Weiler, AndreasHölldobler, Steffen2019-01-232019-01-232017978-3-88579-976-4https://dl.gi.de/handle/20.500.12116/19951Die Dissertation beschreibt Forschungsergebnisse aus der Entwicklung und Evaluation von Verfahren zur Ereigniserkennung in Sozialen Datenströmen. Im ersten Teil pra ̈sentieren wir eine auf die besonderen Merkmale von Datenströmen fokussierte Technik zur Erkennung von Ereignissen in Echtzeit. Zusätzlich wird eine Technik zur Erkennung von Ereignissen in vordefinierten geographischen Bereichen vorgestellt. Im zweiten Teil analysieren wir die aufgabenbezogene sowie die Laufzeitperformance von mehreren modernen Techniken zur Ereigniserkennung unter Verwendung von realen Twitter Datenströmen. Um die Laufzeitperformance reproduzierbar zu vergleichen, basiert unsere Methode auf einem Datenstrommanagementsystem. Die aufgabenbezogene Performance wird basierend auf einer Reihe von neuartigen Maßen evaluiert. Diese Maße wurden speziell zur Gegenüberstellung der quantitativen und der qualitativen Performance entworfen. Der letzte Teil beschreibt das Design zweier Visualisierungen zur Unterstützung der visuellen Erkennung von Ereignissen. Mit Stor-e-Motion präsentieren wir eine Visualisierung zur Überwachung der fortlaufenden Entwicklung von Wichtigkeit, Stimmung und Kontext in benutzerdefinierten Themen. Mit SiCi Explorer präsentieren wir eine Visualisierung zur Überwachung von Ereignissen, Themen und Stimmungen über die Zeit und Raum für benutzerdefinierte geographische Bereiche. Für diese Visualisierung wird abschließend eine Benutzerstudie vorgestellt.deText/Conference Paper