76 Matching Annotations
  1. Feb 2026
    1. 4.6.3. Kritische Schlussfolgerung# Die beiden Visualisierungen machen eindrucksvoll sichtbar, wie stark sich die Ergebnisse verändern, sobald man eine andere Operationalisierung wählt. Bei der Gesamtbewässerungsmenge liegen Marzahn-Hellersdorf und Spandau klar an der Spitze – Spandau sogar mit deutlichem Abstand. Das deutet darauf hin, dass in diesen Bezirken besonders große Wassermengen eingesetzt wurden, sei es aufgrund vieler gegossener Bäume, hohem individuellem Einsatz oder besonderen lokalen Bedingungen. Betrachtet man jedoch die durchschnittliche Bewässerungsmenge pro Baum, verschiebt sich das Bild vollständig: Hier treten Mitte und Friedrichshain-Kreuzberg wieder hervor. Die Bezirke, die bei der Gesamtmenge führend waren, liegen in dieser Metrik nicht mehr vorn. Das zeigt klar: Die Wahl der Messgröße – „Wie viel Wasser insgesamt?“ vs. „Wie viel Wasser pro Baum?“ – beeinflusst die Interpretation der Engagementmuster wesentlich. Unterschiedliche Kennzahlen erzählen unterschiedliche Geschichten, obwohl sie auf denselben Rohdaten basieren. Damit wird ein zentrales analytisches Prinzip deutlich: Daten sind nicht neutral – die Art ihrer Aufbereitung formt das Narrativ. Die Erkenntnis, dass unterschiedliche Kennzahlen zu unterschiedlichen Ergebnissen führen, macht deutlich, dass Engagement und Bewässerungsmuster nicht allein durch Bezirksvergleiche erklärbar sind. Um ein umfassenderes Bild zu erhalten, müssen wir zusätzlich berücksichtigen, wie sich Bewässerung über die Zeit entwickelt und wie die Baumstruktur in den Bezirken aussieht. In den nächsten beiden Reitern werden diese Perspektiven vertieft: Im Zeitverlauf betrachten wir, wie sich Bewässerungsaktivität über Monate und Jahre verändert – und ob sich saisonale Muster, Hitzewellen oder langfristige Trends erkennen lassen. In der Baumstatistik analysieren wir die Zusammensetzung des Baumbestands: Alter, Gattung, Verteilung im Stadtraum und deren potenzieller Einfluss auf Bewässerungsbedarfe. Damit erweitern wir die Analyse von einer rein mengenbasierten Betrachtung hin zu einem Verständnis, das räumliche, zeitliche und ökologische Faktoren integriert.

      ich habe hier nur noch überflogen, aber es kommt mir ein Gedanke, der vielleicht ganz hiflreich sein kann: Es kann sich nach verschiedenen Versuchen zeigen, dass manche Darstellungen (ein Diagrammtyp, eine Filteroption, eine Einfärbung) irreführende Schlüsse oder falsche Assoziationen erzeugt. Man wird also sein Ergebnis kritisch geprüft haben, vielleicht habt man auch User Feedback bekommen. Man will also was ändern und das ist ok so. > wie macht man das ? Organisatorisch, technisch, kommunikativ?

      Gleichzeitig hat man verschiedene Optionen vorab diskutiert, vielleicht auch mehrere Varianten implementiert. DIe Varianten haben vielleicht verschiedene Vor- und Nachteile und man will beide erlauben... wie macht man das ? Vor allem: ein überfrachtetes board hilft keinem! d.h. ein Board übersicht lich und nützlich zu halten, ist auch ein Arbeitsschritt, in dem man das Board entschlackt, umordnet und die Änderungen dokumentiert (changelog?)

    1. vielleicht noch zuordnen, welche Pakete was genau machen

      da fortgeschrittene adressiert werden, ist das eine gute Idee. Denn selbst fortgeschrittene kennen nicht alle Packages und freue sich eventuell kurz einen Überblick zu kriegen.

    1. 3.4.1. Umsetzung mit R Shiny

      Da dieses Book für R Fortgeschrittene macht, frage ich mich, ob es dieses Kapitel in seiner ausführlichkeit eigentlich braucht. oder: könnte dies ein Punkt sein, an dem man die fortgeschrittenheit 'testet'? Einfach den Gesamtcode hinterlegen und darunter verständnisfragen zum Code hinterlegen. Werden die Fragen richtig beantwortet, weiß der Mensch und wissen wir, dass die grundlegende Kenntnisse vorhanden sind. Versteht die Person den Code nicht, fehlt das Fachwissen und man kann auf entsprechende Lernressourcen verweisen!

    1. Benutzerfreundlichkeit und Geschwindigkeit schätzen, während R Shiny und Python Dash besser für analytische, wissenschaftliche Anwendungen geeignet sind, bei denen Flexibilität, Datenkontrolle und Zugänglichkeit entscheidend sind.

      dieser Aspekte wird interessant, sobald weiter oben die Bewertungskriterien definiert werden.

    2. Zusammenfassend kann festgestellt werden, dass die vier Visualisierungstools zwei verschiedene Zielgruppen ansprechen: Tableau und Power BI sind für Unternehmen gedacht,

      nein, dies war bereits vorher definiert. Dies ist kein Schluss dieses Kapitels und sollte auch nicht so dargestellt werden.

    3. ) erforderlich sind. Allerdings richtet sich Power BI und Tableau hauptsächlich an den Unternehmenssektor, in dem die Benutzer oft keine Programmierkenntnisse besitzen. Aus diesem Grund verfügen diese Werkzeuge über eine grafische Benutzeroberfläche im Drag-and-Drop-Stil, die das einfache und zügige Erstellen von Visualisierungen ermöglicht.

      ein Fazit ist keine Wiederholung/Zusammenfassung. Ich erwarte hier eine klaren Schluss.

    4. In Shiny Anwendungen können Benutzer aktiv in den Analyseprozess eingebunden werden, anhand von Slidern die erlauben die Daten zum Beispiel für einen Bestimmten Zeitraum zu analysieren, Dropdowns oder Karten mit den interagiert werden kann, durch diese interaktionsmöglichkeiten wird die Visualisierung bei jeder Eingabe serverseitig aktualisiert.

      es erscheint mir völlig seltsam, mir die interaktivität von etwas in einem starren fließtext statt in einem interaktiven Element erläutern zu lassen.

    5. Tableau Desktop dient auch hier als das Tool zur lokalen Entwicklung. Und erfüllt dieselben Aufgaben wie auch Power BI Desktop. Die Benutzeroberfläche besteht aus Menüs, Shelves, Karten und Datenfeldern. [@vasundhara_data_nodate] Tableau Server / Tableau Cloud ist für die Bereitstellung zuständig. Dabei kann Tableau Server entweder auf einer lokalen oder in einer privaten Cloud installiert werden, wobei Tableau Cloud im Vergleich als SaaS-Lösung (Software as a Service) fungiert. Durch beide wird skalierbare Analytik in Echtzeit, rollenbasierte Zugriffskontrolle ermöglicht und die Zusammenarbeit an Dashboards innerhalb der Organisation. Mittels dieser Architektur ist es mit Tableau möglich, hybride Datenquellen (sowohl lokale als auch Cloud-Daten) zu unterstützen und verwendet für eine sichere Verbindung mit privaten Datenquellen Tableau Bridge. [@noauthor_tableau-plattformarchitektur_nodate] Datenverbindung und Zugriff: Tableau ermöglicht es großen Datenquellen direkt abzufragen als Live Connection, aber auch die Arbeit mit extrahierten Daten ist mit Tableau möglich, um die Performance zu steigern. Die Anbindung wird über native Treiber zu u.a. PostgreSQL, MySQL, Snowflake, Redshift und Google BigQuery realisiert. [@noauthor_tableau-plattformarchitektur_nodate] VizQL Engine bildet den Hauptbestandteil der Visualisierung, denn für die Datenabfrage und die damit unmittelbar verbundene visuelle Darstellung nutzt Tableau die VizQL (Visual Query Language). Dies ist für die zügige und interaktive Visualisierung von großen Datenmengen maßgeblich. [@noauthor_vizql_nodate]

      wozu dienst diese Information?

    6. Die Microsoft Azure Infrastruktur wird in zwei Teile unterteilt: Das Front End Cluster dient als Interface zwischen Backend Cluster und dem Client (Web oder mobile App) und authentifiziert den Benutzer für Power BI Service. [@arkharov_power_2024] Das Backend End Cluster enthält alle Daten, Visualisierungen, Berichte und verarbeitete alle Nutzer interaktionen. Das Backend nutzt die Microsoft Entra ID, um die Identität der Nutzer zu managen. Der Azure Traffic Manager verbindet den Client mit dem nahegelegenen Datencenter und der Inhalt wird über Azure CDN bereitgestellt. [@arkharov_power_2024]

      Wozu diese Information relevant ist, ist unklar.

    7. . Die Auswahl eines geeigneten Visualisierungstools hängt maßgeblich von den konkreten Zielen, Anforderungen und Rahmenbedingungen eines Projekts ab – ebenso wie von den technischen Vorkenntnissen und persönlichen Präferenzen der Nutzer:innen

      diese sind aber nirgendwo aufgeschlüsselt. Vor dem Vergleich die relevanten Kategorien und ihre Werte definieren! In etwa:

      Als Verwaltungsmitarbeiter brauchen Sie in der Regel .... xyz

    8. Der Dienst nutzt die Microsoft-Azure-Infrastruktur. Wodurch Nutzer über mobile Apps oder Browser darauf zugreifen können.

      satzbau!

    9. seitige React-Anwendungen gerendert. Die Dash-Kernkomponenten sind im Wesentlichen in Python verfügbare React-Komponenten. React bildet die UI-Komponente der Dash Anwendung.

      das scheint wichtig, ist aber kompliziert ausgedrückt.

    10. r 50 Diagrammtypen mit inklusive 2D und 3D

      dies ist nett, aber macht aber erst sinn, wenn wir irgendwo mal eine Einführung in die Varianz der Diagrammtypen gegben wird.

    11. Flask als Web Framework für das Backend verwendet und ist essentiell für Flask Apps.

      was bedeutet das? ich vermute: Flask erlaubt es, das Dashboard als online-dienst anzubieten?

      Was sind Flask Apps? wozu dienen sie? Brauchen wir das zu wissen?

    12. Lizenzmodell und Einsatzszenarien Dash und Shiny sind beide Open Scource Anwendungen können diese Frameworks kostenlos verwendet werden. [@dabbas_interactive_2021] Im Gegensatz dazu setzen Power BI und Tableau für die vollständigen Versionen auf kommerzielle Lizenzmodelle. Power BI und Tableau bieten beide zusätzlich auch noch eine kostenfreie Version an, die allerdings nicht alle Funktionen bereitstellt, die auch die kostenpflichtige Version bereitstellt, besonders für kleine und mittlere Unternehmen stellt die kostenlose Option über ausreichende Funktionen und Features zur Verfügung. [@krishnan_research_nodate] Programmiersprache, Zielgruppe, Bedienbarkeit, Erweiterbarkeit R Shiny ist vollständig auf der Programmiersprache R aufgebaut und eignet sich besonders für Nutzer: innen aus Wissenschaft und Datenanalyse. [@khedr_interactive_2021] Diese Verbundenheit mit dem R Ökosystem ist für Shiny enormer Vorteil, da Shiny dadurch leicht erweiterbar ist,diese verwenden zu können, setzt aber Vorkenntnisse in der Programmiersprache R voraus. [@walker_tools_2016] Python Dash hingegen basiert auf der Programmiersprache Python und wird häufig in den Bereichen Data Science und Analytics verwendet und richtet sich an Nutzer: innen, die bereits mit Datenanalyse-Tools wie pandas oder scikit-learn, die auf Python basieren auskennen. [@odonnell_interaktive_2020] Der Vorteil in Dash liegt in der Verwendung der modernen Frontend-Technologie mit React, zudem wird dem Nutzer vollständige Freiheit über die Gestaltung gegeben mit dem Code. Wie auch bei R Shiny ist es verbundenheit mit dem Python Ökosystem für Dash vom Vorteil da auch hier die Anwendung leicht erweiterbar ist. [@dabbas_interactive_2021] Auf Grund dessen dass Power BI und Tableau dafür entwickelt wurden um im Bereich Business-Intelligence und Unternehmenssektor angewendet zu werden wird größtenteils auf herkömmliche Programmierung verzichtet, obwohl Tableau mit R verbunden werden kann, um die Darstellung besser auf die Erwartungen des Anwenders anpassen zu können. Anstelle von Programmierung nutzen beide Tools GUI’s mit einer Drag-and-Drop-Funktionalität. [@odonnell_interaktive_2020] [@vasundhara_data_nodate]In Bezug auf Erweiterbarkeit bieten Tableau und Power BI eher schlechtere Erweiterbarkeiten, da die Plugin Optionen niedrig sind.

      Was ist der Zweck dieses Paragrafens außer die Tabelle zu wiederholen und leicht zu ergänzen= Ich erwähne das, weil ich sehr viel Potenzial sehe, dies in einen Vor- und Nachteile sowie Empfehlungsparagrafen auszubauen. Dafür genügen aber zusammenfassende Sätze wie

      "Da Python und R als Programmiersprachen offen für Erweiterungen sind, besteht ein umfangreiches Ökosystem aus sogenannten Bibliotheken, mit denen sich Funktionalitäten erweitern lassen ... etc etc. Die Voraussetzung ist die Kenntnis der jeweiligen Sprache und Vorkenntnisse im Programmieren sowie Vertraut mit Konzepten des objekt-orientierten Programmierens" (oder so).

    13. Lernkurve

      auf welcher Basis wird dies bewertet? Was ist eine "mittlere Lernkurve" ? Ist eine niedrige Lernkurve gut oder schlecht? für was?

    14. Mittel (Erfahrung in R) Mittel (Erfahrung in Python) Sehr einfach (Drag & Drop) Sehr einfach (Drag & Drop)

      Die Kategorie "mittel" ist nirgendwo definiert. Weglassen und stattdessen inhaltlich füllen: Code-Line-Programmierung in R; Code-line-PRogramming in Python etc, drag n drop etc.

    15. Zielgruppe

      Ja und? Was ist der Unterschied? Wenn ich als Verwaltungsmensch mir das anschaue, denke ich: ich bin ja gar nichts davon. Darf ich keiens verwenden? Sollte ich keines verwenden ?

    16. Einbindung externer Daten Sehr einfach (R-Pakete) Sehr einfach (pandas, APIs) Sehr einfach (GUI-Connectoren) Sehr einfach (GUI-Connectoren)

      da alles das gleiche Urteil haben, ersetzen durch eine Kategorie, die mehr unterschiede erlaubt. z.B. "Datenimport via" - Importfunktion GUI-Connector - verschiedene zusätzliche Plugins (siehe unten?)

    17. Open Source

      der Unterscheid zwischen Open Source und Proprietär sollte erläutert, falls es hier zentral ist, oder zu einer Erklärung verlinkt werden.

    18. Programmiersprache

      irrelevant, wenn Bedienbarkeit entsprechend inhaltlich ausgefüllt wird. aber vielleicht ersetzen durch "Typ": R Shiny - Bibliothek für R Programmiersprache; Python Dash - Bibliothek für Python-Programmiersprache, Power BI - WYSIWYG-Software? etc. dann sofort die Lizenz-Kategorie danach

    19. Einsatzgebiet

      dies erscheint mir eine ähnliche Kategorie wie Zielgruppe und sollte ersetzt werden durch die Kategorie des "Flexibilität des Outputs" ?

    1. • Bürgerengagement messen und verstehen: Das Dashboard visualisiert direkt das Engagement der Bürger:innen, indem es die Anzahl gegossener Bäume anzeigt . Für die Verwaltungswissenschaft ist dies relevant, um das Ausmaß und die Verteilung von Bürgerbeteiligung an städtischen Umweltprogrammen zu analysieren. • Ressourcenmanagement und Nachhaltigkeit: Die Anzeige des verwendeten Wasservolumens ermöglicht es, den Ressourcenverbrauch im Kontext von Stadtbegrünungsinitiativen zu überwachen . Dies ist entscheidend für die Bewertung von Nachhaltigkeitsstrategien und die Optimierung des Einsatzes öffentlicher oder privater Ressourcen. • Politikbewertung und Wirkungsanalyse: Durch die Möglichkeit, Daten nach Jahr und Bezirk zu filtern, können Sie die Auswirkungen spezifischer Politikmaßnahmen oder Kampagnen über die Zeit und in verschiedenen geografischen Gebieten verfolgen

      all dies ist auch ohne ein Dashboard - im Sinne einer interaktiven Visualisierung - möglich, denn dafür braucht es nur Datenaufbereitung und -analyse. Der Vorteil ist die Vereinfachung der Arbeitsschritte für Wiederholung - aka kontinuierliches Monitoring - sowie die Vereinfachung des Zugnags für andere, etc. .. oder ? (weniger Kompetenzen nötig)

    2. datengetriebenen

      Das ist ein Zirkelschluss. Einerseits sind Dashboard von entscheidender Bedetung für datengestützte Erkenntnisse. Andererseits ist die Welt bereits datengetrieben. Meint ihr: Die Verfügbarkeit von Daten hat sich erhöht, weshalb datengestützte Erkenntnisse besseres Verwaltungshandeln erlaubt ?

    3. n entscheidender Bedeutung

      nein. bitte kein werbesprech, ihr verkauft hier nichts. es kann bezeichnet werden; - ein neuer Weg um .. - ein nützliches Hilfsmittel um .. - eine zusätzliches Instrumente, welches die Zugänglichkeit zu datengestützten Erkenntnisse erleichtert sein.

    4. Der Begriff „Dashboard“ wird verwendet, um ein System zu beschreiben, das für die Entscheidungsfindung nützliche Daten visualisiert

      wie toll wäre es, wenn hier einfach ein sehr einfaches interaktives beispiel eingebunden wird. z.B. ein Wetterradar oder irgendwas anderes. also mehr als nur der untere screenshot.

    5. Was ist ein Dashboard?

      interessant wäre eigentlich nicht nur die definition und die geschichte, sondern auch eine Aufzählung, wo dashboards heute erfolgreich benutzt werden.

    6. Um Nutzern die korrekte Interpretation eines Elements auf dem Dashboard zu ermöglichen, erlauben Dashboards typischerweise, die ursprünglichen Daten einzusehen, auf denen die Zusammenfassung basierte.

      klingt nach etwas, was später unter dem Aspekt "gestaltung von dashboards" kommen sollte.

    7. Wo eine Visualisierung im Dashboard positioniert wird, kann Einfluss auf ihre (wahrgenommene) Bedeutung haben.

      klingt nach etwas, was später unter dem Aspekt "gestaltung von dashboards" kommen sollte.

    1. Die Manipulation einer Visualisierung erfolgt daher nicht zwangsweise bewusst.

      toller Punkt in Bezug auf Haltung. SIch seiner unbewussten Haltungen bewusst werden. Kritisch gegenüber sich selbst sein.

    2. 3.1.3. Haltung# Haltung wird oft als einer von drei Teilen genannt, wenn es um Kompetenzbildung geht (LitV: Schüller o.ä.)

      geht auf die inhaltliche Ebene. Überschrift: Was macht einen guten Datenvisualisierer aus? Eine gute Datenvisualisierung zeichnet sich durch x,y,z aus.

    3. Im Rahmen von Quadriga wurde in einer OER über Studentische Filme bereits ein Kapitel über Visualisierung kreiert, in das ein Blick auch aus Perspektive der Verwaltung(swissenschaft) lohnt. Das Civid Data Lab hat eine Seite zum Thema Daten visualisieren eingerichtet auf der es ein großes Angebot an nach Kompetenzlevel gestaffelten Kursen, Videos und Webseiten gibt. Das Civic Data Lab hat darüber hinaus einen Lernraum geschaffen, in dem es einen Kurs zu Datenvisualisierung und Storytelling gibt. Der Kurs ist von Nicolas Dankel unter der Lizenz CC BY-SA 4.0 veröffentlich und dauert 3-5 Stunden - je nachdem wie intensiv die Aufgaben angegangen werden. Ebenfalls beim Civic Data Lab gibt es einen Blog-Eintrag zum Thema Datenvisualisierung für alle, die keine 3 Stunden Zeit haben. Von der RWTH Aachen stammt ein 14-minütiges Video “Was ist Datenvisualisierung” von Malte Persiske, dass ebenfalls CC BY-SA 4.0 veröffentlicht wurde und hier über die Plattform Future skills Journey zur Verfügung gestellt wird.

      Die Aufzählung überlässt die Arbeit mir - dem Lernenden - , herauszufinden, was ich brauche. Es vergrößert also meine Arbeitszeit aus zwei Gründen: 1) Wird das falsche beschrieben, nämlich wer was gemacht hat. Nicht aber, was es dort jeweils inhaltlich (also in Bezug auf Datenvisualisierung!) gibt und wie es sich unterscheidet. 2) Ich habe keine inhaltlichen Kritierien zur Auswahl (Zeit ist keine inhaltliche Kategorie)

      Ich würde mir wünschen, dass gesagt wird: wenn du Grundlagen brauchst, schaue zu A oder B. A ist gut für X, B ist gut für Y. Willst du Grundlagen auffrischen, lies M. Möchtest du die neuesten Techniken kennenlernen, gehe zu Q.

    1. Die Daten werden für die Datenvisualisierung in RShiny benötigt.

      ein inhaltsleerer Satz: was sollte denn sonst für die DATENvisualisierung gebraucht werden, wenn nicht die Daten? Meint ihr a) Daten müssen vorliegen (download), erreichbar (zugriff) oder in einem spezifischen format vorliegen b) Für die Visualisierung der Daten kann/soll/muss RShiny benutzt werden c) Eine Zusammenführung von verschiedenen Datensätzen ist notwendig ?

    2. WFS steht für Web Feature Service, also einen Zugriff auf Geo-Objekte über eine definierte Schnittstelle. Dabei werden in der Regel Vektordaten mit Sachinformationen abgefragt (s. beispielsweise den entsprechenden Wikipedia-Artikel oder die Anleitung von Open Data Köln).

      für den unitierten (wie mich) ist unklar, warum hier einerseits von einem WFS-Format und dann von einer Schnittstelle gersprochen wird. Ist WFS vielleicht nur ein Standard, der auf weiterverarbeitung über schnittstellen ermöglicht?

    3. Diese Daten ermöglichen Rückschlüsse auf Muster im Gießverhalten der Bevölkerung in dem Zeitraum 2020-2024

      dies erscheint mir ein leerer Satz: ERlaubt er wirklich Schlüsse auf das Gießverhalten der Bevölkerung? Der dargelegten Daten sind über Bewässerung, nicht über Menschen. Völlig unklar, ob dies ein Mensch oder tausende Menschen sind, wer wann und warum wässert, mit welchen Mitteln und welchen Zielen. Über Verhalten von Menschen ist in den dargestellten Variablen nichts zu finden.

      Mir erscheint, dass die Extraktion und Beschreibung von Mustern der Baumbewässerung - siehe eigene Wortverwendung am Ende des Satzes - die korrekte Beschreibung wäre.

    1. Das heißt wir suchen in den Datensätzen und in den Visualisierungen nach auftretenden Strukturen, Zusammenhängen oder Besonderheiten.

      wieso? wir haben doch ein eindeutige Fragestellung? Oder folgt dies aus der noch unklar Operationalisierung? Wobei mir unklar ist, ob ihr das nur Pro Forma diskutiert habt, denn kurz danach schreibt "diese Operationalisierung ist ... diskutabel". also haht ihr euch festgelegt?

      Sagt ihr mit diesem Abschnitt eigentlich vielleicht folgendes? - Engagement kann man sehr unterschiedlich messen. - Jeder nicht selbst erhobene Datensatz wird mit Einschränkungen zu nutzen sein, weil er aus einem anderen Zweck erstellt worden ist. - Wir müssen den Datensatz explorieren, um Übereinstimmung zwischen vorhandenen Daten und theoretischen Konzepten zu finden.

      Falls dies euer Argument ist, empfehle ich eine Umstrukturierung dieses Kapiteltextes! :)

    2. Operationalisierung der Forschungsfrage erfolgen. “Operationalisierung bezeichnet den Prozess, ein Erkennungs- oder Messverfahren für ein theoretisches Konzept zu entwickeln.” ().

      Operationalisierung hat hier zwei unterschiedliche Bedeutungen. Einmal im Kontext wissenschaftlicher Methodologie, also Messbarmachung von theoretischen Konzepten. Ein weiteres Mal im Sinne, dass eine Forschungsfrage wird in einen Forschungsplan entwickelt (in dem Operationalisierung von Konzepten eine Teil ist). Letzteres ist Operationalisierung in einem Managementsinne .. Meine Empfehlung wäre, die Verwendung in der zweiten Bedeutung zu vermeiden.

    3. Als Engagement der Berliner:innen sollen in unserer Fallstudie die Bewässerungsdaten des Projektes “Gieß den Kiez” gelten (siehe Unterkapitel 2.3 Datenbasis). Wir messen das Gießverhalten, indem wir ermitteln, wie die Berliner*innen in allen Bezirken sich für ihren Baumbestand engagieren

      anders herum, oder? Ihr ermittelt das Engagement, in dem ihr messt, wieviel gegossen wird? Also: Als Engagement soll gelten, wieviel gewässert wird.

    1. offenen Verwaltungsdatenquelle (Gieß den Kiez) Indikatoren für Engagement entwickelt werden können

      yes! wobei: aus der datenquelle werden keine Indikatoren entwickelt, sondern lediglich generiert also zusammengestellt, oder? Aber die Exploration der Datenquelle, also ihrer Inhalte und Struktur hilft der Entwicklung (bzw. Auswahl)

    2. Ziel ist es, Anwendenden zu zeigen, wie aus offenen Daten empirische Antworten auf stadtsoziologische Fragen gewonnen werden können:

      hier findet ein Ebenen- oder Zielwechsel statt, oder? Oben wird eine deskriptive Forschungsfrage bestellt, die im Prinzip in einem Fachartikel enden könnte. Hier wird mit Bezug zu den Anwendenden nun die eher wissenschaftskommunikative Zielrichtung angesprochen.

    3. . Die fünf Reiter des Dashboards – Startseite, Karte, Bewässerungsanalyse, Zeitverlauf und Baumstatistik – dienen als praktische Übungsumgebung, in der die zuvor behandelten Konzepte angewendet und vertieft werden.

      eine info mit der ich ohne kenntnis des dashboards nichts anfangen kann. vielleicht schon mal ein screenshot?

    4. Um diese Frage beantworten zu können, vermittelt dieses JupyterBook schrittweise die notwendigen Kenntnisse zu Datenaufbereitung, Operationalisierung, Visualisierung und interaktiver Analyse

      warum befinden wir uns immer noch in einer Meta-Kommunikation? Solltes dies Teil der Präambel sein? Sollte es hier nicht um die Bedeutung der Fragestellung und ihrer Beantwortung gehen? Eine solche Erläuterung eröffnet gedanklichen Vektoren für die Übertragung. (also implizit die Frage beantworten, zu welcher Art von Forschung dies hier ein exemplarisches Vorgehen sein kann)

    1. By Jana Plomin, Paul Walter, Juliane Schmeling, Sami Dakruni, Cemre Bingöl Dieses Werk ist lizensiert unter der Lizenz CC BY 4.0. Detailliertere Informationen finden Sie unter LICENSE.md Diese OER wurde im Rahmen des Projekts QUADRIGA erstellt. Das Projekt wurde gefördert durch das Bundesministerium für Forschungs, Technologie und Raumfahrt (BMFTR). Eine Kurzvorstellung des Projekts finden Sie im Epilog.

      Da ein Impressum existiert, frage ich mich, ob der überladende Verweise auf die Lizenz etc. nicht dorthin verlegt werden könnte und im Footer dann nur der hinweis aufs Impressum.

    1. Grundsätze der Datenvisualisierung sind bekannt. 2. Auf die Manipulierbarkeit von Visualisierungen wird eingegangen.

      hier stimmt die Formatierung nicht.

    2. Dieses Kapitel erfordert keine Programmierkenntnisse, richtet den Blick jedoch auf konzeptionelle Qualitätskriterien guter Visualisierungen.

      für wen ist dies geschrieben? Für den User, den Lehrenden oder für den Projektträger?