Answers are grounded in this paper and cite their sources.
Investigates data visualization and analysis sensitivity in environmental studies, suggesting improved practices.
Während Forschung im Bereich der Umweltverschmutzung zunehmend auf datengetriebenen Analysen basiert, ist das Wissen darüber, wie analytische Praktiken und Datenvisualisierung zu robusten und interpretierbaren Ergebnissen beitragen, weiterhin begrenzt. Insbesondere fehlt ein systematischer Überblick über den Beitrag strukturierter Analyseprozesse, den Einfluss der wachsenden Methodenvielfalt sowie die Integration von Datenvisualisierung, was die Vergleichbarkeit von Studien, relevant insbesondere in Entscheidungs- und Regulierungsprozessen, beeinträchtigt. Diese Arbeit ist an der Schnittstelle von Datenvisualisierung, Data Science und Forschung zu Umweltverschmutzung angesiedelt. Sie verfolgt einen praxisorientierten Ansatz, um zu untersuchen, wie Visualisierungs- und Analysepraktiken über verschiedene Phasen des Datenanalyseprozesses hinweg in realen Umweltstudien eingesetzt werden. Die Arbeit kombiniert eine Design Study, eine angewandte Sensitivitätsanalyse von Datenaufbereitung und Modellierung, eine kontrollierte Mixed-Methods-Studie zur Wahrnehmung univariater Datenvisualisierungen sowie zwei angewandte Studien aus den Bereichen der Umweltchemie und der Forschung zu Verschmutzung von Innenräumen. Die Studien zeigen, dass die typischen Eigenschaften von Datensätzen zur Umweltverschmutzung Analyseergebnisse stark abhängig von Datenvorbereitung und Methodenauswahl machen. In allen Studien zeigt sich Datenvisualisierung als zentraler Bestandteil des gesamten Datenanalyseprozesses, wird jedoch überwiegend als Werkzeug eingesetzt und nur selten explizit reflektiert. Der Einsatz von Datenvisualisierung ist weitgehend durch fachliche Konventionen und praktische Rahmenbedingungen geprägt und weniger durch formale Evaluationskriterien; viele analytische Aufgaben werden mit Standarddiagrammen bearbeitet. Insgesamt unterstreichen diese Ergebnisse wie wichtig es ist, methodische Entscheidungen über den gesamten Analyseprozess hinweg explizit zu machen, und legen nahe, dass eine stärkere Integration von Data-Science-Expertise, ein verbesserter Transfer von Wissen sowie eine engere interdisziplinäre Zusammenarbeit zu robusterer und besser interpretierbarer Forschung im Bereich der Umweltverschmutzung beitragen können.
No takes yet. Share an insight, caveat, or question.
Laura Christine Lotteraner (2026) studied this question.
Synapse has enriched 8 closely related papers on similar clinical questions. Consider them for comparative context: