堆叠条形图的有效性及其在属性比较中的应用

*视觉信息学2（2018）155堆叠条形图在支持单属性和总体属性比较中的功效Indratmoa，*，Lee Howorkoa，Joyce Maria Boediantoa，Ben Danielba加拿大MacEwan大学计算机科学系新西兰奥塔哥大学高等教育发展中心我爱你• 堆叠条形图的变体在支持总体属性比较方面具有不同的有效性水平• 适当的数据可视化表示可以降低手头任务的复杂性• 信息的空间分离可以帮助用户管理手头任务的感知难度ar t i cl e i nf o文章历史记录：接收日期：2018年5月21日收到修订版，2018年8月24日接受，2018年2018年9月22日在线提供关键词：堆叠条形图比较任务用户研究多属性数据信息可视化a b st ra ct堆叠条形图是一种用于呈现数据的多个属性的可视化方法，许多可视化工具都支持这些图表。为了评估堆叠条形图在支持属性比较任务中的有效性每种图表类型用于可视化数据的六个属性，其中一半的属性具有“较低更好”的特征，而另一半属性具有“较高更好”的特征。三十名参与者被要求执行两种类型的比较任务：单属性和整体属性的比较。我们测量了比较任务的完成时间、错误率和感知难度。研究结果表明，对于整体属性比较，倒置堆叠条形图是最有效的完成时间方面。结果还表明，使用经典和发散堆叠条形图进行整体属性比较比使用这些图表进行单属性比较需要更多的时间参与者认为倒置和发散堆叠条形图比经典堆叠条形图更容易使用。总体属性比较的条形图。然而，对于单属性比较，所有图表类型都提供了类似的性能。我们将讨论这些发现如何为交互式堆叠条形图和可视化工具的更好设计提供2018浙江大学出版社版权所有由爱思唯尔公司出版这是一个在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. 介绍堆叠条形图是一种可视化方法，对于呈现数据属性的总和特别有用，同时允许用户查看这些属性的值如何对总数做出贡献（Streit和Gehlenborg，2014）。堆叠条形图有许多应用，包括基于多个属性探索项目的排名（Gratzl等人，2013），可视化调查数据通讯作者。电子邮件地址：indratmo@macewan.ca（Indratmo），lhoworko@gmail.com （ L.Howorko ） ， boediantoj@macewan.ca （ J.M.Boedianto），ben. otago.ac.nz（B.Daniel）。同行评议由浙江大学和浙江大学出版社负责https://doi.org/10.1016/j.visinf.2018.09.002使用Likert类型量表收集（Heiberger和Robbins，2014），并呈现离散事件的概率（Spiegelhalter等人，2011年）。许多软件工具，包括统计工具（例如，R和SPSS）、可视化工具（例如，Tableau和VisComposer Mei等人， 2018）和可视化库（例如，D3 Bostock等人， 2011年），支持堆叠条形图。尽管堆叠条形图很常见，但如果设计不正确，它们可能是无效的（Knaflic，2015;Munzner，2015）。首先，由于其有限的可扩展性，堆叠条形图在用于呈现具有许多属性的数据时在视觉上是低效的其次，通常会为堆叠条形图中的不同条形段分配不同的颜色这些颜色应该选择适当的，以允许用户快速区分图表中的类别（Healey，1996）。第三，如果没有深思熟虑的设计，堆叠条形图不能有效地支持属性比较任务，特别是当2468- 502 X/©2018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/visinf156Indratmo et al. / Visual Informatics 2（2018）155-165Fig. 1. 可视化数据的多个属性的条形图。数据属性具有发散的特性（例如，‘lower better’ vs. ‘higher比较数据是基本的可视化任务之一（Becommer和Munzner，2013）。在分析多属性数据时，用户可能需要关注数据的单个属性（例如，找到更便宜的产品）和数据的总体属性（例如，基于价格、能量消耗、耐用性和用户评级找到最佳的整体产品这些属性具有较低较好的特性（即，价格和能耗）和更高更好（即，耐久性和用户评级）。仅仅使用经典的堆叠条形图显示这些属性可能无法帮助用户进行产品比较。为了了解堆叠条形图在支持单属性和整体属性比较方面的有效性，我们进行了一项有30名参与者的用户研究。我们比较了三种堆叠条形图的表现：经典的，反转的和发散的（见图1）。①的人。每种图表类型的有效性进行了评估，关于完成时间，错误率，和感知难度的属性比较任务。实验结果表明，对于整体属性比较，倒置堆叠条形图对于完成时间是最有效的。结果还表明，使用经典和发散图进行整体属性比较比使用这些图进行单属性比较需要更多的时间。参与者认为倒置和发散图比传统的堆叠条形图更适合用于整体属性比较。然而，对于单属性比较，所有图表类型都提供了类似的性能。我们的研究旨在通过识别最有效的堆叠条形图类型来促进属性比较任务，从而为堆叠条形图在支持单属性和整体属性比较方面的价值做出识别图表类型和任务类型之间的关系具有实用价值，因为图表的有用性在任务之间变化（Saket等人， 2018年）。的本研究的结果可提供设计交互式堆叠条形图的参考，并指导可视化设计人员提供适当的堆叠条形图，以帮助用户有效地执行任务。我们将本文的其余部分组织如下。第二节回顾了信息可视化和条形图的相关研究。第三节说明了研究中使用的经典、倒置和发散堆叠条形图第4节描述了研究的目的、设计、程序和参与者。第5节报告了实验结果和分析。第6节讨论了研究的主要结果及其对设计有效的堆叠条形图和可视化工具的影响。第七部分总结了本研究的主要观点，并提出了未来工作的方向。2. 背景和相关工作2.1. 条形图的设计空间条形图通常使用长度来编码定量数据，使用色调来编码标称数据。适当使用这些视觉通道有助于准确解释数据。用户可以从条形 图 的 长 度 中 提 取 定 量 信 息 ， 并 准 确 地 进 行 长 度 判 断（ClevelandandMcGill，1984;Mackinlay，1986），并利用少量的色调来识别图表中的类别（Ware，2004）。此外，长度和色调是人类视觉系统可以通过并行处理非常快速地识别和处理的视觉特征（Healey和Enns，2012;Treisman和Gormican，1988）。1939 年 ， Brinton 讨 论 并 记 录 了 条 形 图 及 其 变 体 的 使 用（Brinton，1939）。图1示出了通常用于呈现数据的多个属性的各种条形图。这些条的方向可以是水平的（如图所示），也可以是垂直的。这些图表的风格和名称可能会随着时间的推移而变化例如，发散条形图Indratmo et al. / Visual Informatics 2（2018）155-165157表1条形图用于单属性和总体属性比较的适用性类型单属性比较全属性比较经典堆积条形图是的是的倒置堆叠条形图是的是的发散堆积条形图是的是的100%堆叠条形图是的没有分组条形图是的没有分层条形图是的没有被布林顿称为双边条形图。然而，图表的基本特征和目的保持不变。下面，我们讨论每种图表类型（请参阅图1）。1（必要时），并在表1中总结了其用于单属性和总体属性比较的适用性。2.1.1. 经典堆叠条形图在经典的堆叠条形图中，条形的长度表示项目的属性值之和，而条形的段显示每个属性值对总数的贡献。表示属性的条段通常具有不同的视觉特征（例如，不同的颜色）以便于属性比较和识别。这种可视化便于进行单个属性和整体属性的比较。要进行单属性比较，用户可以关注表示感兴趣属性的条形图段。当他们需要执行整体属性比较时，他们可以专注于条形图的长度只要所有的数据属性具有相同的特征，经典的堆叠条形图可以很好地支持整体属性例如，当分析值越大意味着越好的数据集时，用户可以通过定位经典堆叠条形图中最长的条形来找到最佳的整体项目。然而，当数据属性具有发散特征时，这种方法不起作用 考虑图1中的经典堆叠条形图。1，并假设属性1 - 4是较高-较好，而属性5是较低-较好。从图表上看，哪一个是最好的整体项目并不明显用户必须花费一定的认知努力，才能确定项目1是最好的项目。2.1.2. 反转堆叠条形图倒置堆叠条形图有可能克服涉及不同属性特征的整体属性比较的困难。我们首先在LineUp中遇到了反转堆叠条形图的想法，LineUp是一个可视化应用程序，使用交互式条形图来探索多属性排名（Gratzl等人， 2013年）。在LineUp中，用户可以应用反转来修改映射函数，使得属性的值越小，表示该属性的条形越长。可视化如图1中的经典堆叠条形图中所示的相同数据，反转堆叠条形图反转属性5的视觉表示，使得所有条形段现在具有一致的含义，即，越长越好这种反转简化了寻找最佳整体项目的任务，因为项目1是图表中最长的然而，反转堆叠条形图的用户可能会忘记反转的条形段并误解图表。因此，倒置的条形图段看起来应该与常规条形图段不同在我们的例子中，我们用一个模式填充反转的条形段（属性5）。2.1.3. 发散堆积条形图在发散堆叠条形图中，条形图使用一个共同的基线（左和右或顶部和底部）（Brinton，1939）。此图表类型适用于呈现具有不同特征的属性（例如，利润与损失），并支持单属性和整体属性比较。按照我们前面的示例，可以使用发散堆叠条形图将属性5与其他属性分开。更具体地说，属性5显示在基线的左侧区域，而其他属性保留在右侧区域（参见图1）。这种空间分离可能能够帮助用户处理不同的属性特征，而不使用反演，这可能导致不正确的数据解释。2.1.4. 100%堆叠条形图100%堆叠条形图与经典堆叠条形图相似在这个图表中，一个条形代表100%，而不是表示一个实际值，条形部分代表整体的百分比（Brinton，1939）。此图表可视为等效于多个饼图。100%堆叠条形图使用户能够对各个属性进行快速的相对比较考虑一个数据集，其中包含一个国家使用的不同类型的语言以及多年来使用这些语言的人数如果我们对这些语言之间的相对比较感兴趣，或者发现它们相对于整个人群的使用趋势，那么使用100%堆叠条形图来绘制数据集可以帮助用户看到这样的模式。例如，该图可以显示该国讲英语的人的百分比在过去十年中迅速增加但是，100%堆叠条形图不适合进行整体属性比较，因为每个条形图的长度都相同，因此无法指示哪个项目更好。2.1.5. 分组条形图在堆叠条形图中，通常只有一个属性共享公共基线。例外情况是两个属性共享基线的发散堆叠条形图。堆叠条形图中的所有其他属性都是不对齐的。因此，许多属性比较需要非对齐条比较（长度判断），这被证明不如对齐条比较（位置判断）准确（Cleveland和McGill ， 1984; Heer 和 Bostock ， 2010; Simkin 和 Hastie ， 1987;Talbot等人， 2014年）。如图1所示，分组条形图将所有条形放在一个共同的基线上，以支持属性比较，特别是在每个项目中（Streit和Gehlenborg，2014）。在某种程度上，这种图表类型仍然允许用户跨项目比较属性，但由于存在干扰项（其他条形图）和项目之间的间隙，这种比较不像项目内的比较那么容易。分组条形图很好地支持单属性比较，但不支持跨项目的整体属性比较2.1.6. 分层条形图与分组条形图类似，分层条形图消除了堆叠条形图中不对齐条形比较的需要（见图10）。①的人。分组条形图非常适合比较项目内的属性，分层条形图适合比较项目间的单个属性（Streit和Gehlenborg，2014）。但是，由于属性条形图之间存在间隙，因此这种图表类型对于整体属性比较并不理想要了解和比较分层条形图中项目的整体质量并不容易158Indratmo et al. / Visual Informatics 2（2018）155-1652.2. 条形图的感知准确性由于可视化的主要目的是向用户传达数据，因此许多研究都集中在条形图的感知准确性上（Cleveland和McGill，1984; Heer和Bostock，2010; Simkin和Hastie，1987; Talbot等人， 2014; Skau等人， 2015; Srinivasan等人， 2018; Zacks等人， 1998年）。这些研究考察了可能影响知觉准确性和解释的各种问题，如条形图的位置（对齐与不对齐）、干扰物的存在（其他条形图未被判断）、条形图中深度线索的在堆叠条形图中，对齐的条形图可以更容易地进行比较因为相同基线上的条允许观察者进行位置比较而不是长度比较（Cleveland和McGill，1984; Heer和Bostock，2010; Simkin和Hastie，1987; Talbot等人， 2014年）。此外，这些研究表明，位置判断比长度判断更准确，因此质疑堆叠条形图的有效性。然而，其他研究表明，对于特定的任务（例如， 组合不同类别中的数据总数），堆叠条形图中条形段的总和可以帮助用户有效和高效地完成任务（Böschen等人， 2017年）。此外，知道总和是如何构成的还向用户提供了上下文信息，并允许用户详细检查数据的每个属性Zacks等人 （1998）研究了深度线索的影响，附近的图形元素对条形图的感知准确性。将深度线索添加到条形图降低了感知准确性，因为这些深度线索不一定对附加信息进行编码，并且可能会分散一些观看者的注意力。早期的研究还表明，体积判断不如长度和面积判断准确（ClevelandandMcGill，1984;Mackinlay，1986）。与深度线索相比，目标条的高度及其与附近条的相对高度对准确性有更显著的影响，导致目标条的感知高度失真这一结果与平行线错觉的研究一致，即根据相邻线的长度和位置，相同长度的线可能被不同地感知（低估或高估）（Jordan和Schiano，1986）。2.3. 条形图中修饰的效果随着许多可视化工具的出现，人们可以很容易地创建美化的条形图，例如带有圆角或尖头的条形图虽然这样的修改可能会提高条形图的美学，但在大多数情况下，与标准条形图相比，美化条形图的感知准确性较低（Skau等人， 2015年）。Skau的研究表明，用户在判断条形图的绝对值和评估修饰条形图中两个条形图之间的相对差异（百分比）时都不太准确。没有一个修饰的条形图比标准条形图表现得更好。然而，如果精心设计，提高图表及其传达的信息的可记忆性，因为修饰可以为用户提供额外的回忆线索（Bateman等人， 2010年）。举例来说，一幅描绘政府开支在短期内急剧增加的图表，可能会用一个怪物般的插图来传达一个信息，即增幅是巨大的或令人震惊的。怪物插图可以帮助用户回忆图表的中心信息（即，政府支出大幅增加从本质上讲，修饰必须与图表的内容相关;图表上随机的插图不能有效地作为回忆线索。2.4. 传统条形图的扩展条形图只能向用户呈现有限的信息量（Keim等人，2002b，a，2007）。当条形图可视化复杂数据集时，它只显示聚合数据。例如，可视化一年中的月度销售数据的条形图显示了跨月份的12个聚合值，但没有显示对这些聚合值有贡献的单个交易为了改善业务，数据分析师需要确定对销售贡献最大的产品或客户但是，这些信息在传统的条形图中不可见。为了解决这一局限性，研究人员提出了对传统条形图的扩展（Keim等人，2002 b，a，2007; Huang等人，2009年）。这些方法使用条形图中条形内的区域来显示构成聚合值的各个项目通过这种方式，用户可以获得数据集的概述（由每个条形的长度表示）以及每个聚合值如何由单个项目组成的感觉（如每个条形内的区域所示像素条形图使用条形内的区域来可视化详细的项目，其中每个项目使用单个像素进行编码（Keimet例如，2002年b）。条中的项基于一个或两个属性进行排列，这些属性确定它们在条中的x和y位置。然后，基于数据的特定属性（例如，价格、数量）。分层像素条形图进一步扩展了像素条形图的概念，允许用户通过选择特定的条形图/数据子集来深入数据（Keim等人，2002年a）。当用户选择特定栏（例如，特定年份），则条展开并显示更详细的信息（例如，选择年份的数据）。这个特性适合业务数据的层次结构。例如，销售数据通常包含分层信息，如时间（年、月、日）、位置（城市、社区、商店）和产品（类别、品牌、项目）。业务分析师需要确定关键项目（例如，大型事务），以便他们可以将精力集中在这些选定的实体上。但是，像素条形图统一处理数据集中的各个项目，因此无论项目多么重要，每个项目都仅显示为单个像素。值单元条形图将数据值按比例映射到条形内的矩形单元上，以帮助分析师注意其数据中的关键项（Keim等人， 2007年）。例如，如果一个单元格表示一个$50的值，则小于$50的小交易被合并到一个单元格中，而$1000的交易占用20个单元格。这些事务的值还决定了表示它们的单元格的颜色。通过这种方式，用户可以更有效地注意到数据集中的显著项，因为这些项比不太重要的项更可见。树图条形图应用了像素和值单元条形图中使用的类似方法（Huang等人， 2009年）。树图条形图结合了传统条形图和树图可视化方法（Johnson和Shneiderman，1991）的特点。树形图可视化方法是一种空间填充技术，用于将项目放置在条形图内的区域中由于这个区域非常有限，树形图条形图使用焦点+上下文交互技术（Rao和Card，1994），允许用户放大特定的条形图，以便用户可以查看选定条形图中的扩展树形图2.5. 相关工作表2总结了信息可视化的相关工作我们的研究属于有效性类别，因为它侧重于比较三种类型的堆叠条形图支持属性比较任务的有效性。我们使用信息可视化的早期研究来分析和解释我们的实验结果。Indratmo et al. / Visual Informatics 2（2018）155-165159表2比较我们的研究与信息可视化的相关工作。主题描述感知准确性评估视觉通道的感知准确性（包括条形图）（Cleveland和McGill，1984; Heer和Bostock，2010; Simkin和Hastie，1987; Talbot等人，2014; Skau等人，2015; Zacks等人，1998年）。在条形图中评估修饰的效果（Skau等人， 2015; Bateman等人， 2010年）。扩展通过使用条形图中的区域来扩展条形图的功能，以可视化详细的项目（Keim等人，2002 b，a，2007; Huang等人，2009年）。有效性评估条形图在特定任务中的有效性（Saket等人， 2018; Srinivasan等人，2018; Böschen等人，（2017年）（我们的研究属于这一类）。应用将堆叠条形图用于特定目的（Gratzl等人，2013年;Heiberger和Robbins，2014年）。3. 经典、倒置和发散堆叠条形图3.1. 图表类型的基本原理我们研究了经典的、倒置的和发散的堆叠条形图，因为它们既适合于单属性比较，也适合于整体属性比较（见表1）。经典堆叠条形图是最常见的堆叠条形图类型，因此在实验中用作基线倒置和发散堆叠条形图都特别是，反转图将很好地用于整体属性比较，因为它提供了数据的一致视觉表示（即，更长的条意味着更好）。但是，用户可能会忘记或误解倒置堆叠条形图中的倒置条形段。发散图不会带来这样的风险，并且可能通过为不同的数据属性提供两个单独的空间（较高的更好，较低的更好）来提高性能这种空间分离可能有助于用户进行全面的属性比较，并降低他们的认知负荷。我们在研究中探讨了这些方面。3.2. 图表的构建图表中显示的数据是股票市场数据的快照，具有六个属性（Fish，0000）：NY% Growth本研究认为，每个属性同等重要，NY% Growth、ROE和Dividend Yield值被认为越高越好，而EPS% Payout、PE Ratio和PEG Ratio值被认为越低越好。我们为实验设计的图表如下。堆叠条形图中的每个条形段具有相同的最大长度（即，标准化）来处理不同规模的库存属性，并且因为所有属性都被认为是同等重要的。为了实验的目的，每张图表在任何时候都只显示两只股票。经典和发散堆叠条形图将条形段的最大长度分配给两个股票之间的较高属性值，而较低的值则分配给两个股票之间的较低属性值。例如，考虑股票A和B相应地具有12和36的PE比率值，并且条形段的最大长度是90像素。由于股票B的PE Ratio值高于股票A的PE Ratio值，因此表示股票B的PE Ratio值的条形图段将是90像素长，而股票A的PE Ratio值将是90像素长。A是30像素长反转堆叠条形图使用相同的原理，除了反转属性的条形在这些股票之间交换，例如，股票A我们使用D3实现了所有图表（Bostock等人， 2011），并使用D3的分类调色板之一（category10）为堆叠条形图分配颜色。条形 部 分 水 平 堆 叠 以 便 于 阅 读 （ Heiberger 和 Robbins ，2014;Knaflic，2015）。由于本研究旨在评估数据的感知准确性和解释，因此属性的确切值并不重要，因此未在图表中显示。3.2.1. 经典堆叠条形图在经典的堆叠条形图中，每个属性值都没有任何修改，并堆叠在一起，如图所示。 二、图表将具有相同特征的属性（较在这种情况下，较低较好的属性（PEG比率，PE比率和EPS% Payout）堆叠在一起，然后是较高较好的属性（股息收益率，ROE和NY%Growth）。3.2.2. 反转堆叠条形图反转堆叠条形图反转较低较好属性（PEG比率、PE比率和EPS%支付）的映射函数，使得它们的视觉表示与其他属性具有一致的含义，即，更长的酒吧意味着更好。反转的条段填充有图案，以向用户提供关于反转的视觉提示例如，如果我们正在寻找一个较低的PE比率的股票，并比较CL和KO，如图3所示，正确的答案是KO，因为KO较高-较好属性的映射函数保持不变。例如，较长的ROE条段表示较高的ROE值。3.2.3. 发散堆积条形图发散堆叠条形图使用右侧区域显示较低的较好属性，左侧区域显示较高的较好属性（见图2）。4）. 此图表对所有属性使用法线映射因此，较短的条段指示较低的值，反之亦然。160Indratmo et al. / Visual Informatics 2（2018）155-165图二. 经典堆叠条形图。图三. 反转堆叠条形图。4. 方法4.1. 动机和目标见图4。 发散堆积条形图。在给参与者的指示中明确说明了这一假设4.2. 用户任务：单属性和整体属性比较我们的研究是由应用交互式条形图来探索LineUp中的多属性排名所激发的（Gratzl等人，2013年）。LineUp使用户能够比较项目的排名（例如，大学）基于多个属性（例如，学术代表、教师/学生比率、每个教师的引用数该应用程序支持各种类型的堆叠条形图，并允许用户将数据的视觉表示从一种类型更改为另一种类型（例如，从经典到发散堆叠条形图）。然而，很少有人知道哪种图表类型最适合支持属性比较，特别是当数据属性具有混合特征时。本研究旨在为回答这一研究问题提供实证证据。本研究的主要目的是评估堆叠条形图支持比较任务的有效性。本研究探讨了图表类型和任务类型两个因素对比较任务完成时间、错误率和感知难度的影响图表类型是经典的，反转的，发散的堆叠条形图。比较任务包括单属性比较和整体属性比较。每个图表显示了股票市场数据的六个属性（Fish，0000），其中一半的属性被认为是较低的更好，而另一半的属性是较高的更好（见第3节）。这在单属性比较任务中，参与者被要求比较两只股票，并选择市盈率较低的股票。如图2所示，PE比值显示为基线的第二个条形图，因此需要进行非对齐比较。我们做出这种安排是为了反映一个真实的场景，在这个场景中，用户可能会关注给定堆叠条形图中的特定属性，并假设该属性可以位于堆栈中的任何位置。此外，我们设计了这个任务，以便参与者需要比较倒置堆叠条形图中的倒置条形段（PE比率），以评估倒置图表的有效性。以下是单属性比较任务描述的摘录：单一属性比较任务。在这个任务中，您只需要关注一个属性-市盈率-并选择市盈率较低的股票。请认真迅速地完成任务。请注意，PE，PEG和EPS% Payout都较低更好，而股息收益率，ROE和NY% Growth都较高更好。在整体属性比较任务中，参与者被要求比较两只股票，并选择最好的整体股票。这Indratmo et al. / Visual Informatics 2（2018）155-165161++×−×任务假定每个属性具有相等的权重。因此，最好的整体股票是一只股票，总的来说，具有较低的PEG比率，PE比率和EPS%支付值，以及较高的股息收益率，ROE和NY%增长值。以下是给参与者的总体属性比较总体比较任务。在这个任务中，假设每个属性具有相同的权重，并选择最佳的总体股票。请认真迅速地完成任务请注意，PE，PEG和EPS% Payout都较低更好，而股息收益率，ROE和NY%Growth都较高更好。在倒置堆叠条形图中，两支股票之间的最佳整体股票仅仅是较长的条形，因为所有条形分段在倒置图中具有一致的含义在经典和发散堆叠条形图中，我们可以将代表股票市场数据的六个属性的六个条形段分为两类：较短的较好的条形和较长的较好的条形。选择最好的整体股票涉及计算这些酒吧之间的总差异例如，考虑股票A的总长度为200像素短-好条和180像素长-好条，股票B的总长度为240像素短-好条（比A与股票A相比，股票B是更好的整体股票，因为对于股票B，较短的更好的条（40像素）和较长的更好的条之间的总差异（70像素）为阳性（30像素）。回想一下，在这个任务中，假设每个数据属性都具有相同的权重，并且图表的实现遵循了这个假设。4.3. 业绩计量堆叠条形图的有效性使用三个变量来测量：完成时间（完成任务的时间），错误率（错误答案的数量），以及使用特定图表完成任务的感知使用参与者完成任务所使用的软件自动收集完成在每个参与者完成一组任务后，使用以下问题收集感知困难找到一只市盈率（PE）较低的股票是. （1：简单，5：困难）• 找到最好的整体股票是... （1：简单，5：困难）4.4. 参与者我们招募了30名本科生参与者，他们正在参加二年级的计算机科学课程，介绍所有参与者使用相同的设备，并在同一个计算机实验室执行给定的任务。他们没有收到酬金，但我们在每次数据收集会议后提供零食，以感谢他们的时间和参与。参与者不需要完全理解研究中使用的股票市场数据属性的含义，因为他们收到的信息表明，NY% Growth，ROE和DividendYield值被认为是越高越好，而EPS% Payout，PE Ratio和PEG Ratio值被认为是越低越好。该信息作为说明的一部分提供4.5. 实验设计我们采用了3种图表类型2种任务类型，被试内设计。每位参与者使用堆叠条形图的所有变体进行单属性和整体属性比较。图表类型和任务类型的每种组合重复五次。例如，每个参与者做五个单属性比较表3实验矩阵。组顺序参与者看到的图表类型的顺序1古典反相发散2发散古典反相第三章颠覆经典使用经典的堆叠条形图（即，比较五对随机选择的股票）。每次参与者比较一对股票时，都会记录完成时间和错误率我们使用拉丁方来平衡参与者看到的图表类型的顺序，并控制与受试者内设计相关的学习效果（MacKenzie，2013）。表3显示了用于确定我们研究中参与者使用我们邀请全班学生参加我们的研究，然后根据参与者的随机可用性安排实验每个参与者根据其可用性顺序被分配到第1、2或3也就是说，第一个参与者被分配到组1，第二个被分配到组2，第三个被分配到组3，第四个被分配到组1，依此类推。例如，被分配到第3组的参与者按照以下顺序使用堆叠条形图的变体执行任务：反转，发散和经典。4.6. 程序在每个实验阶段开始时，参与者收到有关研究目的、实验方案和所需任务的信息。然后，每个参与者被分配到一个小组，确定他们在实验中看到的图表类型的顺序（见表3）。根据这一组顺序，软件显示了一个经典的，倒置的，或发散的堆叠条形图。首先向被试解释所显示的图表的特点，然后接受一个实际任务。练习任务必须正确完成，以确保参与者熟悉图表并理解任务。对于每种图表类型，参与者总是在执行整体属性比较之前首先执行单个属性比较。在使用特定图表类型（例如，使用经典的堆叠条形图进行单属性比较），参与者填写了一份基于纸张的感知难度问卷，询问任务的容易程度或难度。然后，参与者继续进行下一个任务或图表类型。5. 数据分析和结果本研究采用被试内设计，探讨了图表类型和任务类型两个因素对任务完成时间、错误率和感知难度的影响。考虑到实验的设置，使用双向重复测量方差分析（RM ANOVA）检验两种条件之间的平均差异是适当的Mauchly当F值显著时，采用Bonferroni校正进行事后成对实验数据用SPSS软件进行统计分析。表4提供了结果的描述性统计量。它显示了两种不同任务类型（单属性和整体属性比较）和三种不同图表类型（经典、倒置和发散）的性能测量值的均值和标准差完成时间指示参与者使用特定图表完成特定任务所需的时间（以秒为单位）错误率表示参与者提交的错误答案的数量。感知难度表示参与者使用特定图表完成特定任务的容易或困难程度（1：容易，5：困难）。·162Indratmo et al. / Visual Informatics 2（2018）155-165===-=-=-==-===-=-=-==-表4完成时间、错误率和感知难度的平均值（M）和标准差（SD）（N=30）。任务类型图表类型完成时间错误率感知难度MSDMSDMSD单属性古典13.438.090.270.642.031.00比较反转14.747.100.270.6912.001.23发散14.175.000.230.431.931.05全属性古典28.9713.660.71.2363.131.17比较反转12.6410.410.230.6791.801.19发散27.9113.290.40.8552.401.04图五. 比较任务的每种图表类型的完成时间的平均值。5.1. 图表类型和任务类型对完成时间的影响双因素RM ANOVA显示图表类型的主效应，F（2， 58）十四岁642（p）<. 001），任务类型，F（1， 29）41岁935（p<。001），以及图表类型和任务类型之间的交互F（2，58）16。922（p<. 001），在完成时间。倒置堆叠条形图的平均完成时间是其他平均值中最低的（M12。64，SD 10。41），表明当参与者使用倒置堆叠条形图时，他们在整体属性比较任务中表现最好（见图41）。5）。当使用反转图表类型时，参与者完成整体属性比较任务的时间明显减少（M12。64）相比，经典（M 28。97）和发散图表类型（M 27.91）。事后成对比较证实了经典和倒置图表类型的平均完成时间之间的显着差异（p<。001），以及倒置图型与发散图型的平均完成时间（p<。001）。在单属性比较任务中，不同类型的图表之间的平均完成时间没有显著差异这一结果表明，对于单属性比较，所有图表类型在完成时间方面的性能相似。图6示出了关于完成时间的图表类型和任务类型之间的交互。当参与者使用经典的堆叠条形图时，整体属性比较的平均完成时间显着更长（p <<0.05）。001）和发散堆叠条形图（p<。001）与单属性比较的平均完成时间相比。然而，当他们使用倒置堆叠条形图时，完成单个属性和整体属性的比较需要类似的时间。5.2. 图表类型和任务类型对错误率的影响结果显示，不同图表类型和任务类型的平均错误率最见图6。 图表类型和任务类型对完成时间的交互作用。的比较任务被正确执行，如错误率的低平均值所指示的。这一发现表明，如果有足够的时间，参与者能够正确处理所有三个堆叠条形图提供的信息5.3. 图表类型和任务类型对知觉难度的影响双向RM方差分析揭示了图表类型的主效应，F（2，58）7. 773（p. 001），任务类型，F（1，29）7. 421（p。011），以及图表类型和任务类型之间的交互，F（2，58）6. 34（p. 003），对困难的认识。对于整体属性比较，倒置图表类型的平均感知难度在其他平均值中最低（M 1。80，SD 1。19）。这一结果表明，参与者认为倒置图表类型最容易用于完成整体属性比较（见图1）。 7）。 事后成对比较显示，经典和倒置图表类型的平均感知难度之间存在显着差异（p<。001），以及经典和发散图表类型的平均感知难度之间的差异（p。049）。这意味着参与者对经典图表类型（M）最不满意3 .第三章。13）相比，反相（M1 .一、80）和diverging- ing（M 2. 40）图表类型。然而，有没有显着差异的平均感知困难的倒置和发散图表类型。对于单属性比较，所有图表类型的平均感知难度没有显着差异图8示出了图表类型和图表类型之间的交互。任务类型对感知难度的影响。事后成对比较显示，经典图表类型的平均感知差异之间存在显著差异（p <<0.05）。001）的单属性比较（M2. 03）和整体属性比较（M 3. 13）。然而，有没有显着差异的平均感知困难的倒置和发散图表类型的单属性和整体属性的比较。Indratmo et al. / Visual Informatics 2（2018）155-165163图7.第一次会议。知觉难度的平均值（1：容易，5：困难）。见图8。图表类型与作业类型对知觉难度之交互作用。6. 讨论在数据量空前增长的数字时代，可视化是数据素养和知识利用的标志。可视化技术唤起用户的视觉感知、快速模式检测和识别（Saket等人， 2018年）。了解各种形式的图表及其适当的用途可以增强对基础数据的理解因此，研究可视化方法（如堆叠条形图）的有效性和局限性，是对知识创造和利用具有重要意义的基础研究。本研究探讨了堆叠条形图类型和任务类型对完成时间、错误率和任务难度感知等指标我们的目的是促进日益增长的研究的价值和效用的各种形式的可视化图表和他们的变量的贡献，对用户的任务性能的功效本节重点介绍研究的主要发现及其对设计有用的堆叠条形图和可视化工具的影响。6.1. 单属性比较对于单属性比较，所有图表在性能指标上的性能相似：完成时间被认为是合理的，错误率和感知难度都很低。参与者认为使用任何给定的图表都很容易完成单属性比较任务。这些结果意味着，比较两个不对齐的酒吧在堆叠条形图可以快速，准确地使用经典的，倒置，发散堆叠条形图。单属性比较任务要求参与者在使用反转图的同时比较反转的条形图，以查看使用该图是否有任何显著的缺点实验结果表明，该反演图即使某些条段已经被倒置（即，较长的条表示较低值）。然而，值得注意的是，倒置的条形图段填充有一种模式，因此它们看起来与常规条形图段不同，并且参与者在了解倒置图表后立即执行任务。这些因素可能在防止与倒置堆叠条形图的潜在混淆方面发挥了作用6.2. 总体属性比较三种图表类型的错误率没有显著差异参与者正确进行了大多数总体属性比较这一结果表明，尽管属性的特征不同（较低的更好vs.较高的更好），但参与者能够正确地处理由经典图表、倒置图表和发散图表关于完成时间，倒置堆叠条形图是支持整体属性比较的最有效方法。在反转图中，表示数据属性的所有条形图段对于手头的任务具有一致的意义。也就是说，较长的条表示较好的值，反之亦然。当参与者比较两只股票的整体属性时，他们可以选择较长的条形，因为它代表了更好的整体股票。他们只需要关注堆叠的条形段的总和，而不必关注数据的单个 这种比较仅需要位置判断，其比长度判断更准确和更快（Cleveland和McGill，1984; Heer和Bostock，2010; Simk