艺术与人文/数据可视化领域的包容性数据研究技能

https://docs.google.com/document/d/1YtF1zgLYFd_YpS2AVXE7UxbWaYS3BJpYTSU3GPY8_PY/edit

数据可视化平行会议

定义

数据不仅仅是数字，而是信息 (Gitelman, 2013)

数据可视化呼吸练习

什么是数据可视化？

数据可视化是通过独特的、与上下文相关的概念来解释信息，并将数据转化为视觉叙述的过程。

它将读者与洞察力、知识和力量联系起来，并能产生新的相关问题。

媒体到

1. 探索：分析、参与、互动、反思
2. 发现：寻找见解、知识、想法、联系、差距
3. 表达：解释、叙述、解释、引导注意力、讲故事

为什么它对 A&H 研究人员有价值？

1. 创造性过程将研究和信息收集转化为视觉表达

1. 该过程的产品/结果呈现研究结果并提出新的问题

数据

在定性研究过程中收集的数据会根据调查主题的不同而有很大差异。例如，数据可以通过讨论、访谈、观察、照片、绘画、视频和音频收集。这对定性研究人员来说既是挑战，也是令人兴奋的创造性机会。

同样重要的是要记住，定性数据的解释可能是主观的。因此，在进行数据可视化时，必须考虑您自己的定位和偏见。

研究中的数据可视化

数据可视化在艺术与人文研究中被用于多种方式，以实现多种目的。这可能包括定性和定量数据的可视化，但在艺术和人文领域，需要特别考虑定性数据的可视化。虽然定性数据可以转化为分类数据或数值数据，但在简化定性数据集的丰富程度和为了可视化的目的而捕捉其复杂性之间需要取得平衡。在艺术与人文领域，数据可视化用于与研究结果的图形输出之外的不同目的，并且可以为发现过程和研究之旅提供信息。

这些目的不应被视为独立的，因为它们相互作用，并且还与研究之旅的其他阶段（包括研究结果）相互作用。

数据可视化的目的包括

• 收集：从多个数据源收集信息
• 综合：识别多个数据源/不同类型的数据之间的联系，并将它们整合到一个视觉数组中
• 探索：数据发现过程，包括模式识别、比较、可视化随时间的变化
• 分析：识别缺失信息/数据缺口来源，例如谁/什么没有被代表
• 实验：考虑理解数据的最佳方法是什么？如何进行沟通？如果更改比例或以不同方式配置数据会发生什么？
• 叙述：使用可视化来探索数据可能讲述的故事，特别是那些可能与我们预期的故事不同的故事
• 显示结果
• 提炼 - 对关键主题做出选择/提取特定想法
• 沟通 - 使用数据以不同寻常且信息丰富的方式吸引注意力或分享信息
• 邀请反馈 - 使用可视化作为一种参与方式，并捕捉观众的思考/反应
• 生成进一步的研究问题 - 使用数据可视化来告知和塑造研究的进一步阶段
• 支持跨学科对话 - 使用数据可视化作为跨越边界沟通的手段

数据可视化作为结果

数据可视化可以用来讲述一个故事叙述；以一种大众可以理解的方式呈现信息。这在探索细微或复杂的问题或外行人可能不熟悉的话题时尤为重要。

数据可视化的益处

• 可访问性：数据可视化可用于与无法或不愿意阅读原始数据的受众进行交流
• 参与度：数据可视化可以将信息游戏化，从而接触到更广泛的受众
• 互动性：人们可以按照自己的节奏探索数据，并寻找感兴趣的信息
• 赋权：使数据更易获取可以赋予他人进行自己的研究或在其社区内采取行动的能力

在可视化数据时，重要的是要考虑您的优先级。如果目标是使信息尽可能易于获取，这可能会影响您呈现数据的方式和位置。创建自己的网站可能是一个引人注目的想法，但这需要持续的资金/资源。您自己的设计的网站在五年后是否仍然可以访问？在可能的情况下，可以公开数据以提高可访问性。您可能想考虑在维基数据等网站上分享您收集的数据。

可视化数据也可能对研究人员有利，因为它为他们提供了反思其研究的机会。可以识别出数据中的差距，并提出新的问题。

改进数据可视化

当数据收集的基线为“0”时，对未/代表性不足群体的数据可视化可能从最低数据点以下开始，以便可视化数据的缺乏。缺失的数据可以通过显示数据的缺乏来可视化，通常通过数据可视化中的空间或视觉差距和并置来体现。

定性数据通常通过量化定性信息的方法来可视化。我们应该找到新的方法通过定性方式可视化或与数据交互。弦图、网络图和维恩图可能是有效地做到这一点的几种方法，但我们还有哪些其他创新的方法可以查看定性数据？其他参与模式如何用于理解这些数据（例如，声音、触觉）？

这里需要添加一些内容，说明使用多个可视化来进行不同的解释。

我们收集的信息

• 多个自传/传记陈述（趋同叙述）
• 运动数据
• 声音/音乐
• 历史（纵向）
• 众包

我们正在使用的工具

用于收集、编码、分析、探索和共享的工具

• 增强现实或虚拟现实

• 录音（图像、视频、声音）
• 绘画 - 例如记号法（运动）
• Excel
• 3D
• 人工智能
• 自动民族志
• NVivo（文本分析）

数据可视化中的挑战

• 叙述和讲故事的复杂性
• 数据的客观性
• 解释和歧义
• 文化敏感性
  • 理解数据去/殖民地叙述
• 伦理考量
• 技术限制
• 数字鸿沟
  • 城市与农村地区
  • 代际冲突
  • 发达国家与发展中国家
• 数据素养
• 审美考虑
• 将人文研究转化为数据库逻辑
• 新的工具，数字和模拟
• 可访问性（残疾标准）

另请参阅

• 劳拉·奈特，设计、教育和研究