可视化入门对用户性能的影响：一项实验研究

视觉信息学6（2022）34可视化载入方法的比较评估Christina Stoibera，Bennett，Conny Walchshirtb，Margit Pohlc，Benjamin Potzmannc，Florian Grassingera，Holger Stitzd，Marc Streitb，Wolfgang Aignera一个圣波尔顿应用科学大学，圣。波尔滕b约翰内斯·开普勒大学林茨，奥地利维也纳，奥地利的距离ddatavisyn GmbH，林茨，奥地利ar t i cl e i nf o文章历史记录：2022年3月23日收到收到修订版，2022年6月23日接受，2022年2022年7月19日在线提供关键词：可视化素养用户入职学习可视解析a b st ra ct理解和探索大型复杂数据对于广泛应用领域的不同用户群体变得越来越重要。可视化已经证明，非常适合通过利用人类视觉感知的力量来支持这一努力。然而，可视化数据分析领域的非专家通常在正确阅读和解释新的可视化习惯用法中的信息方面存在问题。支持新手在学习如何使用新的数字技术方面，入门的概念已成功地应用于其他领域，可视化领域也存在第一种方法。然而，关于这种方法的有效性的经验证据很少。因此，我们与Amazon Mechanical Turk（MTurk）的工作人员和学生进行了三项研究，调查不同级别的可视化入门：（1）首先，我们使用交互式分步指南探索了可视化入门对用户性能的影响，这些用户使用四种越来越复杂的可视化技术与面向时间的数据：条形图，水平图，变化矩阵和平行坐标图。我们进行了一项受试者间实验，共有596名参与者。 结果表明，有和没有加载的问题的答案正确性之间没有显着差异。特别是，参与者评论说，对于非常熟悉的可视化类型，不需要进行引导。但是，对于最不熟悉的可视化类型-平行坐标图-可以通过加载观察到性能改进。(2)因此，我们使用MTurk工作人员和平行坐标图进行了第二项研究，以评估不同可视化入门类型的用户表现是否存在差异：逐步，滚动教程和视频教程。研究显示，根据情感分析，视频教程平均被评为最积极的，其次是滚动教程和交互式分步指南。(3)由于视频是支持用户的传统方法，我们决定使用滚动方式作为一种不太流行的方式，并对其进行更详细的探索。因此，在我们的第三项研究中，我们收集了用户使用VA工具Netflower的现场滚动的经验数据。与学生的评估结果表明，他们更喜欢滚动在Netflower登陆页面集成的教程。此外，对于所有三项研究，我们探讨了任务难度的影响。总之，原位滚动方法对于在可视化工具中集成载入非常有效。此外，视频教程可以帮助介绍可视化的交互技术。版权所有©2022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. 介绍可视化可以被看作是一个将数据转换为视觉形式的过程（Cardet al. ，1999; dos Santos and Brodlie，2004）。作为一个用户，这个转换需要是可追踪的，以解码视觉表示并正确地推理数据。*通讯作者。电子邮件地址：cstoiber@fhstp.ac.at（C. Stoiber）。https://doi.org/10.1016/j.visinf.2022.07.001虽然人类是视觉动物，视觉表示比其他形式的数据表示更容易理解，但我们必须学习如何阅读和理解它们。与阅读和写作文本不同，我们在教育过程中通常不会被教导如何阅读或解释可视化— 除了简单的商业图表，如条形图，折线图或饼图，我们通常在年轻时遇到（Alper et al. ，2017年）。因此，许多用户在解释和处理新颖的视觉表示方面存在困难，2468- 502 X/©2022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/visinfC. 斯托伊伯角Walchshirt，M.Pohl等人视觉信息学6（2022）3435Fig. 1. 通过强调各自的研究问题（RQ）、参与者的来源以及性能指标、使用的可视化类型和应用的入职技术，概述了三项研究。我们从探索一种传统的方法开始-交互式分步指南（教程）-使用文本描述和视觉标记，灵感来自四种不同复杂程度的交互式可视化类型的传说隐喻。研究1的结果显示，对于更复杂的可视化技术（如平行坐标图），需要进行加载。因此我们进一步研究了不同的入职方法。作为一个传统的方法，除了一步一步的指南，我们开发了一个视频教程。此外，我们还想在可视化入职的背景下研究滚动。作为研究2中一种有前途的入职方法，我们进一步研究了通过将其嵌入到VA工具中来实现滚动讲述入职（参见研究3）。不熟悉（Grammel et al. ，2010; Perkhofer et al. ，2019）。这不仅承担了得出错误结论的风险，而且还导致了对其他强大数据可视化的挫折或拒绝（Börner et al. ，2016年）。Boy等人（2014）将可视化素养描述为“使用完善的数据可视化的能力（例如，线图）以有效、高效和自信的方式处理信息”。有限的可视化素养技能可能是一个严重的障碍，因为它阻碍了人们检索有价值的信息， 学习和解决问题，或做出明智的决定（Galesic和Garcia-Retamero，2010年; Boy等人，2011年）。，2014; Börner et al. ，2016年）。可视化映射是将数据变量分配给可视化通道的过程，这导致静态或交互式可视化表示。这个过程是几乎所有已知的可视化概念模型的核心组成部分，例如Card等人（1999）或van Wijk（2006）的模型。理解视觉映射的过程是正确解码视觉表示和底层数据的关键组成部分。此外，可视化过程的数据分析、过滤和呈现步骤会影响可视化习惯用法的外观，需要有意识地使用和选择。然而，特别是对于新手用户，这可能很困难，并可能导致错误的结论以及对数据的错误见解。可视化入职可以缓解这种情况，并增强用户的能力 更好地理解数据，充分利用视觉化我们定义可视化加载（Stoiber et al. ，2019a，2021）如下：可视化载入是支持用户从数据的视觉表示中读取、解释和提取信息的过程。文献中存在一些使用不同策略和教育理论的入职方法，例如边做边学（Kwon和Lee，2016），类比学习（Ruchikachorn和Mueller，2015），脚手架（Bishop等人）。，2020年），或自上而下和自下而上的教学方法，以及主动和被动的学习类型（Tanahashi等人。，2016年）。所有这些概念都是独立的学习环境，并没有完全集成到可视化分析（VA）工具本身。只有Yalçın（2016）为可视化工具开发了现场帮助（Yalçın和Xharra，2022）。尽管如此，还需要进一步的研究来确定有效的入职方法设计，并了解用户为了填补这一研究空白，本研究的主要目标是了解可视化如何影响用户性能（见图）。①的人。因此，我们对388名和145名MTurk工人进行了两项大规模研究（研究1-见第4节和研究2-见第5节），并对63名学生进行了一项研究（研究3-见第6节）。研究2的定性结果已经发表在Stoiber等人的短论文中。 （2021年）。我们研究了可视化入职的各个方面（参见第3节），我们在这里详细描述1. 使用交互式分步指南评估用户对四种不同复杂性的交互式可视化类型的表现-条形图、水平图、变化矩阵和平行坐标图（见第4节），从而评估可视化入门的效果2. 四种不同类型的可视化加载方法对用户性能的影响。（i）逐步指南，(ii)滚动讲述，（iii）视频教程，以及（iv）现场滚动讲述，见第5节;3. 根据Friel等人，基于三种任务类型的用户性能差异。（2001）：读数据，读数据之间，读数据之外;4. 主观用户体验和答案正确性之间的差异，使用滚动显示的原位可视化入门概念和VA工具Netflower中的视频教程（Stoiber et al. ，2019 b）的桑基图和条形图。5. 我们在7.3节中介绍了可视化加载方法的设计指南.这些研究的总体目标是使用不同类型的可视化和不同类型的入职方法（见图1），对入职方法的优势进行全面概述。因此，我们分析了用户表现的定量数据和定性数据，如参与者的文本反馈或主观评价的态度和偏好。对不同可视化入门方法的分析表明，教程和视频是常见的方法（Stoiber et al. ，2019年a） 支持用户。因此，我们开始探索一种传统的方法-一个交互式的一步一步的指南（教程）-使用文本描述和视觉标记的灵感来自四个不同的交互式可视化类型具有不同的复杂性的传说的隐喻。研究1的结果显示，C. 斯托伊伯角Walchshirt，M.Pohl等人视觉信息学6（2022）3436--对于更复杂的可视化技术，如平行坐标图，需要。因此，我们进一步研究了不同的入职方法。作为一个传统的方法，除了一步一步的指南，我们开发了一个视频教程。此外，我们还想在可视化入职的背景下研究滚动作为研究2产生的一种有前途的入职方法，我们通过将其嵌入VA工具（见研究3）进一步研究了滚动式入职的适用性。2. 相关工作到目前为止，关于可视化技术和VA工具的入门概念的讨论很少（Firat et al. ，2022）。教育界从研究学生如何解释和生成数据可视化开始（Baker et al. ，2001）。 他们调查了如何在低年级教授条形图（Alper等人2017年）使用一个名为C'est la vis的平板电脑应用程序，支持小学生学习如何根据具体性褪色方法解释条形图。 具体化淡化是一种教学方法，它首先为抽象的思想和原理提供具体的例子，然后逐步抽象它们。最近，Bishop等人（2020）开发了一种基于平板电脑的工具，称为Construct-A-Vis，该工具支持小学生基于自由形式的活动创建可视化。他们使用脚手架作为一种教学方法，如果视觉映射是正确的，它会立即向用户提供反馈。 最近，Firat et al.（2020）开发了一个交互式教学树图应用程序用于培训。进行的研究表明，与工具互动的学生表现优于那些只通过幻灯片学习的学生。在这种情况下，Echeverria et al. （2017）执行了第一步定义数据讲故事，以支持教师的意义。作者发现，包含的叙述有助于支持故事和理解可视化中的数据点。进一步的研究探索了如何将数据讲故事的概念用于交流科学数据（Ma et al. ，2012年），将数据故事呈现给更广泛的受众（Segel和Heer，2022），或支持演示者通过数据可视化有效地讲述故事（Knaflic，2015）。Tanahashi等人（2016）调查了自上而下和自下而上的教学方法以及主动或被动学习类型。自下而上的教学方法（“教科书方法”）（扎伊德等。，2011年）侧重于小，详细的信息，然后学生结合起来，以获得更好的理解。此外，当一个广泛的概述首先有助于理解一个想法/主题的抽象的、高层次的部分，然后为详细理解其组成部分提供上下文时，给出了一种自上而下的教学方法（Tanahashi et al. ，2016年）。此外，可以区分主动和被动学习类型。被动学习是指学生只接受信息，不参与对话。相反，主动学习描述了一种积极的参与（Tanahashi et al. ，2016年）。他们的分析表明，自上而下的练习比自下而上的练习更有效，主动学习类型中自上而下的任务是最有效的。在Kwon和Lee（2016）的比较研究中，确定了主动学习策略的有效性。三种教程类型-静态，基于视频和交互式-用于支持散点图可视化的学习。他们的观察结果表明，使用交互式和视频教程的参与者的表现优于使用静态或根本没有教程的参与者。Ruchikachorn和Mueller（2015）通过展示一种不熟悉的可视化方法，将其与另一种更熟悉的方法联系起来，探索了模拟学习的概念。作者发现，类比学习的概念是有用的，因为参与者在他们的研究可以理解不熟悉的可视化方法在它们观察到或与来自熟悉的对应物的转换交互之后完全或至少显著地更好。他们评估了四种组合，并比较了它们在视觉素养方面的差异：散点图矩阵对超盒，线性图对螺旋图，分层饼图对树图，数据表对平行坐标图。作者描述了通过类比学习的另一个优势，因为它们跨越了任何语言障碍，而不是其他形式的演示，如文本或口头描述。除了科学文献，入门概念也集成在商业可视化工具中。如今，这些商业可视化工具中的大多数已经集成了关注功能解释的例如，IBMCognos Analytics（2022）使用带有工具提示和覆盖的分步导览来引导新用户。商业可视化工具Advizor（AdvizorSolutions，2022）使用了一种更传统的方法，该工具使用文本描述来解释可视化技术的视觉映射此外，还有一些平台和网站可以归类为外部入职方法（Stoiber et al. ，2019a）支持用户理解各种可 视 化 技 术 的 视 觉 映 射 。 例 如 ， 图 形 连 续 体 （ Swabish 和Ribecca，2014）提供了可视化类型的概述，并支持设计和方法决策。同样，数据可视化目录（Ribecca，2022）旨在支持用户理解不同可视化类型的编码和构建块此外，从数据到可视化（霍尔茨和希利，0000）的目的是找到一个适当的可视化类型的基础上输入数据使用决策树。目录提供了每种可视化类型的定义、变体和使用方法除了在使用和解释过程中可能出现的潜在问题之外。这些系统既不涉及特定的可视化工具，也不集成任何教育理论。在最近的文献中，Wang et al. （2020）提出了一套备忘单，以支持围绕信息图和数据漫画启发的可视化技术的可视化素养，这些技术是机器学习等领域中成熟的入门方法。3. 研究设计为了了解可视化如何影响不同级别的用户性能，我们进行了三项用户研究。作为第一步，我们进行了一个小规模的初步研究，以了解人们如何逐步解释可视化技术的内容，原因和方法。本研究的目的是使用的研究结果作为第一个交互式一步一步的入职方法的设计基础。初步研究。以前的研究（Huron et al. ，2014 b，a）研究了人们如何仅使用有形的构建块来创建、更新和解释他们自己的可视化。他们的主要目标是调查人们如何使用物理标记来构建自己的可视化-从Froebel（Manning，2005）为幼儿园教育设计的学习玩具套件中取出的木制瓷砖。据我们所知，目前还没有研究探讨人们如何解释某种可视化类型。为了提供更深入理解的第一步，我们对13名参与者（男8，女5;年龄：男30。23，SD3。32）。参与者表示，他们对可视化有中等到高等的经验，并具有计算机科学，会计和HCI的背景。对于访谈，我们开发了三种不同的静态可视化-条形图，水平图和变化矩阵。条形图显示了1965年至2019年奥地利因斯布鲁克的日照时数。对于地平线图，我们使用了-dom定量值从0到30。此外，变化矩阵可视化了从-10到10的量化值C. 斯托伊伯角Walchshirt，M.Pohl等人视觉信息学6（2022）3437我们要求参与者解释这三个可视化。我们在面试时做了手写笔记。系统分析表明，参与者在继续进行视觉编码之前，首先开始解释数据集和属性，例如条形图：“我要说的第一件事是，图表解释了城市的日照时间因斯布鲁克在前几年的表现“ （从德语翻译成英语）。我们已经对注释和解释进行了分组，因此我们得到了以下入门指令的划分：即阅读，使用和与图表交互，如第3.1节所述。在下文中，我们提出了我们想要回答的研究问题，并详细说明了不同的入职设计和一般研究设置，如图所示。1.一、用户研究1-3。研究1是在2019年10月至2019年11月和2020年2月之间使用LimeSurvey对MTurk工作人员进行的，旨在了解（1）可视化入门是否以及如何通过交互式分步指南影响用户性能;（2）四种不同可视化类型之间的用户性能是否以及如何（条形图、水平图、变化矩阵和平行坐标图）变化;以及（3）对于不同的任务类型，是否可以观察到用户表现的差异以及差异是什么（Friel etal. ，2001）。我们于2020年8月至2020年9月进行了第二项研究（研究2）。目的是调查不同的可视化引导方法（交互式分步指南、滚动讲述或视频教程）如何影响用户表现。因此，我们开发并设计了两种进一步的入职方法：一个滚动讲述（现场入门）和一个视频教程。与研究1一致，我们研究了基于不同任务类型的用户性能是否存在差异。对于这两项研究，我们使用受试者间设计，其中每位参与者评估四种可视化类型/入职方法中的一种，有或没有入职（自变量）。在调查开始时获取每种可视化类型的经验水平 为了确定入职的影响，我们在与入职部分互动之前和之后直接提出了问题。这些问题包括不同难度的任务（Frielet al. ，2001）。我们在入职之前和之后使用了不同的我们将入职部分之前的问题集称为前任务，并将入职之后的问题称为后任务。为了比较研究1的表现指标，当问题回答错误时，我们将答案正确性编码为“0”，当答案正确时，我们将答案正确性编码为“1”。同样，对于改进措施，我们将前题集正确回答和后题集错误回答的答案编码为“0”，将最初错误回答然后后题集正确回答的答案编码为“1”，将同样正确或同样不正确回答的问题编码为“-99”与响应时间的改进类似，我们评估了任务前和任务后的时间差。因此，值越负，后任务回答的速度就越快。最后，从06/2020到07/2020和10/2020到11/2020，我们进行了第三项研究（研究3），以了解如何在VA工具Netflower（桑基图和条形图（Stoiber等，，2019 b））影响用户性能和用户体验。 在这项研究中，我们的目标是使学生之间提供的上网工具和原位方法进行比较评估。详细说明图1中概述的入职方法和设计的效果。第 一，我们提出了五个研究问题（RQ）：RQ 1可视化导入如何影响性能 的用户？RQ2不同可视化类型之间的用户性能是否存在显著差异RQ3可视化入门的类型（逐步、滚动或视频教程）概念如何影响用户性能？RQ4现场滚动讲解和现场视频教程在参与者的表现上是否有任何差异RQ5现场讲解与辅导对参与者主观态度的影响，在质的方面是否有差异？此外，我们调查了所有三项研究的以下研究问题RQ-A在任务难度水平上，不同的入职方法之间的用户性能是否存在差异3.1. 入职方法在本节中，我们提供了四种不同的可视化入门方法及其设计决策的描述分步指南。我们逐步指南的入门概念的设计灵感来自于地图中的交互式图例（例如，专题地图和制图通信）和统计图表。印刷地图传统上使用静态的腿端编码的符号和颜色的含义（Göbel等人。，2018年）。一般来说，对于无法在可视化中直接标记数据的情况，图例是必不可少的设计元素（Few，2012）。我们采用了传说的隐喻，并开发了一个交互式可视化入门概念，包括针对视觉编码和交互技术的逐步文本描述（例如，悬停、选择等）并将它们与主可视化中的就地注释相结合。 如第3节所述，我们将机载指令分为三个部分：阅读、交互和使用图表，如图1所示。2（左）。在接下来的段落中，我们将详细说明不同的部分。引言A：由于标题元素和图例的重要性（Borkin et al. ，2016年），我们在我们的载入方法的顶部集成了一个介绍性语句，以提供有关数据的一般信息并描述相应可视化类型的应用领域。例如，对于平行坐标图，可视化的目的是识别属性之间的关系。导航B：B中所选的步骤，分步说明在相应的部分（阅读，交互，使用）以及可视化本身中突出显示，而其他步骤则变灰（见图10）。2（左）。用户可以通过使用右上角的Next和Previous按钮逐步浏览描述（图1）。2B）或通过点击分步指南中的编号文本描述直接操作。对于那些不需要一步一步解释的人来说，我们提供了一个ShowAll切换元素来隐藏和显示所有提示（见图2（右））。分步信息C：基于我们的访谈参与者的解释序列，分步指南包含了关于如何阅读、互动和使用图表的文本描述。第一部分包含信息，例如，关于C. 斯托伊伯角Walchshirt，M.Pohl等人视觉信息学6（2022）34381图二、平行坐标图的分步 分步指南以文本描述和就地注释为基础，包括四个部分部分：提供关于可视化A的上下文信息的简短文本介绍、浏览分步说明C的导航元素B以及可视化本身D。我们将文本描述分为阅读图表，用于解释视觉编码，与图表交互，用于解释交互概念和使用图表，以提供示例性的见解。而可视化A适当地改变为文本可视化的形状、轴或颜色编码。与图表相互作用的第二部分强调应用的交互技术，例如，指示如何重新排序轴或过滤属性值。对于使用图表部分，我们提供了三个使用Munzner（2009）的低层次类型学（识别，比较和总结任务）的可视化与视觉提示D：设计是组织在编号的文本描述与突出显示的属性结合在适当的注释（智等。，2019）（数字和符号）来指示突出显示的文本元素与视觉编码之间的连接。受Lu（2022）不同的符号设计的启发，我们使用与所选步骤相关的数字的圆形视觉标记。为了理解视觉编码，我们突出显示数据，指南和标记，如Vega语法（Satyanarayan et al. ，2016年）。因此，在每一步中，我们强调与可视化的视觉属性、编码、数据转换、模式或发现相关的单词。同样，为了解释模式（例如，属性之间的正相关或负相关），我们使用矩形覆盖在可视化中，如图3中的步骤3所示。二、此外，为了演示如何与可视化交互，我们引入了小图标，例如， 用于刷轴和重新排序轴。如图所示。 2（右），我们调整了分步指南的视觉表示，并将其应用到滚动教程中，用户必须从上到下滚动才能看到图表内和图表外的描述和提示。滚动教程。滚动叙事（Amabili，2019）是一种强大的叙事格式，可以打包和传输复杂的信息（Segel和Heer，2022; Riche等人，2019）。，2018年）。基于Nolan和Perrett（2016）的构造原理，文本元素可以通过上下滚动屏幕来递增显示（Riche et al. ，2018，pp. 95）。文本元素旁边的数字内容和组织（说明编号和分配给三个部分之一）符合分步骤指南，以确保可比性。我们的滚动讲述原型（学习环境参见。Stoiber等人 （2019 a））显示D在左侧具有视觉提示（注释）的交互式可视化和C在用户界面右侧的十个指令步骤，参见图2。 二、作为第三种方法，我们介绍了视频教程，以及通常用于入门和帮助 系 统 的 YouTube 视 频 （ Banovic et al. ， 2012; Pongnumkul etal. ， 2011 年 ;Grossman 和 Fitzmaurice ， 2010 年 ;Ruchikachorn 和Mueller，滚动教程。 用户可以逐步滚动浏览说明B视频教程。视频教程依赖于被动指令，因为不支持与可视化的交互。与分步指南的解释和结构类似，我们显示每个标记和交互元素，并使用画外音描述解释的每个步骤。为使听障人士能明白这些解释，本网站提供文字说明及字幕。一步一步的指南，滚动教程，以及，视频教程可以被归类为Stoiber等人。（2019a）“学习环境”，独立使用VA工具。因此，我们整合了一个现场（内部入职，参见 Stoiber等人 （2019a））使用滚动方式加入VA工具Netflower。第5节研究2的结果表明，滚动作为一种有前途的方法。在下一段中，我们详细介绍了现场加载的设计使用netflower进行现场入职。Netflower 1（Stoiber et al. ，2019b）是一个交互式web应用程序，用于可视化地探索动态网络。它的登陆页面已经包含了一个集成的入门，包括注释的屏幕截图，文本描述和视频。对于我们的比较评估，我们比较了现有的板载（外部板载，参见Stoiber等人 （2019年）（图）4）具有原位开发的滚动（内部引导，参见Stoiber等人 （2019年）（图）3）。当从上到下滚动时，文本元素在界面C的右侧逐渐突出显示，靠近主可视化A，参见图。3 .第三章。当侧窗格与交互式可视化链接时，每个段落分别以红色突出显示。原位引导中的滚动讲述行为类似于研究2中的滚动讲述教程，因为滚动引导用户完成指令。不同之处在于，原位滚动显示侧窗格中的所有指令，并通过突出显示相应段落来触发用户。然而，滚动教程提供了逐步的说明，而不是一目了然地显示所有的说明。该现场引导的文本与Netflower工具的登录页面中集成的现有引导中的文本相同，如图所示。四、Sankey图是交互式的，例如，通过单击Sankey图中的连接线，可以看到一个详细视图，显示流量大小，将显示两个节点。为了引导用户使用这些功能，我们模拟交互并显示详细视图，例如，在滚动引导消息时。2015; Ola and Sedig，2017; Kwon and Lee，2016; Lafreniere et al. 、2013年）。第1https://netflower.fhstp.ac.at2C. 斯托伊伯角Walchshirt，M.Pohl等人视觉信息学6（2022）3439图三. Netflower的现场入职。主可视化A和侧面的引导面板C。用户可以递增地滚动引导消息。所有的补充成分都是隐藏的，只有在解释的同时才能显示出来。为了对抗变化盲视，当前的引导消息以及解释的元素以红色C突出显示。在适当的时候，使用可视化的实际数据点覆盖额外的帮助图B见图4。Netflower入门由多个部分组成，包括带注释的屏幕截图和视频，其中包含对功能的口头解释：加载数据;读取可视化;过滤，排序，排序;使用标签;和笔记本。https://netflower.fhstp.ac.at网站。3.2. 执行用于此贡献的原型是使用Web技术（如JavaScript、HTML和CSS）构建的。我们依靠React（React语言，2022）作为基本的前端框架来提供响应式用户界面。对于视觉设计，布局和解释步骤，我们受益于样式框架Ant Design（Ant Design，2022），因为它提供了各种各样的用户界面元素，并保证了响应网格。为了渲染图表，我们依赖于Vega和Vega-Lite包装-React（React Vega，2022）和D3.js（D3语言，2022）来集成就地注释。由于我们面临着有关支持的交互技术的限制（例如，刷，重新排序，和工具提示）与织女星（Satyanarayan等人。，2016）和Vega-Lite（Satyanarayan etal. ，2017）在开发平行坐标图时，我们修改了库以实现交互式探索（ Kai ， 2021 ） 。 对 于 研 究 中 使 用 的 原 型3 ， 我 们 严 重 依 赖Netflower的代码库，它可以https://github.com/VALIDproject/上的MIT许可证下使用网花。我们将其分叉，并包括我们的原位滚动，而不使用额外的库 。 所 有 原 型 都 可 以 在 这 里 访 问 ： https://onboarding-methods.netlify.app/。3.3. 任务类别为了确定任务难度的差异，我们使用Friel等人的模型。（2001）区分了图形理解的三个阶段：（1）阅读数据，（2）阅读数据之间 的 内 容 ， （ 3 ） 阅 读 数 据 之 外 的 内 容 。正 如 Lee et al.（2017），阅读数据之外的内容只能使用带有定性答案的开放式问题来我们设计了所有三项研究的任务后，可视化素养评估测试（VLAT）（李等。，2017），其定义了用于诸如检索值、找到极值、确定范围或对12种不同的可视化类型进行比较的任务的一组问题。然而，VLAT并不涵盖本贡献中使用的因此，我们适应了C. 斯托伊伯角Walchshirt，M.Pohl等人视觉信息学6（2022）3440=-=-对于尚未描述的可视化类型的问题（例如，平行坐标图）。所有任务问题都可以从网址https://phaidra.fhstp。ac.at/o:4841.平行坐标图的示例如下：可可价值：可可在可可豆中的百分比是多少？下一篇：哪家公司的销售额最高？确定范围：可可含量为70%的可可豆每公斤的平均价格是多少比较：比较Caribeans，Kah Kow和Sibu，这些公司中哪一个显示了最低的每公斤价格和最高的销售量（以欧元计）？相关性：一般来说，有一个（负|正相关）。相似性：2015年在评级和每公斤价格方面最相似的公司是什么？此外，根据（Lee et al. ，2016;Kosslyn，1989;Freedman和Shah，2002），我们使用易于理解、具体和面向时间的数据集，有关每项研究中使用的数据集的详细描述，请参见第4.3节和第6.44. 研究1：可视化入职和对用户绩效的影响如图1所示，我们设计了研究1，以了解可视化加载如何影响使用不同可视化类型（RQ 2）和任务难度级别（RQ-A）的用户因此，我们分析了四种可视化类型（条形图，水平图，变化矩阵和平行坐标图），有两种条件（有和没有一步一步的指导作为入门方法），并交换了前任务和后任务的数据集因此，我们报告了性能指标答案正确性和改进（以百分比计）、响应时间和响应时间改进（以秒计）、与入职部分的交互时间（以秒计）和交互模式以及对入职方法的定性反馈的差异。因此，我们遵循混合方法来增加对可视化引导使用的理解。4.1. 参与者和仪器我们在众包平台Amazon Mechanical Turk上进行了16次实验。3美元的调查与入职和1.5美元的调查没有入职。此外，我们要求工人至少拥有学士由于我们按顺序发布调查，我们排除了之前已经参与的工人我们总共招募了400名MTurk工人（每个条件25名工人），由于调查不完整，我们不得不排除12名工人。因此，388名MTurk工人（性别：241，f第149章不喜欢年龄：男38岁。23，SD9。#36825;参与了我们的调查。我们使用LimeSurvey2进行了实验，其中我们使用了时间记录和问题随机化功能.我们设计并实现了3.2节中描述的前任务和后任务以及入职部分 的 可 视化 。 我 们将 入 职 部 分 链 接 到 LimeSurvey ， 并 使 用iFrames将可视化部分（前任务和后任务）集成到问卷中。为了评估基于视频和点击事件的入门概念的交互时间，我们使用图五. MTurk工人的研究1和研究2程序。这些调查遵循统一的结构，有两个条件-行为分析工具Hotjar。3.参与者使用自己的设备。由于我们的入门概念仅针对桌面和基于鼠标的设备设计，因此我们不仅在文本描述中，而且在编程上排除了移动设备的使用。两位合著者独立检查了视频，以确定不同的方面来回答以下问题：与视觉化有任何互动吗？可以观察4.2. 程序图图5示出了两种调查条件，一种具有可视化加载，另一种不具有可视化加载。两项调查的结构相同，除了一项包含交互式入门部分和关于易用性、信心、可理解性、风格、解释、互动和入门部分本身使用频率的七个问题每个调查都以一个关于给定可视化类型的经验水平的问题开始，使用5点Likert量表。根据以前的工作（Börner et al. ，2016年），条形图显示最高的平均经验水平（71.7%），其次是水平图（34.0%），变化矩阵（25.3%）和平行坐标图（22.2%）（见图2）。6）。评估后，经验水平，我们继续与前任务集：四个问题，每个条形图，地平线图，变化矩阵，和六个问题的平行坐标图。以随机顺序提出问题，以避免选择偏倚，如第3.3节所述，问题受VLAT启发。接下来，参与者必须与入职部分互动-如果分配到入职组。为了确保他们实际上与入职互动，我们在继续调查之前添加了一个强制性的确认问题。接下来是后期任务的一系列问题。最后，我们完成了关于人口统计学问题的调查（例如，年龄、性别、职业）。4.3. 数据集为了遵循易于理解和具体的数据集的概念对于天气数据，我们选择了20世纪每日地表空气的公开数据集2http://www.limesurvey.org/-[2021年6月访问]3https://www.hotjar.com/-[2021年6月访问]C. 斯托伊伯角Walchshirt，M.Pohl等人视觉信息学6（2022）3441=-====;=- --========;==;=- --==-===== −===-==-============ −;== −;== −;=见图6。 在5分制李克特量表上，研究1的每种可视化类型的经验水平，其中0分表示完全没有经验，4分表示经验丰富。百分比值表示有多少参与者主观地评定了他们各自的经验水平。此外，表1研究1的所有四种可视化类型的性能指标，n=388。回答正确率（%）回应时间（秒）onboarding With without With without条形图0.88±。3330.25 s ±26。440.87 ±。330.88 ±. 3233.92 s ±28。0226.58 s ±24. 31水平0.89±。3238.26 s ±28. 210.90 ±。3020.87 ±. 3438.86 s ±27。8037.65 s ±28。69变更矩阵0.76±。4343.73 s ±72。610.81 ±。390.70 ±. 4652.78 s ±95。5634.50 s ±34。49平行坐标绘图0.55±。5057.21 s±78。000.52 ±。500.58 ±. 4965.91 s ±41。7050.13 s ±99。60欧洲气候评估数据集项目（ECAD，2019）。我们使用此数据集计算了选定年份（1990年，1991年，2018年）欧洲城市的平均温度，用于条形图和地平线图。对于变化矩阵，我们使用了奥林匹克数据集（奥林匹克世界图书馆，2022），显示了1990年至1991年之间的奖牌分布。平行坐标图的数据集需要更多的维度。因此，我们决定从PACO（Cardata，2022）中获取汽车数据集，用于我们的可视化加载，我们通过汽车的生产年份进行扩展，以添加时间方面。对于前任务和后任务，我们使用易于理解的面向时间 的数 据集 （ 例如 ， Spotify 数 据基 于歌 曲标 题和 各种 特征（Spotify分类-Kaggle.com，2017），巧克力棒排名（巧克力棒评 级 -Kaggle.com ， 2017 ） ， 随 着 时 间 的 推 移 ， 天 气 数 据（ECAD，2019）和奥运奖牌（奥林匹克世界图书馆，2022）随时间的分布4.4. 结果可视化类型。我们首先评估了所有四种可视化类型之间的差异。我们发现四种可视化类型之间的答案正确性存在显著差异。最高的回答正确性后的问题是地平线图（M。89 SD. 32），其次是的 条形图（M. 88SD。33），变化矩阵（M.76 SD。43），以及平行坐标图（M. 55 SD. 50），F（3， 1742）七十。557页. 000.关于响应时间，最快的答案是条形图（M 30。25秒SD 26. 44），则水平图（M38岁26秒SD28. 21），变化矩阵（M43。73秒SD72. 61），然后平行坐标图（M57。77.第77章.00）survey，F（3，1743）18. 523，p. 000.基于答案正确性或响应时间改进的结果表明，对于答案正确性改进，视觉化类型之间存在χ2六、643页. 084，DF3.相反，对于响应时间的改善，参与者回答后的问题更快的地平线图（M20 。 第234章. 42），然后用平行坐标绘图（M19.32 秒 SD95.01），其次是条形图（M2。315 s SD 42. 15）和变化矩阵（M 1。63秒SD 100. 09）-不考虑入职概念，F（3， 1742）3 .第三章。190，p. 23，η2. 005.值越负，参与者回答帖子问题集的速度越快。因此，可以说，关于水平图和条形图的问题可以比其他可视化类型更正确地回