1 Einleitung

Die fortschreitende Digitalität stellt Designer:innen vor neue Herausforderungen. In einer vernetzten Welt ist nicht mehr unmittelbar nachvollziehbar, woher Daten stammen und in welchem Kontext sie erhoben und verarbeitet wurden. Durch die stetig wachsenden Datenmengen entsteht ein Informationsüberfluss. Zahlen und Diagramme werden dabei oftmals als präzise Abbildungen der Realität wahrgenommen. Ihre visuelle Klarheit erzeugt Vertrauen. Diese Wahrnehmung steht jedoch im Widerspruch zur Realität. Datenerhebung und -visualisierung sind grundsätzlich menschliche und selektive Prozesse (D’Ignazio & Klein, 2020, S. 39). Da Daten niemals unabhängig von Menschen und deren Technologien erfasst werden, müssen sowohl diese unkritische Datenwahrnehmung als auch die Prozesse der Auswahl und Gestaltung kritisch hinterfragt werden.

Ein Beispiel aus dem Jahr 2020 verdeutlicht dies. Während der COVID-19-Pandemie veröffentlichte das Gesundheitsministerium des US-Bundesstaats Georgia ein Balkendiagramm zur Entwicklung der Fallzahlen (Abb. 01). Die Grafik wurde professionell gestaltet, staatlich autorisiert und visuell auf das Wesentliche reduziert. Sie suggerierte einen kontinuierlichen Rückgang der Infektionsfälle. Bei genauerer Betrachtung fällt jedoch auf, dass die x-Achse nicht chronologisch angeordnet ist, sondern gezielt so, dass die Fallzahlen zu sinken scheinen. Auf den 7. Mai folgt der 26. April (Abb. 02). Die formale Klarheit und die saubere Darstellungsweise tragen dazu bei, die irreführende Visualisierung zu verschleiern. In der korrekt angeordneten Version ist kein entsprechender Rückgang erkennbar (Abb. 03). Eine fehlerhafte Reduktion kann nicht nur täuschen, sondern, wie in diesem Beispiel, im schlimmsten Fall über Leben und Tod entscheiden. Reduktion ist demnach nicht nur eine Vereinfachung, sondern ein Instrument zur gezielten Steuerung der Wahrnehmung.

Für die visuelle Kommunikation stellt dies eine zentrale Herausforderung dar. Datenvisualisierer:innen machen komplexe Informationen zugänglich, prägen jedoch gleichzeitig, wie diese verstanden werden. Designer:innen legen fest, welche Daten sichtbar werden, welche Perspektiven priorisiert und welche ausgeschlossen werden. Diese Entscheidungen bleiben in reduzierten Darstellungen meist unsichtbar und erzeugen so den Eindruck von Objektivität.

Diese Arbeit geht von der These aus, dass Reduktion im Informationsdesign unvermeidbar ist. Sie ist kein rein gestalterisches Mittel, sondern der zentrale Mechanismus, durch den Informationen strukturiert und Bedeutung erzeugt werden. Gerade weil Reduktion notwendig ist, kann sie nicht neutral sein. Sie bestimmt, welche Aspekte sichtbar werden und welche unsichtbar bleiben.

Daraus ergibt sich die Forschungsfrage: Wie wirkt Reduktion im Informationsdesign, differenziert nach ihrer quantitativen, formalen und kontextuellen Dimension, auf die Wahrnehmung von Daten und welche Konsequenzen ergeben sich daraus für einen verantwortungsvollen Umgang? Ziel der Arbeit ist die Entwicklung eines reflektierten gestalterischen Ansatzes. Der Fokus liegt auf Statistiken und Datenvisualisierungen, die im Kontext von Massenmedien oder öffentlicher Kommunikation entstanden sind. Die herangezogenen Beispiele stammen mehrheitlich aus dem englischsprachigen Raum, was dem aktuellen Stand der verfügbaren Fachliteratur geschuldet ist und die Gültigkeit der analysierten Mechanismen nicht einschränkt. Begriffe wie Informationsgrafik und Datenvisualisierung werden im Rahmen dieser Arbeit als Synonyme behandelt und nicht weiter differenziert.

Zur Beantwortung der Fragestellung wird zunächst untersucht, wie sich die Gleichsetzung von Reduktion und Objektivität historisch entwickelt hat. Anschliessend wird gezeigt, warum reduzierte Darstellungen kognitiv als besonders glaubwürdig wahrgenommen werden. Darauf aufbauend werden drei Dimensionen der Reduktion im Informationsdesign unterschieden: die quantitative, die formale und die kontextuelle. Abschliessend werden Kriterien formuliert, die eine transparente und verantwortungsvolle Gestaltung von Daten ermöglichen.

2 Geschichte der Reduktion

Die Gleichsetzung von Reduktion und Objektivität ist kein natürlicher Reflex und auch kein universelles Gestaltungsprinzip. Sie ist das Ergebnis einer historischen Entwicklung, die sich über mehrere Jahrhunderte erstreckt hat und deren Ursprünge bis in das 18. Jahrhundert zurückreichen. Um zu verstehen, wie es dazu kam, dass eine reduzierte Gestaltung heute als objektive Wahrheit gilt, lohnt es sich, einen Blick auf die geschichtliche Entwicklung zu werfen.

2.1 Ornamentale Kartografie

Die Vorstellung, dass Daten ein reduziertes Design verlangen, war nicht immer eine Selbstverständlichkeit. Einer der ersten modernen Atlanten, «Theatrum Orbis Terrarum» vom flämischen Kartografen Abraham Ortelius, erschien 1570. Die Karte stützte sich auf eine Sammlung von Arbeiten und wurde durch verschiedene Schattierungen, Farben und Illustrationen ergänzt (Abb. 04; Rendgen et al., 2019, S. 148). Die Detailansicht zeigt ein aufwendig illustriertes Schiff als aktives Kartenelement (Abb. 05).

Ornament und Glaubwürdigkeit schlossen sich für Ortelius nicht aus. Letztere hing vielmehr vom Ruf des Gestalters, der Qualität und der Quellen ab. Zu dieser Zeit existierte die enge Verbundenheit von Reduktion und Objektivität noch nicht. Die wissenschaftliche Kartografie und das Informationsdesign waren zwar bereits verknüpft, jedoch ohne den späteren Anspruch an visuelle Reduktion als Zeichen von Glaubwürdigkeit und Wahrheit (Rendgen et al., 2019, S. 123).

2.2 Geometrische Sprache der Mathematik

Im späten 18. Jahrhundert wurde die Informationsgrafik immer wieder durch die Fortschritte in der Wissenschaft geprägt. Es entstand das Bestreben, Sachverhalte zu visualisieren, die über die rein geografische Kartografie hinausgingen. Hierzu gehörten Statistiken über Sterblichkeitsraten, Wachstum und andere vielschichtige Zusammenhänge. Um diese abstrakten Phänomene darzustellen, stützte man sich auf die visuelle Sprache der Statistik (Tufte, 2018, S. 43).

Ein Beispiel hierfür ist die Erfindung des Balken- und Liniendiagramms durch den Ökonomen William Playfair (1786). Er ordnete erstmals Daten an einem abstrakten Raster an (Abb. 06; Tufte, 2018, S. 32-33). Dies war keine rein ästhetische Entscheidung, sondern eine rhetorische Strategie. Die geometrische Sprache der Mathematik verlieh den Daten eine Autorität, die andere illustrative Darstellungen nicht aufwiesen.

Durch den Anstieg der Anzahl von Publikationen und des Wissenstandes erreichte das Informationsdesign eine weitere wichtige politische Ebene (Rendgen et al., 2019, S. 123). In diesem Kontext versuchten viele Wissenschaftler:innen, die Gesellschaft und deren Gesetze durch ihre statistischen Methoden zu untersuchen und zu visualisieren. Florence Nightingale zeigte in ihrem Diagramm «Diagram of the causes of mortality in the army in the East» (1858) die Sterblichkeitsrate so, dass diese auch ohne statistisches Vorwissen erfassbar war (Abb. 07). Durch diese gezielte Reduktion auf das Wesentliche konnte sie eine breite Masse erreichen und informieren. Reduktion war hier kein Ausdruck von Neutralität, sondern ein Instrument der Überzeugung.

Was Playfair und Nightingale zeigen, ist nicht die Entdeckung von Objektivität, sondern deren Einfluss auf die visuelle Vermittlung. Die mathematische Ästhetik wirkte objektiver, da sie aussah wie pure Wissenschaft. Aufgrund ihrer Überzeugungskraft wurde dieses formale Mittel zum Vorbild.

2.3 Reduktion als Gestaltungsnorm

Was sich im 19. Jahrhundert als rhetorische Strategie entwickelte, wurde im 20. Jahrhundert zur Norm erklärt. Edward Tufte formulierte 1983 das Prinzip der «Data-Ink-Ratio» (Daten-Tinte-Verhältnis). Es soll nur so viel Tinte in einer Grafik verwendet werden, wie Daten vorhanden sind. Auf Raster, Dekorationen und wiederholende Elemente soll verzichtet werden, da diese die Bedeutung einer Statistik verfälschen könnten (Tufte, 2018, S. 53-59). In einer dreiteiligen Sequenz zeigt Tufte, wie eine Statistik radikal dekonstruiert wird (Abb. 08). Dabei befreit er die Ausgangsgrafik schrittweise von nicht-datenbezogener Tinte, bis rechts eine Darstellung mit maximaler Informationseffizienz resultiert. Tuftes Zitat: «Graphical excellence begins with telling the truth about the data.» (Tufte, 2018, S. 53), vermittelt eine neue Art der Gestaltungsmoral. Tufte erhob Reduktion zur Norm und machte sie zur Frage der Integrität. Die Gleichsetzung von Reduktion, Wahrheit und Objektivität, die Playfair und Nightingale als überzeugendes Mittel eingeführt hatten, wurde nun als Designprinzip übernommen.

Diese Entwicklung wirkt bis heute nach. Wie D’Ignazio und Klein zeigen, hat sich eine Ästhetik etabliert, die sich als objektiv und fehlerfrei lesen lässt. Minimalistisches und sauberes Design signalisiert wissenschaftliche Autorität. Dadurch werden subjektive Designentscheidungen hinter jedem Datensatz verschleiert (D’Ignazio & Klein, 2020, S. 77). Mit der Digitalisierung vervielfachen sich die Möglichkeiten der Datenvisualisierung grundlegend.

Dass ein reduziertes Diagramm heute als objektive Wahrheit empfunden wird, ist kein Instinkt. Es ist eine kulturell entwickelte Ansicht der westlichen Welt und reicht mit seinem Ursprung bis in das 18. Jahrhundert zurück, in dem die Wissenschaft immer mehr an Bedeutung und Einfluss gewann. Reduktion ist nicht das Problem, sondern die Illusion, die sie erzeugt. Deren Ursprung ist nicht nur historisch verwurzelt, sondern zudem tief in unserer biologischen Wahrnehmung verankert.

3 Kognitive Verankerung

Das folgende Kapitel zeigt, welche kognitiven Mechanismen dazu beitragen, dass reduzierte Grafiken automatisch als klar gelesen werden. Dabei werden drei Mechanismen untersucht. Erstens, wie das Gehirn visuelle Reize automatisch verarbeitet, zweitens, warum manche Zeichen intuitiv als vertrauenswürdiger gelten als andere und drittens, wie das Gehirn aus den Elementen aktiv Bedeutung konstruiert.

3.1 Präattentive Verarbeitung

Das menschliche Gehirn kann nicht nur Informationen speichern, sondern auch wahrnehmen, verarbeiten, schlussfolgern, kategorisieren und interpretieren. Diese Kapazität ist jedoch begrenzt. Da das Kurzzeitgedächtnis nur eine begrenzte Anzahl an Informationen gleichzeitig verarbeiten kann, ist Reduktion eine Voraussetzung dafür, dass Informationen schnell erfasst werden können (Mazza, 2009, S. 34). Genau diese Begrenztheit macht Reduktion im Informationsdesign nicht nur sinnvoll, sondern zwingend notwendig.

Alles, was unsere Sinne wahrnehmen, wird zunächst im sensorischen Gedächtnis gespeichert. Dazu gehört die Wahrnehmung von Farben, Formen, Linien und Kontrasten. Diese Verarbeitung erfolgt automatisch und unabhängig von bewusster Kontrolle (Mazza, 2009, S. 34). Sie wird als präattentive Verarbeitung bezeichnet, da sie ohne fokussierte Aufmerksamkeit, also ohne bewusste Ausrichtung auf einen spezifischen Reiz, stattfindet.

Der sogenannte «Pop-out-Effekt» beschreibt, wie bestimmte visuelle Elemente direkt wahrgenommen werden, ohne aktiv danach zu suchen. Elemente heben sich visuell von ihrer Umgebung ab und «springen ins Auge» (Pontis & Babwahsingh, 2024, S. 56). Dies zeigt sich etwa beim Einsatz von Farbe. Das Gehirn filtert einen einzelnen Buchstaben in einer Zeichenmatrix heraus, ohne jedes Element einzeln zu prüfen (Abb. 09).

Das Prinzip lässt sich auch an einem Beispiel einer Informationsgrafik ablesen. Durch den Einsatz von Farben, können die zwei Gruppen in der kolorierten Version direkt unterschieden werden (Abb. 10). Dieselbe präattentive Wirkung lässt sich durch Form, Grösse, Position und Bewegung erzielen (Abb. 11). All diese Attribute haben gemeinsam, dass sie wahrgenommen werden, bevor das bewusste Denken eingreift. Wichtige Informationen können gezielt sichtbar gemacht werden, während andere in den Hintergrund treten.

Gleichzeitig entsteht daraus eine zentrale Problematik. Was schnell erfassbar ist, erscheint automatisch klar. Diese Klarheit wird tendenziell mit Wahrheit gleichgesetzt, obwohl sie lediglich das Ergebnis kognitiver Leichtigkeit ist. Diese Wirkung hängt nicht nur davon ab, wie schnell etwas wahrgenommen wird, sondern auch davon, welche Art von Symbolen verwendet werden.

3.2 Sensorische versus willkürliche Symbole

Colin Ware (2013, Kap. 1)⁰¹ unterscheidet zwischen sensorischen und willkürlichen Symbolen. Sensorische Symbole sind kulturübergreifend verständlich, da sie keine Lernprozesse voraussetzen. Ein Kreis repräsentiert einen begrenzten Bereich, unabhängig von Bildung, Kultur und Vorwissen. Willkürliche Symbole hingegen müssen zuerst erlernt werden und sind kulturabhängig. Eine Grafik, die auf sensorischer Wahrnehmung basiert, wirkt verständlicher und wird schneller erfasst.

⁰¹ Der zitierte Abschnitt befindet sich in Kap. 1, Foundations for an Applied Science of Data Visualization, Sensory versus Arbitrary Symbols (keine Seitenangabe möglich)

Dies lässt sich anhand eines Beispiels veranschaulichen. In der Statistik «Aufteilung der in der Schweiz immatrikulierten Luftfahrzeuge» des Bundesamts für Statistik (2024) werden Kategorien als Rechtecke dargestellt, deren Flächen direkt mit den jeweiligen Datenwerten korrespondieren. Eine grössere Fläche bedeutet dabei eine grössere Menge, ein sensorisches Prinzip, das auch ohne Legende verstanden wird. Ein Beispiel willkürlicher Symbolik findet sich in derselben Grafik. Die Abkürzung MTOM (maximale Startmasse eines Luftfahrzeugs) erschliesst sich nur mit Vorwissen. Ohne die Fussnote bleibt diese Abkürzung unverständlich (Abb. 12).

Für das Design bedeutet dies, dass die Wahl von Symbolen direkten Einfluss darauf hat, wie eine Visualisierung gelesen wird. Intuitiv verständliche Darstellungen wirken überzeugender, auch wenn sie nicht unbedingt vollständiger oder genauer sind. Gleichzeitig sind sensorische Symbole nicht vollständig universell. Wahrnehmung variiert je nach Kontext, Erfahrung und biologischen Voraussetzungen. Die Wahl von Symbolen ist daher keine neutrale Entscheidung, sondern beeinflusst, welche Bedeutung einer Darstellung zugeschrieben werden kann.

3.3 Gestaltgesetze

Sensorische Symbole erklären, warum bestimmte Zeichen intuitiv wirken. Die Gestaltgesetze beschreiben, wie das Gehirn diese Informationen organisiert und interpretiert (Mazza, 2009, S. 41). Elemente, die nahe beieinander liegen, werden als zusammengehörig wahrgenommen (Abb. 13). Ähnliche Formen werden ebenfalls gruppiert (Abb. 14). Unvollständige Formen werden als vollständig ergänzt (Abb. 15). Weitere Gestaltgesetze umfassen Prägnanz, Kontinuität, gemeinsames Schicksal, gemeinsame Regionen und Verbundenheit (Mazza, 2009, S. 41-44).

Gestaltgesetze können gezielt in Kombinationen vorkommen und lassen sich nicht immer eindeutig einem einzelnen Prinzip zuordnen. Ein Beispiel dafür ist die Grafik «Die zehn beliebtesten Flugdestinationen nach Quartal – mit Vorjahresvergleich» (2024) des Bundesamts für Statistik (Abb. 16). Das Gesetz der Nähe gruppiert die jeweiligen Balkenpaare pro Land. Das Gesetz der Ähnlichkeit sorgt dafür, dass beide Blautöne als zusammengehörige Gruppe wahrgenommen werden. In einer weiteren Grafik des Bundesamts für Statistik zu den «Hauptsprachen» (2024) ist zwischen 2000 und 2010 eine Datenlücke erkennbar. Durch das Gesetz der Kontinuität wird die unterbrochene Linie vom Gehirn automatisch als weiterlaufend wahrgenommen (Abb. 17).

Diese Mechanismen ermöglichen eine schnelle Orientierung, da das Gehirn Informationen automatisch ordnet und strukturiert. Für das Design bedeutet dies, dass Zusammenhänge tendenziell nicht explizit dargestellt werden müssen, sondern durch visuelle Anordnung entstehen. Da das Gehirn aktiv Bedeutungen konstruiert, wirken reduzierte Grafiken vollständig und Lücken werden eigenständig durch Mustererkennung geschlossen. Während dieser Mechanismus kognitive Anstrengung spart, birgt er das Risiko für Fehlinterpretationen oder dem Sehen nicht vorhandener Phänomene (Pontis & Babwahsingh, 2024, S. 58). Gestalterisch eröffnet dies Wege zur radikalen Vereinfachung, erfordert jedoch eine präzise Steuerung, damit Daten beabsichtigt wahrgenommen werden.

Die beschriebenen Mechanismen haben gemeinsam, dass sie reduzierte Darstellungen als klar und verständlich erscheinen lassen. Diese Klarheit entsteht jedoch aus der Funktionsweise der Wahrnehmung und nicht aus der Objektivität der Daten. Aus dem Zusammenspiel von visueller Ordnung und psychologischem Vertrauen ergeben sich drei Dimensionen der Reduktion, welche diese Arbeit im Folgenden analysiert.

4 Drei Dimensionen der Reduktion

Reduktion ist die Grundbedingung jeder Visualisierung. Die Frage ist dabei nicht ob, sondern wie und wo reduziert wird. Die Analyse beschränkt sich auf drei Arten der Reduktion: die quantitative, die formale und die kontextuelle.

4.1 Quantitative Reduktion

Die Auseinandersetzung mit Daten beginnt für Designer: innen zwingend mit der Selektion. Was möchte ich visualisieren? Welche Daten stehen zur Verfügung? Was schliesse ich aus? Diese Entscheidungen formen die Sicht auf eine Thematik, noch bevor eine visuelle Komponente entsteht. Quantitative Reduktion bestimmt somit, welche Daten überhaupt sichtbar werden.

In der heutigen Ära von Big Data ist diese Dimension besonders relevant. Boyd und Crawford (2012, S. 663) definieren Big Data nicht primär über deren Grösse, sondern über die Fähigkeit, diese riesigen Datensätze zu durchsuchen, zu sammeln und zu verknüpfen. Grössere Datenansammlungen bedeuten nicht automatisch mehr Objektivität, sondern mehr Möglichkeiten zur Selektion. Systematische Fehler und strukturelle Verzerrungen in Datensätzen bleiben bestehen und werden weitergetragen (Boyd & Crawford, 2012, S. 667).

Ein Beispiel dafür ist die medizinische Geschlechterlücke. Lange Zeit basierten Studien hauptsächlich auf männlichen Probanden. Der weibliche Körper galt als irrelevant für die Wissenschaft und Forschung. Nach heutiger medizinischer Erkenntnis kann dies fatale Konsequenzen haben. In der Praxis führte dies dazu, dass Herzinfarktsymptome bei Frauen falsch eingeordnet wurden (Criado-Perez, 2020, S. 171-172). Dieses Beispiel zeigt, dass die Auswahl von Daten direkte Konsequenzen hat. Durch fehlende Daten werden Patientinnen falsch diagnostiziert und falsch behandelt, eine Datenlücke mit folgenschwere Auswirkungen auf das Leben ganzer Bevölkerungsgruppen. Quantitative Reduktion beginnt somit nicht erst im Design, sondern bereits bei der Erhebung und entscheidet, welche Perspektiven sichtbar werden und welche nicht.

4.2 Formale Reduktion

Die formale Reduktion beschreibt die gestalterische Umsetzung von Daten. Werden sie kreisförmig, quadratisch oder als Linien dargestellt? Wie unterscheiden sie sich farblich? Diese Auswahl beeinflusst nicht die Daten selbst, sondern deren Interpretation. Sie bestimmen, wie eine Visualisierung gelesen und welche Bedeutung ihr zugeschrieben wird.

Ein Beispiel dafür ist das Werk «Warming Stripes» (2018) von Ed Hawkins (Abb. 18). Die Grafik zeigt den globalen Temperaturanstieg von 1850 bis heute durch den gezielten Einsatz von Blau und Rottönen. Diese Farben sind dabei nicht zufällig gewählt, Hawkins erschafft ein Gefühl für Wärme und Kälte. Die Reduktion auf Farbe ermöglicht eine unmittelbare Wahrnehmung der Entwicklung, ohne dass Zahlen gelesen werden müssen. Dies wird direkt ersichtlich, wenn die Farben verändert werden (Abb. 19). Die manipulierte Grafik ist keineswegs gleich zu verstehen und kann auf die Betrachter:innen anders wirken. Für das Design bedeutet dies, dass formale Entscheidungen nicht nur ästhetisch, sondern interpretativ wirksam sind. Wird die Farbwahl verändert, verändert sich auch die Wirkung und Bedeutung der Grafik. Die Daten bleiben gleich, ihre Interpretation nicht.

Während Hawkins Farbwahl die Daten stützt, kehrt das folgende Beispiel dieses Prinzip um. Die Grafik «Gun deaths in Florida» (2014) vom Florida Department of Law Enforcement thematisiert die Anzahl der Morde durch Schusswaffen in Florida (Abb. 20). Die y-Achse ist dabei umgekehrt angeordnet, sie beginnt oben bei null und steigt nach unten. Dadurch wirkt die Kurve wie tropfendes Blut und suggeriert einen Rückgang der Todesfälle nach Einführung des «Stand your Ground»-Gesetzes (2005). Beim korrekten Ausrichten der Achsen zeigt sich das Gegenteil. Was als Abnahme erschienen ist, ist in der korrigierten Version ein deutlicher Anstieg (Abb. 21). Die Grafik signalisiert durch ihre Einfachheit, Wahrheit und Vertrauen, ist jedoch das komplette Gegenteil, visuell wie faktisch. Formale Reduktion entscheidet, wie Daten verstanden werden. Sie kann Klarheit erzeugen, aber auch vortäuschen.

4.3 Kontextuelle Reduktion

Die kontextuelle Reduktion ist die dritte Dimension. Diese beschäftigt sich mit den Informationen zu den Daten und deren Verarbeitung. Wie wurden die Daten bearbeitet? Woher stammen sie? Wo befinden sich Lücken? Die Kontextualisierung ist ein wichtiges Element, welches einer Informationsgrafik Vertrauen schenken kann. Diese Dimension ist die unsichtbarste der drei, hat jedoch den grössten Einfluss darauf, wie Daten eingeordnet werden können. Werden Kontexte weggelassen, erscheinen Daten vollständiger und objektiver, als sie tatsächlich sind.

Nach D’Ignazio und Klein (2020, S. 152) spiegeln Daten immer die sozialen, kulturellen und historischen Bedingungen wider, unter denen sie erhoben wurden. Durch das Weglassen von Kontext werden diese Bedingungen unsichtbar und somit auch Perspektiven verfälscht. Kontextuelle Reduktion ist deshalb nicht nur ein technisches und gestalterisches Problem, sondern auch eine ethische Entscheidung und verlangt deshalb einen transparenten Umgang.

Transparenz ist dabei nicht immer visuell lösbar. Kennedy et al. (2025, S. 179) zeigen, dass Journalist:innen auf eine zusätzliche Textebene zurückgreifen, wie zum Beispiel eine Infobox, eine Bildunterschrift, einen Link zum verwendeten Datensatz und eine Erläuterung der Methodik. Dies ist keine Schwäche des Designs, sondern eine ehrliche Anerkennung dessen Grenzen in Bezug auf Reduktion. Eine Grafik, die ihre eigenen Unsicherheiten kommuniziert, ist vertrauenswürdiger als eine, die so tut, als hätte sie keine.

Konkret zeigt dies die Website ourworldindata.org (Abb. 22). Neben der Visualisierung werden dort Informationen zu Datensätzen, Methoden und Unsicherheiten bereitgestellt. Ein Beispiel ist die aktuelle Statistik «Global warming: annual temperature anomaly» (2026). Ein zusätzliches Fenster beinhaltet genaue Informationen zur Veröffentlichung, zu den verwendeten Masseinheiten, zum Datensatz, zum Verarbeitungsprozess sowie zur Zitierweise (Abb. 23). Kontextuelle Reduktion bestimmt somit, unter welchen Bedingungen Daten gelesen und eingeordnet werden.

Die drei Dimensionen sind eng miteinander verbunden und greifen ineinander. Reduktion findet nicht an einem einzelnen Punkt statt, sondern zieht sich durch den gesamten Designprozess. Jede dieser Ebenen eröffnet Möglichkeiten zur Vereinfachung und zur Verzerrung.

5 Kriterien

Die zuvor beschriebenen Dimensionen der Reduktion zeigen, dass Vereinfachung im Informationsdesign auf unterschiedlichen Ebenen stattfindet. Reduktion ist dabei nicht vermeidbar, sondern eine grundlegende Voraussetzung jeder Visualisierung. Daraus ergibt sich die Frage, wie mit diesen Prozessen verantwortungsvoll umgegangen werden kann. Die folgenden Kriterien bauen auf den drei Dimensionen der Reduktion auf und zielen darauf ab, deren Wirkung bewusst zu reflektieren und sichtbar zu machen.

5.1 Datenselektion offenlegen

Wie Kapitel 4.1 gezeigt hat, beginnt quantitative Reduktion bereits vor dem kreativen Prozess. Designschaffende erheben Daten meist nicht selbst, aber sie entscheiden, welchen Daten sie Gewichtung schenken und welche Perspektiven sie darstellen. Ein verantwortungsvoller Umgang erfordert Transparenz über diese Entscheidungen. Dazu gehört, offenzulegen, welche Daten verwendet, welche ausgeschlossen und aus welchen Gründen diese Entscheidungen getroffen wurden.

Ein konkretes Werkzeug dafür ist die Datenbiografie von We All Count. Sie stellen ein Dokument zur Verfügung, das den Entstehungsprozess von Daten dokumentiert. Darunter sind verschiedene W-Fragen: Wer hat die Daten erhoben? Wie? Wo? Warum? Wann? (weallcount.com, 2019). Dieses Dokument kann einer Visualisierung beigefügt oder verlinkt werden und trägt direkt zu mehr Transparenz bei.

Transparenz bedeutet dabei nicht, alle verfügbaren Daten darzustellen, sondern die getroffene Selektion sichtbar zu machen. Für das Design bedeutet dies, dass Quellen, Auswahlkriterien und mögliche Einschränkungen zugänglich gemacht werden sollten.

5.2 Reflexion der Darstellung

Wie Kapitel 4.2 gezeigt hat, kann dieselbe Methode der formalen Reduktion, eine ehrliche oder eine täuschende Aussage erzeugen. Der Unterschied liegt nicht im Ausmass der Reduktion, sondern darin, ob die Entscheidungen die Aussage der Daten stützen oder verbiegen. Gestaltungsauswahl über Farbe, Form, und Anordnung beeinflusst, wie eine Visualisierung gelesen wird.

Ein Art Director formuliert dies treffend: «In dem Moment, in dem ich eine Farbe wähle, füge ich zusätzliche Informationen hinzu. Arbeitslosenzahlen oder Typhusfälle haben keine Farben – ich muss eine bestimmen. Genau da beginnt die Interpretation.» (Kennedy et al., 2025, S. 175). Dies besagt klar, dass Stilmittel, niemals nur als Dekoration, sondern immer als interpretativer Eingriff gelten. Ein bewusster Umgang mit formaler Reduktion erfordert, diese Entscheidungen nicht nur funktional, sondern auch kritisch zu hinterfragen. Welche Wirkung erzeugt eine bestimmte Darstellung? Warum dieser Ausschnitt? Welche Alternativen wären möglich?

Für das Design bedeutet dies, gestalterische Mittel bewusst einzusetzen und deren interpretative Wirkung zu reflektieren. Klarheit sollte nicht nur erzeugt, sondern auch hinterfragt werden. Das Kriterium lautet deshalb: Nicht «keine Interpretation », sondern «erklärbare Interpretation».

5.3 Sichtbarmachung von Kontext

Wie Kapitel 4.3 gezeigt hat, ist kontextuelle Reduktion die unsichtbarste und folgenreichste Dimension. Was über die Daten selbst weggelassen wird, bestimmt, wie sie gelesen und interpretiert werden. Objektiv kann eine Abbildung nicht sein, Transparent sein kann sie jedoch.

Transparenz bedeutet in diesem Zusammenhang nicht Allwissenheit, sondern erfordert Ehrlichkeit über den vorhandenen Wissensstand sowie darüber, auf welche Weise dieses Wissen generiert wurde. Dies bedeutet konkret: Quellen nennen, Unsicherheiten markieren, Entstehungsprozess und Methoden offenlegen. Ein verantwortungsvoller Umgang erfordert daher, relevante Kontexte zugänglich zu machen.

Diese Haltung wird vor allem durch KI-Systeme dringlicher. D’Ignazio und Klein argumentieren, dass künstliche Intelligenz es für Endnutzer:innen nahezu unmöglich macht, einen Output auf seine Quellen zurückzuführen (Klein & D’Ignazio, 2024, S. 12). Entscheidungen bei der Datenselektion und Verarbeitung werden dadurch weiter verschleiert.

Die Aufgabe der Designschaffenden, diese automatisierten Prozesse kritisch zu hinterfragen und sichtbar zu machen, wird deswegen immer relevanter. Für das Design bedeutet dies, dass Kontext nicht zwingend im Zentrum der Darstellung stehen muss, aber verfügbar sein sollte. Ergänzende Informationen können beispielsweise durch Annotationen, Metadaten oder begleitenden Texten bereitgestellt werden.

Die drei Kriterien sind keine isolierten Regeln, sondern eine Denkhaltung, die den gesamten Designprozess begleitet. Wer Datenselektion offenlegt, schafft die Grundlage für kontextuelle Transparenz. Wer formale Entscheidungen als Interpretation versteht, kann sie erklärbar machen. Und wer Transparenz als Ziel setzt, anstatt Objektivität anzustreben, erkennt ehrlich was Reduktion zwangsläufig tut: vereinfachen, weglassen, priorisieren. Sie sollen Informationsdesigner:innen unterstützen, Daten verantwortungsvoll umzusetzen und Kontexte sichtbar zu machen, anstatt sie zu verschleiern.

Verantwortungsvolles Informationsdesign beginnt nicht mit der richtigen Grafik, sondern mit der richtigen Haltung. Jede Auswahl über Daten, deren Gestaltung und Kontextualisierung ist eine ethische Abwägung mit Relevanz.

6 Zusammenfassung

Diese Arbeit hat gezeigt, dass Reduktion im Informationsdesign auf drei Ebenen wirksam ist: historisch, kognitiv und gestalterisch. Historisch hat sich die Gleichsetzung von Reduktion und Objektivität seit dem 18. Jahrhundert entwickelt. Was Nightingale und Playfair als rhetorisches Mittel einführten, eine geometrische, mathematische Ästhetik als Signal von Wissenschaftlichkeit, wurde durch Tufte im 20. Jahrhundert als Gestaltungsnorm erklärt. Reduktion war vor Tufte eine Stilfrage. Durch ihn wurde sie zur Frage von Integrität. Die Illusion der Objektivität ist damit keine natürliche Reaktion auf klares Design, sondern eine kulturell verankerte Ansicht, deren Entwicklung bis in das 18. Jahrhundert zurückgeht (vgl. Kap. 2).

Kognitiv sorgt das menschliche Gehirn dafür, dass reduzierte Grafiken automatisch als klar, übersichtlich und vertrauenswürdig wahrgenommen werden. Präattentive Verarbeitung, sensorische Symbole und Gestaltgesetze machen eine schnelle, kulturübergreifende Kommunikation möglich. Diese erzeugen aber gleichzeitig eine Autorität in Bezug auf den Wahrheitsgehalt einer Grafik. Genau weil unser Gehirn Reduktion so effizient verarbeitet, verwechselt es Klarheit mit Wahrheit (vgl. Kap. 3).

Gestalterisch zeigt sich Reduktion in drei verschiedenen Dimensionen: der quantitativen, der formalen und der kontextuellen. Die quantitative Reduktion beginnt bereits vor dem kreativen Prozess, bei der Auswahl der Daten. Die formale Reduktion erfolgt durch die gezielte Wahl von Farben, Formen sowie Achsenverhältnissen und kann je nach Entscheidung vertrauenswürdig oder täuschend wirken. Die kontextuelle Reduktion ist die unsichtbarste und folgenreichste Dimension. Durch das Einbeziehen von Informationen über die Daten selbst, über Herkunft, Lücken und Verarbeitungsprozesse kann Transparenz geschaffen werden (vgl. Kap. 4).

Die Forschungsfrage, wie Reduktion im Informationsdesign, differenziert nach ihren drei Dimensionen, auf die Wahrnehmung wirkt und welche Konsequenzen sich daraus für einen verantwortungsvollen Umgang ergeben, beantwortet diese Arbeit mit drei Haltungen. Erstens muss die Datenselektion offengelegt werden, zweitens müssen formale Entscheidungen zwingend als interpretativer Akt verstanden werden und drittens muss Transparenz als Ziel gesetzt werden, anstatt Objektivität anzustreben. Diese drei Haltungen schliessen die Reduktion nicht aus, sondern machen sie bewusst sichtbar (vgl. Kap. 5).

7 Fazit & Ausblick

Die Recherche hat gezeigt, dass die Fragestellung nicht mit einer Designregel beantwortet werden kann, sondern dass es dazu eine Änderung in der Haltung benötigt. Verantwortungsvoller Umgang mit Reduktion bedeutet nicht, weniger zu reduzieren, sondern Transparenz in Bezug auf Entscheidungen zu schaffen. Die drei Kriterien geben Designschaffenden dabei einen konkreten Orientierungsrahmen. Dieses Wissen verändert die Perspektive auf die eigene Designpraxis. Reduktion ist keine Schwäche des Informationsdesigns, sie ist eine Grundbedingung. Die Verantwortung liegt darin, sie sichtbar zu machen.

Diese Arbeit hat nicht nur theoretische Erkenntnisse geliefert, sondern auch den eigenen gestalterischen Blick verändert. Besonders aufschlussreich war für mich die Erkenntnis, dass das Problem nicht in der Reduktion selbst liegt, sondern in der Selbstverständlichkeit, mit der sie als neutral wahrgenommen wird. Dies verändert, wie ich auf meine eigene Arbeit blicke. Reduktion bedeutet nicht zwangsläufig Informationsverlust oder Täuschung. Sie verlangt jedoch Reflexion und Transparenz im Umgang mit den Daten.

Ob die drei Haltungen in der Praxis tatsächlich zu mehr Transparenz und Vertrauen führen, wurde nicht empirisch überprüft. Eine Nutzerstudie, die untersucht, wie Betrachter:innen auf transparente versus oberflächliche Visualisierungen reagieren, wäre ein interessanter und wichtiger nächster Schritt.

Ein weiteres offenes Feld betrifft den Umgang mit künstlicher Intelligenz. Arbeitsprozesse, die sich auf künstliche Intelligenz stützen, werden zukünftig weiter an Bedeutung gewinnen, sei es durch automatische Datenerhebung, Auswertung grosser Datenmengen oder KI-gestützte Gestaltung und Interpretation. Die Illusion der Objektivität wird durch automatisierte Systeme verstärkt, da sie verschleiern, wie Entscheidungen bei der Datenverarbeitung zustande kommen. Es wäre lohnend, die Reduktionsmechanismen verschiedener KI-gestützter Systeme zu analysieren und zu untersuchen, wie transparent diese mit Daten umgehen.

8 Anhang

8.1 Bibliografie

Boyd, Danah, und Kate Crawford. “CRITICAL QUESTIONS FOR BIG DATA: Provocations for a Cultural, Technological, and Scholarly Phenomenon”. Information, Communication & Society 15, Nr. 5 (2012): 662–79.
https://doi.org/10.1080/1369118X.2012.678878
[27.03.2026]

Cairo, Alberto. The Functional Art: An Introduction to Information Graphics and Visualization. New Riders, 2013.

Criado-Perez, Caroline. Invisible Women: Exposing Data Bias in a World Designed for Men. Vintage, 2020.

Daston, Lorraine, und Peter Galison. Objektivität. Erste Auflage. Übersetzt von Christa Krüger. suhrkamp taschenbuch wissenschaft 2458. Suhrkamp, 2024.

D’Ignazio, Catherine, und Lauren F. Klein. Data Feminism. Strong Ideas. The MIT Press, 2020. Gauguin, Jan. Designing Diagrams: Making Information Accessible through Design. BIS Publ, 2011.

Hil, Darjan, und Nicole Lachenmeier. Visualizing complexity: Handbuch modulares Informationsdesign. Birkhäuser, 2022.
https://doi.org/10.1515/9783035625073
[27.03.2026]

Kennedy, Helen, Wibke Weber, und Martin Engebretsen. “Data Visualization and Transparency in the News”. In Data Visualization in Society, 1. Aufl., von Martin Engebretsen und Helen Kennedy. Routledge, 2025.
https://doi.org/10.5117/9789463722902_CH11
[27.03.2026]

Kirk, Andy. Data Visualisation: A Handbook for Data Driven Design. SAGE, 2016.
Klanten, Robert, Hrsg. Data Flow: Visualising Information in Graphic Design. 5. print. Gestalten, 2011.

Klein, Lauren, und Catherine D’Ignazio. “Data Feminism for AI”. The 2024 ACM Conference on Fairness Accountability and Transparency, 3. Juni 2024, 100–112.
https://doi.org/10.1145/3630106.3658543
[27.03.2026]

Lima, Manuel. Visual Complexity: Mapping Patterns of Information. Princeton Architectural Press, 2011.

Manovich, Lev. “What Is Visualisation?” Visual Studies 26, Nr. 1 (2011): 36–49.
https://doi.org/10.1080/1472586X.2011.548488
[27.03.2026]

Mazza, Riccardo, Hrsg. Introduction to Information Visualization. SpringerLink Bücher. Springer London, 2009.
https://doi.org/10.1007/978-1-84800-219-7
[27.03.2026]

Munzner, Tamara. Visualization Analysis & Design. With Éamonn Maguire. AK Peters Visualization Series. CRC Press, 2015.

Pontis, Sheila, und Michael Babwahsingh. Information Design Unbound: Key Concepts and Skills for Making Sense in a Changing World. Bloomsbury Visual Arts, 2024. Rendgen, Sandra, Julius Wiedemann, David Rumsey, Michael Friendly, Michael A. Stoll, und Scott Klein. History of Information Graphics. Taschen, 2019.

Tufte, Edward R. The Visual Display of Quantitative Information. Second edition, Tenth printing, April 2018. Graphics Press, 2018.

Tufte, Edward R. Visual Explanations: Images and Quantities, Evidence and Narrative. Graphics Press, 2005.

Turilli, Matteo, und Luciano Floridi. “The Ethics of Information Transparency”. Ethics and Information Technology 11, Nr. 2 (2009): 105–12.
https://doi.org/10.1007/s10676-009-9187-9
[27.03.2026]

Ware, Colin. Information Visualization: Perception for Design. 3d edition. Interactive Technologies. Morgan Kaufmann, 2013.

Zhang, Yixuan, Yifan Sun, Lace Padilla, Sumit Barua, Enrico Bertini, und Andrea G. Parker. “Mapping the Landscape of COVID-19 Crisis Visualizations”. Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, 6. Mai 2021, 1–23.
https://doi.org/10.1145/3411764.3445381
[27.03.2026]

8.2 Webseiten

SABIN CENTER FOR CLIMATE CHANGE LAW. (o. D.). COVID-19 Data Mispresented by Georgia Health Department. Columbia Law School.
https://climate.law.columbia.edu/content/covid-19-data-misrepresented- georgia-health-department
[27.03.2026]

Our World in Data. (o. D.). Global warming: annual temperature anomaly, Our World in Data.
https://ourworldindata.org/explorers/climate-change?time =1850..latest&Metric=Temperature+anomaly&Long-run+series =false&country=OWID_WRL~ATA~Gulkana+Glacier~Lemon+C reek+Glacier~OWID_NAM~South+Cascade+Glacier~Wolverine +Glacier~Hawaii~Arctic+Ocean
[27.03.2026]

We All Count. (2019). An Introduction to the Data Biography. We All Count.
https://weallcount.com/2019/01/21/an-introduction-to-the-databiography/
[27.03.2026

8.3 Abbildungsverzeichnis

Abbildung 01
Georgia Department Of Public Health, Top 5 Countries with the Greatest Number of Confirmed COVID-19 Cases [verfälschte Version, x-Achse nicht chronologisch], 2020.
https://www.reddit.com/r/dataisugly/comments/hu5kjq/the_ graph_released_by_the_georgia_department_of/
[27.03.2026]

Abbildung 02
Georgia Department Of Public Health, Top 5 Countries with the Greatest Number of Confirmed COVID-19 Cases [Detail: Datum], 2020.
https://www.reddit.com/r/dataisugly/comments/hu5kjq/the_ graph_released_by_the_georgia_department_of/
[27.03.2026]

Abbildung 03
Georgia Department Of Public Health, Top 5 Countries with the Greatest Number of Confirmed COVID-19 Cases [korrigierte Version, x-Achse chronologisch], 2020.
https://dl.acm.org/doi/fullHtml/10.1145/3411764.3445381
[27.03.2026]

Abbildung 04
Ortelius, Abraham, Theatrum Orbis Terrarum, 1571, niederländische Ausgabe, Kupferstich koloriert, Koninklijke Bibliotheek, Den Haag.
https://galerij.kb.nl/kb.html#/en/ortelius/page/137/zoom/1/lat/- 63.763065186029074/lng/-124.76074218749999
[27.03.2026]

Abbildung 05
Ortelius, Abraham, Theatrum Orbis Terrarum [Detail: Illustration], 1571, niederländische Ausgabe, Kupferstich koloriert, Koninklijke Bibliotheek, Den Haag.
https://galerij.kb.nl/kb.html#/en/ortelius/page/137/zoom/1/lat/- 63.763065186029074/lng/-124.76074218749999
[27.03.2026]

Abbildung 06
Playfair, William, Charts of all the imports and exports to and from England from the Year 1700 to 1782, 1786, kolorierter Kupferstich, in: The Commercial and Political atlas, London, 1786.
Abgedruckt in: Tufte, Edward R. The Visual Display of Quantitative Information. Second edition, Tenth printing, April 2018. Graphics Press, 2018, S. 32.

Abbildung 07
Nightingale, Florence, Diagram of the causes of mortality in the army in the East, 1858, Farblithografie, in: Notes on Matters Affecting the Health, Efficiency, and Hospital Administration of the British Army. Founded Chiefly on the Experience of the Late War. Harrison and Sons, 1858. Wellcome Collection, London.
https://commons.wikimedia.org/wiki/File:Nightingale-mortality.jpg
[27.03.2026]

Abbildung 08
Tufte, Edward, Data-Ink and Graphical Redesign [Neugestaltung einer bestehenden Statistik], 1983, Buchdruck.
Abgedruckt in: Tufte, Edward R. The Visual Display of Quantitative Information. Second edition, Tenth printing, April 2018. Graphics Press, 2018, S. 102.

Abbildung 09
Mazza, Riccardo, Example showing how the hue and intensity of colors are processed preattentively, resulting in a quick distinction of elements [Diagramm].
Abgedruckt in: Introduction to Information Visualization. SpringerLink Bücher. Springer London, 2009, S. 36, Fig. 3.1.

Abbildung 10
Cairo, Alberto, On which of these maps is it easier to identify the number of factories of each kind? [Diagramm].
Abgedruckt in: The Functional Art: An Introduction to Information Graphics and Visualization. New Riders, 2013, S. 102, Fig. 6.3

Abbildung 11
Pontis, Sheila und Michael Babwahsingh, Preattentive Attributes [Diagramm].
Abgedruckt in: Information Design Unbound: Key Concepts and Skills for Making Sense in a Changing World. Bloomsbury Visual Arts, 2024, S. 57.

Abbildung 12
Bundesamt für Statistik (BFS), Aufteilung der in der Schweiz immatrikulierten Luftfahrzeuge [PNG-Export], 2024.
https://www.bfs.admin.ch/bfs/de/home/statistiken/mobilitaet -verkehr/querschnittsthemen/zivilluftfahrt.assetdetail.360 23006.html
[27.03.2026]

Abbildung 13
Mazza, Riccardo, Gestalt proximity example: Objects are perceived as separate elements (left) or as groups (center and right) [Diagramm].
Abgedruckt in: Introduction to Information Visualization. SpringerLink Bücher. Springer London, 2009, S. 42, Fig. 3.6.

Abbildung 14
Mazza, Riccardo, Gestalt similarity example: Objects of the same size (on left) or different color (on right) are perceived as belonging to the same group [Diagramm].
Abgedruckt in: Introduction to Information Visualization. SpringerLink Bücher. Springer London, 2009, S. 42, Fig. 3.7.

Abbildung 15
Mazza, Riccardo, Gestalt closure example: We tend to see complete figures even when part of the information is missing (left and center images) or when elements are aligned in such a way that the viewer perceives them as connected (right image) [Diagramm].
Abgedruckt in: Introduction to Information Visualization. SpringerLink Bücher. Springer London, 2009, S. 42, Fig. 3.8.

Abbildung 16
Bundesamt für Statistik (BFS), Die zehn beliebtesten Flugdestinationen nach Quartal – mit Vorjahresvergleich [PNG-Export], 2026.
https://www.bfs.admin.ch/bfs/de/home/statistiken/mobilitaetverkehr/ querschnittsthemen/zivilluftfahrt/linien-charterverkehr. html
[27.03.2026]

Abbildung 17
Bundesamt für Statistik (BFS), Hauptsprachen [PNG-Export], 1970–2024, 2024.
https://www.bfs.admin.ch/bfs/de/home/statistiken/bevoelkerung/ sprachen-religionen/sprachen.html
[27.03.2026]

Abbildung 18
Hawkins, Ed, Warming Stripes [digitale Grafik], 2018, CC BY 4.0. Daten: Berkeley Earth, NOAA, UK Met Office.
https://showyourstripes.info/
[27.03.2026]

Abbildung 19
Ammann, Angela, Warming Stripes [farblich verändert], 2026, digitale Grafik, Basierend auf: Ed Hawkins, Warming Stripes, 2018, digitale Grafik, CC BY 4.0. Daten: Berkeley Earth, NOAA, UK Met Office.
https://showyourstripes.info/
[27.03.2026]

Abbildung 20
Florida Departement of Law Enforcement, Gun Deaths in Florida [digitale Grafik], 2014.
veröffentlicht in: Reuters, 2014.
https://www.livescience.com/45083-misleading-gun-death-chart.html
[27.03.2026]

Abbildung 21
Ammann, Angela, Gun Deaths in Florida [gespiegelt und rotiert, digitale Grafik], 2026, Basierend auf: Florida Departement of Law Enforcement, Gun Deaths in Florida, 2014, digitale Grafik, veröffentlicht in: Reuters, 2014.
https://www.livescience.com/45083-misleading-gun-death-chart. html
[27.03.2026]

Abbildung 22
Our World in Data, Global warming: annual temperature anomaly [Screenshot, Datenvisualisierung], 2026.
https://ourworldindata.org/explorers/climate-change?time =1850..latest&overlay=sources&Metric=Temperature+anomaly& Long-run+series=false&country=OWID_WRL~ATA~Gulkana+Gl acier~Lemon+Creek+Glacier~OWID_NAM~South+Cascade+Gl acier~Wolverine+Glacier~Hawaii~Arctic+Ocean
[27.03.2026]

Abbildung 23
Our World in Data, Global warming: annual temperature anomaly [Screenshot, Learn more about this data], 2026.
https://ourworldindata.org/explorers/climate-change?time =1850..latest&overlay=sources&Metric=Temperature+anomaly& Long-run+series=false&country=OWID_WRL~ATA~Gulkana+Gl acier~Lemon+Creek+Glacier~OWID_NAM~South+Cascade+Gl acier~Wolverine+Glacier~

8.4 Hilfsmittelverzeichnis

Claude (Anthropic), Modell: Claude Sonnet 4.6
https://claude.ai/
Grammatikalische und stilistische Überarbeitung von Textpassagen

DeepL Translator (DeepL SE)
Übersetzung fremdsprachiger Quellen

Gemini (Google), Modell: Gemini 3
https://gemini.google.com/app
Literaturrecherche
Grammatikalische und stilistische Überarbeitung von Textpassagen