作为外行人，往往对于一些领域的数值可能很难理解，特别是当它们的数量级很大或者包含一些不熟悉的单位的时候。之前的很多种工作表明，从另外一个”视角”出发，对于这些测量结果采用比率、排序或单位变化，用一种更为直观的方式可以提高人们对于不熟悉的数值的理解能力。但是往往会有很多不同的”视角”。在本文中[1]，通过对于超过1000名受试者的随机实验，系统地测试了影响不同”视角”表示方式质量的因素，发现”视角”对数值理解有长期的帮助。
对于一些难以直观感受的数值，怎么让读者理解呢？“另一视角”，也就是说可以将这些精确的数值转换成一个人们更熟悉的另外一种表现方式。例如，可以将食物的卡路里表示成需要的运动量，将一个国家的面积表示成另一个更为熟悉的国家的面积的相关关系。这些都是之前的工作已经提出以及实现的，然而，这些“另一视角”往往可以有很多，我们回想知道哪一种表示是最佳的，并探究为什么。
本文中所选取的实验环境是对于美国各个洲的面积和人口的理解，这些统计数据往往会很频繁的出现在新闻报道、搜索引擎中。而之前提到的“另一视角”往往是一种相关关系，因此实验因子有：参考洲，相关因子，以及错误率三种。本文共实现了3个实验，下面一一描述。
实验一：理解什么让“视角”成为一个好的或者坏的描述。
实验将被试者分为两组，一组直接估计洲的面积或者人口，另一组根据参考洲的相关关系来估计。通过分析第一组的实验结果发现，人们对于一些熟悉的洲的估计结果会更为准确；分析第二组的实验结果来分析人们对于参考关系的估计能力，发现人们对于一些简单的因子1或者1/2的估计结果更为准确。因此可以得出，通过熟悉的参考关系和简单的因子更易于人们对于数值的理解。
实验一 对于人口和面积的估计结果
实验一 模型误差
实验二：评估和比较不同“视角”的效果。
- 最佳模型：实验一中模型误差最低的“视角”。
- 家乡模型：被试者最熟悉的地方作为参考。
- 最小客观误差模型：客观误差最低的“视角”。
- 鲁棒性模型：与最佳建模视角相似的客观误差，但是更差的模拟误差的“视角”。
- None模型：没有“视角”。
实验一已经独立分析了不同熟悉成都的参考和相关因子对于人们理解的影响。实验二将两者结合起来分析，通过对比不同模型的实践结果，来分析两者对于理解的影响。结果发现最精确的“视角”不一定最有利于人们的理解，当被提供“视角”的结果比没有更好。
实验二 模型结果对比
实验三：“视角”的长期有效性
前两个实验的结果给“‘视角’提高了理解能力”提供了强有力的证据，特别是帮助人们理解不熟悉的数值。在这个实验中，我们会分析这种效应是否能持续。通过实验结果我们发现，“视角”不仅仅在短时间内可以帮助人们对于数值的理解，更可以有一个长期的影响。
实验三 “视角”的长期影响
最后作者也提到了已经将这个实验的结果以及“视角”的生成方法运用到微软的必应搜索引擎上，可以帮助人们对于数值的搜索结果的理解。
总的来说，这篇文章说明另一“视角”有助于人们对不熟悉的数值的理解，并分析了其中的参考以及相关因子在生成“视角”中对于人们的理解的影响。还说明了“视角”的影响不仅仅是短期的，更是长期存在的。
引用：
［1］Riederer C, Hofman J M, Goldstein D G. To put that in perspective: Generating analogies that make numbers easier to understand[C]//Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. ACM, 2018: 548.
评论关闭。