ASGARD untersucht, wie Strafverfolgungsbehörden moderne Technologien verantwortungsvoll, nachvollziehbar und unabhängig von einzelnen Anbietern einsetzen können. Im Mittelpunkt stehen Open-Source-Lösungen für die Analyse großer und heterogener Datenbestände, insbesondere im Bereich Forensik und Intelligence.

Der Beitrag unserer Forschungsgruppe konzentriert sich auf interaktive Verfahren der Visual Analytics. Diese unterstützen Fachleute dabei, umfangreiche Kommunikationsdaten schrittweise zu untersuchen, relevante Zusammenhänge zu erkennen und Analyseergebnisse kritisch zu prüfen.

Ziel ist nicht die Entwicklung eines automatisierten Überwachungs- oder Entscheidungssystems. Die entwickelten Ansätze dienen der transparenten und kontextbezogenen Analyse bereits vorliegender Daten. Menschliche Kontrolle, Nachvollziehbarkeit, Datenschutz sowie ethische und gesellschaftliche Anforderungen werden dabei berücksichtigt.

Forschungsfragen

• Wie können große Mengen zeitabhängiger Kommunikationsdaten übersichtlich und nachvollziehbar analysiert werden?
• Wie lassen sich relevante Kommunikationsmuster und zeitliche Veränderungen erkennen, ohne komplexe Zusammenhänge auf einzelne Kennzahlen zu reduzieren?
• Wie können Fachleute Vorhersagen datenbasierter Modelle kritisch prüfen und in ihrem jeweiligen Kontext bewerten?
• Wie lassen sich Visualisierungen, interaktive Analyseverfahren und maschinelles Lernen so miteinander verbinden, dass menschliche Expertise aktiv in den Analyseprozess einfließt?
• Wie beeinflussen unterschiedliche Projektionstechniken und Parameter die Darstellung hochdimensionaler Daten?

Ausgewählte Ergebnisse

Der Beitrag unserer Forschungsgruppe umfasst mehrere interaktive Visual-Analytics-Techniken, Modelle und Frameworks für die nachvollziehbare Analyse zeitabhängiger Kommunikationsnetzwerke.

Eine neuartige Technik unterstützt Fachleute bei der Analyse zeitgestempelter, bidirektionaler Interaktionen. Kommunikationsereignisse werden als kontinuierliche Dichtefunktion modelliert. Dadurch lassen sich relevante Episoden, zeitliche Veränderungen und typische Kommunikationsmuster gezielt untersuchen.

Ein Visual-Analytics-Framework ermöglicht die Bewertung zeitlicher Hypergraph-Vorhersagemodelle. Mithilfe eines Sliding-Window-Ansatzes und interaktiver Visualisierungen können Fachleute einzelne Nutzer in ihrem jeweiligen Kontext betrachten und Vorhersagen mit Trainings- und Testdaten vergleichen. Dadurch wird die Qualität der Ergebnisse nachvollziehbar und kritisch überprüfbar.

Ein interaktives Framework unterstützt die Exploration zeitlicher Hypergraphen. Ein mehrstufiger, matrixbasierter Ansatz verbindet semantisches Zooming, Filter- und Suchfunktionen, dynamische Partitionierung sowie interaktives Modell-Feedback. So können relevante Verbindungen und Gruppen schrittweise untersucht und datenbasierte Modelle durch menschliche Expertise ergänzt werden.

Darüber hinaus entstanden theoretische Beiträge zur Analyse hochdimensionaler Daten. Untersucht wurde insbesondere, wie unterschiedliche Projektionstechniken, Merkmale und Parameter die Darstellung komplexer Daten beeinflussen. Die Ergebnisse unterstützen eine bewusste Auswahl geeigneter Visualisierungsmethoden in Abhängigkeit von Datensatz und Analyseaufgabe.