Measuring Feature Usefulness for Heterogeneous Projections

When building a two-dimensional visualization from complex data, we often used dimensionality reduction techniques to preserve the structural characteristics of the individual properties, usually referred to as the features. Within this thesis, we introduce a novel measure meant to help users find useful features for creating such visualizations. The intention is to estimate the usefulness of features by this measure. The measure does so by considering the features themselves and the user’s current feature selection. However, it does not take into account the user’s objective in the analysis. The set of features can be very heterogeneous, including different data types or semantics, only requiring a measure of dissimilarity between the data points. We created an application scenario to evaluate the helpfulness of this measure in conjunction with a visual indicator. The exploration of a music library with a heterogeneous collection of song properties serves as an exemplary domain for the application scenario. We performed a qualitative study with ten participants. Due to the limited number of participants, we did not perform a statistical analysis. Instead, we focused on reporting on the feedback received from the participants. The participants did not perceive the indicator as helpful, and we also did not observe an impact on the confidence level of the participants in their answers and also did not see impact on the task duration. In addition to the findings concerning our proposed measure, we present two main research artifacts. The first one is the heterogeneous music library dataset that we created from multiple sources and which may be of use not only for similar studies but even for work in other research fields. The second research artifact is the interactive visualization tool, which may prove useful for similar evaluations.

Zum Erstellen von zweidimensionalen Visualisierungen von komplexen Daten verwenden wir häufig Dimensionsreduktionstechniken, um die charakteristischen Strukturen einzelner Eigenschaften, meist Features genannt, zu bewahren. In dieser Masterarbeit stellen wir ein neues Maß vor, welches den Nutzenden helfen soll, nützliche Features zum Erstellen einer solchen Visualisierung zu finden. Die Idee ist dabei, dass das Maß die Nützlichkeit jedes Features einschätzt und dafür nur die Features selbst und die gerade aktuelle Featureauswahl des Nutzenden betrachtet. Die Aufgabe, die die Nutzenden mit der Visualisierung zu lösen gedenken, fließt jedoch nicht direkt in das Maß ein. Die betrachteten Features können sehr heterogen sein, einschließlich unterschiedlicher Datentypen oder Bedeutung, es ist lediglich ein Unähnlichkeitsmaß zwischen den Datenpunkten erforderlich. Wir haben ein Anwendungsszenario erstellt, um zu evaluieren, ob das Maß in Kombination mit einem visuellen Indikator hilfreich ist. Die Erkundung einer Musikbibliothek mit einer heterogenen Sammlung von Songmerkmalen dient als exemplarischer Anwendungsbereich für das Anwendungsszenario. Darauf basierend haben wir eine kleine qualitative Studie mit zehn Teilnehmenden durchgeführt. Aufgrund der geringen Anzahl an Teilnehmenden haben wir keine statistische Auswertung durchgeführt, sondern haben uns auf das Berichten über Rückmeldungen der Teilnehmenden fokussiert. Der Indikator wurde als nicht hilfreich wahrgenommen, und wir konnten auch keinen Einfluss auf die Bearbeitungszeit oder auf das Vertrauen der Teilnehmenden in ihre eigenen Antworten feststellen. Zusätzlich zu den Erkenntnissen zu dem von uns vorgeschlagenen Maß stellen wir zwei wesentliche Forschungsergebnisse vor. Zum einen ein heterogener Musikdatensatz, den wir aus mehreren Quellen zusammengestellt haben und der sich eventuell nicht nur für ähnliche, sondern auch andere Forschungsbereiche nützlich ist. Das zweite wesentliche Forschungsergebnis ist das interaktive Visualisierungswerkzeug, welches sich für ähnliche Evaluationen als nützlicher erweisen könnte.