可视化解释的人类信息处理理论：展示其效用

文献标题

A Human Information Processing Theory of the Interpretation of Visualizations: Demonstrating Its Utility

文献信息

• 主题领域: 信息可视化和认知科学的交叉研究，重点在可视化用户的认知模型建构。
• 关键词: 图形可视化解释、人类记忆结构、认知负担、认知过程、信息处理、RISN建模、信息检索、可视化效果分析

研究背景与问题

• 问题与挑战:
  • 当前的信息可视化研究中，缺乏关于用户如何解释图形表示的深入分析，并且针对用户认知模型的研究有限。
  • 仅通过线性描述复杂视觉呈现的潜在认知过程的能力有待提高。
  • 缺乏可以将人类认知整合至信息可视化评价的理论框架。
• 重要性:
  • 理解用户如何处理和建构可视化信息的认知模型有助于改进界面设计、教育方案及可视化实践。
  • 通过分析用户在解释中构建的记忆结构，为设计出更高效的可视化工具提供理论基础。
• 研究动机与相关工作:
  • 研究采用了由作者提出的"表征解释结构理论"（Representation Interpretive Structure Theory, RIST），结合其衍生的图形标注语言（RIS-Notation, RISN）和建模工具（RIS-Editor, RISE），以系统化用户如何建构可视化解释的认知模型。
  • 与传统视觉设计指南和认知模型相比，RIST理论被设置为一种更灵活且综合化的认知分析工具。

解决方案

• 方法或解决方案:
  • 提出了RIST理论解释用户如何通过外部可视化对象和内部记忆表示之间的多层关联来构建认知模型。
  • 开发了RISN作为一种图形语言，用于描述解释视觉化结构。
  • 提供了基于浏览器的建模工具RISE用于创建符合RIST理论的图形化模型。
• 创新之处:
  • 将外部图形对象与内部认知表征平等对待，构建了层次化、富结构的解释模型。
  • RISN映射了视觉元素与认知概念之间的多层级关联，不同于单一符号匹配的传统方法。
• 实施步骤与技术:
  • 使用RISN对四种可视化场景构建认知模型，包括Sankey图与Chord图对比、滑轮系统问题的图形与句子化表示对比等。
  • 通过总结认知负担的比较标准（如模型深度、结构复杂性等），分析并量化不同可视化设计的认知需求。

研究成果

• 具体成果:
  • 四个案例均成功演示了RIST模型的效用：RISN模型的复杂性指标能准确预测用户任务表现（如效率和错误率）。
  • Sankey图和Chord图对比分析揭示了源自模型结构（如层次性和关联链）的认知负担差异。
  • 对于图形-句子格式的滑轮问题，RISN展示了图形存储信息结构更紧凑，因此索引效率更高。
• 优势对比:
  • 与传统的视觉分析方法相比，RIST不仅考虑图形特征，还深入分析了用户如何在认知水平理解信息。
  • RISN能够显示不同视觉化对人类认知过程的影响，提供了更多关于任务表现背后的认知机制的见解。
• 实验或评估结果:
  • 在所有案例中，低复杂性、高同质性和浅层深度的RISN模型对应的可视化设计在任务表现中明显更优。
  • 对人类在任务过程中的信息搜索路径模拟进一步验证了RISN对认知行为预测的潜力。
• 局限性与未来方向:
  • 目前的评估指标不能直接导出具体任务性能（如时间成本或错误率）的绝对估计，未来需要为RISN模型开发更细致的效能评估方法。
  • 对可视化解释多样性的建模需更广泛的研究者参与，以减少单一模型可能的偏差。
  • RIST理论潜力方向包括用作分析用户理解失误的工具，以及预测视觉素养负担或记忆性等认知因素的指标体系。