Visualisierung
Zwischen abstrakten Datenmustern und sichtbaren Kulturartefakten
Visualisierung ist eine zentrale Methode der Digital Humanities, um Muster, Entwicklungen und Beziehungen in Daten sichtbar zu machen. Sie übersetzt Informationen in grafische Formen und ermöglicht dadurch einen analytischen Blick auf größere kulturelle Sammlungen, der rein textuell oder tabellarisch nur schwer zugänglich wäre.
Dabei lässt sich zwischen klassischer Visualisierung und direkter Visualisierung nach Lev Manovich unterscheiden. Klassische Visualisierungen abstrahieren Daten häufig zu Punkten, Linien, Balken oder Flächen. Ein Beispiel dafür ist die MoMA-Visualisierung, die in einem kumulativen gestapelten Liniengraphen zeigt, wie sich die Anzahl der Werke in der Sammlung nach Nationalitäten über die Zeit entwickelt. Die einzelnen Kunstwerke treten dabei hinter aggregierten Kategorien zurück, wodurch größere historische Trends und Veränderungen in der Sammlungspolitik sichtbar werden.
Direkte Visualisierung verfolgt dagegen einen anderen Ansatz: Sie ersetzt die kulturellen Objekte nicht vollständig durch abstrakte Zeichen, sondern bindet sie selbst in die Darstellung ein. In der Visualisierung zur modernen Kunstsammlung des Smithsonian werden die Werke nach Median-Helligkeit auf das Entstehungsdatum geplottet. Statt einfacher Datenpunkte werden 16×16-Pixel-Thumbnails der Kunstwerke verwendet. Dadurch bleiben die Objekte als Bilder sichtbar, während gleichzeitig ihre farblichen Eigenschaften vergleichbar werden. So erkannt man nicht nur durch die Position auf dem Coordinatensystem, sondern auch dierekt in den Bildern, wie sich über den Zeitraum von 1750 bis heute, die Kunstlandschaft verändert hat. So ist zum Beispiel einfach zu erkennen, dass Ölportraits im Verlaufe des 19. Jahrhunderts an Popularität verloren haben.
MoMA
"Working with what you got"
- 1. Datengrundlage: Als Ausgangspunkt diente ein vorhandener CSV-Dump der MoMA-Sammlungsmetadaten. Die Datei enthielt strukturierte Informationen zu den Werken, darunter Datierungen, Künstler:innenangaben und Nationalitäten.
- 2. Datenbereinigung: Die Metadaten wurden mit Python eingelesen, vereinheitlicht und auf relevante Spalten reduziert. Fehlende oder uneindeutige Nationalitätsangaben wurden nicht entfernt, sondern als eigene Kategorie sichtbar gemacht.
- 3. Kategorisierung: Für die Visualisierung wurden die am häufigsten vertretenen Nationalitäten ausgewählt. Zusätzlich wurde eine Kategorie für unbekannte Angaben aufgenommen, um Lücken im Datensatz nicht unsichtbar werden zu lassen.
- 4. Aggregation: Die Werke wurden nach Jahr und Nationalität gruppiert. Anschließend wurden die Werte kumulativ aufsummiert, sodass sichtbar wird, wie sich die Zusammensetzung der Sammlung über die Zeit entwickelt.
- 5. Visualisierung: Die aggregierten Daten wurden als kumulativer gestapelter Liniengraph dargestellt. Dadurch lassen sich langfristige Entwicklungen, dominante Kategorien und Veränderungen in der Sammlungsgeschichte auf einen Blick erkennen.
- 6. Reflexion: Die Visualisierung zeigt historische Muster, bleibt aber an die Kategorien des Datensatzes gebunden. Nationalität ist dabei keine neutrale Eigenschaft, sondern eine vereinfachende und teilweise unsichere Zuordnung.
Smithsonian
"Getting what you need"
- 1. Datengrundlage: Für die Smithsonian-Visualisierung lag kein direkt nutzbarer Bilddatensatz vor. Deshalb mussten die relevanten Objektinformationen zunächst aus der Online-Sammlung extrahiert werden.
- 2. Scraping der Metadaten: Die verfügbaren Werkdaten wurden automatisiert aus den Sammlungsseiten gesammelt. Dabei wurden unter anderem Titel, Datierungen, Objekt-IDs und Bildverweise extrahiert.
- 3. Bilddownload per Crawler: Auf Basis der gesammelten Bildverweise wurden die zugehörigen Kunstwerkabbildungen mit einem Crawler heruntergeladen. So entstand ein lokaler Bilddatensatz, der anschließend analysiert werden konnte.
- 4. Bildverarbeitung: Die Bilder wurden automatisiert verarbeitet und auf vergleichbare visuelle Eigenschaften untersucht. Für jedes Kunstwerk wurden Median-Helligkeit und Median-Sättigung berechnet.
- 5. Modellierung: Jedes Kunstwerk erhielt eine Position in einem Koordinatensystem: Die x-Achse zeigt die Median-Helligkeit, die y-Achse die Median-Sättigung. Dadurch werden farbliche Ähnlichkeiten und Unterschiede zwischen den Werken vergleichbar.
- 6. Direkte Visualisierung: Anstelle abstrakter Punkte wurden 16×16-Pixel-Thumbnails der Kunstwerke in den Plot eingesetzt. Die Werke bleiben dadurch selbst sichtbar und werden zugleich als Datenpunkte lesbar.
- 7. Reflexion: Die Darstellung ist abhängig von Bildqualität, Digitalisierung, Farbprofilen und der Reduktion komplexer Kunstwerke auf wenige Messwerte. Gerade dadurch zeigt sie nicht nur Muster, sondern auch die Unsicherheiten digitaler Humanities-Daten.