Fabien Girardin
Nota del editor: Este mensaje de la edición de abril ‘Ethnomining‘ edición viene desde Fabien Girardin @ Fabiengirardin quien describe su trabajo con datos en red / sensor en el Museo del Louvre de París. Sobre la base de este estudio de caso inspirador, discute el proceso general, cómo los métodos mixtos son relevantes en su obra, y qué tipo lecciones que aprendió haciendo esto.
Fabien Girardin es socio de la Near Future Laboratory, una agencia de investigación. Él está activo en los dominios de la experiencia del usuario, ciencia de datos y la informática urbana.
____________________________________________________________________________
Congestión de visitantes en el Museo del Louvre, foto por Fabien Girardin
Al Near Future Laboratory nos gusta experimentar e ir en diferentes direcciones de la consultora de tecnología típica. Nos esforzamos en la participación de múltiples prácticas, y apostar por el unordinary cuando se trata de cuestionar la formulación, recopilación de datos y solución de creación de. Después de terminar mi doctorado en Ciencias de la Computación, Dejé las disciplinas delimitadas de la academia para abrazar el aprendizaje y la conexión con los otros "campos", las otras formas de conocer y ver el mundo. Junto con los socios Julian Bleecker, Nicolas Nova y una red de ojeadores tácticos, formamos una práctica basada en la tecnología que combina la visión y el análisis, diseño y la investigación, y prototipado rápido para transformar las ideas en forma material.
Durante la última 5 año, He llevado las investigaciones que tienen como objetivo extraer el conocimiento de los productos derivados de las actividades digitales de las personas (es decir. datos de la red, También a menudo llamado sombras digitales o huellas digitales). Ese material intangible puede tomar la forma de registros de actividad de la red celular, las transacciones con tarjetas de crédito agregada, información de tráfico en tiempo real, contenido generado por el usuario o la red social de actualizaciones. Con el tiempo mis contribuciones han evolucionado hasta convertirse en ayudar a transformar este tipo de grandes volúmenes de datos en conocimiento, productos y servicios. Ya sea aplicado para un cliente o como parte de nuestras iniciativas de auto-iniciado, esta práctica requiere de las habilidades básicas de un "científico de datos" (análisis de los datos, arquitectura de la información, ingeniería del software y creatividad) junto con una capacidad para participar en las intersecciones con una amplia variedad de profesionales, de físicos e ingenieros a los abogados, estrategas y diseñadores. La pendiente transversal de las investigaciones en los datos de la red requiere la comprensión de las diferentes lenguas que las tecnologías de la forma, presentación de informes sobre el contexto de su uso, y la descripción de las prácticas de la gente. El modelo de investigación combina observaciones de campo cualitativos con datos cuantitativos a menudo extraídos de los registros.
La investigación con datos de la red implica múltiples prácticas y habilidades de ingeniería, las estadísticas, diseño, planificación de la estrategia, gestión de productos y la etnografía; foto por Fabien Girardin
Los proyectos anteriores nos han llevado a explotar las fuentes de datos sin explotar, descubrir oportunidades para transformar datos en conocimiento, y materializar nuevos servicios o productos. Nuestro método contempla primero los conjuntos de datos y técnicas para abordar nuestros objetivos. Entonces desarrollamos soluciones tangibles que se acoplan a los interesados en el proyecto en la exploración de distintos escenarios y soluciones. Es a través de las experiencias de las personas con conocimiento del dominio del proyecto que somos capaces de extraer los posibles cambios y oportunidades del futuro próximo.
Prácticamente, Me gusta mostrar nuestro proyecto para el Museo del Louvre un par de años atrás. No sólo porque tengo recuerdos fantásticos del entorno impresionante, pero sobre todo porque hemos aprendido mucho de la utilización de datos de la red para provocar conocimiento cualitativo.
El Louvre es, con diferencia, el museo más visitado del mundo con 8.5 millones de visitantes y más de 40.000 visitantes en los días pico [1]. En París, que es uno de los principales impulsores de la "entusiasmo cultural" que es una característica inherente de la ciudad. En consecuencia, los niveles de los testigos de los museos de hacinamiento que, más allá de un cierto umbral, puede ser descrito como "hiper-congestión". Este fenómeno tiene consecuencias negativas directas sobre la calidad de la experiencia de los visitantes, así como sobre la organización y gestión del Museo (por ejemplo. aumento del nivel de estrés del personal de seguridad).
El estudio, Evaluación y Prospectiva del Departamento del Museo lleva a cabo amplias encuestas, análisis de audiencia y Las observaciones in loco para asegurar una buena experiencia de visitar. Sin embargo, la información que recogen sólo se alimenta en parte los modelos de flujo de visitantes necesarios para configurar y evaluar algunas de las estrategias de los museos. Esa fue la razón por la que se acercaron a nosotros. Ellos querían investigar nuevas soluciones a sus preocupaciones con "hiper-congestión". En respuesta, nosotros (1) investigado la recopilación de nuevos datos empíricos sobre los flujos y los niveles de ocupación de los visitantes en las áreas clave del Louvre, y (2) desarrollado indicadores de diagnóstico para captar los cambios en los comportamientos de los visitantes con respecto a la congestión en el museo.
En colaboración con nuestros amigos en el proveedor de información de tráfico en tiempo real Bitcarrier, diseñamos sensores que auditaron la presencia de los teléfonos móviles compatibles con Bluetooth en un sendero clave que conduce a la Venus de Milo. El análisis de las medidas longitudinales recogidos de la presencia y de los flujos de visitantes que llevó al desarrollo de un indicador que dio a conocer las áreas en las que la congestión de una habitación cambia de la presencia y el flujo de visitantes. Aunque sin precedentes en la historia del Louvre, algunos resultados producen más preguntas que respuestas. Nos enfrentamos a una nueva serie de preguntas que la evidencia cuantitativa de los sensores no pudo responder, pero que las observaciones sobre el terreno podrían abordar. Por ejemplo, qué acontecimientos provocó la congestión, ¿qué aspectos de la experiencia de visitar fueron afectados, y por qué algunas habitaciones no muestran síntomas de hiper-congestión?
Ubicación de los sensores en áreas clave del museo; foto por Fabien Girardin
Volvimos a las visualizaciones producidas como parte de nuestro análisis de datos. Sin embargo, esta vez, no nos preparamos para los tomadores de decisiones, pero para el personal de seguridad. Eran una fuente de información única sobre el terreno en las prácticas de los visitantes y de manejo del flujo — un conocimiento del contexto estructurado que sólo preguntas específicas ayudan a exponer. Por lo tanto, las reuniones de configuración en el museo y utilizado nuestras visualizaciones de datos para que el personal de calificar los resultados de las auditorías. Su evidencia explicó algunas irregularidades y completó la comprensión de los comportamientos de los visitantes. Por ejemplo, una puerta cerrada periódicamente era una fuente de cambios radicales en los flujos de visitantes.
Un oficial de seguridad en el trabajo en el Louvre; foto por Fabien Girardin
En esa experiencia, nos enteramos de los tipos de preguntas que el análisis de datos de la red puede responder. Por ejemplo, "¿Cuántas observaciones podemos producir", "¿Qué nos dicen los datos acerca de una población", "¿Qué tipo de evolución se puede medir a través del tiempo", "Podemos clasificar estas evoluciones", "¿Cuáles son las tendencias y los valores atípicos" o "¿cuáles son los flujos que conectan diferentes lugares". En el contexto de datos de red sin embargo, es una gran suposición para ver el mundo como un conjunto de bits de datos que pueden ser procesados en información que luego producirá de forma natural algún valor para los. Técnicas de análisis de datos cuantitativos y visualización contestarán algunas preguntas, pero llevar a muchos más. En efecto, la comprensión de un entorno como el Louvre va más allá de los estados y eventos de la máquina de registro. En consecuencia, mi trabajo adopta una perspectiva crítica sobre las capacidades ilimitadas de Big Data que algunos asumen . En esta etapa estamos todavía a menudo tratando de averiguar: 1) ¿Qué partes de la realidad puede cuantitativas datos revelan? 2. Lo que podemos hacer con esta visión limitada de la realidad?
Al principio del proceso, el análisis de la relación entre el nivel de congestión y visitantes’ vez en las áreas clave del museo; foto por Fabien Girardin
El punto de vista cualitativo por parte del personal en el Louvre reforzó las medidas cuantitativas y consolida nuestro conocimiento global de la hiper-congestión en el museo. En otras palabras, la articulación entre la información cualitativa y las medidas de los sensores nos ha permitido mejorar nuestra comprensión del fenómeno. Sin embargo, No he visto todavía un conjunto de buenas prácticas para el uso de minería de datos cuantitativos para informar a las investigaciones cualitativas, o para el uso de observaciones cualitativas de informar a la definición de las preguntas cuantitativas.
Estas preguntas sugieren que los investigadores y los profesionales necesitan para desarrollar un diálogo coherente entre las técnicas utilizadas para recopilar información sobre las actividades de las personas: tanto cualitativa (por ejemplo. de audio y de vídeo de la acción y entrevistas) y cuantitativa (por ejemplo. datos de la red). Además en la obra en el Louvre, A menudo me resulta necesario para poder visualizar los resultados temporales muy rápidamente, y comunicará a las partes interesadas del proyecto. En la industria, este tipo de investigación exploratoria necesita mantener un cierto impulso; tiene que fallar, tenedor o tener éxito temprano. Como consecuencia, más y más resultados de nuestras investigaciones se convirtieron en las interfaces u objetos con un medio de entrada y el control en lugar de sólo informes estáticos. Esta práctica exige su propio conjunto de herramientas para manipular y visualizar datos.
Rápido “dibujo” en Quadrigram compartir con los interesados del proyecto algunas medidas iniciales de los niveles de ocupación y visitantes flujos; foto por Fabien Girardin.
En un futuro próximo Laboratorio estábamos luchando para combinar herramientas que podrían permitir a nuestros clientes que tienen conocimientos y datos, pero las habilidades no técnicas de prototipos de sus propias soluciones y escenarios. Eso es hasta que nuestros amigos de Bestiario nos mostró un entorno de programación visual que estaban desarrollando. Hemos contribuido de forma natural a lo que ahora se ha convertido en Quadrigram, una herramienta diseñada específicamente para la exploración de datos iterativo y explicación. Cada iteración o "boceto" es una oportunidad de encontrar nuevas preguntas y dar respuestas con los datos. Mutar datos, tomando diferentes estructuras con el fin de conocer sus múltiples perspectivas. Para nosotros, en nuestro proceso de investigación Quadrigram ofrece la oportunidad de manipular los datos como un material vivo que se puede conformar en tiempo real. Esta capacidad no sólo de datos 'científicos' se refiere sino a todo el mundo con el conocimiento y las ideas en un proyecto que involucra a los datos.
Quadrigram es un lenguaje de programación visual especialmente diseñado para la exploración de datos iterativo y explicación; foto por Fabien Girardin.
Puede ser que sea evidente a una comunidad de los etnógrafos, pero los datos cuantitativos no son suficientes para dar una respuesta completa sobre las personas, sus comportamientos y su uso de la tecnología. Sin embargo, el mundo de la "ciencia de datos 'y ciencias de la computación aún carece de la sensibilidad a las limitaciones de la evidencia cuantitativa y los modelos que podemos construir a partir de ella. A menudo me han enfrentado a estas limitaciones. Varios de nuestros proyectos con los datos de red me enseñó que hay puntos de vista que sólo la articulación de los datos de los sensores y de las observaciones in situ pueden proveer.
En un nivel más general,, el proyecto Louvre confirmó el uso de un enfoque que está más cerca de lo académico investigador de que el consultor de. Implica permanecer humilde, no iniciar una investigación con suposiciones a priori, y no tener miedo a expresar dudas. Cuando se trata de técnicas y métodos de mezclado, esta postura del investigador impulsado por la duda, pero también confía en sus / sus métodos, es lo que impulsa ideas relevantes.
……….
[1] Las cifras de los 2009 cuando se realizó el proyecto
[2] Véase, por ejemplo El fin de la teoría: El diluvio de datos hace que el método científico obsoleto por Chris Anderson
Echa un vistazo mensajes pasados de invitados contribuyentes! Únete a nuestro grupos de correo electrónico para las conversaciones en curso. Siga con nosotros en gorjeo y facebook.
Trackbacks / Pingbacks
[…] Insights de análisis de datos de red que generan las observaciones de campo … Nota del editor: Este post para Ethnomining el abril '' edición viene de Fabien Girardin, quien describe su trabajo con datos en red / sensor en el Museo del Louvre de París. Fabian, del Laboratorio Near Future, describe la … Insights de análisis de datos de red que generan las observaciones de campo … […]
[…] Como parte de Ethnomining, la edición de abril 2013 Ethnographymatters edición en la combinación de datos cualitativos y cuantitativos, editado por Nicolas Nova, Fabien Girardin describe su trabajo con datos en red / sensor en el Museo del Louvre de París. […]
[…] edición viene de Rachel Shadoan y Alicia Dudek. Tras los últimos posts sobre métodos híbridos, éste ofrece otra interesante caso de estudio que implica un en línea juego de rol […]
[…] He aquí el texto completo: Insights de análisis de datos de red que generan las observaciones de campo. […]
[…] Hallazgos Big Data. Las personas y las organizaciones pioneras en proyectos de datos grande y gruesa de datos, como Fabien Giradin Del Futuro Cercano Laboratorio o Wendy Hsu, se nos da atisbos de esta […]