网络图用户认知的眼动追踪评估研究

视觉信息学5（2021）26评估网络图的用户认知陈晓娇a，陈伟，唐晓腾a，b，罗子菁c，张佳怡a，ba浙江大学艺术与考古学院，杭州，中国b浙江大学计算机科学与技术学院，中国杭州c中国南京东南大学机械工程学院ar t i cl e i nf o文章历史记录：2021年11月25日收到2021年12月7日收到修订版2021年12月7日接受2021年12月11日在线提供关键词：网络图最短路径眼动追踪认知评估a b st ra ct网络图的边交叉和节点重叠对用户的识别和理解有着重要的影响在本研究中，我们提出了一个视觉评估方法，用户首先，该方法进行了一组认知实验，以收集用户用户的瞳孔直径通过眼动仪测量，以反映他们的其次，通过显著性检验将视觉特征作为自变量，建立评价回归模型。实验结果表明，边数、边长度、节点视觉干扰和边遮挡对响应时间、边遮挡和节点连接的数量对精确度模型有贡献。最后，这些评估模型在评估用户对网络图的认知时表现出良好的可预测性版权所有©2021作者。由爱思唯尔公司出版我代表浙江大学和浙江大学出版社有限公司这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍具 有 各 种 交 互 模 式 的网络图显 示 网 络 数 据 （ Gardony 等人）。，2018年）。许多有效的可视化方法和技术促进了数据挖掘、进一步分析以及可视化图形绘制。特别地，布局算法是主要的可视化工具，其在几秒钟内自动呈现图的网络节点和连接（Sun等人，2011）。，2010年）。 一些研究已经探索了网络图算法（Huang et al. ，2006年;购买，2002年）。例如，布局绘制算法描述原始数据（Tunkelang，1994），视觉压缩算法适用于大规模数据（Zhang et al. ，2019年），和力导向算法（FDA）用于网络图可视化。关键是，尽管可视化技术在不断改进，但仍存在许多亟待解决的问题，如边交叉和边遮挡等，导致用户的认知表现不同。在大多数情况下，研究人员强调视觉方法，而不是用户因此，如何提高用户对网络图的认知是一个被忽视的研究领域。研究人员选择适当的算法来可视化数据基于经验和可视化要求，然后*通讯作者。电子邮件地址：chenxiaojiao@zju.edu.cn（X.Chen），tangxiaoteng@zju.edu.cn（X.唐先生，18795866350@163. com（Z.Luo），12121188@zju.edu.cn（J.张）。https://doi.org/10.1016/j.visinf.2021.12.004主观评价可视化结果是否满足认知要求和可视化任务的需要。认知实验可以作为一种更为直观的评价方法，为本文的可读性评价模型提供一种有效的可用性测试方法，它为用户对节点-链接关系的认知提供了一种客观的生理测量。因此，本研究的目的是科学地评价和优化拓扑以及滤波器的功能可视化数据的最佳方式。最重要的是，它实际上将提高用户网络图的可读性。 以前的研究已经描述了一些用户实验来评估网络图。例如，一项评估可视化技术的研究通过使用EEG和认知负荷来评估可视化的有效性（Anderson et al. ，2011年）。Lace还提出了一种有效的方法，使用瞳孔测量法在视觉化任务期间评估工作记忆（Padilla et al. ，2020年）。这种类型用户实验一次只评估一个特定的网络图。因此，如果要评估对大量网络图的认知，则必须进行大量的重复实验。然而，我们的工作一直致力于解决这个问题。总体而言，本文有以下贡献：(1) 我们设计了一个在网络图中寻找最短路径的任务，可以用来评估用户(2) 我们过滤网络图的特定视觉特征，这些特征与搜索速度和准确性显著相关，这有助于满足各种任务需求。2468- 502 X/©2021作者。由爱思唯尔公司出版代表浙江大学和浙江大学出版社。公司这是一个在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/visinfX. Chen，X.唐，Z.Luo等人视觉信息学5（2021）2627(3) 提出了一种认知评价方法，该方法避免了大量重复的用户实验，提高了评价效率。2. 相关工作2.1. 视觉评价指标除了上述研究充分的评估方法Purchase首先提出了网络图的评估，以及网络节点连接图的七个美学评估指标（Purchase，2002）。这些指标包括最小化边缘交叉、最小化边缘弯曲、最大化对称性、最大化离开节点的边缘之间的最小角度、最大化边缘正交性、最大化节点正交性以及最大化一致的流动方向。然而，在实际测试中，不同的度量标准之间存在着一些冲突.此外，可能存在一些绝对拮抗作用，使得评估视觉布局更具挑战性（Wareetal. ，2002年）。因此，有研究者结合节点和连接边的从用户的感知网络图的视觉可读性评价指标（Kobourov et al. ，2014年）。可读性评价指标可以针对用户的特定要求在不同的实验中进行判断例如，用户图识别任务被设计为比较和评估力导向布局、正交布局和分层布局（Pohl et al. ，2009年）。实验结果表明，可读性指标筛选出符合用户认知需求的版面此外，Dunne考虑了网络可视化的用户认知的多个方面，并提出了节点-节点重叠、边缘交叉角、角分辨率、组重叠和可视化覆盖（Dunne et al. ，2015）。然后Dunne进一步提出节点可读性指数、边长可读性指数和总体布局可读性指数来指出拓扑结构可读性较差的布局位置，衡量不同设计的可读性差异。此外，各种可读性评价指标的主要效用也各不相同。Huang探索了三个可读性指标，用于寻求网络节点之间的最短路径，以改善网络布局（Huang et al. ，2006年）。它们是节点的最小邻接角、节点的平均邻接角和节点的邻接角的标准差。实验表明，衡量用户寻找最小邻接角最短路径的时间和准确性是最有效的。并且已经研究了具有不同密度的小图和大图上的增加的交叉（Kobourov et al. ，2014年）。最新研究声称，可读性指数与用户对图表的视觉感知有关。然而，在可读性指标的评价上存在一些问题。因此，使用者对网路图的认知会受到多种因素的影响。因此，单一的指标来评估用户认知效果可能会降低评估的可靠性2.2. 认知绩效根据Kosara等人的说法，用户研究可以提供科学建议，然后衡量网络的性能（Kosara等人）。，2003年）。类似地，用户研究可以以不同的方式回答特定的数据问题（William和Robert，1983）。除了主观评价外，工作记忆在认知过程中也起着重要作用活动，它负责处理任务相关的信息，包括推理和理解（安德森等人。，2011年）。此外，EEG（Klimesch，1999）测量工作记忆是通过α和θ的变化来反映的。与此同时，Wang也对空间工作记忆的神经回路基础进行了探索（Constantinaland Wang，2004）.以往的研究也表明，认知表现任务是评价认知能力的重要方法。具体来说，认知表现涉及两个主要因素：准确性和反应时间。它们被应用于评估可视 化 的 效 率 （ Szafir et al. ， 2018 年 ;Kyllonen 和 Zu ， 2016年;Cronbach和WG，1951年），特别是在区分设计是否有助于用户理解数据时。Kobourov等人（2014）测量了准确性和完成时间，以评估自动生成的图形布局的任务性能。Amende还认为，通过任务正确性衡量的有效性和效率是最广泛使用的内生变量（Amende，2010）。虽然许多研究人员声称速度和准确性都可以评估可视化的效果，但许多认知科学家（Kyllonen 和Zu，2016; Just等人，2016年）。，2003）仍然对这两个指标的精确性有疑问。这可能归因一个实验对象比另一个反应更快更正确另一个原因来自时间的短缺。因此，速度（反应时间）和准确度不足以评估网络图的认知。因此，任务要求和眼动跟踪结果被用来提高认知评估的准确性。根据Padilla et al. （2020），双任务实验设计评估可视化中的工作记忆。他们得出结论，任务完成时间和瞳孔测量可以反映任务难度和认知负荷。眼球追踪也被用来比较图形布局Nuamah表明，主观表现（NASA任务负荷指数） 和认知表 现（反 应时间和准 确性） 可以评价认 知匹配（Nuamah，2020）。在Afridi然后，通过瞳孔扩张的视觉搜索需求和记忆负荷被用来提供补充数据（Stolte et al. ，2020年）。在合理性和准确性方面，Chen et al. （2017）得出结论，眼动跟踪设备可以精确地获得值，然后以有效的方式评估因此，本文认为准确性和响应时间作为两个主要标准来评估用户通过收集和分析来自眼动仪的瞳孔直径数据，大大提高了评估用户认知表现的准确性3. 方法我们进行了一个实证认知实验，以建立一个实时模型来评估网络图的视觉认知性能。本文收集了《悲惨世界》和海豚的数据集，利用Fruchterman-Reingold（FR）算法生成了60组视觉实验素材。然后，要求参与者使用眼动追踪技术在网络图中搜索最短路径。实验程序记录认知性能数据（准确性和反应时间）和瞳孔直径数据。在这些数据中，S2中的30组认知结果被用作测试数据集。然后将可视化中影响拓扑认知的视觉特征量化为评价指标变量。并对指标变量和实验认知成绩进行回归建模分析，得出客观评价模型。最后，使用拟合的数据集S1来验证模型的有效性（参见图1和图2）。第7和第8段）。X. Chen，X.唐，Z.Luo等人视觉信息学5（2021）2628++=++表1节点和边的视觉特征视觉指标节点连接边交叉节点视觉干扰边缘遮挡边缘长度3.1. 认知试验3.1.1. 实验设计本文执行了搜索最短路径的任务，记录了准确率和反应时间来评估认知性能。此外，瞳孔直径被用作认知负荷的评价标准。网络图中的最短路径在网络图中的两个节点的路径中具有最少的连接数。最短路径感知反映了节点和边的视觉特性 根据以前的研究（Huang et al. ，2006; Dunne et al. ，2015），选取路径边数、边交叉、边长度、节点视觉干扰、边遮挡、节点连接数等主要视觉特征作为自变量。表1描述了这些视觉特征。红色的节点和边表示它们的视觉特征。实验任务经过精心设计。在实验开始时，起点和目标节点被随机标记为红色。然后，参与者识别最短路径并记住最短路径的数量。最后，他们被要求将其记录在计算机上。3.1.2. 刺激Dolphin 数 据 集 有 62 个 节 点 和 256 条 边 ， Les Misérables（Dickinson et al. ，2013）具有77个节点和508条边被用作实验刺激材料（Knuth，2000）。选择FR力布局算法生成网络图。网络图中节点和边的自动排列一直是可视化中的一个重要研究领域，其中基于力导向模型的布局算法应用最为广泛（Chao et al. ，2015）。在我们的工作中，FR力布局算法被用来进行认知实验。如图1、视觉布局中节点和边的颜色、形状和大小是相同的。每个节点和边之间的布局的几何属性是不同的，例如位置、边长和边角。60个实验刺激分为两组：拟合实验数据集S1和测试实验数据集S2。如前所述，许多特性严重影响节点-链接关系的可读性当面对网络图的网络结构时，一些人观察网络的宏观组织，而有目的的用户另外具有包括在认知主体中的节点关系搜索。最短路径认知决策任务更可取，Fig. 1. 悲惨世界网络中的人物网络由FR力布局算法生成。图二. 计算网络图的最短路径度量的示例。对应于高难度决策选择器。我们选择最短路径区分任务即选择反应时任务作为所有认知实验搜索任务的代表在网络图中，最短路径是找到两个顶点或节点之间的路径，使得其组成边的权重之和最小化。节点和边的视觉特征影响最短路径的认知。为了有效地评估这些特征，这些视觉特征被量化和累积。数据序列的可见性通过节点之间的关系来反映（Shi和Xu，2020）。并且这些评估度量在JavaScript API（应用程序编程接口）中实现以生成可视图形样本，就像所使用的方法（Dunne et al. ，2015）。图图2显示了这个图中的最短路径经过节点q1，q2，q3，经过的边是l1，l2。例如，最短路径节点边可以通过以下公式计算：Emaxecec（q1）ec（q2）ec（q3）。同样地，最短路径公式的连接角度量为L（l1）L（l2）L（l3）.对于给定的无向和无重网络图G，节点vi和vj，最短路径p所经过的边的数目，以及最短路径上的边的. ep}。由于搜索任务的复杂性和视觉因素的多样性，七个视觉特征，影响最短路径认知，量化为评价指标。具体计算方法如下。(1) 最短路径边卢恩显然，节点间最短路径边的数量越多，用户查找它们的难度就越大，查找的性能也会相应下降。计算方法为：n（vi，vj）=p（ 1）=X. Chen，X.唐，Z.Luo等人视觉信息学5（2021）2629∑联系我们∑∑=∑NC×我J我伊杰pi=1m′标记为1。否则，度量值被记录为0，然后累加，如等式（1）所示。（六）、pE（ei）（6）i=0时E（ei）是路径中连接边的覆盖系数，计算方法如等式（1）所示。（七）、图3.第三章。覆 盖 引 起 的最短路径误 读 实例Eei一、Dr0、d>r（七）最短的路径。(2) 边相交的最短路径节点间最短路径的交叉角度和交叉点数量可能会影响用户搜索最短路径路径更少的边缘交叉和70-90度的计算方法（6）最短路径节点连接数路径中的节点连接数增加，用户查找路径的难度增加，直接影响用户因此，计算最短路径上所有节点的连接边的数量，并在等式中示出。（八）、（v，v）=∑d（v）（8）i=0时是：pec（vi，vj）=Cei（2）i=1此外，最短路径边的相邻角为也考虑到了。特别地，最短路径边缘的角度应该是清楚可识别的。则计算方法类似于节点的相邻边的计算方法C=∑m（1−t·cosθi）（三）由于最短路径任务的度量是累积值，指数值越大，可视（2）边长度为1m ′ m-k_j-k_i+1，m ′是某条边和其它边内的最大交叉数，j和k分别表示连接边的两个端节点。t是两侧的交叉参数。如果节点vi和vj之间的总边太长，最短路径，可能会导致用户花费更多的观察时间来区分。因此，最短路径的整个长度应控制在一定范围内，以便于快速观察。因此，此度量累积路径上的所有边长度度量：p（vi，vj）=L（ei）（4）i=1(4) 具有节点视觉干扰的最短路径最短路径上节点的边与其他无关边相交，会对用户搜索路径造成视觉干扰，为了量化计算应该计算所有节点的视觉度量、视觉干扰。在量化计算出相应的视觉指标后，需要对所有节点的计算结果进行累加。计算方法为：p（vi，vj）=第五章（五）i=0时(5) 边缘遮挡最短路径算法如果路径中的连接边被覆盖，可能会导致用户对最短路径数的误解。例如，图中的虚线。3-a是正确的最短路径之一，总共可以数到五。然而，在这方面，红色连接边和红色节点被覆盖，这可能会干扰用户认为节点之间存在连接，以及最短路径连接的数量是3（虚线），如图。 3-B显示。对于给定最短路径中的边ei，计算到所有节点的距离d。如果d小于节点的半径r干扰3.1.3. 参与者30名本科生和研究生自愿参加本实验，其中男12人，女18人。他们的年龄从21岁到27岁不等，视力正常或矫正视力（Snellen近视力测试的最低分数为20/40），没有色盲。 色觉或色觉缺陷。记录他们的人口统计学资料，包括年龄、性别、职业和视力状况。此外，该大学的伦理委员会批准了这项调查，所有参与者都同意进行这项实验。3.1.4. 设备和过程实验在模拟一般工作环境的实验室中进行。实验刺激呈现在21英寸显示器上，亮度为93 cd/m2。所有信息显示的分辨率为1280× 1024像素和60 Hz的刷新率。我们将观察距离范围设置为550mm至680 mm，并使用Tobix 2 -300眼动仪收集使用瞳孔直径。使用TobiiStudio（Tobiix 2 -300眼动仪支持软件）随机绘制60张网络图。并通过随机算法将图形刺激标记为两个红色节点。所有20名参与者都确定了两个红色节点之间的最短路径的数量，没有时间限制。通过一组预实验设计实验细节和选择刺激。屏幕中央的说明，依次然后，参与者可以按键盘上的任何键开始实验。在实验过程中，屏幕显示空白1000 ms，这有助于消除视觉残留。然后，符号然后，网络图显示出来，有时间限制。参与者根据生成的图表做出判断。如果参与者确认答案，他们将按下相应的数字按钮。在完成25个材料测试后，被试自由休息2分钟。整个实验，包括预实验、正式实验、和休息，需要20 〜 30分钟才能完成（见图。 4）.X. Chen，X.唐，Z.Luo等人视觉信息学5（2021）2630≥===-== −表2响应时间与正确率线性回归模型系数表用户绩效指标相关系数R边数常数回归系数B2.757P0.000响应时间遮挡节点视觉干涉图vi边长度图0.874−5.0820.9892.6372.2720.0450.0110.043边遮挡节点连接数1.014−0.238-0.1870.0000.014见图4。 实验过程。3.2. 最短路径认知评估模型的预实验结果表明，视觉特征与用户认知绩效（反应时和准确率）之间通过相关性检验可以得到具体的相关水平。采用SPSS（Neokleous and Schizas，2011）的逐步回归分析，对拟合数据集S1的指标变量与认知成绩进行多元线性回归建模。用P值排除P0.1的评价指标变量，选择相关系数R最高的回归模型。根据Nadine特别地，多元线性回归模型的一般形式示于等式（1）中。（9），而K是数字对评价变量βi（i=1，2，. . .，k）称为回归系数。βi（i=1，2，. . .，k）称为回归系数。Yi=β0+β1X1+β2X2+···+βiXi+···+βnXn（9）利用显著性评价变量和认知绩效建立多元线性回归认知评价模型4. 结果4.1. 视觉特征与反应时建立了视觉特征与反应时的散点图。拟合数据集（S1）中的七个视觉特征被用作散点图分析和绘图的自变量。x轴表示各种特征变量，y轴表示完成任务的响应时间。如图 5、最短路径边数、节点视觉干扰、路径长度与反应正相关图五. 线性分布评价指标与响应时间的相关性分析时间而其他指标与反应时之间不存在显著的线性相关。此外，使用Pearson相关性来分析这三个视觉特征，详细的相关性特征如表2所示。第一，反应时与路径长度之间存在显著的相关性（P0的情况。013，P 0.05），以及<相关系数r为0.455，在0.4和0.5之间0.6.因此，最短路径边长与反应时间之间存在正相关和中等相关。第二，节点视觉干扰与反应时之间存在显著的相关性（P0.05）。008，P 0.05），相关系数r为0.483，表现为正中度相关。<最后，节点连接数与反应时的相关性结果显示，两者之间存在显著相关性（P0. 05）。045，P<0.05），R 0. 374，呈现正相关和弱相关。(2)视觉特征与精度的相关性分析视觉特征与准确度的散点图表明，准确度与节点连接数有关，其中p0。001，P 0.05，r 0.0570。<根据对这些数据的分析，节点连接与准确性呈负相关和中度相关其他指标的散点图显示，指标与准确度之间没有明显的线性关系，相关性分析结果也得到了验证。4.2. 眼动追踪结果无刺激时瞳孔直径一般为1.5 ~精度X. Chen，X.唐，Z.Luo等人视觉信息学5（2021）2631≥图六、 不同边缘遮挡条件下瞳孔直径的比较。图7.第一次会议。 拟合数据集Y1和模型结果Y 1 ' 的 比 较 。因此，瞳孔直径的变化可用于推断认知负荷（Yang和Wang，2018）。分析了瞳孔直径与边缘遮挡（边缘遮挡指数值为0或1）的关系如图图6中，x轴和y轴分别表示瞳孔直径和边缘遮挡的累积和。此外，瞳孔直径表明，在相同的路径数下，边缘覆盖率的增加会使瞳孔直径扩大，导致认知负荷增加。在相同的边缘遮挡情况下，路径数量的增加也会导致用户认知负荷的增加。因此，边缘遮挡和路径数量与用户认知负荷高度相关表3图8.第八条。 测试数据集Y2和模型结果Y2 ' 的 比 较 。4.3. 最短路径认知评价模型(1) 评价模型采用逐步多元线性回归分析筛选具有显著性因子（P 0. 05）的变量，然后选择相关系数r最高的模型。响应时间模型和精度模型的系数数据如表2所示。在回归模型的构建中，响应时间模型由四个正相关的特征组成：边数、边长度、节点视觉干扰和边遮挡。相关性R值表明反应时模型的线性相关度为87.4%。正确率模型的线性相关度为73.7%。因此，上述两种模型都具有较好的预测性。将相关系数代入Eq. （8）然后形成方程。（9）（10）.建立了反应时间与准确度的回归模型。方差分析结果表明，变量间的交互作用不显著，对模型的准确性没有影响不同数据集的模型计算结果与实验评价结果的相关系数。数据集认知性能Spearman肯德尔响应时间0.9750.743拟合数据集精度0.8840.725测试数据集响应时间0.9250.798精度0.8120.6545. 讨论本文提出了一个用户认知评价模型减少用户的认知障碍。我们探讨了图形特征与认知成绩的相关性，结果表明，四个视觉特征与反应时显著相关。此外，两个视觉特征与准确性直接相关建立了评价模型并进行了验证。验证结果表明，最短路径认知模型具有良好的可预测性，网络图的特征评估。因此，我们认为，评估和筛选适当的网络非常重要S rt= 2。757年，加0。989年加2。小行星637+2。272米-5。082（十）算法，提高了用户对图形的识别和理解效率S a= − 0。238米-0。187度C+1。014（十一）(2) 评价模型拟合值与实验值的比较见图1和图2。7和8两个数据集的实验结果（实线）和模型拟合结果（虚线）均表明反应时间和准确度的拟合程度较高根据表3，在相关系数验证中，两个相关系数都具有高值，这表明与模型用户的实验认知结果具有高相关性。因此，最短路径认知模型可以作为一个有价值的预测网络图的认知评价。描述了响应时间和四个视觉特征之间的线性关系，包括边的数量，边的长度，节点的视觉干扰，和边缘遮挡。将这四个特征作为自变量建立了响应时间的回归模型。结果确定了一个积极的，但弱的相关性之间的边缘的数量和响应时间。散点图表明，当最短路径的边数较小时，线性关系是显著的。然而，将不会有相当大的线性与更多的边缘。因此，在一定程度上，最短路径节点连接的增加可能导致认知困难和响应时间的增加。一个积极的和适度的相关性之间的准确性和两个视觉功能（边缘遮挡和节点连接的数量这是X. Chen，X.唐，Z.Luo等人视觉信息学5（2021）2632−=因为随着边遮挡的增加，用户对网络图中的最短路径的搜索效率同时降低。同样，搜索任务的视觉干扰越多，完成的时间就越Lam报告了一个类似的结果，即太多的相互作用或干扰可能会造成认知过载，特别是当相互作用可能导致同时发生变化时（Lamet al. ，2012）。在节点连接数方面，Zhang et al. 实践了“总变长最短”的原则，并在研究多层网络结构时将最优边的平均长度定义为评估算法布局的指标（Zhang et al. ，2019）。此外，还有一个积极的和弱的相关性，最短路径与边缘遮挡和响应时间。具体来说，网络图的边遮挡越严重，对用户体验的影响就越大，搜索时间。事实上，边遮挡对网络图复杂度的影响已经得到了广泛的研究，大多数研究问题都是关于缓解影响用户认知的因素。反应问题与本研究结果一致。例如，在1995年，Purchase（2002）最初提出了网络图视觉评估。Kobourov进行了一组对照实验，以探索边缘交叉如何影响图形布局的可理解性，并发现边缘交叉的数量是评估网络图的基本特征（Kobourov et al. ，2014年）。对于大而密集的图形，边缘交叉的数量增加对应的性能时间没有统计上显着的减少。 对于网络布局，许多研究人员设计了各种算法来减少边缘隐藏问题周围节点占用的空间（Misuse et al. ，1995; Liet al. ，2005）。特别地，许多面向力的布局算法已经被应用于解决这些问题（Heer et al. ，2005）。然而，面向力的方法通常不能保证消除所有重叠。边缘遮挡仍然是影响视觉认知的一个重要因素。Sun等人（2019）提出，过多的边缘会使网络在视觉上混乱，难以探索。因此，边缘遮挡应作为认知模型的一个重要评价指标。将边缘遮挡和节点连接数作为自变量指标，建立准确的回归模型。实验指标与正确率的相关性分析结果表明，R.0570，R 0，因此，最短路径节点连接的数量与准确度呈中等程度的负相关。当节点数目增加时，路径搜索的复杂度增加，导致用户准确性下降。 在边缘遮挡方面，Huang发现边缘交叉对用户偏好和任务性能具有显著影响（Huang et al. ，2006年）。类似地，Kobourov提出，增加边缘交叉的数量可能会导致准确性的统计学显著下降（Kobourov et al. ，2014年）。在可视化分析中，过多的节点或节点细节会给用户理解所提供的信息带来认知负担（Tory，2004）。将节点连接数转化为评价指标，以评价精度。例如，Dunne认为节点重叠会对精确计算单个节点的数量产生负面影响（Dunne et al. ，2015）。Huang等人发现，节点的位置和角度分辨率在用户感知中起着重要作用（Huang等人，，2006年）。6. 结论网络图是描述计算机网络中节点之间连接然而，很少有人知道的各种认知问题，涉及用户识别和理解网络图。在本研究中，我们提出了一个视觉评估方法，用户认知研究认为，准确性和反应时间可以作为评价用户认知的两个主要标准结合上述因素，眼动追踪技术可以获得瞳孔直径，反映认知负荷。我们进行了两个认知实验，以测量认知性能和获得瞳孔直径，并进行回归分析的结果。建立了显著视觉特征与认知成绩之间的回归分析评价模型，用于评价图形布局。特别地，边缘遮挡和边缘的数量被认为是独立的变量，以建立精度回归模型。边数、节点视觉干扰、边长度和边遮挡是响应时间回归模型的独立评价变量。拟合值集和实验值集的比较假设在响应时间和准确性上具有更高的匹配度。相关系数检验也证明了模型的可预测性。这项研究有两个主要的局限性首先，所有参与者是学生，相对年轻，这意味着样本不是特别具有代表性。因此，今后的实验工作应吸收各行各业和更广泛年龄的参与者第二，本研究关注一个典型的视觉认知任务（寻找最短路径的任务）。在评估网络图的评价方面，需要进行更多类型的任务和更深入的分析。CRediT作者贡献声明陈晓娇：概念化，方法论，验证，形式分析，写作唐晓腾：调查，资料整理，撰写罗子敬：方法论，验证，形式分析，资源，数据管理。张嘉一：写作竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢本课题得到浙江省重点社会科学基金（批准号：22JCXK03Z）和中央高校基础研究基金的资助。我们要感谢评审员的建设性意见，以及所有参与者积极参与我们的实验。伦理批准该实验得到了浙江大学伦理委员会的批准，所有参与者在参加研究之前都签署了同意书。X. Chen，X.唐，Z.Luo等人视觉信息学5（2021）2633|引用Afridi，A.H.，2020.基于NASA-TLX的 学 术 资 源 推 荐 系 统 工 作 负 载 评 估 。PersUbiquit Comput..Amende ， N. ， 2010. A Structured Review of Information Visualization SuccessMeasurement，发表于Proceedings of HCI 2010。安德森，E.W.，Potter，K.C.，Matzen，L.E.，例如，2011.使用EEG和认知负荷的可视化效果的用户研究。Comput. Graph. Forum 30（3），791-800.Chao，S.，郑，T，Hui，L.，例如，2015.基于力导向模型的网络自动布局研究综述。Comput. Eng. Sci. 37（3），457。陈旭，薛，C.，陈美，田，J.，2017.基于眼动实验的数字界面质量评估模型。东南大学学报（自然科学版）编辑）47（1），38-72。君士坦丁堡角，王X- J.，2004.空间工作记忆的神经回路基础。Neuroscientist 10（6），553-565.Cronbach ， L.J. ， WG ， W. ， 1951. 时 间 限 制 测 试 ： 评 估 其 可 靠 性 和 加 速 程 度SpringerLink。Psychometrika 16，167-188.Dickinson，B.，Valyou，B.，胡伟，2013.使用优化搜索空间识别社交网络中重叠社区的遗传算法。Soc. 网络2（4），193邓恩角，澳-地罗斯，S. I.，Shneiderman，B.，马蒂诺，M.，2015.可读性度量反馈，用于帮助节点链接可视化设计人员。IBM J. Res. Dev. 59（2/3），14：1-14：16。Gardony，Aaron L.，Martis，Shaina B.，泰勒，霍莉A，Brunyé，Tad T.，2018.有效增强现实地理可视化的互动策略：来自空间认知的见解。人机交互Heer，J.，卡德，S.，Landay，J.，2005. Prevent：一个交互式信息可视化工具包。在：SIGCHI计算机系统中的人为因素会议记录。pp. 421-430黄伟，Hong，S.- H、Eades，P.，2006.布局对社交图感知的影响。图表3843，262只是，硕士，卡彭特，私人助理，Miyake，A.，2003.认知负荷的神经指标：脑工作的神经影像学、瞳孔测量和事件相关电位研究。理论问题Ergon。Sci. 4（1Klimesch，W.，1999.脑电α和θ振荡反映认知和记忆性能：一项综述和分析。Brain Res. Rev. 29（2 -3），169-195.Knuth，D.E.，2000.斯坦福GraphBase：一个组合计算平台。3.第三章。pp. 一比四Kobourov，S.G.，Pupyrev，S.，Saket，B.，2014.交叉点对于绘制大型图形重要吗？在：模式识别，图像分析，计算机视觉和应用的进展，卷。8827 pp. 234-245。科萨拉河希利，C.G.，Interrante，V.，例如，2003.关于用户研究的思考：为什么，如何，何时。IEEE计算Graph. Appl. 23，22Kyllonen，P.，祖，J，2016. 使用反应时间测量认知能力。J. Intell。第4（4）、14段。Lam，H.，贝尔蒂尼，E.，Isenberg，P.，例如，2012.信息可视化的实证研究：七个场景。IEEE Trans. Vis. Comput. Graphics 18（9），1520-1536.李伟，Eades，P.，尼科洛夫，N.，2005.使用弹簧算法消除节点重叠。在：APVis四十五pp. 31-140误用，K，Eades， P.，赖伟 ，杉山，K. 1995.布局调整和心理地图。 J. 目视浪Comput. 6（2），183Mutzel，P.，2006.层次图上交叉最小化的另一种方法。SIAM J.最佳。11（4），16.Neokleous，K.C.，Schizas，C.N.，2011.视觉选择性注意的计算模型。程序计算Sci.7，244Nuamah，J.K.，2020.使用认知适配理论评估信息可视化的有效性：神经工效学方法。应用Ergon。88，9。帕迪拉，L.M.K.，南卡罗来纳州卡斯特罗Quinan，P.S.，例如，2020.视觉化中工作记忆的客观评价：一项使用瞳孔测量和双重任务模式。IEEE Trans.视觉。Comput. Graph. 26（1），332波尔，M.，施密特，M.，Diehl，S.，2009.使用眼动追踪和任务导向分析比较图形布局的可读性。欧洲制图协会。购买，H.C.，2002年。图形绘制美学的一种方法J. 目视浪Comput.13（5），1501施，H.，徐，M.，2020.强化学习的多属性决策方法。IEEE Trans.科根Dev. Syst 12（4），695Stolte，M.，Gollan，B.，安索奇大学，2020.通过瞳孔扩张追踪视觉搜索需求和记忆负荷。J. Vision 20（6），21.Sun，Y.，江，Y.，赵，X.，2010年。网络可视化研究综述Comput. Sci. 37（2），12-30.孙，D.，例如，2019. Planningvis：智能工厂生产计划的可视化分析方法。IEEETrans. Visual. Comput. Graphics 26（1），579-589.Szafir，D.A.，很好，坏的，2018.和偏见：可视化可能误导的五种方式（以及如何修复它们）。Interactions 25（4），26托里，M.，2004年可视化研究中的人为因素IEEE Trans.目视Comput.Graphics 10（1），72Tunkelang，D.，1994.画无向图的实用方法。Comput.Sci. 30.韦尔角，澳-地购买，H.，科尔波伊斯湖，McGill，M.，2002.图形美学的认知测量。INF. 目视1（2），103南卡罗来纳州威廉，罗伯特，M.，1983.图形感知：理论，实验和图形方法发展的应用。J. Amer. Statistist. Assoc.79（387），531-554。杨，X.，王建奎，2018.眼动指标与管制员工作负荷及飞机动力学之相关性分析。Sci.Technol. Eng. 18（15）.张，X.，吴，L.，Yu，S.，例如，2019.多层网络可视化中的多力定向布局算法。J.Comput.辅助设计Comput. Graph. 31（4），639。