[论文解读] Data and Task Based Effectiveness of Basic Visualizations.

Bahador Saket, Alex Endert+1 more|arXiv (Cornell University)|Sep 25, 2017

Data Visualization and Analytics参考文献 12被引用 3

一句话总结

本研究使用两个真实世界数据集，评估了五种基础可视化形式——表格、折线图、柱状图、散点图和饼图——在十项数据分析任务和三种数据属性类型下的有效性。结果表明，性能因任务和数据背景而异，因此提出了基于上下文的可视化选择建议，以提升分析效率。

ABSTRACT

Visualizations of tabular data are widely used; understanding their effectiveness in different task and data contexts is fundamental to scaling their impact. However, little is known about how basic tabular data visualizations perform across varying data analysis tasks and data attribute types. In this paper, we report results from a crowdsourced experiment to evaluate the effectiveness of five visualization types --- Table, Line Chart, Bar Chart, Scatterplot, and Pie Chart --- across ten common data analysis tasks and three data attribute types using two real world datasets. We found the effectiveness of these visualization types significantly varies across task and data attribute types, suggesting that visualization design would benefit from considering context dependent effectiveness. Based on our findings, we derive recommendations on which visualizations to choose based on different task and data contexts.

研究动机与目标

• 了解基础可视化在不同数据分析任务和数据属性类型下的表现。
• 识别常见可视化形式（如柱状图、折线图和散点图）在不同上下文中的有效性模式。
• 根据具体任务和数据特征，提供可操作的可视化选择建议。

提出的方法

• 通过众包实验评估真实世界数据集中可视化形式的有效性。
• 评估了五种可视化类型：表格、折线图、柱状图、散点图和饼图。
• 使用两个真实世界数据集，以确保结果的生态效度。
• 在十项常见数据分析任务中测量可视化形式的有效性。
• 将数据属性分类为三种类型，以评估其对可视化性能的影响。
• 使用统计方法分析结果，识别在不同任务和数据类型中有效性差异的显著性。

实验结果

研究问题

• RQ1 不同可视化形式在各种数据分析任务中的表现如何？
• RQ2 数据属性类型（如类别型、数值型、时间型）如何影响可视化形式的有效性？
• RQ3 哪些可视化形式在特定任务与数据属性类型组合下最为有效？
• RQ4 是否存在可用来指导设计建议的一致性可视化有效性模式？

主要发现

• 可视化形式的有效性在不同数据分析任务和数据属性类型之间存在显著差异。
• 柱状图和折线图在大多数任务中表现优于其他可视化形式，尤其在趋势分析和比较任务中表现突出。
• 散点图在涉及数值数据相关性或模式检测的任务中最为有效。
• 饼图在大多数任务中表现最差，尤其在需要精确数值比较的任务中。
• 表格在需要精确值检索的任务中表现最佳，尤其在处理数值型数据时。
• 可视化形式的表现高度依赖于上下文，表明‘一刀切’的设计方法并非最优。