リンクされたビューを強調表示することは、長年にわたって強力な探索手法でした。 初期のシステムは、各要素が1行のデータを表示する散布図での強調表示をサポートしていました。
この手法の拡張、比例強調表示、要素が複数行のデータを表示するグラフに、より多くの情報を表示します。 JMPは、1989年にプロポーショナルハイライトをサポートした最初の製品の1つでした。
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図1。 ヒストグラムの比例強調表示、JMPバージョン1.0視覚化の専門家であるStephenFewは、この手法の威力について強く主張しています（「比例強調表示がそれほど優れていない状況を想像するのは難しい」と彼は言います。書きました。）。
為にJMPライブ、一貫性のあるユーザーインターフェースの方が習得しやすいため、すべてのグラフで一貫して比例強調表示をサポートしたいと考えました。ユーザーが1つのグラフでテクニックを学ぶと、他のグラフで知識を再利用できます。
また、粗い推定と細かい推定の両方をサポートしたかったのです。 これを実現するために、プロポーショナルハイライトとホバーチップを組み合わせました。 比例強調表示により大まかな見積もりが可能になり、ホバーチップで実際の数値を表示できます。
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.図2。 ホバーチップによるプロポーショナルハイライト。 バーには男性の平均体重が表示されます。
11行が選択され、強調表示されます。
このデザインを選択するとき、プロポーショナルハイライトとホバーのヒントの両方を簡単に習得できると信じていました。 しかし、どうすればこれを知ることができますか？ 自信を持つ唯一の方法はテストすることです。
ユーザビリティテスト
JMPのお客様は、このユーザーインターフェイスをWeb上でテストするのを手伝ってくれました。 各テストでは、6組のグラフがそれぞれ3回の試行の6つのブロックで表示され、合計18回の試行が行われました。 グラフの各ペアについて、テスト参加者は、変数の指定された値に対して強調表示された行のパーセンテージを推定するように求められました。
グラフの各ペアの試行ごとに、値または変数、あるいはその両方を変更することにより、視覚的なクエリが毎回わずかに変更されました。順序は、6つのブロックと各ブロック内の3つの試行の両方でランダム化されました。
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.図3。 インタラクティブグラフの6つのペア。
25人の参加者がテストを受けました。 いくつかのテスト応答は、おそらく誤ったマウスクリックが原因で、2秒未満の異常に速い応答時間を示しました。 1人のテスト参加者は一貫して速い時間を過ごし、回答の3分の1は1秒未満で行われました。 これらのデータは分析から除外されました。
結果
テスト参加者が私たちのフレームワークを学び、時間の経過とともにその使用法を改善できることが期待されていました。 これは、質問に対する回答のタイミングを計り、回答の正しさをスコアリングすることによってテストされました。
選択した回答は、10％から90％の間で、正確に10％の倍数である必要がありました。 正解は正確な倍数ではない可能性があるため、スコアは差によって相殺されました。 これにより、可能な限り最高の回答に対して満点を獲得することができました。
正解からの最大距離は質問によって異なります。 可能な限り最良の答えが50％だった場合、ユーザーは最大40％離れている可能性があります。しかし、可能な限り最良の答えが10％だった場合、ユーザーは80％離れている可能性があります。 このため、スコアは正解からの最大距離でスケーリングすることによって正規化されました。
この式を使用すると、ゼロは完全なスコアであり、プラスマイナス1は可能な限り最悪のスコアです。
offset = round( correctAnswer ) - correctAnswer;
maxDistance = max( abs( 0.1 - correctAnswer - offset ), abs( 0.9 - correctAnswer - offset ));
score = ( chosenAnswer - correctAnswer - offset ) / maxDistance;
学習可能性
平滑化スプラインでプロットされたすべてのデータを見ると、18回の試行にわたって回答時間とスコアの両方が改善されたことがわかります。 誰もが最初の画面を数秒間見つめなければなりませんでしたが、その後、彼らは改善し始めました。
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 Trials図4。 すべての試行での秒単位の回答時間
スコアは負のバイアスを示しています。 これは、テスト参加者が左から右に読んで、最初の良い答えで止まる傾向があることによって説明されるかもしれません。
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.図5。 すべての試行でスコアを付けます。 ゼロは満点です。
両方のスプライン曲線はかなり「でこぼこ」です。 この周期性は、さまざまな種類のグラフで説明できます。 3回の試行ごとに、テスト参加者に新しいグラフのペアが提示されました。
3つの試行の平均について、ANOVAは回答時間の改善の強力な証拠を示しました（p <.0001）。 スコアはそれほど劇的に改善しませんでしたが、それでも最初の試行と最後の試行の間で有意な改善を示しました（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.図6。 3回の試行にわたる平均対数（回答時間）。
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.図7。 3回の試行の平均スコア。
ホバーのヒント
24人のテスト参加者のうち、22人がホバーチップを使用しました。 ユーザーインターフェイススタイルガイドラインで推奨されているように、ホバーのヒントは300ミリ秒の遅延後に表示されます。 したがって、このような短いテストでは、2人がそれらを発見しなかったのは合理的です。 ホバーチップは、製品に長時間さらされると発見される可能性があります。
ホバーチップを使用しなかった参加者は、回答を推定するためにグラフを「目で確認」することに限定されていました。 ホバーチップを使用した人は、正確な数を見ることができました。 ただし、テスト参加者のスコアとホバーチップの使用時間との間に強い関係は見つかりませんでした。 費やした時間は、グラフの種類に大きく依存していました。
グラフの種類
予想どおり、テスト結果は、テストされたグラフのタイプによって異なります。 グラフの6つのペアだけをテストするだけでは、強力な結論を引き出すのに十分ではありませんが、箱ひげ図とマップの両方が、推定するのがより難しいグラフの1つでした。 これらのグラフは最も複雑なものの1つであるため、これは予想どおりです。
最小二乗回帰は、回答時間がグラフの種類と試行の両方に強く影響されることを示しました（それぞれp =0.0004とp<.0001）。 スコアはグラフの種類に強く影響され（p <.0001）、試行によってはそれほど影響を受けませんでした（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 )図8。 ログの回帰（応答時間）
Figure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of Score図9。 スコアの回帰
結論
リンクされたビューを強調表示することは、強力な探索的手法です。 プロポーショナルハイライトはこの手法を拡張し、ユーザーが探索できるようにします彼らのデータの詳細。
テスト参加者はこのユーザーインターフェイスを学び、グラフに関する質問に答えるのに十分な生産性を簡単に得ることができました。 参加者の回答の速度と正確さの両方が時間の経過とともに向上しました。
比例強調表示は、JMPライブとJMPのスタンドアロンインタラクティブHTMLの両方で使用できます。 投稿しました例JMPパブリックで。 この手法をお客様に提供できることをうれしく思います。もっとそして彼らのデータへのより速い洞察。
謝辞
アラティ・メイダル博士（ @arati_mejdal ）とステファニーメンシアさん私たちのテストを実施しました。 ジョセフ・モーガン博士（ @joseph_morgan ）とライアン・レキベッツ博士（ @Ryan_Lekivetz ）その設計についてアドバイスしました。 カレブキング博士（ @コーキング）結果の分析に不可欠な助けを与えました。 で働くことの一つの大きな祝福JMPつまり、あなたがあなたを助けるために明るい人々を必要とするとき、彼らは見つけやすいです。
