Literatur

Wissenschaftliche Studien

• Feigenbaum, A., Alamalhodaei, A. (2020) The Data Storytelling Workbook. CRC Press/Routledge.
  ⇒ Empfehlenswertes Arbeitsbuch zum Thema Data Storytelling mit vielen interessanten Praxisbeispielen.
• Franconeri, S. L., Padilla, L. M., Shah, P., Zacks, J. M., & Hullman, J. (2021). The Science of Visual Data Communication: What Works. Psychological Science in the Public Interest 22(3), 110 – 161. https://doi.org/10.1177/15291006211051956.
  ⇒ Aktueller Review-Artikel der sich aus interdisziplinärer Perspektive mit dem aktuellen Forschungsstand zu Datenvisualisierungen und visueller Datenkommunikation befasst.
• Neifer, T.; Lawo, D.; Bossauer, P.; Esau, M. & Jerofejev, A.-M. (2020). Data Storytelling als kritischer Erfolgsfaktor von Data Science. HMD, 57, 1033–1046. https://doi.org/10.1365/s40702-020-00662-3.
  ⇒ Beschreibt Data Storytelling als einen Erfolgsfaktor von Data Science.
• Ojo, A. & Heravi, B. R. (2017). Patterns in Award Winning Data Storytelling: Story Types, Enabling Tools and Competences. Digital Journalism, 1-28, DOI: 10.1080/ 21670811.2017.1403291.
  ⇒ Untersucht die Muster preisgekrönter journalistischer Datengeschichten.
• Segel E, Heer J (2010) Narrative visualization: telling stories with data. IEEE Trans Visual Comput Graphics 16:1139–1148. https://doi.org/10.1109/TVCG.2010.179.
  ⇒ Viel zitierte Studie zu narrativen Visualisierungen und Data Storytelling.

Wissenschaftskommunikation

Fischhoff, B., & Davis, A. L. (2014). Communicating scientificuncertainty. Proceedings of the National Academy of Sciences USA 111 (Suppl. 4), 13664–13671. https://doi.org/10.1073/pnas.1317504111.
⇒ Beschäftigt sich mit der Frage, wie Wissenschaftler:innen am besten Unsicherheit an nicht-wissenschaftliche Zielgruppen, insbesondere politische Entscheidungsträger:innen kommunizieren können.

Messung von Visualization Literacy

• Boy, J., Rensink, R.A., Bertini, E., Fekete, J.-D. (2014). A principled way of assessing visualization literacy. IEEE Transactions on Visualization and Computer Graphics 20 (12), 1963-1972.
• Burns, A., Xiong, C., Franconeri, S., Cairo, A., & Mahyar, N. (2020). How to evaluate data visualizations across different levels of understanding. IEEE Workshop on Evaluation and Beyond, Methodological Approaches to Visualization (BELIV) (19–28). Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/BELIV51497.2020.00010
• Lee, S., Kim, S. H., & Kwon, B. C. (2017). Vlat: Development of a visualization literacy assessment test. IEEE transactions on visualization and computer graphics 23(1), 551-560.