
本文介绍了针对生物制药中一种多维多层次数据——筛选数据的可视分析系统。这个系统连接了现有的支持大量数据但是层次较高的系统和支持细节层次但是数据量支持有限的系统。
吸引效应是人在两个选择之间的决定会被第三个不相关的选择所影响,这在心理学中是一个被广泛研究的问题。可视化是支持用户的决策的重要方式,比如当我们选择一个要购买的房子或者选择一个要雇佣的雇员,可视化可以帮助用户选择最优的决策方案,然而系统所导致的偏差会产生非常重要的影响。吸引效应所造成的认知偏差,目前仅仅在三个选择中被验证,并且仅仅使用表格,文本,图片的形式,但是其所造成认知偏差同样出现在可视化中。本文为了研究吸引效应在可视化中的存在情况,设计并完成了两个用户调研,在第一个众包的实验中,本文实际上重复了吸引效应的经典实验并且将其拓展到可视化中,并且发现在可视化中具有同样的用户认知偏差;第二个实验主要针对的是吸引效应是否可以被扩展到更大的数据集上,这一类的数据集因为数量的原因难以使用数据表格进行展现。实验结果同样表明,吸引效应所导致的偏差大规模数据集的散点图中同样存在。[1]
动态网络,其结构随着时间不断发生变化,是个应用领域相当广泛的数据结构,比如社交媒体交流网络,学者之间的合作网络等。相关的研究相当的丰富(图1)。基本的展示形式有两种,点边形式(Node-link Diagram)和矩阵形式 (Matrix Diagram);时间映射方式主要有两大类,基于时间轴的映射和基于动画的映射。这些方法,关注的往往是整个网络。另一种重要的动态图研究方法,是自我网络分析(egocentric analysis)。相比于关注整个网络的分析,自我网络分析关注的是中心点(ego)及其相关联的节点(alters)构建的子图。 继续阅读 »
在三维数据的探索中,视觉遮挡往往是一个比较严重的问题。数据内部重要的信息会被表面的元素遮挡住,影响了人们对这类数据的探索和认知。尽管可以有一些手段来处理遮挡,但是在这一过程中如何尽力保留所探索目标附近的上下文信息(例如一些辅助性的关键特征)也非常重要。这些都给三维数据的探索带来了比较大的挑战。实际上与之相类似的是,在我们的日常生活中,我们经常会通过直接打开的方式检查一个物品的内部情况,例如,通过拉动拉链打开一个手提包就可以看到里面的东西。在医学上,医生们做手术时经常会用到医疗牵开器,将切开的患处表面组织牵开,从而显露出需要手术的范围。受这一思想的启发,今年的PacificVis会议上就有一篇文章[1],使用一种虚拟牵开器的方法,通过物理变形将三维数据从表面“切开”,让用户可以对数据内部的信息进行探索。
近期评论