理解读者如何整合图表和图注:一个关于折线图的案例研究
交互式数据可视化可视化感知与认知HCI 研究员认知科学家统计学家与数据科学家
文献标题
Towards Understanding How Readers Integrate Charts and Captions: A Case Study with Line Charts
文献信息
- 主题领域: 数据可视化与认知心理学
- 关键词: 图表, 标注, 信息整合, 可视化技巧, 用户反馈, 知识呈现, 视觉显著性, 数据解读, 人机交互, 实证研究
研究背景与问题
- 作者发现的问题或挑战: 图表和标注常常会分别突出数据的不同方面,但读者如何整合这两类信息以形成最终的认知理解仍不清楚,特别是在图表和标注的信息重点不匹配的情况下。
- 问题的重要性: 数据可视化是科学传播、新闻报道以及教育领域的重要工具,而对图表和标注整合作用的深入理解能够提升信息传达的有效性。
- 研究动机与相关工作:
- 过去的研究表明,图表与标注结合可提高信息回忆和理解,但对两者如何交互影响读者的认知尚缺乏系统研究。
- 相关研究包括关于视觉显著性、图表标题对内容解读的影响,以及自动标注生成工具的应用效果。然而,少有研究专注于图表与标注的整合关系。
解决方案
- 作者提出的方法或解决方案: 采用基于线图的案例研究,通过人群外包实验收集读者对图表和标注整合后的认知反馈,并建立视觉显著性和外部信息对读者认知影响的体系。
- 创新之处:
- 设计了多种图表与标注配对实验以操控显著性和外部信息变量。
- 结合真实世界和合成的图表数据,确保实验结果的生态效度。
- 提供了关于设计有效图表与标注组合的具体指导原则。
- 实施步骤:
- 图表生成与显著性标注: 采用合成与真实世界的线图数据集,通过用户反馈确定每个图表的视觉显著区域。
- 标注生成: 使用模板生成多种描述特定显著性特征的标注,包括是否加入外部信息的6种标注类型。
- 读者反馈收集: 通过人群外包实验,要求参与者阅读图表和标注内容后,根据记忆列出信息要点并评价对图表与标注的依赖程度。
- 数据分析: 对读者反馈进行量化分析以评估视觉显著性和外部信息对认知的影响。
研究成果
- 取得的具体成果:
- 当标注与图表共同突出高显著性特征时,读者更倾向于记住该特征。
- 如果标注强调低显著性特征,读者更倾向于关注图表中更显著的特征,而非标注所描述的信息。
- 外部信息能够强化标注内容,对读者的认知形成显著影响。
- 与现有解决方案相比的优势: 提供了系统性实验支持,验证了视觉显著性与标注共同作用的机制,较现有文献更具体且实践导向。
- 实验或评估结果:
- 标注描述高显著性特征时读者提及该特征的比例显著提高。
- 标注包含外部信息时,读者对其信息的依赖性增大。
- 统计检验支持两项主要假设,即显著性与外部信息对认知的交互作用。
- 局限性与未来方向:
- 局限性:
- 目前仅研究了线图,不同类型图表或更复杂的交互数据可能影响结果推广性。
- 对标注语言风格的多样性研究有限。
- 未来方向:
- 扩展研究至散点图或条形图等其他可视化类型。
- 探索图表与标注交互设计工具,为作者提供自动化优化建议。
- 研究标注中多特征比较或补充信息对读者认知的更广泛影响。
- 局限性:
设计指导原则
- 图表应突出标注所描述的数据特征,例如通过缩放、聚焦特定区域或添加视觉强调。
- 标注应结合外部信息以提供背景,帮助读者更好地理解数据趋势。
- 图表与标注的设计需要协同,以确保其共同传递一致的信息,避免信息冲突。
结论
通过结合图表和标注的研究,文章系统性揭示了两者相互强化或冲突对读者认知的影响机制,并提出了一套可改善视觉信息传递的实际设计原则。研究结果为数据可视化工具开发及信息传播优化提供了重要学术参考和指导模板。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
help
研究问题
3- 读者如何整合折线图和标题来形成最终的认知理解?分类: 可视化创作、仪表盘与图表理解同类问题arrow_forward
- 可视化显著性(突出特征)和外部信息如何影响读者的认知?分类: 可视化创作、仪表盘与图表理解同类问题arrow_forward
- 当折线图与标题的重点不一致时,会对信息记忆和理解产生什么影响?分类: 可视化创作、仪表盘与图表理解同类问题arrow_forward
lightbulb
现实痛点
1- 用户在阅读图表和标题时,难以统一理解数据重点。分类: 可视化创作、仪表盘与图表理解同类问题arrow_forward
- 100%
替代散点图设计对信念的影响
CHI '25· 交互式数据可视化 +1
- 83%
采用贝叶斯认知方法改进数据可视化
CHI '19· 交互式数据可视化 +2
- 80%
TopoText:跨多个空间尺度保持上下文的文本数据探索
CHI '18· 交互式数据可视化 +1
- 80%
数据驱动的标记定向用于散点图中的趋势估计
CHI '21· 交互式数据可视化 +1
- 80%
reVISit: 互动可视化研究的内部探索
CHI '21· 交互式数据可视化 +1
- 67%
评估2D和3D热图用于比较分析:一项实证研究
CHI '20· 交互式数据可视化 +1
- 67%
数据预言:探讨视觉分析中信念提取的影响
CHI '21· 交互式数据可视化 +1
- 67%
为什么结合文本和可视化可以提高贝叶斯推理:一种认知负荷视角
CHI '23· 交互式数据可视化 +2
- 67%
你看到我看到的了吗?一项揭示高级可视化理解的质性研究
CHI '24· 交互式数据可视化 +1
- 67%
RouteFlow: 轨迹感知动画过渡
CHI '25· 交互式数据可视化 +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3411764.3445443
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2021
emoji_events
奖项
未标记奖项
group
作者
3 位作者
sell
研究子方向
交互式数据可视化、可视化感知与认知
work
职业/产业
HCI 研究员、认知科学家、统计学家与数据科学家
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文