没有合适的资源?快使用搜索试试~ 我知道了~
框中组布局对复杂任务的影响:视觉信息学研究
视觉信息学3(2019)38框中组布局的探索行为Yuki Uenoa,Hiroaki Natsukawab,Yu,Nozomi Aoyamaa,Koji Koyamadaba日本京都京都大学电气工程系b日本京都大学计算与媒体研究学术中心ar t i cl e i nf o文章历史记录:在线预订2019年保留字:视觉搜索框中组布局a b st ra ct为了提高可视化,需要通过分析用户的行为以及改善计算实验和任务性能的评价指标(例如,正确回答率和完成时间)。虽然各种研究已经调查了用户行为对可视化评价的影响,但这些研究大多集中在简单的可视化任务上。简单任务不指示包括几个可视化元素的简单可视化,而是指示其中从可视化获得的信息是用于完成任务的唯一线索的任务。然而,一些研究已经针对复杂的任务,其中从可视化获得的多个信息被认为是完成任务的线索,而不管可视化中包含的元素的数量。因此在在这项研究中,我们调查了完成复杂任务的参与者的行为。我们选择了两种类型的组在一个盒子(GIB)布局,这可以被认为是一个复杂的可视化方法,作为用户实验的目标。在用户实验中,参与者被要求执行特定于GIB布局的探索任务;哪一组具有最大数量的内部边缘?除了任务表现外,我们还收集了眼动追踪数据。结果表明,可视化因素对正确答案率有很大影响,即正确答案是否为面积最大的框,即框内边数最多的框。此外,收集的眼动追踪数据的分析表明,这个可视化因素影响的探索行为的参与者,但它并没有影响的位置,参与者集中在所获得的结果表明,可视化设计师没有考虑的可视化元素可以影响从数据中提取信息的任务因此,设计师必须通过考虑用户的视觉认知行为来配置可视化。2019浙江大学出版社版权所有由爱思唯尔公司出版这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍可视化技术使识别数据、理解数据和生成新见解成为可能。因此,人与可视化技术之间的交互被认为是重要的,并且在可视化技术的设计和评估此外,为了有效地利用可视化,不仅需要提高计算实验的评估指数和用户实验的任务性能(例如,正确回答率和完成时间),而且分析用户实验中的人的行为,并在考虑实验结果的同时优化设计。这有助于更好地使用可视化。∗通讯作者。电子邮件地址:kyoto-u.ac.jp(H.Natsukawa)。浙江大学和浙江省University Press.https://doi.org/10.1016/j.visinf.2019.03.005有几种传统的方法,如有声思维协议和交互日志,用于记录人类行为。近年来,已经开发了各种注视测量技术,这使得可以在不需要任何专业知识的情况下容易地定量地记录用户行为。因此,在可视化领域,这些方法已被用于可视化的评价。例如,它已被用于评估支持多属性决策的可视化方法(Kim et al. ,2012)和节点链路图(Burch et al. ,2011; Netzel et al. ,2014年)。此外,新的评估方法已被提出,通过结合有声思维协议,交互日志,和眼动跟踪(Blascheck et al. ,2016年)。以前的几项研究都集中在分析用户行为的可视化评价的一部分,即使一些评价任务被认为是简单的。简单任务并不意味着包括几个可视化元素的简单可视化任务,而是其中从可视化获得的信息是完成任务的唯一线索然而,在这方面,2468- 502 X/©2019浙江大学和浙江大学出版社。由Elsevier B. V.发布,这是CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表视觉信息学期刊主页:www.elsevier.com/locate/visinfY. 上野,H.Natsukawa,N.Aoyama等人/视觉信息学3(2019)3839复杂任务意味着这样的任务,其中从可视化获得的多个信息是完成该任务的线索,而不管可视化中包括的元素的数量。据我们所知,之前的几项研究都集中在分析参与者在执行简单任务时的探索行为(Burch et al. ,2011年;Netzel等人,2014; Huang et al. ,2008);然而,只有少数研究集中在分析用户在执行复杂任务时的行为。此外,可以通过添加人类认知过程和行为模式来改进设计指南。一般来说,有必要进行行为分析,针对复杂的可视化评价任务,改进了可视化方法的设计。基于上述背景,本研究着重于分析用户在从复杂任务中提取信息时的行为。本实验选择了盒子中的分组(GIB)布局作为目标。GIB布局是一种有效的图形绘制方法,旨在可视化图形的组结构(Rodrigues et al. ,2011; Chaturvediet al. ,2014; Onoueand Koyamada,2017)。已经提出了各种类型的GIB布局,并且已经进行了计算实验以比较这些布局(Chaturvedi等人,,2014;Onoue and Koyamada,2017)。布局基本上包括节点、边和框,它们围绕着属于同一组的节点。除了由多个元素组成外,框的大小还与组中的节点数成比例地变化,从而导致属于同一组的边连接节点的外观发生变化。此外,我们可以从GIB布局中获得大量信息;因此,我们可以根据数据的特性观察多种探索行为。在用户实验中,我们从六名参与者中获得了眼动跟踪数据,他们被要求使用GIB布局执行探索任务。考虑到实验1的结果,我们选择力导向GIB(FD-GIB)和树重排GIB(TR-GIB)作为用户实验目标。此外,我们还选择了一个评估任务(即,哪个组具有最大数量的内边缘?)基于实验1的结果,对于这些GIB布局,当参与者执行任务时,我们记录了他们的表现,包括他们的完成时间和正确答案率。此外,他们的眼球运动也被记录下来。任务绩效分析表明,正确答案是否为面积最大的盒子对正确回答率有显著影响。通过分析眼动数据,我们证实了FD- GIB和TR-GIB中的探索行为都根据影响正确回答率的可视化因素而改变。此外,由于可视化因素,盒子的固定点没有改变本研究的主要贡献可归纳如下。我们发现,可视化因素影响任务绩效。我们还发现视觉化因素可以改变被试的探索行为2. 相关工作使用可视化系统时的用户行为分析已经在几项研究中进行了研究 ( Pohl 等 人 , , 2009; Burch et al. , 2011; Netzel et al. ,2017,2014; Kim等人,2012)。在这些研究中,眼动追踪系统被用来记录用户的眼球运动。眼动跟踪数据使我们能够了解用户使用开发的可视化系统的方式,并提供对用户推理的见解方法和解决问题的策略(Andrienko et al. ,2012)。因此,眼动跟踪有助于通过评估可视化技术在视觉认知方面的有用性和可读性来改进可视化系统。例如,Netzel et al. (2017)评估了地理地图注释的四种变体(图像内注释、网格参考注释、方向注释和微型注释)。参与者被要求尽可能快和准确地在地图中找到指定的标签。当他们执行任务时,参与者的眼动跟踪数据和完成时间被记录下来。所获得的结果表明,图像内注释优于所有其余注释方法。微型注释导致最佳完成时间。此外,眼动追踪数据显示,参与者对不同的地理地图注释使用不同的任务策略。Burch等人(2011)探索了三种类型的树图:传统树布局、正交树布局和径向树布局。参与者被要求搜索一组给定的标记叶节点的最小共同祖先,这可以被认为是一个典型的分层探索任务。当时,除了正确回答率和任务完成时间之外,还使用眼动仪记录了眼动数据。从眼动追踪数据中可以清楚地看出,每种方法的探索策略都是不同的。参与者经常交叉检查他们的任务解决方案,并且在使用放射状布局时比使用其余布局时需要更多的时间来完成任务虽然在过去已经进行了一些与任务解决行为相关的研究,但这些研究大多针对简单的评价任务。因此,在本研究中,我们选择了一个更复杂的任务作为用户实验的目标,并探讨基于视觉认知的任务解决行为3. 实验1我们进行了第一个实验,有20名参与者,以确定GIB布局和评价任务,适合实验2。在实验2中,我们设计了其中从GIB布局获得的多条信息可以用作完成任务的线索的复杂任务。3.1. GIB布局GIB布局是一种图形绘制方法,旨在可视化图形的组结构(Rodrigues et al. ,2011; Chaturvedi et al. ,2014;Onoue andKoyamada,2017)。在GIB中,组中的所有节点都被放置在一个盒子中,盒子的大小与节点的数量因此,在使用GIB时,可以同时可视化图中的组结构,各组之间的关系以及组的大小在本研究中,我们选择GIB布局作为评价目标,有两个原因。首先,GIB布局包括各种可视化元素,我们可以从布局中获得多条信息。因此,使用GIB布局,可以获得多条信息并将其用作实现任务的线索,并且观察到存在多个探索行为。其次,GIB布局适合基于感兴趣区域(AOI)执行眼动跟踪分析。具体来说,在GIB布局中,屏幕被划分为框,并且框可以被视为AOI。GIB布局有几种形式;随后,我们将介绍四种评估的GIB布局,它们是ST-GIB,CD-GIB,FD-GIB和TR-GIB。 这些布局的示例如图所示。1.一、··40Y. 上野,H.Natsukawa,N.Aoyama等人/视觉信息学3(2019)38图1.一、分 组 框(GIB)布局的示例。ST-GIB Squarified Treemap GIB(ST-GIB)是基于Bruls等人提出的 Squarified Treemap 。 ( 2000 ) , 由 Rodrigues 等 人(2011)开发。在ST-GIB中,组以瓦片的形状表示,瓦片包含属于 对团体来说。这种方法可以用于使用低纵横比框轻松填充空间,这是分析矩形内容时的一个重要因素(Bruls etal. ,2000年)。但是,该方法在布置盒子时没有考虑节点之间的关系,因此,它包括边缘交叉,这往往会妨碍用户对所描绘的网络的理解(Becker et al. ,1995; Purchase,1997,1998; Purchase et al. ,2002年)。Chaturvedi et al. (2014)开发了羊角面包和甜甜圈GIB(CD-GIB)。他们改进了ST-GIB,考虑到组之间的边数,允许考虑网络信息。此外,根据它们的G度和G偏度放置盒子。一个群的G度可以定义为该群所连接的其他群的数量,而G偏度是指两个连接最多的群(具有最高G度的两个群)中存在的节点的比例。基于G度和G偏度,从羊角面包- GIB、甜甜圈-GIB和ST-GIB布局中选择布局。我们使用Chaturvedi等人定义的标准从三种布局中选择一种布局。甜甜圈GIB将连接最多的组放置在屏幕的中心。其他组围绕着它们排列,所以这个布局看起来像甜甜圈形状。另一方面,羊角面包- GIB将连接最多的组放置在屏幕的中心顶部。其他组被安排在他们周围,所以这个布局看起来像羊角面包形状。使用这些布局,具有最高G度的连接最多的盒子被放置在靠近中心的位置。因此,边缘交叉的数量较少,并且可读性有望优于ST-GIB。无论如何,纵横比往往变得更差,并且存在可读性受到影响的可能性(Bruls et al. ,2000年)。FD-GIB 力 定 向 GIB ( FD-GIB ) 也 由 Chaturvedi 等 人 开 发 。(2014年)。此布局使用力导向布局,根据它们对中心的吸引力和盒子之间的排斥力来排列每个盒子。 由于这种布局可能会产生重叠,我们使用PRISM方法(Gansner和Hu,2008)消除了这种重叠。虽然这种布局适合于描绘整个网络的拓扑结构,但可能难以理解单个组中存在的关系,因为每个框只能占据很小的区域。然而,在这种布局中,每个框的长宽比可以保持不变;因此,我们希望用户能够轻松地比较框的大小。TR-GIBOnoue和Koyamada(2017)提出了树重排GIB(TR-GIB)。这种布局是基于ST-GIB和优化,使ST-GIB的所有边缘的长度最小化。更具体地,该布局通过对ST-GIB布局中的兄弟节点进行重新排序来最小化组之间的距离的加权和。由于这种布局经过优化以最小化组之间的距离,因此与ST-GIB相比,它具有更少的边缘交叉。因此,这种布局被期望展示ST-GIB的良好纵横比和屏幕的有效使用的优点3.2. 任务和刺激我们根据Vehlow等人(2017)和Saket等人(2014)提出的方法设计了评估任务。Vehlow等人提供了四种任务分类来评估聚类图可视化:仅组任务(GOT),组顶点任务(GVT),组边缘任务(GET)和组网络任务(GNT)。此外,GOT、GVT和GNT可以用于执行GIB评估;然而,用于边缘被分组的网络的GET不能用于执行GIB评估。Saket等人还提供了几种类型的任务。这两个研究小组都展示了每种任务类型的几个例子我们从这些例子中选择了下面讨论的四个任务任务1(GOT):图中有多少组?任务2(GVT):哪个组的节点数最多(或最少)?Y. 上野,H.Natsukawa,N.Aoyama等人/视觉信息学3(2019)3841任务3(Intra-GNT):哪个组具有最大(或最小)数量的内部边缘?任务4(Inter-GNT):哪一组的边间数最多GIB布局是一种可视化方法,用于可视化组之间和组内的关系。因此,GIB可以用于表示组内边缘和组间边缘。基于这一特征,选择了以下两种类型的GNT任务:GNT内和GNT间。组内边将一个组中的节点连接到同一组中的另一个节点。相反,组间边连接组中的一个节点到另一个组中的节点。此外,GIB应该表现出良好的性能,同时显示大小盒子的结构。因此,在任务2和3中,我们为每种情况设计了两个任务,并改变了问题(即,最大值或最小值)的一半。3.3. 数据和布局生成在本实验中,使用与Onoue和Koyamada(2017)使用的方法相同的方法生成随机数据,并以类似的方式定义与数据生成相关的所有参数然而,我们的方法和Onoue等人提出的方法之间有两个区别。第一个区别是在用于基于正态分布随机设置组数的过程中,m均值和m标准差v的范围从mmin到mmax。第二个区别在于用于设置顶点集合Vi中的顶点数量的过程,其可以基于遵循具有vmean、vstdev和vmin的正态分布的随机数来确定。此外,我们校准了每个参数,以确保我们的数据与Chaturvedi等人使用的Twitter数据非常相似。 (2014年)。首先,我们校准了参数,以确保组、节点和边的数量与Chaturvedi等人使用的数量相对应。其次,我们通过将vmean和vstdev乘以0.4以及将pin、pbridge和pout乘以0.3来减少节点和边的数量,因为节点和边的数量相当大,难以理解。所用参数见表1。通过应用每个GIB布局进一步可视化生成的数据。此外,GIB布局只能排列盒子;因此,需要确定每个盒子中我们选择了一个力量布局从布局中可用于安排节点在一个盒子里。在该方法中,根据节点之间的排斥力、相邻节点之间的吸引力以及距它们所属的组瓦片的中心的重力水平来布置节点虽然框中的布局方法会影响任务的结果,但在本研究中采用了力布局,因为已知它可以减少边缘交叉并增加可读性(Kobourov,2004)。3.4. 参与者我们采用受试者内研究设计,共有20名受试者,包括12名男性和8名女性(年龄范围:18-24岁,平均年龄:20.8岁)。参与者没有参与可视化研究,但有足够的识字能力从图表和表格中提取所有的参与者都不熟悉GIB的布局,他们都有正常或矫正到正常的色觉。在实验开始时,所有参与者都签署了知情同意书。此外,每个参与者都得到了3000日元的补偿。3.5. 研究程序实验需要1.5-2小时,包括准备,解释和休息。在实验中,参与者必须为四种不同的GIB布局执行四种类型的任务。在实验开始时,参与者填写了知情同意书和基本信息调查表(姓名、年龄和性别)。随后,我们向坐在距离屏幕65 cm位置的参与者解释了每个GIB布局。最后,我们详细解释了任务,随后是教程,以确保参与者理解网络并确保他们能够完成任务。虽然教程中提供的试验数据与实际实验中提供的数据不同,但教程为参与者提供了足够的实验程序实用指南。完成这一步后,参与者开始了实际的实验。在实际实验中,针对四种不同的GIB布局设置了四种类型的任务,并且为每种类型准备了30次试验因此,试验总数为480次(4个GIB布局 * 4种任务 * 30次试验)。每个任务有120次试验,我们将这些试验分为六个区组(每个区组20次试验)。为了避免让参与者感到困惑,对于每种不同的GIB布局,每次只执行此外,如果我们向参与者展示可视化相同数据的网络图,参与者可能会习惯这些数据,因此我们为每个试验提供了不同的数据,这些数据是使用第3.3节中解释的方法生成的。我们随机分配了每个任务的试验顺序;因此,随机改变了GIB布局受试者通过考虑熟悉度和疲劳度的影响,以随机顺序执行所有四种类型的任务。参与者在每个区块后进行大约30秒的短暂休息,并在每个任务(6个区块)后进行相对较长的休息。最长休息时间可达5 min。参与者被要求准确地解决每个问题。没有为每个问题设定时间限制,让参与者有足够的时间选择正确的答案。如果他们专注于快速回答,我们可能会遇到高错误率,这不是本研究的目的3.6. 实验装置实验是在我们的实验室进行的,用人工照明。任务显示在一个24英寸的显示器上,分辨率为1920× 1080像素。3.7. 结果任务结果见表2。对于任务1,所有布局的平均正确回答率为98.3%。似乎参与者必须在这个任务中计算组的数量,当他们在这个任务上花费了相当长的时间因此,盒子的数量被认为是影响正确回答率的唯一元素,并且可以认为这个任务是一个简单的任务。对于任务2,所有布局的平均正确回答率为83.3%。参与者达到了相对较高的准确性。在这个任务中,参与者必须找到节点数量最多的组。除了盒子的面积与节点数成正比外,似乎没有可视化因素影响正确答案率因此,这个任务也可以被认为是一个简单的任务。对于任务3和任务4,所有布局的平均正确任务4的正确回答率是所有任务中最低的。我们没有选择任务1和任务2作为实验2的目标。任务4是与边间的数量相关的任务此外,我们没有选择42Y. 上野,H.Natsukawa,N.Aoyama等人/视觉信息学3(2019)38=表1用于生成数据的参数。m的平均mstdevmminmmaxv均值vstdevv最小值中pp组p电桥p出11.45.461721.014.1240.08580.060.0150.0006表2关于平均准确度(平均完成时间)的用户实验结果。任务1任务2任务3任务4ST-GIB98.1%(3.99秒)89.6%(2.54秒)67.4%(3.61秒)62.8%(5.39秒)CD-GIB98.2%(4.53秒)76.9%(2.76秒)67.2%(3.84秒)59.3%(5.59秒)FD-GIB98.7%(4.92秒)82.9%(2.43秒)78.8%(3.38秒)59.3%(5.52秒)TR-GIB98.1%(4.49秒)83.6%(2.71秒)72.8%(3.85秒)62.8%(5.13秒)平均98.3%(4.48秒)83.3%(2.61秒)71.6%(3.67秒)61.6%(5.41秒)任务4作为实验2的目标,因为难以控制任务的难度水平,并且在分析眼睛跟踪数据时,难以定义边缘间的AOI我们选择任务3作为实验2的目标,因为在该任务中,假设不仅内部边缘的数量,而且框的面积和内部边缘的密度可以影响任务性能。在这种情况下,内边缘的密度是通过将内边缘的数量除以包围属于以下节点的所有节点的圆的面积而获得的值:本集团此外,参与者在执行这项任务时将注意力集中在盒子的内部区域。因此,我们可以使用由框定义的AOI。该任务与眼动跟踪分析具有良好的兼容性。此外,我们为任务3设置两种任务,即,用于选择具有最大和最小数量的内部边缘的组。然而,我们选择了选择具有最大数量的内部边缘的组的任务以简化任务。通过详细研究任务3的结果,我们观察到,FD-GIB,它看起来与其他布局有很大的不同,产生了最好的结果,其次是TR-GIB。根据Wilcoxon符号秩检验,FD-GIB和TR-GIB之间的任务绩效存在显著差异(正确回答率:p0的情况。017;完成时间:均
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++标准程序库:权威指南
- Java解惑:奇数判断误区与改进方法
- C++编程必读:20种设计模式详解与实战
- LM3S8962微控制器数据手册
- 51单片机C语言实战教程:从入门到精通
- Spring3.0权威指南:JavaEE6实战
- Win32多线程程序设计详解
- Lucene2.9.1开发全攻略:从环境配置到索引创建
- 内存虚拟硬盘技术:提升电脑速度的秘密武器
- Java操作数据库:保存与显示图片到数据库及页面
- ISO14001:2004环境管理体系要求详解
- ShopExV4.8二次开发详解
- 企业形象与产品推广一站式网站建设技术方案揭秘
- Shopex二次开发:触发器与控制器重定向技术详解
- FPGA开发实战指南:创新设计与进阶技巧
- ShopExV4.8二次开发入门:解决升级问题与功能扩展
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功