PROVIDEDH - Progressive visuelle Entscheidungsfindung in digitalen Geisteswissenschaften

Das PROVIDEDH-Projekt (Progressive VIsual DEcision-Making in Digital Humanities) zielt darauf ab, visuelle interaktive Werkzeuge zur Verfügung zu stellen, die den Grad der Ungewissheit der hinterlegten Datensätze und Rechenmodelle vermitteln, um die Visualisierungen schrittweise an die neuen, vollständigeren oder genauer zu adaptieren Daten. Ziel ist es, DH-Gelehrten einen Raum zu geben, um die Vollständigkeit und Evolution der beteiligten Forschungsobjekte, den Grad der Ungewissheit, die die Modelle auf die Daten angewendet haben, zu erforschen und zu bewerten sowie ihre Perspektiven und Einsichten anderen Stakeholdern der Gesellschaft zugänglich zu machen. PROVIDEDH dreht sich um zwei wichtige wissenschaftliche Fragen: 1. Ist es möglich, den Grad der Unsicherheit, die ein bestimmter DH-Datensatz enthält, zu beurteilen, diesen Grad während der Evolution des Datensatzes zu verfolgen und zu beurteilen, wie es bei der Anwendung unterschiedlicher Berechnungsmodelle betroffen ist? 2. Ist es möglich, die Evolution der Unsicherheit durch interaktive multimodale Schnittstellen zu vermitteln, die sich allmählich an den Zeitpunkt anpassen, in dem sie eingesetztwerden, und den Anwendern erlauben, entsprechende Entscheidungen zu treffen? Zu den eingesetzten Methoden gehören modernste Methoden der Computerwissenschaft und Datenvisualisierung sowie Open Innovation, Design Thinking und Citizen Science. Mit diesem interdisziplinären Ansatz wollen wir ökosystem-zentrische Netzwerke fördern und so zur Nachhaltigkeit und Genauigkeit der Daten sowie zur Reproduzierbarkeit von Arbeitsabläufen beitragen. Die Neuartigkeit des vorgeschlagenen Projektes liegt in seinem interdisziplinären Ansatz, der modernste Methoden der Informatik und Visualisierungsmethoden einerseits und Open Innovation - Ansätze, Methoden des Design Thinking und die Einbindung der Citizen Science aus den Perspektiven der Digitalen Geisteswissenschaften verbindet. Dieser interdisziplinäre Ansatz für Datenbehandlung, -verbreitung und -zugriff macht Ergebnisse nachhaltiger, bietet einen besseren und breiteren Zugang sowie genauere Daten.