拟人化图元对分类任务准确性的影响(Effect of Anthropomorphic Glyph Design on the Accuracy of Categorization Tasks)

数据图元(glyph)在信息可视化等领域得到了广泛应用,然而图元在分类任务上的认知和感知理论研究较少。本文作者对拟人化的图元进行实验,探究其对分类任务准确性的影响[1]。作者假设拟人图元对分类任务的准确性有正面提升,然而实验结果说明非拟人的图元效果更好。

分类任务要求参与者根据物体的特征,选择物体所属的类别。如果具有某一特征的物体,其类别具有不确定性,即此物体可能是类别一,也有一定的概率是类别二,则称这种分类任务为概率分类任务(probabilistic categorization task)。本文作者使用概率分类任务进行实验。实验中,作者使用了3个特征,对应2个类别,其中每个特征用0或1表示,代表是否出现。

图1 四种不同的图元设计

作者选择了四种图元设计,如图1。从上到下分别为Pixel、Petal、Human、Face glyph,拟人化程度由低到高。对于每个特征,如果其为1,即出现此特征,则图元的对应位置出现相应的图形,否则对应位置上为空白。例如,Face glyph中,三个特征分别用眼睛、鼻子、嘴巴编码,[1, 0, 1]的特征表示图元中只有眼睛和嘴巴。

图2 六组对比实验

四种图元共包括六组对比试验。每个对比实验中,包括四个部分,每个部分包括两个任务块。前两个部分调整图元的出现顺序,用于分析测试顺序对结果的影响,后两个部分进行相同图元的测试,用于分析参与者从前一个任务块中学习或者疲劳对结果的影响。

图3 四种图元准确率的差别

在每一个任务块中,参与者首先通过100个随机样例学习特征到类别的对应关系,再完成100个测试用例。通过对测试结果的分析,作者发现非拟人化的图元在分类任务上比拟人化的图元表现更好,如图3所示。根据用户的反馈,作者得知Pixel和Petal图元能够让用户在分类任务中感觉更轻松。

此外,作者发现在非拟人化的图元上,参与者通常使用多个特征进行分类任务,而在拟人化的图元上,参与者倾向于使用单个视觉上显著的特征完成分类。因此,作者建议,如果图元设计者希望用户对各特征具有相近的感知,最好使用具有平等显著程度的编码,如果设计者希望强调某一特征,则可使用视觉上显著的元素编码该特征。

参考文献:

[1] Aditeya Pandey, Peter Bex, and Michelle A. Borkin. Effect of Anthropomorphic Glyph Design on the Accuracy of Categorization Tasks. In Proceedings of ACM CHI Conference on Human Factors in Computing Systems (Late-Breaking Work). 2022.

评论关闭。