연결된 뷰를 강조 표시하는 것은 수년 동안 강력한 탐색 기술이었습니다. 초기 시스템은 각 요소가 한 행의 데이터를 표시하는 산점도에서 강조 표시를 지원했습니다.
이 기술의 확장, 비례 강조 , 요소가 둘 이상의 데이터 행을 표시하는 그래프에 더 많은 정보를 표시합니다. JMP는 1989년에 비례 강조 표시를 지원하는 최초의 제품 중 하나였습니다.
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 그림 1. 히스토그램의 비례 강조 표시, JMP 버전 1.0 시각화 전문가인 Stephen Few는 이 기술의 힘에 대해 강력하게 주장합니다("비례 강조 표시가 크게 우수하지 않은 상황을 상상하기 어렵습니다"라고 그는 썼다 .).
을 위한 JMP 라이브 , 일관된 사용자 인터페이스가 더 배우기 쉽기 때문에 모든 그래프에서 일관되게 비례 강조 표시를 지원하고 싶었습니다.사용자가 한 그래프에서 기술을 학습하면 다른 그래프에서 지식을 재사용할 수 있습니다.
우리는 또한 대략적인 추정과 세분화된 추정을 모두 지원하기를 원했습니다. 이를 달성하기 위해 비례 강조 표시와 호버 팁을 결합했습니다. 비례 강조 표시는 대략적인 추정을 가능하게 하는 반면 호버 팁은 실제 숫자를 표시할 수 있습니다.
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.그림 2. 호버 팁으로 비례 강조 표시. 막대는 남성의 평균 체중을 표시합니다.
11개의 행이 선택되고 강조 표시됩니다.
이 디자인을 선택할 때 비례 강조 표시와 호버 팁 모두 배우기 쉽다고 생각했습니다. 그러나 우리는 이것을 어떻게 알 수 있습니까? 자신감을 가질 수 있는 유일한 방법은 테스트하는 것입니다.
사용성 테스트
JMP 고객은 웹을 통해 이 사용자 인터페이스를 테스트하는 데 도움을 주었습니다. 각 테스트는 총 18개의 시도에 대해 각각 3개의 시도로 구성된 6개의 블록으로 6쌍의 그래프를 표시했습니다. 각 그래프 쌍에 대해 테스트 참가자에게 지정된 변수 값에 대해 강조 표시된 행의 백분율을 추정하도록 요청했습니다.
각 그래프 쌍의 각 시도에 대해 값이나 변수 또는 둘 다를 변경하여 시각적 쿼리가 매번 약간 변경되었습니다.순서는 6개 블록과 각 블록 내 3개 시도 모두에 대해 무작위로 지정되었습니다.
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.그림 3. 6쌍의 대화형 그래프.
25명의 참가자가 시험에 응시했습니다. 몇몇 테스트 응답은 잘못된 마우스 클릭으로 인해 2초 미만의 비정상적으로 빠른 응답 시간을 보였습니다. 한 테스트 참가자는 일관되게 빠른 시간을 보냈으며 답변의 3분의 1이 1초 이내에 이루어졌습니다. 이 데이터는 분석에서 제외되었습니다.
결과
테스트 참가자가 우리의 프레임워크를 배우고 시간이 지남에 따라 사용을 개선할 수 있기를 바랍니다. 이것은 질문에 대한 답변의 시간을 정하고 응답의 정확성을 채점하여 테스트되었습니다.
선택한 대답은 10%에서 90% 사이이고 10%의 정확한 배수여야 했습니다. 정답은 정확한 배수가 아닐 수 있으므로 점수는 차이로 상쇄되었습니다. 이를 통해 우리는 최상의 답변에 대해 만점을 받을 수 있었습니다.
정답과의 최대 거리는 질문에 따라 다릅니다. 가장 좋은 대답이 50%라면 사용자는 최대 40%까지 벗어날 수 있습니다. 그러나 가능한 최선의 대답이 10%라면 사용자는 80% 정도 벗어날 수 있습니다. 이를 위해 정답과의 최대 거리만큼 scaling하여 점수를 정규화하였다.
이 공식을 사용하면 0은 완벽한 점수이고 더하기 또는 빼기 1은 가능한 최악의 점수입니다.
offset = round( correctAnswer ) - correctAnswer;
maxDistance = max( abs( 0.1 - correctAnswer - offset ), abs( 0.9 - correctAnswer - offset ));
score = ( chosenAnswer - correctAnswer - offset ) / maxDistance;
학습 가능성
스무딩 스플라인으로 표시된 모든 데이터를 보면 18번의 시행에서 응답 시간과 점수가 모두 향상되었음을 알 수 있습니다. 모두가 첫 화면에서 몇 초 동안 응시해야했지만 그 이후로 개선되기 시작했습니다.
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 Trials그림 4. 모든 시도에서 응답 시간(초)
점수는 부정적인 편향을 보여줍니다. 이것은 테스트 참가자가 왼쪽에서 오른쪽으로 읽고 첫 번째 좋은 답변에서 멈추는 경향이 있기 때문에 설명될 수 있습니다.
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.그림 5. 모든 시도에서 점수를 얻습니다. 0점은 만점입니다.
두 스플라인 곡선 모두 "울퉁불퉁"합니다. 이 주기성은 다양한 유형의 그래프로 설명할 수 있습니다. 세 번째 시도마다 테스트 참가자에게 새로운 그래프 쌍이 제공되었습니다.
3건의 시험에 걸친 평균에 대해 ANOVA는 응답 시간의 개선에 대한 강력한 증거를 보여주었습니다(p < .0001). 점수는 덜 극적으로 향상되었지만 첫 번째 시도와 마지막 시도 사이에 여전히 상당한 개선을 보였습니다(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.그림 6. 세 번의 시도에 대한 평균 로그(응답 시간).
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.그림 7. 세 번의 시도에 걸친 평균 점수.
호버 팁
24명의 테스트 참가자 중 22명이 호버 팁을 사용했습니다. 호버 팁은 사용자 인터페이스 스타일 지침에서 권장하는 대로 300ms 지연 후에 나타납니다. 따라서 이와 같은 짧은 테스트에서는 두 사람이 발견하지 못한 것이 합리적입니다. 제품에 더 오래 노출되면 호버 팁이 발견될 가능성이 높습니다.
호버 팁을 사용하지 않은 참가자는 그래프를 "눈으로 확인"하여 답변을 추정하는 것으로 제한되었습니다. 호버 팁을 사용하는 사람들은 정확한 숫자를 볼 수 있었습니다. 그러나 테스트 참가자의 점수와 호버 팁을 사용한 시간 사이에는 강한 관계가 발견되지 않았습니다. 소요 시간은 그래프 유형에 크게 의존했습니다.
그래프 유형
예상대로 테스트 결과는 테스트한 그래프 유형에 따라 달라졌습니다. 6쌍의 그래프만 테스트하는 것만으로는 강력한 결론을 도출하기에 충분하지 않지만 상자 플롯과 지도는 모두 추정하기 어려운 그래프 중 하나였습니다. 이 그래프는 가장 복잡하기 때문에 예상하는 것이 합리적입니다.
최소 자승 회귀 분석에서는 응답 시간이 그래프 유형과 시행 모두에 크게 영향을 받는 것으로 나타났습니다(각각 p=0.0004 및 p<.0001). 점수는 그래프 유형에 의해 크게 영향을 받았고(p<.0001), 시도에 의해 영향을 덜 받았습니다(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 )그림 8. 로그 회귀( 응답 시간 )
Figure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of Score그림 9. 점수 회귀
결론
연결된 뷰를 강조 표시하는 것은 강력한 탐색 기술입니다. 비례 강조 표시는 이 기술을 확장하여 사용자가 탐색할 수 있도록 합니다. 더 많은 데이터.
테스트 참가자는 이 사용자 인터페이스를 배웠고 그래프에 대한 질문에 답할 수 있을 만큼 쉽게 생산적이 되었습니다. 시간이 지남에 따라 참가자 응답의 속도와 정확성이 모두 향상되었습니다.
비례 강조 표시는 JMP Live 및 JMP의 독립 실행형 Interactive HTML에서 모두 사용할 수 있습니다. 나는 약간을 게시했다 예 JMP 공개에서. 우리는 이 기술을 고객에게 제공하여 기쁘게 생각합니다. 더 데이터에 대한 더 빠른 통찰력.
감사의 말
Arati Mejdal 박사( @arati_mejdal ) 및 Ms. Stephanie Mencia 우리의 테스트를 수행했습니다. 조셉 모건 박사( @joseph_morgan ) 및 Dr. Ryan Lekivetz( @Ryan_Lekivetz ) 디자인에 대해 조언했습니다. 케일럽 킹 박사( @칼킹 ) 결과를 분석하는 데 필수적인 도움을 주었습니다. 에서 일하는 것의 큰 축복 JMP 즉, 당신을 도와줄 똑똑한 사람들이 필요할 때 쉽게 찾을 수 있습니다.
