Peta memanusiakan: wawancara dengan johanna drucker

Saya telah menghabiskan beberapa kolom terakhir saya merayakan peta humanistik. Saya telah menyoroti proyek-proyek digital untuk memvisualisasikan sejarah dan literatur serta struktur kelembagaan yang menopang proyek-proyek tersebut. Kemudian, tidak seminggu setelah penerbitan kolom terakhir saya, saya menghadiri kuliah di Universitas Columbia yang meragukan seluruh perusahaan.

Dalam ceramahnya, "Haruskah Kaum Humanis Menggunakan Visualisasi Informasi ?, " Johanna Drucker mendekonstruksi proyek pemetaan dan memperingatkan para pendidik agar tidak menggunakan alat visualisasi tanpa memahami mekanika mereka. Pembicaraannya meresmikan pembicaraan yang bersemangat tentang apa yang merupakan visualisasi yang efektif, dan apa yang perlu diperoleh oleh para pendidik dan pembelajar literasi untuk menavigasi kumpulan sumber daya dan proyek online yang sedang berkembang.

Sebagai Profesor Studi Bibliografi Breslauer di Departemen Studi Informasi di UCLA, Drucker secara harfiah telah menulis buku tentang visualisasi. Dalam Graphesis: Bentuk Visual Produksi Pengetahuan , ia berpendapat bahwa bentuk grafis dari pengetahuan yang dipromosikan oleh smartphone dan komputer telah membentuk hubungan pengguna dengan informasi; memahami bentuk-bentuk itu berarti memahami bagaimana mereka menghasilkan pengetahuan.

Bukan orang yang menolak pertemuan yang tidak disengaja, saya menghubungi Profesor Drucker dan memintanya untuk berbagi wawasannya dengan pembaca PCMag. Saya telah memilih untuk mempertahankan bentuk wawancara untuk memungkinkan pembaca melihat ruang lingkup percakapan kami dan untuk mengakses tanggapan Drucker yang tidak diringkas. Saya mengundang pembaca untuk bergabung dalam percakapan melalui utas Komentar.

William Fenton: Apa yang dilakukan peta di bidang humaniora?

Johanna Drucker: Peta adalah bagian yang kaya dari catatan budaya. Mereka menunjukkan bagaimana kita berpikir tentang ruang, negara, dan fitur dari dunia alam dan budaya. Mereka mengekspresikan pemahaman kita tentang dimensi spasial pengalaman, dan mereka adalah dokumen yang menarik dalam hak mereka sendiri, diisi dengan informasi historis dan sosial.

WF: Bagaimana perbedaan peta dalam humaniora dengan, katakanlah, dalam ilmu pengetahuan alam?

JD: Meskipun peta sangat berguna untuk mengambil sejumlah besar data statistik dan membuatnya dapat dibaca, tampilan ini didasarkan pada model pengetahuan yang terkadang bertentangan dengan pekerjaan kemanusiaan. Contoh nyata dari hal ini adalah penggunaan garis waktu standar. Sangat sedikit novel, film, atau karya estetika lainnya mengikuti aliran searah atau linier. Memetakan "temporalitas" -waktu relasional - membutuhkan alat yang lebih halus, yang muncul dari pendekatan berbasis pengalaman ke waktu. Akan sulit membayangkan memetakan Pengingat Hal-Hal yang Lalu pada garis waktu sejarah alami yang dimaksudkan untuk melacak siklus pemuliaan lalat buah!

WF: Membuka aperture, apa yang perlu diketahui oleh humanis untuk menggunakan visualisasi secara lebih efektif?

JD: Perlu diingat bahwa proyek Humaniora Digital telah mengadopsi banyak alat visualisasi informasi dari bidang lain. Bagan batang, sebar plot, diagram jaringan dan metode standar lainnya untuk menampilkan informasi kuantitatif berawal dari ilmu alam atau ilmu sosial.

Untuk menggunakan visualisasi secara efektif, humanis perlu tahu lebih banyak tentang bagaimana data dihasilkan dan apa algoritma tampilan dalam visualisasi yang mereka sesuai. Apa yang menghasilkan hubungan spasial antara node dalam diagram jaringan? Bagaimana "data" dalam gambar dikumpulkan atau dibangun? Apa model statistik yang diperlukan untuk memahami gambar data?

WF: Pertanyaan apa yang harus diajukan pembaca tentang visualisasi?

JD: Kita harus mengajukan pertanyaan dasar yang sama yang kita gunakan untuk mempelajari artefak: Siapa yang membuatnya, bagaimana, kapan, di mana, dan dengan asumsi apa? Semua pengetahuan dibangun di atas asumsi dan nilai-nilai tertentu. Belajar membaca sifat formal visualisasi sangat penting. Belajar memecahkan kode sistem nilai tempat properti-properti itu diproduksi juga sama pentingnya. Jika pemahaman saya tentang astronomi didasarkan pada keyakinan bahwa semua benda langit harus, dengan rancangan ilahi, bergerak dalam lingkaran yang sempurna, model mekanika selestial saya akan mengikuti asumsi-asumsi itu. Begitu juga dengan visualisasi saya.

WF: Dalam ceramah Anda baru-baru ini di Columbia, Anda menyerukan visualisasi yang bermakna secara semantik . Apa yang membuat peta secara semantik bermakna? Seperti apa rupa visualisasi yang tidak bermakna semantik?

JD: Ketika saya berbicara tentang semantik grafis, saya menunjuk ke arah bidang pengetahuan visual. Semiotika peta hebat Prancis, Jacques Bertin, mengidentifikasi tujuh variabel grafik: warna, nada, ukuran, bentuk, tekstur, orientasi, dan posisi. Dia menunjukkan bahwa tampilan grafik dapat menggunakan ini secara sistematis (misalnya, warna dapat menjadi simbol). Pendidikan umum jarang memperkenalkan pengetahuan dasar tentang produksi makna grafis. Pikirkan sesuatu yang mendasar seperti perbedaan antara penjajaran dua objek dan hierarki satu di atas yang lain - semantik keduanya berbeda secara radikal. Penjajaran menyiratkan paritas alih-alih hierarki.

Belajar membaca sifat dasar grafis terasa semakin mendesak mengingat peningkatan eksponensial dalam sarana visual produksi dan distribusi pengetahuan. Kami menerima sejumlah besar informasi dan komunikasi di lingkungan layar, tetapi kami tidak pernah berhenti membaca ini sebagai ruang terstruktur atau terstruktur. Kami tidak menjeda iPhone kami dan merenungkan "model pengetahuan" yang disandikan dalam tata letak grafis! Tetapi apakah kita tahu cara membaca model itu jika ditantang? Itulah inti masalahnya.

WF: Saya pikir bagian dari masalah ini adalah jika alat mudah digunakan, itu menarik untuk berpikir bahwa itu transparan dalam operasinya. Saya sedang memikirkan Google Ngrams, yang akan saya akui untuk digunakan dalam pengajaran saya. Apa yang salah dengan Ngram?

JD: Google Ngram menyembunyikan basis di mana mereka dibuat, sebagai permulaan. Jika sebuah Ngram melacak penggunaan kata antara 1800 dan 1950, misalnya, apakah itu menunjukkan kepada saya jumlah contoh dan atau persentase kejadian? Dan berapa persen pekerjaan yang diterbitkan dalam tahun apa pun di Google? Jadi, hanya untuk memulai, kita tidak tahu benar-benar tahu apa nilai numerik dalam Ngram mewakili secara statistik. Kami juga tidak tahu bagaimana algoritme cocok dengan istilah yang dicari. Pencarian string pada kata "dewa" mungkin melewatkan semua referensi tentang kehadiran ilahi dalam puisi Romantis tentang alam. Saya pikir kita perlu memiliki cara untuk melihat proses produksi Ngram, bukan hanya hasilnya.

Terlebih lagi, begitu seseorang membuat Ngram, mereka menyajikannya seolah-olah itu adalah fenomena yang sebenarnya. "Lihat, istilah dewa populer di periode ini dan bukan di istilah itu." Sebagai gantinya, mereka harus mengatakan "Korpus Google yang diindeks oleh algoritma pencarian mereka menunjukkan peningkatan statistik ini atau itu dalam kumpulan sampel." Mengira tampilan sebagai sumber adalah kesalahan klasik dalam visualisasi. Saya menyebutnya "reifikasi informasi yang salah."

WF: Dapatkah Anda merekomendasikan alternatif Ngram? Jika tidak, bagaimana saya bisa menggunakan Ngram dengan lebih bertanggung jawab?

JD: Dalam proyek seperti Visualisasi Emansipasi, yang Anda kutip baru-baru ini, mereka memberikan kerangka referensi yang ringkas dan akrab untuk menampilkan banyak informasi. Mantra standar dalam visualisasi informasi adalah bahwa pola-pola dalam kumpulan data besar menjadi terbaca dalam visualisasi, dan tentu saja demikian dalam proyek ini, di mana kita dapat melihat lokasi Union Army, peristiwa emansipasi, dan hamparan wilayah di mana perbudakan dulu dan dulu tidak legal pada waktu tertentu antara 1 Januari 1861 dan 31 Desember 1865. Sebagai alat tinjauan, pekerjaannya luar biasa - dapat dibaca dan ringkas. Tetapi yang benar-benar bermanfaat adalah antarmuka yang menghubungkan titik data pada peta ke sumbernya, serta kategori yang digunakan oleh tim pemodelan data.

Yang menjadi rumit adalah fitur seperti heat-map menipu. Intensitas peristiwa dan ketegangan sosial mungkin bukan gradien spasial yang berkelanjutan, tetapi masalah paku, garis patahan, vektor emosi. Kami memiliki sedikit cara untuk menampilkan informasi seperti itu - atau menunjukkan bagaimana peristiwa membentuk ruang. Bahkan sebuah proyek secanggih ini (dan merupakan contoh), menunjukkan batas-batas penggunaan peta yang sudah ada sebelumnya sebagai landasan untuk menempelkan pin (atau overlay) referensi. Ketika Anda berperang dengan saudara atau tetangga, garis perbatasan antara properti yang berdekatan membawa valensi yang berbeda dari yang tidak dikenakan emosi.

Pemetaan yang efektif menciptakan ruang; itu tidak menganggap ruang yang dipetakan sebagai pemberian apriori. Pembaca Anda mungkin tertarik atau tidak tertarik pada perdebatan filosofis tentang pendekatan "non-representasional" terhadap geografi. Tetapi karya Nigel Thrift dan yang lainnya menunjukkan bahwa pengalaman membuat ruang, dan ini pada dasarnya humanistik. Pikirkan bagian-bagian indah dalam Ulysses karya James Joyce -atau Homer's Odyssey . Apakah masuk akal untuk memetakan ini secara harfiah?

WF: Jika ada ingatan, Anda memuji The Preservation of Favored Traces dari Ben Fry, visualisasi yang juga saya rekomendasikan di kolom sebelumnya. Apa yang Anda sukai dari visualisasi Fry?

JD: Ben Fry menggunakan pemrosesan komputasi untuk membuat dataset perbandingan yang tidak dapat dikompilasi oleh manusia tanpa alat ini. Kemudian ia menciptakan visualisasi yang merupakan titik tolak untuk penelitian. Gambar bukanlah titik akhir, tetapi bagian dari proses penyelidikan yang lebih besar. Salah satu inisiatif kelembagaan terbaik, NEH's Digging into Data grants, mempromosikan jenis pekerjaan ini. Tujuannya adalah untuk menggunakan alat visualisasi (antara lain) untuk mencari korporasi skala besar bahan humaniora dengan cara yang akan membuat pertanyaan penelitian.

WF: Institusi Anda, UCLA, adalah semacam visioner visualisasi. Hypercities adalah salah satu proyek pertama yang saya temui, dan saya masih menggunakannya di kelas. Apakah ada proyek UCLA lain yang harus diketahui pembaca?

JD: Saya pikir Hypercities and Seeing Sunset, dua proyek UCLA, keduanya mencoba untuk menarik perhatian pada informasi historis di peta itu sendiri. Berpikir tentang cara membuat alat spasial berdasarkan peta yang lebih tua, jadi kami tidak membuat proyeksi anakronistis (yang didasarkan pada metrik kontemporer daripada pemahaman historis) adalah tantangan yang harus dihadapi ke depan. Menghormati keberbedaan budaya di masa lalu adalah penting jika kita ingin menggunakan peta, bagan, grafik, diagram sebagai benar dengan istilah mereka sendiri, bahkan ketika mereka mewakili model dunia atau kosmos atau pemahaman ilmiah yang telah berubah. Jauh lebih banyak yang dapat dikatakan tentang semua ini, tetapi prinsipnya adalah bahwa informasi historis harus diambil dengan caranya sendiri.

WF: Apa selanjutnya untuk visualisasi humaniora?

JD: Kami membutuhkan visualisasi yang lebih halus, lebih kompleks, lebih berlapis, dan lebih hidup serta lebih spesifik budaya. Visualisasi itu masih jauh, saya pikir, karena mereka akan membutuhkan pembuatan metrik non-standar dan model data yang tidak bergantung pada prinsip-prinsip Cartesian, tetapi model data yang efektif, muncul, dan saling tergantung. Bagaimana Anda membuat garis waktu yang didasarkan pada pengalaman, bukan waktu-jam? Buat diagram yang mempertimbangkan data berdasarkan nilai emosional? Tunjukkan perbedaan yang tidak dapat dibandingkan di seluruh model budaya ruang? Tanamkan sistem nilai ideologis ke dalam metrik perbedaan seperti itu?

Adakah yang ingin melakukan ini? Saya selalu tertarik dengan mitra imajinatif.