Datenanalyse in der Forschung

Research

Mittels Desk- und User-Research analysierten wir bereits vorhandene Tools und versuchten Opportunity Areas zu identifizieren. Ich habe mir hierfür zunächst zwei Analyse- und Visualisierungstools näher angesehen: Microsoft Power BI und Tableau. Beide Tools spezialisieren sich insbesondere auf die Visualisierung der Daten.

Analyse- und Visualisierungstools

User Journey

Anschließend habe ich zwei qualitative Interviews geführt. Zuerst mit einem Professor für klinische Psychologie und Psychotherapie. Dann mit einer Psychologie Bachelor-Studentin, die gerade ihre Bachelorarbeit geschrieben hat.

Hier die User Journey, die ich zum ersten Interview erstellt habe:

User Journey

Der Ablauf durch die Forschungsprojekte hinweg war bei beiden sehr ähnlich:

1. Aus einer Idee wird eine Forschungsfrage entwickelt. (Ideation)

2. Die Hypothese wird ausformuliert und eingereicht. (Writing)

3. Daten werden gesammelt. (Data Collection)

4. Die Daten werden analysiert. (Data Analysis)

5. Erkenntnisse werden in Form eines Papers dokumentiert. (Writing)

6. Hierfür werden die Daten in Tabellen und Grafiken visualisiert. (Visualization)

7. Abschließend wird das Paper veröffentlicht bzw. geteilt — in Fachzeitschriften bzw. mit den Prüfern. (Publishing)

Pain Points & Opportunity Areas

In den verschiedenen Phasen des Forschungsprozesses kamen unterschiedliche Pain Points auf:

Pain Points

Daraus ließen sich einige Opportunity Areas ableiten:

• Wie lässt sich der Forschungsverlauf und Papierkram digital strukturieren, organisieren und archivieren?

• Wie können wir Forschende dabei unterstützen genau die Zusammenhänge zu erforschen, die sie suchen?

• Wie können wir Forschende unterstützen und motivieren anschaulichere Grafiken zu erstellen bzw. ihnen die Wichtigkeit dieser vermitteln?

• Wie können wir Forschende dabei helfen, APA Richtlinien, sowie die verschiedenen Richtlinien der Zeitschriften einzuhalten?

• Wie könnte mit einem Programm der gesamten Forschungsverlauf zu betreut werden?

• Beim Gestalten des Filters habe ich mehrere Iterationen durchlaufen und mich schließlich dafür entschieden, dass die Auswahl fast identisch mit der aktuellen Version über ein Modal abläuft. Die aktive Auswahl wiederum wird nun über einen bzw. mehrere Chips dargestellt. So ist nicht nur ersichtlich, dass es einen aktiven Filter gibt, sondern auch, was genau dieser Filter bewirkt. Außerdem verschwinden die Standort-Markierungen von Fahrrädern/Scootern nicht vollständig von der Karte, sondern bleiben als kleine Punkte bestehen.

Concept

Über den »Scan to Rent«-Button kommt man zu einem QR Code Scanner mit dem die Fahrräder und Roller ausgeliehen werden können. Dieser hat nun einen neuen Titel, ein neues Icon und ist deutlich größer. Wurde ein QR-Code eingescannt, muss man die Ausleihe auf einem floating sheet bestätigen (vorher: slide-up).

Ein Insight aus dem Research ist, dass alle relevanten Daten nach der Analyse auf Papier abgeschrieben werden, um sie zu dokumentieren. Allerdings müssen sie später an anderer Stelle erneut abgetippt werden, um damit weiterzuarbeiten. Dies birgt ein hohes Risiko für Fehler und erschwert es, Zusammenhänge zwischen Notizen und Analyse nachzuvollziehen, zurückzuführen und zu überprüfen.

In meinem Projekt versuche ich dieses Problemfeld anzugehen, indem ich den gesamten Forschungsprozess in einem Programm betreue. Hierdurch können Notizen, Erkenntnisse, Daten, usw. an einem Ort gesammelt, aufeinander zurückgeführt und an anderen Stellen des Forschungsprozesses eingebettet werden.

Implementierung des oben beschriebenen Ablaufs des Forschungsprozesses (siehe User Journey) in das von mir entworfene Programm:

Phasen des Forschungsprozesses

Ich habe mich während des Projektes vor allem mit der Phase der Datenanalyse auseinandergesetzt.

Data Analysis

Für die Datenanalyse in der Forschung wird heute meist SPSS verwendet. Eine Statistik- und Analyse-Software von IBM.

Hier ein kleiner Einblick:

Für mein Projekt habe ich die Analysefeatures von SPSS übernommen, ihre Anwendung jedoch verändert.

Im Folgenden sieht man mein Projekt, in dem gerade die Datei einer Bachelorarbeit im Bereich »Data Analysis« geöffnet ist. Dies kann man sowohl oben im Breadcrumb Menü, als auch in der Side-Bar nachvollziehen. Eine Analyse bereits erstellt wurde. Als Beschreibung dieser steht die Syntax der Analyse, die beschreibt, welche Faktoren in der Analyse berücksichtigt wurden.

Data Analysis

Im Folgenden sieht man die Erstellungen einer neuen Analyse:

Überblick

Pinned ⸱ Attached ⸱ Forked ⸱ Notes

→ Pinned

Möchte man z.B. eine bestimmte Grafik oder Tabelle die in der Analyse entstanden ist im Paper einfügen, so kann man diese in der Analyse »anheften«, so dass sie in einer anderen Phase (z.B. Writing) direkt eingebunden werden kann.

→ Attached

Schreibt man eine Notiz zu einem bestimmten Element, so ist sie an dieses gebunden und kann auf es zurückgeführt werden. Da es ein großer Use Case ist, analysierte Daten und Beobachtungen zu verschriftlichen und im Paper auf diese einzugehen, kann man eine attachte Notiz z.B. nutzen, um sie in der Writing-Phase einzufügen.

→ Forked

Selektiert man einen Teil eines Elements, so kann man es »forken«. Man spaltet es also vom ursprünglichen Element ab und speichert die selektierten Informationen in einem neuen Element. So kann man später mit den Daten weiterarbeiten, ohne diese wieder raussuchen oder abschreiben zu müssen. Die geforkten Elemente können auf ihren Ursprung zurück geführt werden und sowohl einzeln in z.B. das Paper eingesetzt, aber auch verwendet werden, um daraus eine neue Tabelle in der Visualisierungs-Phase zu erstellen.

→ Notes

Generelle Notizen sind z.B. Erinnerungen oder einfach Informationen die keine größere Relevanz haben und mit denen man nicht weiterarbeiten will.

Beispiel: Notiz einfügen

Das Potenzial und die Möglichkeiten dieser Interaktionen und Elemente sind natürlich viel größer, als in diesem kleinen Beispiel, aber ich hoffe man konnte trotzdem einen kleinen Einblick in die Idee hinter diesem Projekt bekommen.