Interesses. Das Hauptproblem bei diesem Visualisierungssystem. Erhöht nun der Benutzer die Detailstufe, so verändert sich die Datenansicht auf zwei mögli-che Arten. Zum einen kann die dargestellte Information eine reine Vergrößerung der in der Gesamtübersicht gewählten Daten sein. Ist dies der Fall, spricht man von „räumlichen Zoo-men“. Verändert sich aber die Menge der dargestellten Details, spricht man von „semanti-schem Zoomen“. Ein Beispiel für „semantisches Zoomen“ sind Straßenkarten. Bei dieser Art

der Visualisierung werden beispielsweise Städte als Polygone dargestellt. Zoomt man nun in die Stadt, so erkennt man, dass diese nicht aus einem einzigen Vieleck besteht, sondern aus Straßen und Häusern. Die Anzahl der gegebenen Informationen hat sich also mit dem zoomen verändert. LifLines basiert ebenfalls auf diesem Konzept. Der erste Ansatz biographische Daten in der Medizin zu visualisieren kam von Tufte und Powsner. Sie hatten ein System entworfen, dass zwar einen Überblick gab, aber keinerlei De-tailansichten vorsah. Ein anderer Ansatz war der sogenannte „Summary Time-Oriented Re-cord“. Dies war ein reines textbasiertes Flussdiagramm, welches in einer Arthritisklinik be-nutzt wurde. Man verzeichnete erste Erfolge in Behandlungen, aber das Programm lies sich kaum bis gar nicht auf andere Bereiche übertragen. Der Bedarf nach einem Programm, um biographische Daten effizient und effektiv zu visualisieren bestand nach wie vor. LifeLines wurde entwickelt. Es ist ein allgemeines Werkzeug zur Darstellung von persönlichen Daten. Es kann in verschiedenen Bereichen eingesetzt werden, da es nur geringe technische Anforde-rungen an die Hardware stellt. Die Daten werden über die Zeit abgebildet. Das heißt, dass eine Zeitskala zu Grunde liegt, entlang der die Informationen geordnet und angezeigt werden. Diese Vorgehensweise ist am sinnvollsten, da biographische Daten sich ebenfalls entlang der Zeit ansammeln. Man nutzt sozusagen den natürlichen Aufbau der darzustellenden Informati-onen. Um das System besser zu verstehen, betrachten wir folgendes Beispielszenario:

In der untenstehenden Graphik wird die Krankengeschichte eines jungen Mannes dargestellt. Neben dem Bild des Patienten werden seine allgemeinen persönlichen Daten wie Adresse, Gewicht und Körper-größe angezeigt. Darunter in einem großen farbigen Rechteck befindet sich der Überblick über die gesamten medizinischen Daten. Das Rechteck ist unterteilt in zwei Spalten. In der rechten Spalte stehen die Bezeichnungen für die einzelnen wichtigen Hauptgebiete, wie zum Beispiel Krankenaufenthalte, Medikationen, Notizen oder Test. Sie

werden durch Wechsel in der Hintergrundfarbe unterschieden. In der linken Spalte werden die gesamten zu den Bereichen gehörenden Daten über die Zeitleiste am oberen Rand dargestellt. Farbverläufe stellen Krankheits- oder Behandlungsverläufe dar. Einzelne Icons stehen für Ereignisse, wie zum Beispiel Herzinfarkte oder chirurgische Eingriffe. Am unteren Rand be-finden sich die Sliders, mit denen der Benutzer die Zeitspanne verändern kann, über die Daten angezeigt werden sollen. So kann man gezielte Einschränkungen vornehmen und Informatio-nen heraussuchen. Im Hintergrund der Graphik erkennt man Fenster von ausgewählten De-tailansichten. Informationen in LifeLines werden in der folgenden Form kodiert, um eine ein-deutige Unterscheidung der Informationen zu gewehrleisten. Für diese Detailfenster sind spe-zielle Bereiche definiert, die die Detailfenster automatisch an die vorhandene Bildschirmgrö-ße und Bildschirmplatz anpassen. So kann der benutzt Platz optimiert werden und ein Maxi-mum an Informationen auf geringstem Platz angezeigt werden, wie man in dem folgenden Bild leicht sehen kann:

Einzelne Aspekte, zum Beispiel Krankheiten oder Gerichtspro-zesse, die sich über die Zeit erstrecken, werden in einzelnen Zeitleisten dargestellt. Diskrete Ereignisse sind durch Icons symbolisiert. Die Farbe und Dicke der Linien stehen für die Wichtigkeit, bzw. für Beziehun-gen zwischen getrennten Bereichen. Grundverschiedene Teilbereiche, wie in dem oben stehenden Beispiel die Tests, Krankenhausaufenthalte oder Medikationen werden in der

Hintergrundfarbe unterschieden. Durch diese festgelegte Art der Informationskodierung sind Verwechslungen kaum möglich. Auf der anderen Seite ist bei der Auswahl der Farben zum Beispiel darauf zu achten, dass man Farbeigenschaften berücksichtigt, die die eigentliche Aussage der Information verändern. So könnte Rot in ihrer Eigenschaft als Signalfarbe Daten betonen, die nicht von entsprechender Wichtigkeit sind. In diesem Punkt liegt die Verantwor-tung bei den Entwicklern. Aus Platzgründen wurde auf unnötigen Platz zwischen Linien oder Icons verzichtet. Die Linien wurden zusammengeschoben und auf Beschriftungen wurde ver-zichtet. Diese werden erst angezeigt, wenn der Mauszeiger über die Linie geführt wird. Auch dies entspricht dem Konzept des semantischen zoomen. Ferner ermöglichen Filter und Such-funktionen die Auswahl von bestimmten Daten aus dem Gesamtüberblick. Auf Scrollbars wurde in der Gesamtübersicht gänzlich verzichtet, da dadurch Bereiche unsichtbar bleiben und übersehen werden können. Erst in den Detailansichten werden Scrollbars benutzt. Die Zeitleisten können von verschiedener Dichte sein und auf Wunsch expandiert werden. So können Zeitintervalle komprimiert werden und die Anischt verdichtet werden. Dadurch ist die Darstellung von mehr Informationen auf engerem Raum möglich. Eine strikte Ordnung inner-halb der Fassetten macht eine effektive und schnelle Suche leichter. Um die Reaktion der Benutzer auf LifeLines zu ermitteln, wurde es in zwei Gebieten einge-setzt. Ein Einsatzgebiet war das „Maryland Department of Juvenile Justice“. 600 Mitarbeiter verwalten dort 50000 Fälle und Akten. Da normalerweise ein Fall eröffnet wird, wenn die Polizei eine Verhaftung vornimmt, kommen in sehr kurzer Zeit viele Akten zusammen. Um nun den Überblick über diese Datenmengen zu bewahren, bedarf es eines Systems, dass dem Benutzer einen Überblick über die gesamte Akte gibt, um schnell und effektiv eine Entschei-dung zu treffen. Durch die Vielzahl an Akten werden oft im Papierkrieg Notizen oder Bemer-kungen übersehen, die dann im schlimmsten Fall zu Fehlentscheidungen führen. Ferner ist es sehr schwer Informationsaktualisierungen zu kennzeichnen. All das wurde in LifeLines ge-löst. Durch das Programm konnten in vielen Fällen Informationsaktualisierungen oder andere Daten von besonderer Wichtigkeit werden durch Farben oder andere Mittel wie Blinken oder Unterstreichungen markiert. Die erzwungene Überblickfunktion in LifeLines verringert das Übersehen von Daten. Werden dabei Details angefordert, so sind diese mit einem einfachen Mausklick zugänglich. Außerdem wird der Aktenberg reduziert durch die Eingabe in LifeLines. Auf der anderen Seite stellt die Eingabe in LifeLines noch ein Problem dar. Bisher ist es dem Benutzer nicht möglich, während der Benutzung die Daten zu ändern. Das ist noch eine gravierende Beschränkung in LifeLines. Das andere Testgebiet von LifeLines war ein Krankenhaus. Dort wurden Krankenakten von ausgewählten Patienten eingegeben und ihre Behandlungen mittels des Programms beobach-ten. Am Ende des Testjahres wurden die Ergebnisse mit einer Vergleichsgruppe betrachtet,

deren Behandlung nicht mit LifeLines gestützt war. Das Resultat war, dass die Behandlung der LifeLines gestützten Patienten wesentlich effektiver war und eine Genesung schneller herbeigeführt werden konnte. Man erkannte, dass der Überblick über die Behandlung und die schnellen Vergleiche in den Detailansichten Zusammenhänge klarer herausstellen und präven-tiv Maßnahmen rechtzeitig eingeleitet werden konnten. So konnten zum Beispiel in Interval-len wiederkehrende Anfälle erkannt und behandelt werden. Die Aussagen der Benutzer beider Testgruppen waren weitestgehend übereinstimmend. Der gute üÜbrblick und der leichte Detailzugriff wurden gelobt, da dies bisher kein anderes Pro-gramm leisten konnte. Bemerkt wurden die bereits angeführten Probleme in der Farbkodie-rung und die daraus resultierenden Schwierigkeiten. Auf der anderen Seite konnte Eingabe-fehler leicht erkannt werden, die in anderen Programmen mit Tabellenanzeigen übersehen wurden. Vorschläge zur Verbesserung wurden ferner gemacht in Bezug auf übergreifende Verknüpfungen innerhalb verschiedener Krankenakten, bzw. Gerichtsakten. Das Fehlen der Eingabemöglichkeit wurde ebenfalls bemängelt. Ein weiteres Ziel in der Zukunft mit LifeLi-nes wird ein einheitliches Layout sein. Dieses wurde bisher nicht gefunden und stark abhän-gig sein von der Implementierung der Eingabefunktion. Abschließend lässt sich über LifeLines sagen, dass es ein echter Vorstoß im Bereich der bio-graphischen Datenvisualisierung ist. Durch die erzwungene Überblickfunktion wurde die Ge-fahr des Übersehens gut eingeschränkt. Die Detailansichten lassen sich leicht ermitteln und sind effektiv definiert. Erstmals ist es gelungen, diese Art der Informationen in all ihrer Men-ge und Fassettenvielfalt sinnvoll darzustellen. Obwohl viele Probleme, die mit diesen Daten-mengen einhergehen, gelöst wurden, bleiben noch einige Verbesserungen offen. Eingabeopti-onen und verbesserte Verknüpfungen sind wünschenswert. LifeLines ist jedoch eine echte Perspektive auf diesem Gebiet.

Kommentiertes Literaturverzeichnis

Interactive Analysis ���� Selective Dynamic Manipulation:

Artikel „SDM: Selective Dynamic Manipulation“ von Mei C. Chuah, Steven F. Roth, Joe Mattis und John Kolojejchick von 1995 aus „Readings in Information Visualization: Using Vision To Think“ von Stuart K. Card, Jock D. Mackinlay, and Ben Shneiderman (1999, ISBN 1-558600-533-9)

Hauptwerk über das System; Beinhaltet die meisten Informationen; Gut strukturiert und mit vielen Beispielen; Sprache: Englisch; Viele Literaturangaben zu Quellen, die zur Entwicklung geführt haben

Homepage der School of Computer Science an der Maryland University (www.cmu.edu):

Gut strukturiert und übersichtlich; Viele Links zu anderen Departments; Gut Quelle zu weite-ren Informationen über SDM einige tote Links zu anderen Seiten

HTML-Tour über SDM unter der o.g. Internetadresse:

Gute Zusammenfassung des Systems; Leicht zu verstehen; Viele Bilder und Beispiele fördern das Verstädnis

Overview+Detail ���� LifeLines: Visualizing Personal Histories:

Artikel “LifeLines: Visualizing Personal” von C. Plaisant, B. Milash, A. Rose, W. Widoff und B. Shneiderman aus „Readings in Information Visualization: Using Vision To Think“ von Stuart K. Card, Jock D. Mackinlay, and Ben Shneiderman (1999, ISBN 1-558600-533-9)

Hauptwerk über das System; Sehr detailliert und leicht verständlich; Viele Beispiele; Sprache: Englisch; Zahlreiche Angaben über Quellen, die zur Entwicklung geführt haben

Homepage des Human-Computer Interaction Laboratory des Computer Science Department des Institute for Systems Research an der University of Maryland (www.cs.umd.edu/projects/hcil)

Viele Beispiele und Bilder des Systems; Leicht verständlich; Wenige weitere Hintergrundin-formationen, die nicht im o.g. Artikel erscheinen; Einige tote Links auf andere Seiten und Quellen