[论文解读] Visualizing Cartograms: Goals and Task Taxonomy

Sabrina Nusrat, Stephen Kobourov|arXiv (Cornell University)|Feb 26, 2015

Data Visualization and Analytics参考文献 46被引用 4

一句话总结

本文提出了一套全面的制图等高线任务分类体系，以标准化制图等高线的评估与设计。该分类体系基于信息可视化与制图学的分类体系，对制图等高线特有的任务进行分类，支持在识别、比较、定位和总结等任务中系统比较不同制图等高线方法的有效性，并在选举、人口统计和商业数据可视化中展示了其应用。

ABSTRACT

Cartograms are maps in which areas of geographic regions (countries, states) appear in proportion to some variable of interest (population, income). Cartograms are popular visualizations for geo-referenced data that have been around for over a century. Newspapers, magazines, textbooks, blogs, and presentations frequently employ cartograms to show voting results, popularity, and in general, geographic patterns. Despite the popularity of cartograms and the large number of cartogram variants, there are very few studies evaluating the effectiveness of cartograms in conveying information. In order to design cartograms as a useful visualization tool and to be able to compare the effectiveness of cartograms generated by different methods, we need to study the nature of information conveyed and the specific tasks that can be performed on cartograms. In this paper we consider a set of cartogram visualization tasks, based on standard taxonomies from cartography and information visualization. We then propose a cartogram task taxonomy that can be used to organize not only the tasks considered here but also other tasks that might be added later.

研究动机与目标

• 为解决尽管制图等高线在媒体和研究中广泛应用，但缺乏系统性评估框架的问题。
• 识别并分类用户在使用制图等高线时执行的核心可视化任务，例如识别区域或检测变化。
• 创建一种通用且可扩展的分类体系，以支持对多种制图等高线类型（如Dorling、矩形、非连续型）的评估。
• 通过定义共享的任务导向评估标准，实现对制图等高线生成方法的公平比较。
• 通过提供面向任务驱动设计与评估的结构化基础，支持未来在制图等高线可用性方面的研究。

提出的方法

• 改编并扩展了信息可视化（如Wehrend, Zhou & Feiner）和制图学中既有的分类体系，以适配制图等高线特有的应用场景。
• 根据共享目标、手段、特征和基数，将任务划分为四个维度：识别/检测、比较/过滤、定位/邻接以及总结/识别。
• 将任务分类为低级和高级类别，其中复合任务（如排序）依赖于基本操作的序列。
• 使用真实世界案例（如美国选举地图、星巴克与麦当劳分布图）将任务定义与实际制图应用相结合。
• 设计分类体系时考虑可扩展性，允许未来纳入交互式或系统特定的任务（如缩放、链接）。
• 通过在后续评估中应用该分类体系，对四种主要制图等高线类型（如Dorling、非连续型）进行验证，证明其在比较研究中的实用性。

实验结果

研究问题

• RQ1 用户在解读制图等高线时执行的基本可视化任务有哪些？
• RQ2 如何系统性地对制图等高线任务进行分类，以支持对不同制图等高线生成方法的评估与比较？
• RQ3 所提出的分类体系在多大程度上适用于不同类型的制图等高线（如形变型、拓扑型、Dorling型）？
• RQ4 基于任务的评估在提升制图等高线在实际应用中的设计与可用性方面发挥什么作用？
• RQ5 复合任务（如排序、聚类）在制图等高线解读中扮演什么角色，它们如何依赖于基本操作？

主要发现

• 所提出的任务分类体系成功地将大量制图等高线特有任务，依据共享的认知与感知特征，组织为四个逻辑清晰的类别。
• 该分类体系通过提供一组共享的任务集合，实现了对制图等高线生成方法的公平且系统化的评估。
• 真实世界案例（如人口与星巴克制图等高线）表明，该分类体系捕捉到了诸如检测空间模式和比较区域分布等有意义的解释性任务。
• 该分类体系有助于识别关键的设计缺陷，例如在原始数值与人均制图等高线之间存在的误解风险，通过明确哪些任务对失真最为敏感。
• 该分类体系具有足够的通用性，可适用于形变型、拓扑型、Dorling型和非连续型制图等高线，并已在后续评估中成功应用。
• 研究发现，涉及大小比较的任务（如比较、查找前k个、过滤、聚类）在制图等高线解读中处于核心地位，应在评估中优先考虑。