Skip to content

Ervaringen Capita Selecta

Tijdens het eerste semester verliep het vak heel gestructureerd. Er waren misschien wat veel herhalingen met de 3 of 4 introducties tot HCI, wat soms wat eentonig werd. Voor de rest verliep alles vrij goed, iedereen wist wat van hem of haar verwacht werd en d3js was een interessante technologie om mee te werken. De Visualizing marathon was een zeer geslaagd iniatief. Het was iets heel anders dan andere vakken, zeker iets dat voor herhaling vatbaar is. Iedereen moest een groot deel van zijn weekend opofferen, maar daarna werd dat gecompenseerd door minder lessen door de week, dus dat was helemaal niet erg. We konden dan ook een heel weekend werken om een deadline te halen en een leuke visualisatie af te werken. Zoiets kunnen verwezenlijken op een paar dagen i.p.v. een paar maanden is nieuw en geeft eens een andere kijk op projecten. Geen eindeloze vergaderingen en weken van een uur of twee werk, maar alles af op twee dagen.

Het tweede semester verliep iets minder gestructureerd. Het was niet altijd duidelijk wat er verwacht werd, vooral naar het einde toe. Hoeveel tijd en moeite nu juist in gebruikersevaluaties moest gestoken worden was niet echt duidelijk, we kregen de opdracht om een visualizatie te maken en deze te evalueren, dit hebben wij dan ook gedaan met een enkele evaluatie. Het Team Power Vision groepje heeft echter zeer veel iteraties doorlopen waardoor op de presentatie leek dat de andere teams veel te weinig tijd in evaluaties gestoken hadden. Ook was het zeer vreemd dat na de presentatie de vraag kwam waarom we voor een geografische visualisatie gekozen hadden, een map. Dit was nochtans wel de opgave.

Al bij al vonden wij het vak wel geslaagd, we hebben bijgeleerd wat slechte en betere practices zijn bij visualisaties. Hoe bepaalde informatie het best gevisualiseerd kan worden en ervaring opgedaan met enkele technologieen zoals d3, Unfolding en processing.
De belangrijkste les is, zoals we op de slides al gezegd hebben, dat een verhaal zoeken in de data die je wilt tonen niet altijd even eenvoudig is.

Evaluatie Finding Viso’s

Finding Viso’s had al snel een visualisatie die er heel mooi en “smooth” uitzag. Ze hadden duidelijk veel werk gestoken in het maken van een visualisatie die er esthetisch uitzag en vlot werkte.  De enige kleine minpuntjes die er op aan te merken waren zijn dat het soms wat moeite vroeg om wordclouds te kunnen lezen (niet specifiek hun wordclouds, maar wordclouds in het algemeen), en het gebruik van kleuren voor jaartallen vreemd was (Franse vlag? ;)). Een pluspunt is dat, ondanks dat wordclouds snel cluttered kunnen worden, dit toch niet het geval was bij hun visualisatie. Ze hadden duidelijk moeite gedaan om overlap te vermijden in de mate van het mogelijke. Het was fijn om te zien dat ze hun visualisatie gaan testen waren op de touch displays in het Agora-leercentrum van de KU Leuven. Van de drie groepjes zag hun visualisatie het er het meest afgewerkt uit volgens onze mening.

Evaluatie Team Power Vision

Team Power Vision had veel tijd gespendeerd aan gebruikersevaluaties, dat was van het begin al duidelijk. Ze hadden paper prototypes gemaakt en hebben veel tijd, veel meer dan de twee andere groepen,  in het evalueren van de gebruikerservaring gestoken. Ze hadden een duidelijk doel voor hun visualisatie, antwoorden op de vraag “Where to go with your subject?”. Uiteindelijk heeft hun visualisatie een antwoord kunnen bieden op die vraag. Gebruikers kunnen zoeken op een trefwoord en dan universiteiten met elkaar vergelijken.  Een blijvend nadeel aan hun visualisatie was dat men niet in één oogopslag kan zien waar men nu het meest bezig is met een bepaald onderwerp. Dit kan men pas merken nadat je een organisatie openklikt en/of gaat vergelijken met andere organisatie. Ook was de manier van vergelijken een beetje vreemd naar onze mening, men wil niet altijd twee organisaties vergelijken maar soms ook de informatie over een enkele organisatie bekijken of meerder organisaties vergelijken.

Hun eerste visualisatie was wat ongelukkig, met de grote gele balken op de kaart. Na elke presentatie werd hun visualisatie steeds wel beter en beter, nagenoeg elke opmerking was tegen de volgende presentatie verbeterd. Er was bijvoorbeeld veel kritiek op de verschillende kleuren in de balk, die aangaf welk percentage EDM/LAK er in een land is en die hebben ze correct aangepast in de volgende iteratie. Van de drie groepen hebben zij het meeste vooruitgang gemaakt tussen de eerste en laatste versie van hun visualisatie. Hun visualisatie was niet de meest in het oog springende, maar het was wel duidelijk wat er getoond werd.

Our final visualisations

The final presentation

Our code can be found, as always, on github.

Intro to unfolding and the LAK dataset (Bram)

Just a short post to show the applet I built to play around with processing, unfolding and the #lak13 dataset.

Processing

I’ve made a simple applet that shows the Dragon Curve. The code can be found here.

Image

Unfolding & LAK

My demo for the #lak13 dataset simply shows the universities and linkes the universities that have collaborated on one or more papers.

I’ve made some changes since the lecture, as suggested by prof Duval. Instead of always showing the names, the applet shows black circles which show the names when hovered over.

Visualisation of the LAK dataset using Unfolding (Glenn)

LAK1

In my visualisation of the LAK dataset I am showing the relations between different organisations. Two organisations are connected by an edge if they wrote on a common paper. The size of the red university markers indicates the amount of papers that has been published by the organisation. You can click on a conference in the list on the top left to only show organisations of that conference. However, in the current state of the implementation it will only ‘select’ the organisations and not hide the other organisation markers, so not much change will be visible. The source code can be found here (zip).

Visualisation of the lak dataset using Unfolding – Geert

The lak dataset

As the dataset was available in rdf format and I had no experience whatsoever using this format, it took me some time to get acquainted with it. To use the dataset in Java I used the Jena library to search in the rdf model for the needed data. As data to process I used the name of the country authors are linked to.

Retrieving geodata

As the lak dataset did not contain any geo data apart from the name of the country authors are based and the names of the organisation an author is linked to another method had to be used to retrieve geodata that can be visualized. I used Sparql queries to DBpedia to find coordinates of the countries. Names of countries can be written in a lot of different ways unfortunately, for example The United States of America was found in the dataset as “USA” . DBPedia could not find any coordinates for “USA” as the correct name in DBPedia is United_States (because the page that is found when searching for “USA” redirects to the page for “United_States”). For countries like this where I found no coordinates using DBPedia, I used Geonames on the name of the country found in the dataset.

The visualisation

The visualisation itself is very simple and just shows the number of authors that is linked to a specific country. When the number of authors for a country is higher, the color turns from green to yellow to red and the size of the marker increases. I also experimented with hovering over markers, but this is not visible in the following screenshot of my visualisation.

lakvisualisation

Follow

Get every new post delivered to your Inbox.