Das Hervorheben verknüpfter Ansichten ist seit vielen Jahren eine leistungsstarke Untersuchungstechnik. Frühe Systeme unterstützten die Hervorhebung in Streudiagrammen, in denen jedes Element eine Datenzeile anzeigt.
Eine Erweiterung dieser Technik, proportionale Hervorhebung , zeigt mehr Informationen in Diagrammen an, in denen Elemente mehr als eine Datenzeile anzeigen. JMP war 1989 eines der ersten Produkte, das die proportionale Hervorhebung unterstützte.
Figure 1. Proportional Highlighting in Histograms, JMP Version 1.0Figure 1. Proportional Highlighting in Histograms, JMP Version 1.0Figure 1. Proportional Highlighting in Histograms, JMP Version 1.0Figure 1. Proportional Highlighting in Histograms, JMP Version 1.0 Abbildung 1. Proportionale Hervorhebung in Histogrammen, JMP Version 1.0 Der Visualisierungsexperte Stephen Few argumentiert nachdrücklich für die Leistungsfähigkeit dieser Technik („Es ist schwer, sich eine Situation vorzustellen, in der die proportionale Hervorhebung nicht deutlich überlegen ist“, er schrieb .).
Zum JMP Live , wollten wir die proportionale Hervorhebung konsistent in allen Diagrammen unterstützen, da eine konsistente Benutzeroberfläche leichter zu erlernen ist.Wenn Benutzer die Technik in einem Diagramm lernen, können sie ihr Wissen in anderen Diagrammen wiederverwenden.
Wir wollten auch sowohl grob- als auch feinkörnige Schätzungen unterstützen. Um dies zu erreichen, haben wir proportionale Hervorhebung mit Hover-Tipps kombiniert. Die proportionale Hervorhebung ermöglicht grobe Schätzungen, während Hover-Tipps tatsächliche Zahlen anzeigen können.
Figure 2. Proportional Highlighting with Hover Tip. The bar displays the Mean weight of males.
Eleven rows are selected and highlighted.Figure 2. Proportional Highlighting with Hover Tip. The bar displays the Mean weight of males.
Eleven rows are selected and highlighted.Figure 2. Proportional Highlighting with Hover Tip. The bar displays the Mean weight of males.
Eleven rows are selected and highlighted.Figure 2. Proportional Highlighting with Hover Tip. The bar displays the Mean weight of males.
Eleven rows are selected and highlighted.Figur 2. Proportionale Hervorhebung mit Hover Tip. Der Balken zeigt das mittlere Gewicht der Männchen an.
Elf Zeilen werden ausgewählt und hervorgehoben.
Bei der Auswahl dieses Designs haben wir geglaubt, dass sowohl die proportionale Hervorhebung als auch die Hover-Tipps leicht zu erlernen sind. Aber wie können wir das wissen? Der einzige Weg, um sicher zu sein, ist zu testen.
Ein Usability-Test
JMP-Kunden halfen uns, diese Benutzeroberfläche über das Internet zu testen. Jeder Test zeigte sechs Diagrammpaare in sechs Blöcken mit jeweils drei Versuchen für insgesamt 18 Versuche. Für jedes Diagrammpaar wurden die Testteilnehmer gebeten, den Prozentsatz der hervorgehobenen Zeilen für bestimmte Werte einer Variablen zu schätzen.
Für jeden Versuch jedes Diagrammpaars wurde die visuelle Abfrage jedes Mal geringfügig geändert, indem die Werte oder die Variable oder beide geändert wurden.Die Reihenfolge wurde sowohl für die sechs Blöcke als auch für die drei Versuche innerhalb jedes Blocks randomisiert.
Figure 3. Six Pairs of Interactive Graphs.Figure 3. Six Pairs of Interactive Graphs.Figure 3. Six Pairs of Interactive Graphs.Figure 3. Six Pairs of Interactive Graphs.Figur 3. Sechs Paare interaktiver Grafiken.
25 Teilnehmer nahmen an dem Test teil. Mehrere Testantworten zeigten ungewöhnlich schnelle Antwortzeiten von weniger als zwei Sekunden, möglicherweise aufgrund fehlerhafter Mausklicks. Ein Testteilnehmer hatte konstant schnelle Zeiten, wobei ein Drittel seiner Antworten in weniger als einer Sekunde gemacht wurde. Diese Daten wurden von der Analyse ausgeschlossen.
Ergebnisse
Es wurde gehofft, dass die Testteilnehmer unser Framework lernen und seine Nutzung im Laufe der Zeit verbessern könnten. Dies wurde getestet, indem ihre Antworten auf die Fragen zeitlich festgelegt und die Richtigkeit ihrer Antworten bewertet wurden.
Die gewählte Antwort musste zwischen 10 % und 90 % liegen und ein genaues Vielfaches von 10 % sein. Die richtige Antwort ist möglicherweise kein exaktes Vielfaches, daher wurden die Punkte durch die Differenz ausgeglichen. Dadurch konnten wir für die bestmögliche Antwort eine volle Punktzahl vergeben.
Der maximale Abstand zur richtigen Antwort variierte mit der Frage. Wenn die bestmögliche Antwort 50 % wäre, könnte der Benutzer höchstens 40 % daneben liegen; aber wenn die bestmögliche Antwort 10 % wäre, könnte der Benutzer um 80 % daneben liegen. Aus diesem Grund wurden die Ergebnisse normalisiert, indem sie mit der maximalen Entfernung von der richtigen Antwort skaliert wurden.
Mit dieser Formel ist null eine perfekte Punktzahl und plus oder minus 1 die schlechtestmögliche Punktzahl:
offset = round( correctAnswer ) - correctAnswer;
maxDistance = max( abs( 0.1 - correctAnswer - offset ), abs( 0.9 - correctAnswer - offset ));
score = ( chosenAnswer - correctAnswer - offset ) / maxDistance;
Erlernbarkeit
Wenn wir uns alle Daten ansehen, die mit glättenden Splines dargestellt sind, sehen wir, dass sich sowohl die Antwortzeiten als auch die Ergebnisse in den achtzehn Versuchen verbessert haben. Jeder musste ein paar Sekunden lang auf den ersten Bildschirm starren, aber danach begannen sie sich zu verbessern.
Figure 4. Answer Time in Seconds Across All TrialsFigure 4. Answer Time in Seconds Across All TrialsFigure 4. Answer Time in Seconds Across All TrialsFigure 4. Answer Time in Seconds Across All TrialsFigur 4. Antwortzeit in Sekunden für alle Versuche
Die Scores zeigen einen negativen Bias. Dies kann dadurch erklärt werden, dass die Testteilnehmer von links nach rechts lesen und dazu neigen, bei der ersten guten Antwort aufzuhören.
Figure 5. Score Across All Trials. Zero is a perfect score.Figure 5. Score Across All Trials. Zero is a perfect score.Figure 5. Score Across All Trials. Zero is a perfect score.Figure 5. Score Across All Trials. Zero is a perfect score.Abbildung 5. Punkte in allen Prüfungen. Null ist ein perfektes Ergebnis.
Beide Spline-Kurven sind ziemlich "holprig". Diese Periodizität lässt sich durch die unterschiedlichen Arten von Graphen erklären. Bei jedem dritten Versuch wurde den Testteilnehmern ein neues Diagrammpaar präsentiert.
Für die Mittelwerte der drei Studien zeigte die ANOVA deutliche Hinweise auf eine Verbesserung der Antwortzeit (p < 0,0001). Die Ergebnisse verbesserten sich weniger dramatisch, zeigten aber immer noch eine signifikante Verbesserung zwischen dem ersten Versuch und dem letzten (p < 0,5).
Figure 6. Mean Log( Answer Time ) Across Three Trials.Figure 6. Mean Log( Answer Time ) Across Three Trials.Figure 6. Mean Log( Answer Time ) Across Three Trials.Figure 6. Mean Log( Answer Time ) Across Three Trials.Abbildung 6. Mittleres Protokoll (Antwortzeit) über drei Versuche hinweg.
Figure 7. Mean Score Across Three Trials.Figure 7. Mean Score Across Three Trials.Figure 7. Mean Score Across Three Trials.Figure 7. Mean Score Across Three Trials.Abbildung 7. Mittlere Punktzahl über drei Versuche.
Hover-Tipps
Von den 24 Testteilnehmern nutzten 22 die Hover-Tipps. Hover-Tipps werden nach einer Verzögerung von 300 ms angezeigt, wie in den Richtlinien zum Stil der Benutzeroberfläche empfohlen. In einem kurzen Test wie diesem ist es also vernünftig, dass zwei Personen sie nicht entdeckt haben. Es ist wahrscheinlich, dass die Schwebespitzen bei längerem Kontakt mit dem Produkt entdeckt werden.
Teilnehmer, die keine Hover-Tipps verwendeten, waren darauf beschränkt, die Grafiken zu „beobachten“, um ihre Antworten abzuschätzen. Diejenigen, die Hover-Tipps verwendeten, konnten die genauen Zahlen sehen. Es wurde jedoch kein starker Zusammenhang zwischen den Ergebnissen der Testteilnehmer und der Zeit gefunden, die mit der Verwendung von Hover-Tipps verbracht wurde. Die aufgewendete Zeit hing stark von der Art der Diagramme ab.
Arten von Diagrammen
Wie erwartet, hingen die Testergebnisse davon ab, welche Arten von Diagrammen getestet wurden. Das Testen von nur sechs Diagrammpaaren reicht nicht aus, um starke Schlussfolgerungen zu ziehen, aber sowohl Boxplots als auch Karten gehörten zu den schwieriger zu schätzenden Diagrammen. Dies ist vernünftigerweise zu erwarten, da diese Diagramme zu den komplexesten gehören.
Regressionen nach der Methode der kleinsten Quadrate zeigten, dass die Antwortzeit sowohl vom Diagrammtyp als auch vom Versuch stark beeinflusst wurde (p = 0,0004 bzw. p < 0,0001). Die Punktzahl wurde stark vom Diagrammtyp (p < 0,0001) und weniger vom Versuch (p = 0,0871) beeinflusst.
Figure 8. Regression of Log( Answer Time )Figure 8. Regression of Log( Answer Time )Figure 8. Regression of Log( Answer Time )Figure 8. Regression of Log( Answer Time )Abbildung 8. Regression des Protokolls (Antwortzeit)
Figure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of ScoreAbbildung 9. Regression der Punktzahl
Schlussfolgerungen
Das Hervorheben verknüpfter Ansichten ist eine leistungsstarke Untersuchungstechnik. Die proportionale Hervorhebung erweitert diese Technik und ermöglicht Benutzern das Erkunden mehr ihrer Daten.
Die Testteilnehmer lernten diese Benutzeroberfläche und wurden leicht produktiv genug, um Fragen zu den Diagrammen zu beantworten. Sowohl die Geschwindigkeit als auch die Genauigkeit der Antworten der Teilnehmer verbesserten sich im Laufe der Zeit.
Die proportionale Hervorhebung ist sowohl in JMP Live als auch in eigenständigem interaktivem HTML in JMP verfügbar. Ich habe welche gepostet Beispiele auf JMP Public. Wir freuen uns, diese Technik unseren Kunden zur Verfügung zu stellen mehr und schnellere Einblicke in ihre Daten.
Danksagungen
Dr. Arati Mejdal ( @arati_mejdal ) und Frau Stephanie Mencia unseren Test durchgeführt. Dr. Joseph Morgan ( @Joseph Morgan ) und Dr. Ryan Lekivetz ( @Ryan_Lekivetz ) bei der Gestaltung beraten. Dr. Caleb König ( @kalken ) leistete eine wesentliche Hilfe bei der Analyse der Ergebnisse. Ein großer Segen der Arbeit in JMP ist, wenn Sie kluge Leute brauchen, um Ihnen zu helfen, sind sie leicht zu finden.
