L'evidenziazione delle viste collegate è stata per molti anni una potente tecnica esplorativa. I primi sistemi supportavano l'evidenziazione nei grafici a dispersione, in cui ogni elemento visualizza una riga di dati.
Un'estensione di questa tecnica, evidenziazione proporzionale , visualizza più informazioni nei grafici in cui gli elementi visualizzano più di una riga di dati. JMP è stato uno dei primi prodotti a supportare l'evidenziazione proporzionale, nel 1989.
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 Figura 1. Evidenziazione proporzionale negli istogrammi, JMP versione 1.0 L'esperto di visualizzazione Stephen Few sostiene con forza la potenza di questa tecnica ("È difficile immaginare una situazione in cui l'evidenziazione proporzionale non sia significativamente superiore", ha ha scritto .).
Per JMP in diretta , volevamo supportare l'evidenziazione proporzionale in modo coerente in tutti i grafici perché un'interfaccia utente coerente è più facile da imparare.Quando gli utenti imparano la tecnica in un grafico, possono riutilizzare le proprie conoscenze in altri grafici.
Volevamo anche supportare sia la stima a grana grossa che quella fine. Per ottenere ciò, abbiamo combinato l'evidenziazione proporzionale con i suggerimenti al passaggio del mouse. L'evidenziazione proporzionale consente stime approssimative, mentre i suggerimenti al passaggio del mouse possono visualizzare i numeri effettivi.
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.Figura 2. Evidenziazione proporzionale con punta al passaggio del mouse. La barra mostra il peso medio dei maschi.
Undici righe vengono selezionate ed evidenziate.
Quando abbiamo scelto questo design, abbiamo ritenuto che sia l'evidenziazione proporzionale che i suggerimenti al passaggio del mouse fossero facili da imparare. Ma come possiamo saperlo? L'unico modo per essere sicuri è testare.
Un test di usabilità
I clienti JMP ci hanno aiutato a testare questa interfaccia utente sul web. Ciascun test mostrava sei coppie di grafici, in sei blocchi di tre prove ciascuno, per un totale di 18 prove. Per ogni coppia di grafici, ai partecipanti al test è stato chiesto di stimare la percentuale di righe evidenziate per i valori specificati di una variabile.
Per ogni prova di ciascuna coppia di grafici, la query visiva è stata leggermente modificata ogni volta, alterando i valori o la variabile o entrambi.L'ordine è stato randomizzato sia per i sei blocchi che per i tre studi all'interno di ciascun blocco.
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.Figura 3. Sei coppie di grafici interattivi.
Venticinque partecipanti hanno sostenuto il test. Diverse risposte ai test hanno mostrato tempi di risposta insolitamente rapidi inferiori a due secondi, forse a causa di clic del mouse errati. Un partecipante al test ha avuto tempi costantemente veloci, con un terzo delle risposte fornite in meno di un secondo. Questi dati sono stati esclusi dall'analisi.
Risultati
Si sperava che i partecipanti al test potessero apprendere il nostro framework e migliorarne l'uso nel tempo. Questo è stato testato cronometrando le loro risposte alle domande e valutando la correttezza delle loro risposte.
La risposta scelta doveva essere compresa tra il 10% e il 90% e un multiplo esatto del 10%. La risposta corretta potrebbe non essere un multiplo esatto, quindi i punteggi sono stati compensati dalla differenza. Questo ci ha permesso di assegnare un punteggio perfetto per la migliore risposta possibile.
La distanza massima dalla risposta corretta variava con la domanda. Se la migliore risposta possibile fosse del 50%, l'utente potrebbe essere al massimo del 40%; ma se la migliore risposta possibile fosse del 10%, l'utente potrebbe essere fuori dell'80%. Per questo motivo, i punteggi sono stati normalizzati scalando la distanza massima dalla risposta corretta.
Usando questa formula, zero è un punteggio perfetto e più o meno 1 il peggior punteggio possibile:
offset = round( correctAnswer ) - correctAnswer;
maxDistance = max( abs( 0.1 - correctAnswer - offset ), abs( 0.9 - correctAnswer - offset ));
score = ( chosenAnswer - correctAnswer - offset ) / maxDistance;
Apprendibilità
Osservando tutti i dati, tracciati con spline di smoothing, vediamo che sia i tempi di risposta che i punteggi sono migliorati nelle diciotto prove. Tutti hanno dovuto fissare per alcuni secondi il primo schermo, ma dopo hanno iniziato a migliorare.
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 TrialsFigura 4. Tempo di risposta in secondi in tutte le prove
I punteggi mostrano un bias negativo. Ciò può essere spiegato dai partecipanti al test che leggono da sinistra a destra e tendono a fermarsi sulla prima buona risposta.
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.Figura 5. Punteggio in tutte le prove. Zero è un punteggio perfetto.
Entrambe le curve spline sono piuttosto "irregolari". Questa periodicità può essere spiegata dai diversi tipi di grafici. In ogni terza prova, ai partecipanti al test veniva presentata una nuova coppia di grafici.
Per le medie nei tre studi, ANOVA ha mostrato una forte evidenza di miglioramento nel tempo di risposta (p <.0001). I punteggi sono migliorati in modo meno drammatico, ma hanno comunque mostrato un miglioramento significativo tra la prima e l'ultima prova (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.Figura 6. Registro medio (tempo di risposta) in tre prove.
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.Figura 7. Punteggio medio in tre prove.
Suggerimenti al passaggio del mouse
Dei 24 partecipanti al test, 22 hanno utilizzato i suggerimenti al passaggio del mouse. I suggerimenti al passaggio del mouse vengono visualizzati dopo un ritardo di 300 ms, come consigliato nelle linee guida sullo stile dell'interfaccia utente. Quindi in un breve test come questo, è ragionevole che due persone non li abbiano scoperti. È probabile che i suggerimenti al passaggio del mouse vengano scoperti con un'esposizione più lunga al prodotto.
I partecipanti che non utilizzavano i suggerimenti al passaggio del mouse si limitavano a "osservare" i grafici per stimare le loro risposte. Coloro che hanno utilizzato i suggerimenti al passaggio del mouse sono stati in grado di vedere i numeri esatti. Tuttavia, non è stata trovata alcuna relazione forte tra i punteggi dei partecipanti al test e il tempo trascorso utilizzando i suggerimenti al passaggio del mouse. Il tempo impiegato dipendeva fortemente dai tipi di grafici.
Tipi di grafici
Come previsto, i risultati del test dipendevano dai tipi di grafici testati. Testare solo sei coppie di grafici non è sufficiente per trarre conclusioni forti, ma sia i box plot che le mappe erano tra i grafici più difficili da stimare. Questo è ragionevole aspettarsi, perché questi grafici sono tra i più complessi.
Le regressioni dei minimi quadrati hanno mostrato che il tempo di risposta era fortemente influenzato sia dal tipo di grafico che dallo studio (p=0,0004 e p<.0001 rispettivamente). Il punteggio è stato fortemente influenzato dal tipo di grafico (p<.0001) e meno dallo studio (p=0.0871).
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 )Figura 8. Regressione del registro (tempo di risposta)
Figure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of ScoreFigura 9. Regressione del punteggio
Conclusioni
L'evidenziazione delle viste collegate è una potente tecnica esplorativa. L'evidenziazione proporzionale estende questa tecnica, consentendo agli utenti di esplorare più dei loro dati.
I partecipanti al test hanno imparato questa interfaccia utente, diventando facilmente abbastanza produttivi da rispondere alle domande sui grafici. Sia la velocità che l'accuratezza delle risposte dei partecipanti sono migliorate nel tempo.
L'evidenziazione proporzionale è disponibile sia in JMP Live che in HTML interattivo autonomo in JMP. ne ho postati alcuni esempi su JMP Pubblico. Siamo felici di portare questa tecnica ai nostri clienti, per abilitare Di più e approfondimenti più rapidi sui loro dati.
Ringraziamenti
Dott. Arati Mejdal ( @arati_mejdal ) e la sig.ra Stephanie Mencia condotto il nostro test. Dr. Joseph Morgan ( @Joseph Morgan ) e il dottor Ryan Lekivetz ( @Ryan_Lekivetz ) consigliato sulla sua progettazione. Il dottor Caleb King ( @calpestando ) ha fornito un aiuto essenziale nell'analisi dei risultati. Una grande benedizione di lavorare JMP è che quando hai bisogno di persone brillanti per aiutarti, sono facili da trovare.
