第二次視覺化分享會筆記

時間： 2016/01/10

地點： Appier 1F ( 暫定 )

人數： ~40

費用：0 ( 場地費均攤 )

Opening

Visual Information Seeking: Tight Coupling of Dynamic Query Filters with Starfield Displays

by Christopher Ahlberg

講者: Li-Ting Huang. pdf / slide

互動式視覺化的先驅

三大原則

• Dynamic Query Filter（控制）
  • home finder 的範例
  • 元素週期表
• Starfield Displays（呈現）
  • 散佈圖 + zoom in/out + selection
• Tight Coupling（控制項與呈現端保持一致性）
  • 讓使用者可以了解軟體的狀態，也避免使用者作出無用的操作。
  • filter 自動對應 — 避免 filter 過程造成其它條件的空集合產生
  • 連續性的呈現
  • 漸進式的改良
  • detail on demand

範例：電影資料庫搜尋

• 因為大家都愛看電影，而且當時只有文字搜尋工具

Future work

• 更大型的資料、更完整的 query 方式
• fuzzy search
• zoom in/out 的順暢性
• tight coupling 機制邏輯性的驗證

Florence Nightingale's Hockey Stick :The Real Message of her Rose Diagram

by Hugh Small

講者: Whitney Hung. pdf  / slide

• Florence Nightingale introduction
  • 有人叫他雞冠圖 (coxcomb ) 但是是錯的
  • 用面積表示多少，每塊代表一個月份，不同顏色代表不同死因
  • 克里米亞戰爭：南丁格爾抵達發現環境很差，試著改善了環境，大大降低了死亡率

• 為什麼沒有用 bar chart
  • 不易比較前後兩年的差異
  • 不易比較季節的差異

• 拿破崙征戰俄羅斯
  • 灰色進攻、紅色撤退
  • 寬度：士兵數量
  • 溫度、日期
  • 地圖

• 用面積降低差異性的感受

討論

• 長條圖不適合週期性資料，雷達圖，或是像 GA 兩個週期疊合的方式
• 一月可以有兩個 bar，表達不同年份
• 一個問題一個圖，例如同一個季節畫在一起
• 生態如果要做三年的比較，會做三個長條圖，Y 軸對齊

• 今天不小心跳過很重要的部分在這裡補充

補充說明：

Rose diagram V.S. Pie chart

Rose diagram的角度是固定的，以半徑作為參數; pie chart則是以角度作為變化參數

Rose diagram常應用在表示風的風向（方位）以及強度（半徑）稱作Wind rose

例：

Beyond Memorability: Visualization Recognition and Recall

by Michelle A. Borkin

講者: YF Lin. pdf / slide 

四大類作品來源

• 政府、資訊圖表、 媒體、科學
• 一秒的記憶實驗，分出「好記」、「不好記」的圖表
• 進一步探討
  • 是哪些元素在幫助記憶？
  • 一秒拉到十秒的話會有差嗎？
  • 要使用什麼元素來幫助？
• 從四大類作品來源中挑了 393 篇，33人無色盲，
• 實驗設計
  • Encoding：隨機看其中 100 篇，每張看十秒（Eye-Tracking Data）
  • Recognition：看過的 100 張 + 沒看過的 100 張隨機出現，每張 2 秒，間隔 0.5 秒，使用者若看到認為是前一步驟曾出現過的圖表，就按下空白鍵。利用按下空白鍵的方式，記錄辨識正確率(Hit Rate)。
  • Recall：集合所有正確辨識的作品，給受試者20 分鐘描述內容。
  • 

• 實驗數據分析
  • 眼球追蹤
  • Hit Rate = Hits / (Hits + Misses)，0 < HR < 1
  • 文字描述：專家系統。三位文字專家分析描述的內容，跟資訊圖表內資訊是否接近。
• 實驗結果
  • 好辨識的：兩秒鐘看中央即可辨識（人眼辨識的第一步）
  • 不易辨識：繼續搜尋其他可以幫助記憶的物件元素，眼球會做更多移動來幫助回憶
    • 一秒 / 十秒對不易遍識組都一樣
    • 政府作品最不容易辨識 - 因為用太多相同模板及美學模式 (也就是說，缺乏創意？)
• 可以幫助記憶的物件
  • 視覺連接 ( visual associations ) - 具體圖示 etc
  • 語意連接 ( semantic association ) - 標題 etc
• 再描述（Recall）
  • 視覺圖表效果最好
  • 政府作品最差
• 眼球停留最高：標題。科學 paper 的圖表大部份沒有標題。有標題的描述平均分數較高。
  • 有標題作品再描述分數：平均1.90
  • 無標題作品再描述分數，平均1.30
• 標題放在上方，眼球停留數較高。下方較低。政府大多放下方。
• 標題的好壞也會影響到 recall 分數
  • 好標範例："Top 10 Most Read Book ... "
  • 壞標範例："Cities"
• 最常 recall 的物件：標示、標題、短敘述
• 額外標示有利於 recall ( 圖 + 文 ) - 前 1/3 最好作品中, 50% 都有這樣的標註
• 容易辨識的視覺作品，內容及細節容易受迴響，其內容描述較好

對本篇的批評

• 受試者沒有看同樣 100 篇作品
• 每個受試者的背景、學經歷不同（記憶與再描述能力不同）
• 針對「好記憶、不好描述」，「不好記憶、好描述」的領個群組沒有討論。有的「不好記憶、好描述」的圖，可能是因為受試者的背景的影響。
• 系統隨機取樣（什麼都 random，結果搞不好也是 random 的 XD）

• 研究方法的設計有缺陷（不夠清楚辨識問題）
  • 問：如何學習有系統的研究計劃，避免做出有缺陷的研究計劃？
  • 回答：可以查詢「研究方法」，有些老師有翻譯中文。

feedback

• 每個資訊圖表想要傳達的資訊複雜度不同，可以這樣比較嗎？
• 沒有把 input 做系統化的分類
• 像他選 Nature 的，就是三類多，感覺領域上就有偏差

Connected Scatterplot for Presenting Paired Time Series

by Steve Haroz

講者: Kuan-Lin Tung. pdf / slide

• 作者看了紐時的油價、車禍的 connected scatterplot 之後想來研究其效果
• 即時範例：http://steveharoz.com/research/connected_scatterplot/
• 想探究：
  • 對 relationship of data or understandability 的幫助 / cs vs dual axis line
• 三元素：點位置、方向、箭頭 ( imply direction )
  • 沒有箭頭就哭哭了，無法還原成 dual axis
• 資料不變就停在同一點

Limitation

• fixed intervals
• extremely complex shapes
• 讀者總是從左上角開始看，所以從右下角開始的圖就會有些問題

Loop Case：

• Prey and Predator Relationship

• https://www.google.com.tw/search?biw=1280&bih=648&tbm=isch&q=prey+and+predator+relationship&revid=911276899&sa=X&ved=0ahUKEwiZ6K7Tq57KAhVGKJQKHe92DEYQ1QIIIw

Ending