通过表格数据的视图关联技术实现对合作者操作的理解(Supporting Awareness through Collaborative Brushing and Linking of Tabular Data)

在与别人合作进行数据分析时,我们需要理解对方执行的操作。尤其当分析者没有坐在一起,而是远程协作的时候,明确别人正在做什么对启迪自己的思路以及避免重复劳动都用重要价值。怎么样能够实时感知别人正在进行的工作,了解操作的进程?如何避免他们的分析干扰自己的工作?这篇来自2013年VAST的文章[1]针对笔刷关联技术,通过用户实验比较了三种向用户传达合作者操作行为的方法。研究表明笔刷关联技术对帮助用户理解别人分析的进程很有帮助,并不会对他自己的分析产生显著影响。

笔刷关联技术(Brushing and Linking)

图1 用户实验使用的笔刷关联技术

假设你和一个朋友正在合作分析公司的销售业绩,各自在家里通过客户端分析报表。每个人都面对着几个图表,分析不同维度间的关系。你正在查看第二季度的销售额在每个国家的分布,现在想了解对方正在做什么,怎么样能够让他把工作状态发给你呢?图1展示了3种笔刷关联技术。Control就是只看自己的分析界面,Brushing & linking也很简单,把对方的分析结果使用不同的颜色和较低的透明度,直接叠加到自己的图上面。可以看出他正在查看巴西的销售额在全年的分布。但是这种方法会把他的所有关联视图都映射到我们自己的仕途上,产生较大的视觉拥挤感,我们只关注他现在正在选择哪个视图中的哪个记录,因此我们只把他的选择元素显示到我们的视图上,称为Selection模式。为了能够更好的了解他的分析流程,使用Persistent selection模式,对每一个选择项,我们给他设置一个延迟时间,它慢慢的变淡消隐,这样就能够观察到合作在在一段时间内的操作流程。

用户实验

作者希望比较上述三种模式哪一种让用户能够更好的理解合作者的行为,并且不会对他自己的分析过程产生干扰。

他们选择了40位被试,每个人完成两个任务:主任务是使用分析系统回答6个问题,副任务是在主任务完成后告知他和他一起合作的远程人员也在回答六个问题,其中有三个问题和他一样,请指出这三个问题。主任务是为了研究合作者会不会对他的分析产生干扰,副任务则评估被试对合作者分析过程的理解程度。

作者在实验前给出了4个假设,最终的结果如下:

假设一:这三种模式能够帮助用户理解合作者行为,他们找出公共题的数量要好于随意猜测的结果。
结果:只有Persistent selection模式表现出了显著的优势。

假设二:对于主任务的完成时间,应该满足control < selection & persistent selection < brushing & linking
结果:以上次序基本满足,只是selection模式甚至比control更快。

假设三:在主任务中,用户答案的正确率应该和三种模式无关。
结果:数据表明答案正确率没有受到显著影响。

假设四:brushing & linking模式会让用户更容易分神。
结果:虽然这种方法加入了较多的视觉干扰,但是颜色的区分能够让用户集中在自己的问题上,没有对他产生显著的影响。

总结

用户实验表明,笔刷关联技术对帮助用户理解协作者的分析过程很有益处,并且能够启迪他的分析思路,在selection模式下可以分析得更快。Persistent selection模式对他理解对方作用最大,而且干扰最小。在展示别人的操作过程时只需要提供他选择的元素就可以了。

这篇文章给我们展示了一个完整的用户实验流程,验证了笔刷关联技术对提高协同数据分析过程中用户之间的理解所起到的积极作用。

[1] Hajizadeh A H, Tory M, Leung R. Supporting Awareness through Collaborative Brushing and Linking of Tabular Data[J]. Visualization and Computer Graphics, IEEE Transactions on, 2013, 19(12): 2189-2197.

评论关闭。