SANE: Visual Analytics für Ereignisdiffusion in Netzwerken

Pandemien, Angriffe durch Computerschädlinge, Fehlinformationskampagnen - all diese Phänomene ha- ben eines gemeinsam: eine Art von "Information" (ein Krankheitserreger, ein Virus, Fake News), die sich über eine zugrunde liegende Struktur von Elementen ausbreitet, die durch irgendeine Art von Beziehung miteinander verbunden sind (physische Kontakte, öffentliche WiFi, soziale Netzwerke). In der Informatik sind solche Strukturen als Graphen oder Netzwerke bekannt. Im Rahmen dieser Formalisierung werden die oben beschriebenen Phänomene als Diffusionsprozesse bezeichnet. Sie wurden untersucht, um Modelle zu erhalten, die es Forschern und Institutionen ermöglichen, solche komplexen Ereignisse im Allgemeinen zu verstehen. Visual Analytics (VA) ist eine Disziplin, die automatisierte Techniken zur Analyse großer Datenmengen mit Visualisierung kombiniert und dabei die kognitiven Fähigkeiten der menschlichen Wahrnehmung nutzt, um aussagekräftige und vertrauenswürdige Erkenntnisse zu gewinnen. Es handelt sich um einen "plastischen" Ansatz, der für unzählige Anwendungsbereiche gilt. Dank des "Human-in-the-Loop"-Prinzips, Analyseer- gebnisse stammen nicht aus einer "Black Box (wie bei einigen KI-Systemen). Stattdessen spielt die/er Be- nutzer:in eine direkte und zentrale Rolle bei der gesamten Prozess, was im Allgemeinen zuverlässigere Er- gebnisse liefert als eine automatisierte Analyse allein. Die derzeitigen Methoden zur Modellierung von Diffusionsprozesse in Netzen beruhen auf zwei Näherun- gen: Diskretisierung der Zeit und Vernachlässigung (oder übermäßige Vereinfachung) der dem Phänomen innewohnenden Unsicherheit. Bei der ersten Methode wird die Zeit in eine Abfolge von gleichmäßig ver- teilten "Augenblicken" aufgeteilt (wie die Einzelbilder in Filmen). Die Verwendung einer diskreten Zeit be- deutet, dass wir eine zeitliche Auflösung festlegen müssen - dadurch gehen die feinen zeitlichen Details (d. h. die genaue Abfolge der Ereignisse) verloren, die vor allem in Entscheidungsszenarien entscheidend sein können. Die probabilistische Natur der Diffusionsprozesse spiegelt sich in einer inhärenten Unsicherheit wider. Wie kann sie der/m Nutzer:in im Rahmen der Analyse eines Diffusionsprozesses wirksam und ein- deutig vermittelt werden? Ereignisbasierte dynamische Netzwerke ändern sich in kontinuierlicher Zeit, und überwinden die zeitliche Diskretisierung. Im SANE-Projekt zielen wir darauf ab, ereignisbasierte Netzwerkvisualisierung und analyse zur Untersuchung komplexer und unsicherer Diffusionsphänomene einzusetzen. Wir streben an, das Thema in der Forschung der Visualisierung systematisch zu charakterisieren und einen gemeinsamen Re- ferenzrahmen zu entwickeln, um die Forschung auf diesem Gebiet zu fördern. Anschließend werden wir diesen Rahmen nutzen, um Prototypen einzuführen, die sich mit realen Daten über Diffusionsphänomene befassen, aktuelle algorithmische Lösungen verbessern und die während der Projektlaufzeit gewonnenen Erkenntnisse weitergeben.