[论文解读] Not As Easy As You Think -- Experiences and Lessons Learnt from Trying to Create a Bottom-Up Visualization Image Typology

Jian Chen, Petra Isenberg+5 more|arXiv (Cornell University)|Sep 15, 2022

Data Visualization and Analytics被引用 4

一句话总结

本文基于对1990至2020年IEEE VIS论文中6,833幅图表的两年定性分析，提出了一种新颖的、自下而上的13种可视化图像类型分类体系。尽管最初假设分类过程简单，但编码过程揭示了显著的感知模糊性和解释差异，最终形成了一套稳健且经社区验证的分类体系，可支持可视化研究、教学及未来标准化工作。

ABSTRACT

We present and discuss the results of a two-year qualitative analysis of images published in IEEE Visualization (VIS) papers. Specifically, we derive a typology of 13 visualization image types, coded to distinguish visualizations and several image characteristics. The categorization process required much more time and was more difficult than we initially thought. The resulting typology and image analysis may serve a number of purposes: to study the evolution of the community and its research output over time, to facilitate the categorization of visualization images for the purpose of teaching, to identify visual designs for evaluation purposes, or to enable progress towards standardization in visualization. In addition to the typology and image characterization, we provide a dataset of 6,833 tagged images and an online tool that can be used to explore and analyze the large set of tagged images. We thus facilitate a discussion of the diverse visualizations used and how they are published and communicated in our community.

研究动机与目标

• 基于视觉外观而非数据或意图，开发一种全面的、自下而上的可视化图像分类体系。
• 理解在真实学术出版物中对可视化图像进行分类所涉及的挑战与复杂性。
• 通过支持可视化输出的系统性分析、教学和图像检索，推动未来可视化研究。
• 识别30年来IEEE VIS出版物中反复出现的视觉设计模式及其演变。
• 为可视化研究社区提供数据集和在线工具，以探索和分析可视化图像类型。

提出的方法

• 对1990至2020年期间涵盖695篇IEEE VIS论文的6,833幅图表进行了为期两年的定性编码。
• 基于视觉设计、维度和结构特征，而非数据语义或作者意图，构建了13种可视化图像类型的分类体系。
• 通过专家编码员之间的反复共识讨论，解决模糊性问题，并通过广泛讨论不断优化分类。
• 根据视觉外观（如2D示意图、3D表面/体绘制、基于线条的图像、GUI、矢量图、网格）对图像进行分类，并添加维度和感知模糊性等元数据。
• 生成了包含6,833幅带标签图像的数据集，并开发了在线工具以支持交互式探索与分析。
• 通过两年内的内部一致性检查和迭代优化对分类体系进行验证，同时承认编码员一致性与感知不确定性方面的局限性。

实验结果

研究问题

• RQ1 在过去三十年的IEEE VIS出版物中，哪些可视化图像类型最为普遍？
• RQ2 仅基于视觉外观对可视化图像进行一致分类有多困难？哪些因素导致了编码模糊性？
• RQ3 专家编码员在图像分类上的一致性程度如何？先前的专业知识在多大程度上影响分类准确性？
• RQ4 一种自下而上的可视化图像分类体系能否成为可视化研究、教学和标准化工作的基础？
• RQ5 在可视化研究出版物中，视觉设计趋势和图像类型如何随时间演变？

主要发现

• 最常见的可视化图像类型为2D示意图（1,432幅）、3D表面/体绘制（655幅）、基于线条的技术（643幅）和GUI（411幅），合计占所分析6,833幅图像的73%。
• 尽管具备共同的专业背景，编码员在处理模糊案例时仍存在显著分歧，尤其是在体绘制、矢量图和基于网格的技术方面，表明存在感知与解释上的不确定性。
• 编码过程的实际复杂性和耗时远超预期，许多图像因混合设计特征和缺乏标准化定义而难以明确归类。
• 专家编码员难以区分相似技术（如体绘制与表面绘制），甚至领域专家在面对不熟悉图像时也会出现错误。
• 最终形成的13种图像类型分类体系为基于视觉外观的可视化输出分类提供了一个稳定且经社区验证的框架。
• 包含6,833幅带标签图像的数据集及配套在线工具，支持对视觉设计趋势的深入探索，并为未来图像检索与可视化分析研究提供支持。