Die Covid-19-Pandemie war eine weltweite Katastrophe, bei der die Nachfrage nach Daten überwältigend war. Und es waren journalistische Dashboards, die diese Nachfrage erfüllten. Dashboards und Datenartikel sind seither fester Bestandteil des Journalismus. Es gibt Dashboards zum Ukraine-Krieg, zum Klimawandel, zum Benzinpreis. Bekannt ist, dass diese Artikel teils sehr erfolgreich sind bei den Nutzer:innen. Kaum bekannt ist: Wie gut werden sie eigentlich verstanden? Und selten wird die Frage gestellt: Was macht guten Datenjournalismus eigentlich aus?
In diesem Buch holt Matthias Stolz eine überfällige, detaillierte Kritik an den Covid-19-Dashboards nach, die meist in großer Eile produziert wurden. Er hat Covid-19-Dashboards aus Großbritannien, den USA, Deutschland und Frankreich analysiert und dort teils erstaunliche Schwachstellen gefunden. In einer Nutzer:innen-Studie traten erhebliche Probleme auf, zwei Dashboards zur Präsidentschaftswahl in den USA 2024 zu verstehen und anzuwenden.
Matthias Stolz beschreibt in seiner Arbeit Qualitätskriterien für den Datenjournalismus mit Visualisierungen. Anhand dieser Kriterien lässt sich besser diskutieren über das, was gut ist und was weniger gut ist im Datenjournalismus. Und der Datenjournalismus braucht mehr solche Diskussionen. Aus der Datenjournalismus-Community drang bislang wenig Kritik und Selbstkritik nach außen. Die Journalismusforschung lobte den Datenjournalismus eher pauschal, als dass sie ihn im Detail kritisierte. Und der ansonsten stets kritikfreudige Medienjournalismus befasste sich fast gar nicht mit dem Datenjournalismus. Es schadet dem Datenjournalismus vielmehr, wenn selbst offenkundige Fehler und Schräglagen übersehen werden. Und so lautet das Resümee von Matthias Stolz: Der Datenjournalismus sollte von nun an als kritikwürdig angesehen werden.
1. Einleitung
2. Die Dashboards im Datenjournalismus
2.1 Von der Kutsche bis zum Bildschirm
2.2 Zur Geschichte der Datenvisualisierung im Journalismus
2.3 Das Betrachten der Katastrophe als Kurve
2.4 Was sind Dashboards überhaupt?
2.5 Zum Erfolg der Dashboards
3. Die journalistische Qualität von Dashboards und anderen Datenartikeln mit mehreren Grafiken
3.1 Zur Qualität im Journalismus
3.2 Was aus der Literatur zu schließen ist
3.2.1 Qualität aus der Sicht der Visualization Community
3.2.2 Qualität von Daten
3.2.3 Qualität von Datenjournalismus und journalistischen Datenvisualisierungen
3.3 Eine erste, vorläufige Liste der Qualitätskriterien
4. Die Sicht der Informationsdesigner:innen
4.1 Eine Befragung
4.2 Eine zweite Liste der Qualitätskriterien
5. Covid-19-Dashboards aus Großbritannien, Frankreich, Deutschland und den USA nahe betrachtet
5.1 Eine qualitative und explorative Inhaltsanalyse
5.2 Sich dem Betrachter aufdrängende Kriterien
5.2.1 Übersicht und Kohärenz
5.2.2 Verständlichkeit und Kontextualisierung
5.2.3 Statistische Richtigkeit
5.2.4 Relevanz
5.2.5 Vielfalt und Originalität
5.2.6 Integrität
5.2.7 Sensibilität
5.2.8 Ablesbarkeit und Benutzerfreundlichkeit interaktiver Funktionen
6. Die Umfragen-Dashboards des Spiegels und der FAZ zur US-Präsidentschaftswahl 2024 aus Sicht der Nutzer:innen
6.1 Warum eine Nutzerstudie? Und welche?
6.2 Wahlumfragen in den Medien
6.3 Ergebnisse der Nutzerstudie
6.3.1 Art der Auswertung
6.3.2 Ergebnisse des Performance-Tests mit Think Aloud
6.3.3 Der Einfluss der Graph Literacy auf das Ergebnis im Performance-Test
6.3.4 Ergebnisse unter Berücksichtigung der Fokusgruppengespräche
6.3.5 Probleme während der Nutzung der Dashboards
6.3.6 Qualitätskriterien aus Sicht der Nutzer:innen
6.4 Eine abschließende, jedoch nie endgültige Liste der Qualitätskriterien
6.5 Ausgewählte Kriterien
6.6 Güte und Limitationen der Studie
6.7 Hinweise für die journalistische Praxis
7. Zum Abschluss
7.1 Hin zu einem Critical Turn im Datenjournalismus
7.2 Das Redundanzproblem
7.3 Wovon es mehr bräuchte
7.4 Die Karrieren der beiden Pioniere
Literaturverzeichnis
Anhang: Der Anhang steht unter https://doi.org/10.1453/2026_9783869627755_anhang.pdf zum Download zur Verfügung.