IEEE PacificVis 2021 视觉感知和评估专题(Visual Perception & Evaluation)

IEEE PacificVis 2021 视觉感知和评估专题(Visual Perception & Evaluation)共报告三个工作,分别是关于城市数据可视化、动态网络用户研究以及集合可视化的可读性评估。

解读在城市数据可视化中的视角与考虑(Unraveling the Human Perspective and Considerations for Urban Data Visualization)

在本论文中,Sarah Goodwin教授等人分享了他们三年来举办CityVis workshop的心得与体会。

CityVis workshop,其官方网站为https://cityvis.io/。是一个针对城市数据可视化的workshop,从2018年开始开办,截止到该论文投出,已经在2018,2019与2020举办了三次,本文的六位作者均是CityVis workshop委员会的成员。

对于城市数据可视化的范畴,可以参考HKUST的论文Visual Analytics in Urban Computing:An Overview中总结的分类(如图1)。

对于城市数据可视化的范畴,可以参考HKUST的论文Visual Analytics in Urban Computing:An Overview中总结的分类[1](如下图)。

图1 较为常见的用来可视化的城市数据

在论文中,作者首先回顾了三年来CityVis workshop的变化与成长,通过不断地自我反思与从参与者处收集反馈意见,然后不断地改进与完善workshop的结构与流程,CityVis workshop的内容变得越来越丰富,讨论主题变得越来越集中,更加贴近实际,其流程也越来越灵活。总体看来, CityVis workshop经历了三个大的改变,第一个是从2019年开始的workshop加入新的领域专家报告的环节,第二个是从2020年开始Workshop被依附在了特定的城市主题相关的会议中而非IEEE VIS中,以取得和领域专家更加紧密的合作,而第三个改变是在2020年的workshop中不再预先规定好子主题,子主题由现场的讨论的具体走向决定。目前,这个workshop的流程按照前后分为15分钟的介绍,45-60分钟的论文展示,45-60分钟的领域专家讲座,75-90分钟的个人头脑风暴已经分组讨论,还有最后15分钟的总结。

图2 workshop活动现场照片

图3 workshop活动流程与讨论主题

在论文中,作者还从这三次workshop总结了当前城市数据可视化中大家最看重考虑得最多的10个方面,他们分别是:

  1. 数据收集的数量与质量
  2. 如何在可视化中体现具体城市的物理与文化环境
  3. 如何处理处理数据中的复杂性
  4. 可视化系统的可用性
  5. 关于可视化系统使用平台的选择
  6. 如何进行可视化编码
  7. 用户参与度
  8. 可视化的包容性与多样性
  9. 数据与可视化的易读性
  10. 可视化中隐私保护与信息可信度问题

之后作者还从过往的城市数据可视化的论文以及几次workshop讨论的内容中提取出了城市数据可视化整体设计空间的五个维度,分别是:第一是信息的易读性,即该可视化的内容只能被领域专家理解,还是需要面向普罗大众;第二是任务的复杂度,即该可视化系统支持的任务有多复杂;第三是可视化系统的泛用度,该系统能够支持不同的城市,能够支持多种不同的任务,面对多种不同的用户?第四是细节的透明度,指的是可视化结果之下的过程与细节有多少是用户可见的;第五点则是使用场景,该系统的使用场景是展示,简单查看,还是深入分析。

作者用下图总结了10个重要的考虑因素与5个设计维度之间的联系。


图4 考虑因素与设计维度之间的关联

图的时间编码的探索性用户研究(Exploratory User Study on Graph Temporal Encodings)

时间图(temporal graphs),也被称为动态网络(dynamic networks)能够存储并反映与图中实体和关系相关联的时间信息。这样的图可以用来在许多领域中建模各种各样的问题,例如社会学,流行病学,和软件工程。本文[1]提出了一项探索性用户研究,目的是在典型的时间图任务中,对图表示(graph representations)和时间编码(temporal encodings)的不同组合形式进行评估。研究参与者对邻接矩阵的图表示形式给予了积极的反馈,与节点链接的图表示形式相比,其通常具有更快,更准确的响应。

时间图中包含了其节点,边,及其属性的与时间维度上的信息。来自不同专业领域的研究人员越来越多地应用图的可视化和可视分析来探索未知现象、复杂的新兴结构,以及其数据随时间发生的变化。时间图的可视化的设计空间含有两个维度[2],即图的结构编码(图表示)和图的时间编码。尽管已经由一些实证研究评估了不同的图表示形式的利弊,但对图的时间维度进行可视化仍然是一个开放的挑战。经典的时间图可视化中,对图的结构编码通常采用节点链接(node-link,NL)和邻接矩阵(adjacency matrix,M)两种图表示形式。


图5 节点链接图(左)和邻接矩阵图(右)[3]

本文探究的以上两种图表示形式,以及以下三种时间编码形式:叠加(superimposition,SI)、并置(juxtaposition,JP)和动画(animation,AN)。该探索性研究希望能够洞察参与者使用不同的时间图可视化技术的体验,通过记录参与者的响应时间,准确性和个人反馈。


图6 节点链接图的并置(上)和邻接矩阵图的并置(下)

图7 节点链接图的叠加(左)和邻接矩阵图的叠加(右)

研究采用的数据是时间图,它们包含30个节点,44-69条边,共有4个时间步。用户需要完成3个任务:

  • 任务1:研究完整个序列后,边的数量如何从T0变为T3?(Q1: After investigating the whole sequence, how did the number of edges change from T0 to T3?)
  • 任务2:从头到尾仔细研究了演化之后,给定节点的度数如何变化?(Q2: After investigating the evolution carefully from start to finish, how did the degree of a given node change?)
  • 任务3:仔细研究了演变之后,源节点和目标节点之间的关系在哪一帧中首次引入的?(Q3: After investigating the evolution carefully, in which frame was the relationship between a source node and a target node first introduced?)

该研究采用在线调查的形式,参与者是研究生可视化课程的学生。该研究共收到39份有效提交,实验结果如图8和图9所示。


图8. 准确性的结果,即在所有任务和不同的时间编码(JP,SI,AN)中,参与者的答案与NL和M表示形式的正确答案之间的绝对差值。

图9. 响应时间的结果,即在所有任务和不同时间编码(JP,SI,AN)中,NL和M表示的参与者响应时间(以分钟为单位)。

分析图8和图9,我们可以看到,对于任务1(Q1),与并置和叠加相比,动画具有较低的错误率和响应时间;对于任务2(Q2),与节点链接图相比,邻接矩阵具有较低的错误率和响应时间;对于任务3(Q3),邻接矩阵的响应时间略胜于节点链接表示的响应时间。总体上,M通常比NL具有更低的错误率和更快的响应时间。

该研究还收集了用户的反馈,如图10所示。用户相对于节点链接图而言更喜欢邻接矩阵。最受欢迎的时间编码是叠加,其次是并置,再次是动画。得分最高的是邻接矩阵和叠加的组合。在并置中,参与者不喜欢他们必须将注意力分散在多个时间段上。


图10 用户反馈的结果,即参与者对图的表示和时间编码的每种组合的偏爱平均值。使用了五点李克特量表(a five point Likert scale),其中1代表最不喜欢,5代表最喜欢。

总而言之,本文提出了针对应用于NL和M图表示的不同时间编码JP,SI和AN的探索性用户研究。该研究旨在针对图表示和时间编码的每种组合,通过一系列典型的时间图任务来研究用户体验。

论抽象集合可视化的可读性(On the Readability of Abstract Set Visualizations)

这篇文章对三种抽象集合可视化形式(包括LineSets [4],EulerView [5]和MetroSets [6],见图11)进行定量和定性的评估。定量评估指的是测试用户在静态的基于元素和基于集合的任务下的用时和正确率,而定性评估指的是收集用户对于可视化在风格上的偏好,以及执行各类任务主观上的难易程度估计。实验的结果表明,MetroSets在各类任务上要优于其他两种可视化,有更好的扩展性,且更加受到用户的喜爱。


图11 从左至右依次是LineSets,EulerView和MetroSets

该文章选取的任务是基于Alsallakh等人[7]提出的任务分类,主要分为基于元素的任务和基于集合的任务。基于元素的任务包括 T1)找到/选择属于某个特定集合的元素;T2)找到包含某个元素的集合;T3)基于集合的关系找到/选择元素。而基于集合的任务包括 T4)分析集合的交叉关系,比如找到有重叠的集合对;T5)辨别与某一个集合交叉的其他集合;T6)分析和比较集合和交集的基数。

图12展示的是三种可视化在六个任务上的定量结果(无特殊说明,代表三种可视化无显著性差异)。首先是基于元素的任务。在任务一上,使用大数据集时EulerView的表现具有显著性地差于其他两种类型。在任务二上,使用小数据集时MetroSets具有显著性地优于LineSets,而LineSets显著地优于EulerView。在任务三上,使用大数据集时EulerView效果很差,而MetroSets稍微优于LineSets。然后是基于集合的任务。在任务四上,MetroSets与LineSets的效果类似,显著地优于EulerView。在任务五上,使用大数据集时MetroSets显著优于EulerView,而后者与LineSets相当。在任务六上,使用小数据集时MetroSets要明显优于EulerView,而使用大数据集时MetroSets与EulerView相当,而比LineSets具有显著性地更好是定性分析的结果显示无论是基于元素的任务还是基于集合的任务,或者是用户对风格的偏好,MetroSets均优于LineSets,而LineSets也要优于EulerView。


图12 集合可视化在六个任务上的表现,分为小数据集和大数据集。

总的来说,该工作是一个评估工作,也就是选择针对某一类数据的可视化的子集,并在一些特定的任务上进行评估。进行类似的工作需要跟踪可视化设计的最新进展,比如层次结构数据的可视化。然后选择一些任务。这些任务可以是基于已有工作的分类[8],或者是新提出一些任务[9]。接着需要找到合适的数据集。数据集可能是一个现实世界的数据集[8],但往往需要针对任务进行一定的修改。或者任务对数据集的分布有比较严格的要求,那么数据集可以通过合成的方式得到[10]。

参考文献:

[1] V. Filipov, A. Arleo, and S. Miksch. “Exploratory User Study on Graph Temporal Encodings”. PacificVis, 2021.

[2] N. Kerracher, J. Kennedy, K. Chalmers, and M. Graham. “Visual Techniques to Support Exploratory Analysis of Temporal Graph Data”.  EuroVis – Short Papers, 2015.

[3] M. J. McGuffin. “Simple Algorithms for Network Visualization: A Tutorial”. Tsinghua Science and Technology, 2012, 17(4): 383–398.

[4] Basak Alper, Nathalie Riche, Gonzalo Ramos, and Mary Czerwinski. Design Study of LineSets, a Novel Set Visualization Technique. In IEEE Transactions on Visualization and Computer Graphics, 17(12): 2259-2267, 2011.

[5] Paolo Simonetto, David Auber, and Daniel Archambault. Fully Automatic Visualisation of Overlapping Sets. In Computer Graphics Forum, 28(3): 967–974, 2009.

[6] Markus Wallinger, Ben Jacobsen, Stephen Kobourov, and Martin Nöllenburg. MetroSets: Visualizing Sets as Metro Maps. In Proceedings of 2020 IEEE Visualization Conference (VIS’20), 2020.

[7] Bilal Alsallakh, Luana Micallef, Wolfgang Aigner, Helwig Hauser, Silvia Miksch, and Peter Rodgers. The State-of-the-art of Set Visualization. In Computer Graphics Forum, 35(1): 234–260, 2016.

[8] Markus Wallinger, Ben Jacobsen, Stephen Kobourov, and Martin Nöllenburg. On the Readability of Abstract Set Visualizations. In Transactions on Visualization and Computer Graphics, 2021.

[9] George Robertson, Roland Fernandez, Danyel Fisher, Bongshin Lee, and John Stasko. Effectiveness of Animation in Trend Visualization. In Transactions on Visualization and Computer Graphics, 14(6): 1325-1332, 2008.

[10] Pranathi Mylavarapu, Adil Yalçin, Xan Gregg, and Niklas Elmqvist. Ranked-List Visualization: A Graphical Perception Study. In Proceedings of 2019 Conference on Human Factors in Computing Systems, pp. 1-12, 2019.

评论关闭。