迷失在数量级中：探索大数值范围的可视化设计

研究背景与问题

• 发现的问题或挑战：在涉及多个数量级范围的值（Order of Magnitude Values, OMVs）的可视化中，线性和对数刻度图表通常无法有效呈现数据。具体来说，线性规模会使较小数量级的值不可辨别，而对数刻度虽可缓解这一问题，但对普通公众和科学家并不直观且容易引起误解。此外，已有的科学记数法启发的OMVs可视化设计未被广泛探索。
• 重要性：OMVs广泛应用于关键领域，如财务分析、环境监测和疫情数据追踪等。改进OMVs的静态可视化设计可以更高效地支持数据分析、价值比较和趋势识别，同时使复杂信息更易为非专业受众理解。
• 研究动机与相关工作：目前现有的一些OMVs可视化方法（如Scale-Stacked Bar Chart，Order of Magnitude Markers等）虽有所改善，但仍存在问题，如曼蒂萨和指数的分量存在连续性问题。因此需要系统地探索此类可视化设计并制定设计指南。

解决方案

• 提出的方法或解决方案：

  • 提出了一个基于科学记数法的设计空间，将OMVs分为曼蒂萨和指数，并对它们进行分开编码。
  • 制定了四条设计指南，旨在提高OMVs的可视化效果。
  • 提出了两种改进的可视化设计（Facet和EplusM），并将其与现有可视化方法进行定量比较。

• 创新之处：

  • 系统化地定义了一个限制范围内的设计空间，基于"Grammar of Graphics"的原则生成所有可能的OMVs可视化设计。
  • 引入“EplusM”尺度，将曼蒂萨和指数集成到同一位置通道上，从而实现平滑的数值连续性。
  • 验证了设计空间中的可行性和效率，结合定性与定量分析制定了指导原则。

• 实施步骤：

  1. 设计空间建模：基于科学记数法分别将OMVs分解为曼蒂萨和指数，并与其他数据属性（名义型、序数型、时间型或定量型）相结合生成设计空间。
  2. 生成可视化：制定生成规则，生成336个符合条件的可视化设计。
  3. 定性评估：通过专家小组使用编码解码过程评估可视化设计质量，识别可能存在的问题。
  4. 定量验证：通过众包实验对两种新设计（Facet和EplusM）与其他方法进行比较，分析其误差、响应时间及用户信心。

研究成果

• 具体成果：

  • 系统地定义了一个关于OMVs的设计空间，并通过定性评估生成了有适用性的设计指南。
  • 提出了Facet（基于行分面的指数编码）和EplusM（曼蒂萨和指数的单通道位置编码）两种设计，并验证其优于现有方法。
  • 开发了开放源代码工具，方便其他研究者生成和评估OMVs可视化设计。

• 与现有解决方案比较的优势：

  • Facet和EplusM因其曼蒂萨和指数的连续性以及更高的编码分辨率，在定量比较任务中的精度和响应速度优于对数图表和Scale-Stacked Bar Chart。
  • 研究发现Facet和EplusM用户自信心较高，且能减小用户在任务之间的混淆。

• 实验或评估结果：

  • 精确度：EplusM和Facet在多项任务中的误差率显著低于对数刻度图和Scale-Stacked Bar Chart。
  • 响应时间：两种新设计的响应时间优于Scale-Stacked Bar Chart，尤其在数值比较的任务中。
  • 用户信心：EplusM和Facet使用户在完成任务时的信心更高，反映出其在OMVs可视化任务中的可用性。

• 局限性与未来方向：

  • 局限性：研究仅涵盖了小范围的设计空间，未包括交互性、冗余编码或多种标记类型的设计。此外，评估任务主要集中于低阶感知任务，未涉及更复杂的数据交互或决策场景。
  • 未来方向：扩展研究范围，加入更多数据类型、更复杂的任务，并研究OMVs可视化在实际场景中的适用性。此外，可探索设计中美观性、信任度和用户参与度的提升可能性。