Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Data & Storytelling: Daten verstehen, Geschichten erzählen. Ein Rückblick auf eine Veranstaltungsreihe des Datenkompetenzzentrums HERMES

Daten sind das Gold des Informationszeitalters, heißt es so oft. Dementsprechend gewinnen Datenvisualisierungen immer stärker an Relevanz — gerade auch in den Geistes- und Kulturwissenschaften. Die Spanne reicht hierbei vom schlichten Balkendiagramm bis hin zur interaktiven und explorativen Visualisierung.

Doch wann ist welche Art der Visualisierung sinnvoll? Welche Hürden oder Fallstricke gibt es bei der Erstellung? Wie unterscheidet sich eine gute von einer schlechten Visualisierung? Und wie lassen sich mit Visualisierungen überzeugende Geschichten erzählen?

Dass vor diesen Fragen auch Promovierende stehen, zeigte eine Umfrage innerhalb des HERMES-Promotionsnetzwerkes. Wir, das HERMES-Hub-Team der Universität Trier und der Technischen Universität Darmstadt, führten die Umfrage durch, um eine Veranstaltungsreihe zu organisieren, die passgenau auf die Bedarfe unserer Mitglieder zugeschnitten ist. Das Ergebnis: Die Promovierenden wünschten sich ein Format zum Thema Data & Storytelling, dicht gefolgt von Profilschärfung & Karriereentwicklung, wozu 2026 ein Netzwerktreffen stattfinden wird.

Für uns als Organisatorinnen stand schnell fest, dass wir drei (interaktive) Vorträge und einen praktischen Hands-on-Workshop planen wollten, um den Umgang mit Datenvisualisierung sowohl theoretisch zu reflektieren als auch praktisch zu erproben. Unsere anfänglichen Bedenken, dass sich drei Vorträge zu demselben Thema zu sehr ähneln könnten, wurden angesichts des Facettenreichtums des Themenfeldes bald zerschlagen: Die drei Referentinnen Dr. Emilia Kmiotek-Meier, Anna Behrend und Dr. Linda Freyberg widmeten sich diesem spannenden Bereich aus den verschiedenen Perspektiven ihres jeweiligen fachlichen und berufspraktischen Hintergrundes und adressierten dementsprechend verschiedene Aspekte:

Die Vorträge reichten von Abbildungstypen und Gestaltungsgrundlagen (Kmiotek-Meier) über Einblicke in die journalistische Praxis (Behrend) bis hin zu bildwissenschaftlichen Überlegungen zum epistemischen Charakter von Datenvisualisierungen (Freyberg). Den Abschluss der Reihe bildete ein Workshop von Dr. Golnaz Sarkar Farshi, in dem die theoretischen Grundlagen in die Praxis umgesetzt wurden.

Trotz der unterschiedlichen Schwerpunkte der Referentinnen war ein roter Faden erkennbar, der sich durch die Arbeit mit Daten und deren Visualisierung zieht und die wir an dieser Stelle einmal zusammenfassen möchten, um wenigstens einige Kernpunkte mit denjenigen zu teilen, die nicht an der Veranstaltungsreihe teilnehmen konnten: 

Am Anfang war das Wort, ähm, waren die Daten: Denn ohne Daten keine Datenvisualisierung. In der Art der Datenbeschaffung gibt es zwei Möglichkeiten: Zum einen können Daten selbst erhoben werden; zum anderen aber können auch vorhandene Daten genutzt werden, was im Journalismus etwa über den Bezug exklusiver Quellen ein nicht unüblicher Weg ist. In beiden Fällen gilt: Die Qualität der Daten ist entscheidend für eine gelungene Auswertung und Visualisierung. Es gilt der von Kmiotek-Meier angeführte Merksatz: „Rubbish in — Rubbish out“. In diesem Kontext sei auch auf die Problematik von Bias in Daten hingewiesen, was Freyberg thematisiert hat. Hierauf weiter einzugehen würde jedoch das Format eines Blogbeitrags sprengen (siehe weiterführend daher Drucker 2011; Loukissas 2019; DIgnazio und Klein 2020).

Aber was sind eigentlich Daten? Unter Daten werden im deutschen Sprachgebrauch „(durch Aufzeichnungen, Beobachtungen, Messungen, statistische Verfahren o.Ä. gewonnene) Informationen“ (Digitales Wörterbuch der Deutschen Sprache) verstanden. Darüber hinausgehend werden im Allgemeinen qualitative (z.B. Interviewaussagen) von quantitativen Daten (z.B. Häufigkeitsverteilungen) unterschieden. Nimmt man die quantitativen Daten in den Blick, greift die von Kmiotek-Meier angeführte NOIR-Regel:

Nominal: Kategorien ohne Ordnung (z.B. Geschlecht)

Ordinal: Kategorien mit Ordnung (z.B. Bildungsabschlüsse)

Intervall: Metrisch mit willkürlichem Nullpunkt (z.B. Temperatur °C)

Ratio: Metrisch mit absolutem Nullpunkt (z.B. Einkommen)

Man kann es schon erahnen: Die verschiedenen Datentypen verlangen nach unterschiedlichen Formen der grafischen Aufbereitung. Es gilt folglich die Form der Datenvisualisierung zu wählen, die dem Datentyp oder einer Kombination mehrerer Datentypen entspricht. Infografiken wurden in den Vorträgen daher im Übrigen nicht adressiert, da diese nicht zwangsläufig quantitative Daten enthalten, sondern in der Regel dazu dienen, komplexe Inhalte grafisch zu vermitteln — etwa die Hirnentwicklung des Kindes im Mutterleib, wie von Behrend als Beispiel zur Abgrenzung des Themenfeldes angeführt.

Das Spektrum der Datenvisualisierung, um die es in der Veranstaltungsreihe ging, reicht von den allseits bekannten Diagrammen wie etwa Balkendiagrammen über Matrizen, Netzwerken oder Karten bis hin zu interaktiven Informationsvisualisierungen mit Filter- und Zoomfunktionen, auf die insbesondere Freyberg in ihrem Vortrag einen Schwerpunkt gelegt hat. Im Datenjournalismus wiederum werden oft verschiedene Ansätze hin zu einem Scrollytelling kombiniert, das die Daten in einen Kontext setzt und den oder die Leser*in durch eine Geschichte leitet.

Das Spannungsfeld, in dem sich Visualisierungen bewegen können, ist folglich groß und wird durch das „Visualization Wheel“ von Alberto Cairo (vgl. Cairo 2013) besonders anschaulich, das zeigt, dass sich jede Visualisierung zwischen je zwei Gegensatzpaaren aufspannt (siehe Abb. 1) und daher zu je einem Pol tendiert: Eine einfache Visualisierung besitzt ebenso wenig Komplexität wie eine komplexe Visualisierung Einfachheit besitzt, eine vertraute Visualisierungsform ist wenig originell usw. Das mag auf den ersten Blick banal wirken, zeigt aber, dass man sich für eine Richtung entscheiden muss.

Abb. 1: Dent Earl: Visualization Wheel nach Cairo, Quelle: https://github.com/dentearl/cairo_visualization_wheel (zuletzt abgerufen am 23.02.2026)

Mit diesen Gedanken im Hinterkopf muss daher immer das Ziel einer jeden Visualisierung mitbedacht werden: Geht es um die Aufbereitung, Kommunikation und Präsentation von Ergebnissen an Laien oder Fachpublikum? Geht es um das Erkennen und Verstehen von Mustern in den Daten und die Gewinnung anschlussfähiger Forschungsfragen? Oder möchte man sich selbst lediglich einen Überblick über die eigene Datenlage verschaffen?

Im Bereich der Diagramme finden sich beispielsweise Säulen-, Balken- und Punktdiagramme, Kreisdiagramme, Liniendiagramme, Histogramme, Boxplots, Streu-, Blasen- oder Korrelationsdiagramme, aber auch Matrizen, Baum-, Bogen- oder Netzwerkdiagramme und Karten (schöner Überblick: Data Viz Project). Während die ersten Diagrammtypen allen vertraut sein sollten und dem nach Cairo einfachen Spektrum zuzuordnen sind, gewinnen die weiteren Diagrammtypen an Komplexität und Dichte. Es sei in aller Kürze auf einige Diagrammtypen und ihren Gebrauch eingegangen, um zu zeigen, dass unterschiedliche Datentypen in jedem Fall unterschiedliche Diagrammtypen erfordern: Liniendiagramme eignen sich z.B. für Zeitreihen, Histogramme für die Verteilung metrischer Variablen, Boxplots zeigen Mediane, Quartile und Ausreißer und sind daher geeignet für Verteilungsvergleiche. Streudiagramme machen Zusammenhänge zwischen metrischen Variablen sichtbar und zeigen Muster auf (siehe Abb. 2), was in Sarkar Farshis Workshop von den Teilnehmenden im Zuge einer Korrelationsanalyse erprobt wurde. Besonderes Augenmerk wurde dabei darauf gelegt, dass bei festgestellten Korrelationen immer nach einem Ursache-Wirkungs-Zusammenhang gefragt werden muss, da das bloße Vorhandensein einer Korrelation nichts darüber aussagt, ob der eine Faktor den anderen bedingt (siehe hierzu: Spurious Correlations).

Abb. 2: Streudiagramm, Korrelation zwischen Bruttoinlandsprodukt und Glücksindex, Visualisierungsbeispiel aus Sarkar Farshis Workshop.

Blasendiagramme, auch Bubble Charts genannt, ähneln Streudiagrammen, bieten, wie ebenfalls in Sarkar Farshis Workshop zu erfahren war, durch Größe und Farbe der Blasen jedoch zwei zusätzliche Parameter, sodass die Teilnehmenden des Workshops Rückschlüsse auf wesentliche Zusammenhänge in dem untersuchten Beispieldatenset finden konnten (siehe Abb. 3).

Abb. 3: Bubble Chart, Korrelation zwischen Bruttoinlandsprodukt, durchschnittlichem Einkommen und Glücksindex in gruppierten Regionen der Welt, Visualisierungsbeispiel aus Sarkar Farshis Workshop.

In der Carpentries-Lektion Data Visualization for Storytelling and Statistical Inference kann der gesamte Workshop nachvollzogen werden.

Kmiotek-Meier im Besonderen ging in ihrem Vortrag auf Designgrundlagen für gelungene Visualisierungen ein. Grundsätzlich gelte für Visualisierungen: Diagramme benötigten einen aussagekräftigen Titel, Achsenbeschriftungen mit korrekten Einheiten sowie gut lesbare Beschriftungen mit klarem Schriftfont. Eine Legende könne in manchen Fällen hilfreich sein, ebenso sei die Angabe von Quelle(n) oder etwaiger Stichprobengröße Pflicht. Eine visuelle Hierarchie könne die Wahrnehmung und das Verständnis einer Visualisierung leiten, indem z.B. zusammengehörige Objekte räumlich nah beieinander platziert sowie wichtige Elemente in den Vorder- und unwichtige in den Hintergrund gerückt werden. Dies könne beispielsweise durch eine graue Einfärbung von Hintergrundelementen (wie z.B. Führungslinien) erreicht werden. Bei der grafischen Gestaltung sei dabei prinzipiell zu berücksichtigen, dass nicht mehr Elemente genutzt werden, als benötigt. Die angesprochenen Grundsätze gehen auf Edward Tuftes Prinzipien zurück, der die Stichwörter Datentintenverhältnis,Chartjunk und Lügenfaktor prägte (vgl. Tufte 1983, zusammengefasst auf: Geeks for Geeks). 

Kmiotek-Meier ließ die Teilnehmenden die verschiedenen Aspekte der Designgrundlagen anhand von Beispielen untersuchen. Vor allem die Negativ-Beispiele zeigten deutlich, weshalb es sich lohnt, den Prinzipien konsequent zu folgen. Fehlende Titel oder Achsenbeschriftungen machten es nahezu unmöglich, den Inhalt einer Visualisierung aufzunehmen oder zu interpretieren. Stark durch Text, Farben oder Symbole überladene Diagramme erschwerten die Lesbarkeit. Zu irreführenden Annahmen führten Visualisierungen, in denen zwei Graphen mit unterschiedlich skalierten y-Achsen, dicht nebeneinander gestellt sind, oder Plots, in denen die Achse nicht mit „0“ beginnt. Verfälschen würden auch Diagramme mit 3D-Effekt, da Mengenverhältnisse hier durch die perspektivische Ansicht weniger gut wahrnehmbar sind. Dass solche wahrnehmungspsychologische Aspekte stets berücksichtigt werden sollten und Menschen im Allgemeinen nicht immer gut darin sind, Mengenverhältnisse abzuschätzen, hat Kmiotek-Meier an einem eindrücklichen Beispiel gezeigt: Die Teilnehmenden sollten schätzen, wie oft ein kleiner Kreis rein flächenmäßig in einen größeren Kreis hineinpasst (siehe Abb. 4).

Abb. 4: Screenshot aus der Zoom-Präsentation von Emilia Kmiotek-Meier, Quelle: Few 2012: 73.

Die korrekte Antwort lautet 16 Mal, die Schätzungen der Teilnehmenden reichten jedoch vom zwölf- bis fünfzigfachen, wiesen also eine hohe Spannbreite auf. Folglich sind Kreisformen, wie unmittelbar aus dem Experiment abzuleiten ist, für direkte Mengenvergleiche ungeeignet. Kreisdiagramme sind insbesondere in den Medien weit verbreitet, aber es ist weiterhin zu beachten, dass Winkel schwieriger zu interpretieren sind als Längen und nur bei wenigen Kategorien gut funktionieren. Daher sollten sie nach Möglichkeit — insbesondere im wissenschaftlichen Kontext — vermieden werden. Kommt dann noch eine perspektivische Verzerrung hinzu, muss dies folglich geradewegs zum Scheitern verurteilt sein. Rechteckige Formen — wie etwa bei einem Balkendiagramm — sind für Mengenvergleiche daher hierfür besser geeignet.

Dass es wichtig ist, diese grundlegenden Prinzipien immer wieder anzusprechen, war auch die Rückmeldung aus dem Publikum – immer wieder sehe man (leider) Diagramme und Visualisierungen auf Konferenzen oder in Beiträgen, die den Grundlagen nicht folgen. Dies beträfe auch das Thema Farben, das in allen drei Vorträgen Raum einnahm und daher an dieser Stelle noch einmal eigens angesprochen werden soll: Zu bedenken bei der Farbwahl sei in jedem Fall die Barrierefreiheit. So sollten Farben gewählt werden, die – insbesondere auch mit Einschränkungen im Sehen – gut voneinander unterscheidbar sind. Zusätzlich könnten auch verschiedene Symbole (wie Kreise oder Dreiecke) für verschiedene Kategorien eingesetzt werden. Für Flächen, wie etwa bei Karten, sind auch Muster (wie etwa Streifen) üblich, um die Unterscheidbarkeit in jedem Fall zu gewährleisten oder wenn ohne Buntfarben gearbeitet werden soll. Auch die Art des Diagramms bzw. die zugrundeliegenden Daten können die Farbwahl beeinflussen. Generell kann zwischen drei verschiedenen Typen von Paletten gewählt werden. Für Korrelationsdiagramme, wie in Sarkar Farshis Workshop gezeigt, eignen sich Farbpaletten, in welchen zwei Farben als Extreme fungieren, also divergierend sind. Dies ist etwa bei einem Warm-Kalt-Kontrast mit Rot und Blau als Gegenpolen der Fall: Je dunkler das Rot, desto größer ist die positive Korrelation oder umgekehrt je dunkler das Blau, umso größer ist die negative Korrelation zwischen zwei Werten (siehe Abb. 5).

Abb. 5: Korrelations-Heatmap. Positive (rot) bzw. negative (blau) Korrelation zwischen Variablen. Visualisierungsbeispiel aus Sarkar Farshis Workshop.

Für numerische Daten, die geordnet werden können, wie z.B. Prozentwerte, können sequenzielle Farben eingesetzt werden. Dies bedeutet Farben in einem Spektrum, die sich von dunkel nach hell sortieren. Kategorien ohne Ordnung werden am besten über qualitative Farben dargestellt. Hier wird jeder Kategorie eine Farbe zugewiesen, die weiter jedoch keine Bedeutung tragen muss.

Mit diesem Wissen leuchtet es ein, Farbpaletten bewusst zu nutzen, wofür es zahlreiche hilfreiche Tools gibt, die es auch ohne vertieftes Wissen über Farbtheorien erlauben, eine gelungene Farbwahl zu treffen: Einen guten Überblick bietet die Python-Bibliothek Seaborn (siehe Tutorial Choosing Color Palettes). Wer eigene Farben für Visualisierungen wählen möchte, der fand bei Freyberg Hinweise auf verschiedene Tools, wie den ColorBrewer: Color Advice for Cartography für die richtige Farbwahl bei Kartenvisualisierungen. Für allgemeinere Anwendungsfälle dienen die Tools Viz Palette und iWantHue, mit welchen Farben gezielt gewählt und verfeinert werden können.

Die genannten Prinzipien gelten grundsätzlich für Diagramme in Druck- als auch in Onlinepublikationen. Werden Visualisierungen in einem digitalen Format gestaltet, sollten weitere Aspekte in Betracht gezogen werden, da hier häufig Interaktivität ins Spiel kommt: Zwar beruht jede Datenvisualisierung auf der Reduktion von Komplexität, doch interaktive Informationsvisualisierungen erweitern die bisher genannten Gestaltungsaspekte um eine dynamische Dimension. Nutzende könnten, wie Freyberg erläutert hat, gemäß dem „Information Seeking Mantra“ von Ben Shneiderman vom Großen ins Kleine, von einer Übersicht ins Detail (und zurück) springen: „Overview first, zoom and filter, then details-on-demand“ (Shneiderman 1996: 337). Dieses Mantra entspräche Forschungsansätzen in den (digitalen) Geisteswissenschaften: „[…] Close, Distant und Mega-Distant Reading (z. B. Topic Modelling).“ (Freyberg 2023, Abs. 30 nach Horstmann 2020: 159) Wie Freyberg einleuchtend dargelegt hat, würden Übersichten generelle Muster abbilden und Orientierung bieten, das Durchschnittliche betonen, den Fokus auf quantitative Aspekte richten, jedoch Individualität vernachlässigen und Schwierigkeiten mit Fehlstellen, Ungenauigkeiten und Unsicherheiten haben. Detailansichten, etwa die Darstellung einzelner Objekte einer Sammlung, würden die Individualität hervorheben, aber auch selektierter sein, größere Muster außer Acht lassen, eher auf das Qualitative fokussieren und daher eine stärkere Kontextualisierung erfordern. Die Visuelle Exploration zweier musealer Sammlungen lebt von einem derartigen Wechselspiel, weshalb sie an dieser Stelle als ein Beispiel genannt sei: Die Visualisierung zeigt 5000 digitale Repräsentationen ausgewählter Sammlungsobjekte des 19. Jahrhunderts aus dem Bestand der Alten Nationalgalerie sowie dem Museum Europäischer Kulturen. In einer Übersicht, genannt Wolke, werden die Objekte nach Bildinhalten und Themen geclustert, etwa in Gruppen wie Landschaften oder Selbstporträts. In der Detailansicht erfährt man dann mehr über das einzelne Objekt und ein Pfad zeigt ähnliche Objekte der Gruppe an.

Während derartige interaktive Informationsvisualisierungen dem Erkunden eines Datenbestandes dienen und sich hier infolgedessen keine lineare Story entfaltet, geht es im Datenjournalismus, auch Data Driven Journalism (DDJ) genannt, insbesondere um das Storytelling, dem ureigenen Kern journalistischer Arbeit: Wie Behrend, Datenjournalistin im Team „Daten und Visualisierungen“ des SPIEGEL, anmerkte, müssten diese Geschichten nicht zwangsläufig mit Visualisierungen einhergehen. Im DDJ gelte das Motto: „Findet und erzählt Geschichten aus den Daten.“ Diese Erzählungen können auf unterschiedlichen Wegen ausgespielt werden, z.B. über Radio – und seit einigen Jahren vermehrt über Podcasts. Auch in den Digital Humanities rückt das letztgenannte Medium für die Wissenschaftskommunikation weiter in den Mittelpunkt (siehe dazu auch die HERMES-Podcast-Reihe).

Doch zurück zum Datenjournalismus: Behrend schilderte eindrucksvoll den Weg von einer Idee zu einer fertig erzählten Geschichte an verschiedenen Beispielen. Als Beispiel für einen hypothesengetriebenen Artikel und den dahinterstehenden Workflow (These -> Daten -> Geschichte) nannte sie u.a. den Beitrag „Kassenpatienten, bitte warten! Datenanalyse zu Facharztterminen“, an dem sie selbst mitwirkte (Behrend et al. 2025). Dieser Ansatz steht im Gegensatz zum Numbercrunching (Daten -> These -> Geschichte), für das Behrend das Projekt „Wohnort, Arbeit, ausspioniert. Wie Standortdaten die Sicherheit Deutschlands gefährden“ (BR und Netzpolitik.org 2024) anführte. Dieser Artikel ist übrigens auch ein gelungenes Beispiel des sogenannten „Scrollytellings“, bei dem der User sich durch eine Webseite scrollt und sich hierbei durch den Einsatz verschiedener Medienelemente eine Geschichte entfaltet.

Bei beiden Workflows ist neben der Arbeit mit den Daten das Finden einer Geschichte essentiell. Ist diese gefunden, kann das Konzept des Storytellings ausgearbeitet werden. Wichtig ist hierbei, dass Text und Graphiken immer als Einheit gedacht werden und sich gegenseitig ergänzen sollten. Behrend brachte uns für ihren Werkstattbericht ein Foto aus ihrem Arbeitsalltag mit, um zu zeigen wie dies ganz konkret aussieht: Auf einer Wand sind vom Boden bis auf Kopfhöhe Post-Its in verschiedenen Farben angebracht und bilden so das Gerüst einer Story: An welcher Stelle passt welche Graphik und an welcher Stelle braucht man vielleicht keine? Was soll in welcher Reihenfolge erzählt werden? Hierfür gibt es verschiedene erprobte narrative Muster (siehe: NAPA Cards), die herangezogen werden können. Ist das Konzept abgeschlossen, geht es für einen Teil des Teams an das Schreiben des Artikels, ein anderer kümmert sich um das Design und das Programmieren der interaktiven Graphiken.

Im Journalismus arbeitet man selten allein. Das Team Datenjournalismus des SPIEGEL besteht aus Journalist*innen, Programmierer*innen und Designer*innen, deren Arbeit ineinandergreift und damit einen fundierten und visuell interessant aufbereiteten Artikel produziert. Auch in einem wissenschaftlichen Projekt findet man häufig diese verschiedenen Profile, auch wenn häufig eine Person mehrere Aufgaben erfüllen kann oder muss. In diesem Sinne: Mögen die Gedanken und Tipps aus der Veranstaltungsreihe „Data & Storytelling“ Ihnen helfen und Sie dazu anregen, eigene gute Datenvisualisierungen zu erstellen und Ihre Geschichte zu erzählen.

Referenzen:

Behrend, Anna, Martin U. Müller, Achim Tack, Alexander Trempler und Rina Wilkin (2025): Kassenpatienten, bitte warten! SPIEGEL 14.05.2025 [online], und print DER SPIEGEL 21/2025. URL: https://www.spiegel.de/wirtschaft/service/arzttermine-so-viel-laenger-muessen-kassenpatienten-auf-einen-termin-warten-spiegel-datenanalyse-a-0ca052d2-a187-4bed-9034-0647369fbd93 (zuletzt aufgerufen am: 23.02.2026).

BR und Netzpolitik.org (2024): Wohnort, Arbeit, ausspioniert. Wie Standortdaten die Sicherheit Deutschlands gefährden. BR24 16.07.2024 [online]. URL: https://interaktiv.br.de/ausspioniert-mit-standortdaten/ (zuletzt aufgerufen am: 26.02.2026).

Cairo, Alberto (2013): The Functional Art, Berkeley, CA, USA: New Riders.

Daten, in: DWDS — Digitales Wörterbuch zur Deutschen Sprache [online]. URL: https://www.dwds.de/wb/Daten (zuletzt aufgerufen am: 11.02.2026).

D’Ignazio, Catherine und Lauren F. Klein (2020): Data Feminism, Cambridge, MA: MIT Press. URL: https://data-feminism.mitpress.mit.edu/ (zuletzt aufgerufen am 26.02.2026).

Drucker, Johanna (2011): Humanities approaches to graphical display, in: Digital Humanities Quarterly 5(1), S. 1-21. URL: https://dhq-static.digitalhumanities.org/pdf/000091.pdf (zuletzt aufgerufen am 26.02.2026).

Few, Stephen (2012): Show Me the Numbers. Designing Tables and Graphs to Enlighten, 2. Auflage, El Dorado Hills, CA, USA: Analytics Press.

Freyberg, Linda (2023): Visualisierung, in: Begriffe der Digital Humanities. Ein diskursives Glossar (= Zeitschrift für digitale Geisteswissenschaften / Working Papers, 2). DOI: 10.17175/wp_2023_014

Horstmann, Jan (2020): Textvisualisierung. Epistemik des Bildlichen im Digitalen, in: Claus Pias, Martin Huber, Sybille Krämer (Hrsg.), Wovon sprechen wir, wenn wir von Digitalisierung sprechen? Gehalte und Revisionen zentraler Begriffe des Digitalen. Frankfurt a. M.: CompaRe, S. 154–173.

Loukissas, Yanni Alexander (2019): All data are local. Thinking critically in a data-driven society, Cambridge, MA, USA: MIT Press. URL: https://direct.mit.edu/books/oa-monograph/4323/All-Data-Are-LocalThinking-Critically-in-a-Data (zuletzt aufgerufen am 26.02.2026).

Shneiderman, Ben (1996): The Eyes Have It: A Task by Data Type Taxonomy for Information Visualizations, in: Proceedings 1996 IEEE Symposium on Visual Languages, Boulder, Colorado, Los Alamitos, Calif: IEEE Computer Society Press, S. 336-343. URL: https://ieeexplore.ieee.org/document/545307 (zuletzt aufgerufen am 26.02.2026).

Tufte, Edward (1983): The Visual Display of Quantitative Information, Cheshire, Connecticut: Graphic Press.

Ruth Reiche
Ruth Reiche
Dr. Ruth Reiche ist wissenschaftliche Mitarbeiterin am Institut für Sprach- und Literaturwissenschaft. Ihre Interessen im Bereich der Digital Humanities liegen… Weiterlesen
Johanna Konstanciak
Johanna Konstanciak

Nur der Text ist unter der Lizenz Creative Commons Namensnennung 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben.


OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Ruth Reiche, Johanna Konstanciak (5. März 2026). Data & Storytelling: Daten verstehen, Geschichten erzählen. Ein Rückblick auf eine Veranstaltungsreihe des Datenkompetenzzentrums HERMES. Humanities Data Literacy. Abgerufen am 11. Juni 2026 von https://doi.org/10.58079/15thh


Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

This site uses Akismet to reduce spam. Learn how your comment data is processed.