Humaniseringskartor: en intervju med johanna drucker

Jag har tillbringat mina sista kolumner för att fira humanistiska kartor. Jag har lyfts fram digitala projekt för att visualisera historia och litteratur samt de institutionella strukturerna som upprätthåller dessa projekt. Sedan, inte en vecka efter publiceringen av min sista kolumn, deltog jag i en föreläsning vid Columbia University som kastade tvivel på hela företaget.

I sitt samtal, "Ska humanister använda informationsvisualiseringar?", Johanna Drucker dekonstruerade kartläggningsprojekt och varnade lärare mot att omfamna visualiseringsverktyg utan att förstå deras mekanik. Hennes föredrag invigde en livlig konversation om vad som utgör effektiva visualiseringar och vilka läskunnigheter som lärare och elever behöver skaffa sig för att navigera i en växande mängd resurser och projekt online.

Som Breslauer-professor i bibliografiska studier vid institutionen för informationsstudier vid UCLA har Drucker bokstavligen skrivit boken om visualiseringar. I Graphesis: Visual Forms of Knowledge Production hävdar hon att de grafiska formerna av kunskap som främjas av smartphones och datorer har format användarnas relationer till information; att förstå dessa former är att förstå hur de producerar kunskap.

Inte för att avslöja framgångsrika möten, jag kontaktade professor Drucker och bad henne dela sina insikter med PCMag-läsare. Jag har valt att behålla formen på intervjun så att läsarna kan se omfattningen av vår konversation och få tillgång till Druckers obegränsade svar. Jag bjuder in läsarna att delta i konversationen via kommentartråden.

William Fenton: Vad gör kartor inom humaniora?

Johanna Drucker: Kartor är en rik del av kulturposten. De visar hur vi tänker på rymd, nationer och funktioner i de naturliga och kulturella världarna. De uttrycker våra förståelser av erfarenhetens rumsliga dimensioner, och de är fascinerande dokument i sig, fyllda med historisk och social information.

WF: Hur skiljer sig kartor inom humaniora från, säg, inom naturvetenskapen?

JD: Även om kartor är mycket användbara för att ta stora mängder statistiska uppgifter och göra dem läsbara, baseras dessa skärmar på kunskapsmodeller som ibland är antitetiska för humanioraarbete. Ett levande exempel på detta kan vara användningen av vanliga tidslinjer. Mycket få romaner, filmer eller andra estetiska verk följer ett riktning eller linjärt flöde. Att kartlägga "temporalitet" - relationstid - kräver subtila verktyg, verktyg som uppstår från en erfarenhetsbaserad inställning till tid. Det skulle vara svårt att föreställa sig att kartlägga Remembrance of Things Past på en tidslinje för naturhistoria som är avsedd att spåra avelsflugor för fruktflugor!

WF: Öppnar bländaren, vad behöver humanister veta för att använda visualiseringar mer effektivt?

JD: Tänk på att Digital Humanities-projekt har använt många informationsvisualiseringsverktyg från andra områden. Stapeldiagram, spridningsdiagram, nätverksdiagram och andra standardmetoder för att visa kvantitativ information har sitt ursprung i naturvetenskap eller samhällsvetenskap.

För att använda visualiseringar effektivt måste humanister veta mer om hur data produceras och vilka visningsalgoritmer som finns i de visualiseringar som de passar. Vad genererar den rumsliga relationen mellan noder i ett nätverksdiagram? Hur samlades in eller konstruerades "data" i en bild? Vilka är de statistiska modellerna som krävs för att förstå en bild av data?

WF: Vilka frågor bör läsarna ställa om visualiseringar?

JD: Vi bör ställa samma grundläggande frågor som vi använder för att studera alla artefakter: Vem gjorde det, hur, när, var och med vilka antaganden? All kunskap bygger på vissa antaganden och värderingar. Att lära sig läsa de formella egenskaperna hos visualiseringar är viktigt. Lärande att avkoda värdesystemet som egenskaperna producerades på är lika viktigt. Om min förståelse för astronomi bygger på tron ​​att alla himmelska kroppar genom gudomlig design måste röra sig i perfekta kretsar kommer min modell av himmelmekanik att följa dessa antaganden. Så kommer mina visualiseringar.

WF: I ditt senaste samtal i Columbia krävde du semantiskt meningsfulla visualiseringar. Vad gör en karta semantiskt meningsfull? Hur kan en semantiskt meningsfull visualisering se ut?

JD: När jag talar om grafikens semantik gör jag en gest mot visuell kunskap. Den stora franska semiotiker av kartor, Jacques Bertin, identifierade sju grafiska variabler: färg, ton, storlek, form, struktur, orientering och position. Han visade att grafisk visning kunde använda dessa systematiskt (till exempel kan färg vara symbolisk). Gemensam utbildning introducerar sällan grundläggande kunskaper om produktion av grafisk mening. Tänk på något så grundläggande som skillnaden mellan sammansättning av två objekt och en hierarki av ena ovanpå den andra - semantiken för dessa två är radikalt olika. Juxtaposition innebär paritet istället för hierarki.

Att lära sig läsa de grundläggande egenskaperna hos grafik känns allt mer brådskande med tanke på den exponentiella ökningen av visuella medel för kunskapsproduktion och distribution. Vi får en enorm mängd information och kommunikation i skärmmiljöer, men vi slutar aldrig att läsa dessa som strukturerade eller strukturerande utrymmen. Vi pausar inte våra iPhones och funderar över "kunskapsmodellen" som är kodad i den grafiska layouten! Men skulle vi veta hur man läser den modellen om den utmanas? Det är kärnan i frågan.

WF: Jag tror att en del av problemet är att om ett verktyg är lätt att använda, är det lockande att tro att det är öppet i sin funktion. Jag tänker på Google Ngrams, som jag ska erkänna att jag använder i min undervisning. Vad är fel med Ngrams?

JD: Google Ngrams döljer baserna på vilka de är gjorda, till att börja med. Om en Ngram till exempel spårar användningen av ett ord mellan 1800 och 1950, visar det mig antalet instanser och eller procentandel av händelser? Och vilken procentandel av publicerat arbete på något år finns i Google? Så bara för att börja vet vi inte riktigt vad de numeriska värdena i Ngram statistiskt representerar. Vi vet inte heller hur algoritmen matchar termen som söks. En strängsökning på ordet "gud" kan missa alla referenser till gudomlig närvaro i romantisk poesi om naturen. Jag tror att vi måste ha ett sätt att se processen för en Ngrams produktion, inte bara resultatet.

När någon väl har gjort en Ngram presenterar den dessutom som om det var de faktiska fenomenen. "Se, termen gud är populär under denna period och inte i den." Istället skulle de säga "Google-korpuset som indexeras av deras sökalgoritmer visar den här eller den statistiska ökningen i provuppsättningen." Det är ett klassiskt fel i visualiseringen att felet visas på källan. Jag kallar detta för "återupptagande av felinformation."

WF: Kan du rekommendera Ngrams alternativ? Om inte, hur kan jag använda Ngrams mer ansvarsfullt?

JD: I ett projekt som Visualizing Emancipation, som du nyligen citerade, ger de en kortfattad och bekant referensram som du kan visa mycket information på. Standardmantraet i informationsvisualisering är att mönster i stora datasätt blir läsbara i visualiseringar, och det är verkligen fallet i detta projekt, där vi kan se Union Army-platser, en emansipationshändelser och en överläggning av regionerna där slaveriet var och var inte lagligt vid någon given tidpunkt mellan 1 januari 1861 och 31 december 1865. Som ett översiktsverktyg är verket fantastiskt - läsbart och kortfattat. Men det som verkligen är användbart är gränssnittet som ansluter datapunkterna på kartan till deras källor, liksom de kategorier som används av datamodelleringsgruppen.

Där det blir svårt är att en funktion som värmekartan är vilseledande. Händelsernas intensitet och sociala spänningar var förmodligen inte en kontinuerlig rumslig gradient, utan en fråga om spikar, fellinjer, känslosvektorer. Vi har väldigt få sätt att visa sådan information - eller visa hur händelser formar rymden. Till och med ett projekt som är så sofistikerade som detta (och det är exemplifierande) visar gränserna för att använda en redan existerande karta som en mark för att fästa referensstift (eller överlägg). När du är i krig med en bror eller granne, gränsen mellan angränsande egenskaper har en annan valens än en som inte är belastad med känslor.

Affektiv kartläggning skapar utrymme; det antar inte kartlagt utrymme som en a priori som ges. Dina läsare kanske eller inte är intresserade av de filosofiska debatterna om "icke-representativa" strategier för geografi. Men Nigels Thrift och andra verk tyder på att erfarenhet skapar utrymme, och detta är i grund och botten humanistiskt. Tänk på de underbara passagerna i James Joyces Ulysses - eller Homers Odyssey . Är det vettigt att kartlägga dessa bokstavligen?

WF: Om minnet tjänar, berömde du Ben Frys Bevarandet av gynnade spår, en visualisering som jag också rekommenderade i en tidigare kolumn. Vad tycker du om Frys visualisering?

JD: Ben Fry använder beräkningsprocesser för att skapa en datamängd av jämförelser som ingen människa kunde sammanställa utan dessa verktyg. Sedan skapar han en visualisering som är en utgångspunkt för forskning. Bilden är inte slutpunkten utan en del av en större undersökningsprocess. Ett av de bästa institutionella initiativen, NEH: s Digging in Data- bidrag, främjade denna typ av arbete. Målet var att använda visualiseringsverktyg (bland andra) för att söka i stora skala av humaniora material på ett sätt som skulle skapa forskningsfrågor.

WF: Din institution, UCLA, är något av en visionär visualisering. Hypercities var ett av de första projekten jag mötte, och jag använder det fortfarande i klasser. Finns det några andra UCLA-projekt som läsarna borde veta om?

JD: Jag tror att Hypercities och Seeing Sunset, två UCLA-projekt, båda försöker uppmärksamma den historiska informationen i kartorna själva. Att tänka på hur man skapar rumsliga verktyg baserat på äldre kartor, så att vi inte gör anachronistiska prognoser (sådana som bygger på samtida mätvärden snarare än historiska förståelser) är en utmaning att stå inför. Att hedra det kulturella annorligheten i det förflutna är viktigt om vi ska använda kartor, diagram, grafik, diagram som korrekta på sina egna villkor, även när de representerar en modell av världen eller kosmos eller vetenskaplig förståelse som har förändrats. Mycket mycket mer kan sägas om allt detta, men principen är att historisk information måste tas på sina egna villkor.

WF: Vad är nästa för humaniora visualiseringar?

JD: Vi behöver subtila, mer komplexa, mer skiktade och mer livscykel- och kulturspecifika visualiseringar. Dessa visualiseringar är fortfarande långt borta, tror jag, eftersom de skulle kräva att man skapar icke-standardmätningar och datamodeller som inte litar på kartesiska principer, men affektiva, framväxande och samberoende datamodeller. Hur skapar du tidslinjer som är baserade på erfarenhet, inte klocktid? Skapa diagram som väger uppgifterna efter emotionellt värde? Visa de oumbärliga skillnaderna mellan kulturella rymdmodeller? Bädda in ideologiska värdesystem i statistiken för sådan skillnad?

Har du någon som vill göra det här? Jag är alltid intresserad av fantasifull partner.