Resaltar vistas vinculadas ha sido una poderosa técnica de exploración durante muchos años. Los primeros sistemas admitían el resaltado en diagramas de dispersión, donde cada elemento muestra una fila de datos.
Una extensión de esta técnica, resaltado proporcional , muestra más información en gráficos donde los elementos muestran más de una fila de datos. JMP fue uno de los primeros productos en admitir el resaltado proporcional, en 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. Resaltado proporcional en histogramas, JMP versión 1.0 El experto en visualización Stephen Few defiende enérgicamente el poder de esta técnica ("Es difícil imaginar una situación en la que el resaltado proporcional no sea significativamente superior", afirma. escribió .).
Para JMP en vivo , queríamos admitir el resaltado proporcional consistentemente en todos los gráficos porque una interfaz de usuario consistente es más fácil de aprender.Cuando los usuarios aprenden la técnica en un gráfico, pueden reutilizar sus conocimientos en otros gráficos.
También queríamos apoyar la estimación de grano grueso y fino. Para lograr esto, combinamos resaltado proporcional con puntas flotantes. El resaltado proporcional permite estimaciones aproximadas, mientras que las puntas de desplazamiento pueden mostrar números reales.
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. Resaltado proporcional con Hover Tip. La barra muestra el peso medio de los machos.
Se seleccionan y resaltan once filas.
Al elegir este diseño, creímos que tanto el resaltado proporcional como las sugerencias de desplazamiento son fáciles de aprender. Pero, ¿cómo podemos saber esto? La única manera de tener confianza es probando.
Una prueba de usabilidad
Los clientes de JMP nos ayudaron a probar esta interfaz de usuario en la web. Cada prueba mostró seis pares de gráficos, en seis bloques de tres intentos cada uno, para un total de 18 intentos. Para cada par de gráficos, se pidió a los participantes de la prueba que estimaran el porcentaje de filas resaltadas para valores específicos de una variable.
Para cada prueba de cada par de gráficos, la consulta visual se cambió ligeramente cada vez, alterando los valores o la variable o ambos.El orden fue aleatorio tanto para los seis bloques como para los tres ensayos dentro de cada bloque.
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. Seis pares de gráficos interactivos.
Veinticinco participantes tomaron la prueba. Varias respuestas de prueba mostraron tiempos de respuesta inusualmente rápidos de menos de dos segundos, quizás debido a clics erróneos del mouse. Un participante de la prueba tuvo tiempos consistentemente rápidos, con un tercio de sus respuestas hechas en menos de un segundo. Estos datos fueron excluidos del análisis.
Resultados
Se esperaba que los participantes de la prueba pudieran aprender nuestro marco y mejorar su uso con el tiempo. Esto se probó cronometrando sus respuestas a las preguntas y calificando la corrección de sus respuestas.
La respuesta elegida debía estar entre el 10 % y el 90 %, y un múltiplo exacto del 10 %. La respuesta correcta podría no ser un múltiplo exacto, por lo que las puntuaciones se compensaron con la diferencia. Esto nos permitió otorgar una puntuación perfecta a la mejor respuesta posible.
La distancia máxima de la respuesta correcta varió con la pregunta. Si la mejor respuesta posible fuera el 50 %, el usuario podría estar equivocado como máximo en un 40 %; pero si la mejor respuesta posible fuera del 10 %, el usuario podría equivocarse en un 80 %. Por esta razón, las puntuaciones se normalizaron escalando por la distancia máxima de la respuesta correcta.
Con esta fórmula, cero es una puntuación perfecta y más o menos 1 es la peor puntuación posible:
offset = round( correctAnswer ) - correctAnswer;
maxDistance = max( abs( 0.1 - correctAnswer - offset ), abs( 0.9 - correctAnswer - offset ));
score = ( chosenAnswer - correctAnswer - offset ) / maxDistance;
Capacidad de aprendizaje
Al observar todos los datos, representados con líneas de suavizado, vemos que tanto los tiempos de respuesta como las puntuaciones mejoraron en los dieciocho intentos. Todos tuvieron que mirar fijamente durante unos segundos la primera pantalla, pero después de eso, comenzaron a mejorar.
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. Tiempo de respuesta en segundos en todas las pruebas
Las puntuaciones muestran un sesgo negativo. Esto puede explicarse porque los participantes de la prueba leen de izquierda a derecha y tienden a detenerse en la primera respuesta buena.
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. Puntuación en todas las pruebas. Cero es una puntuación perfecta.
Ambas curvas spline son bastante "irregulares". Esta periodicidad puede explicarse por los diferentes tipos de gráficos. En cada tercer intento, a los participantes de la prueba se les presentó un nuevo par de gráficos.
Para las medias de los tres ensayos, ANOVA mostró una fuerte evidencia de mejora en el tiempo de respuesta (p < .0001). Las puntuaciones mejoraron menos dramáticamente, pero aún mostraron una mejora significativa entre el primer ensayo y el último (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 (tiempo de respuesta) en tres intentos.
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. Puntuación media en tres ensayos.
Sugerencias de desplazamiento
De los 24 participantes de la prueba, 22 usaron las puntas flotantes. Los consejos emergentes aparecen después de un retraso de 300 ms, como se recomienda en las pautas de estilo de la interfaz de usuario. Entonces, en una prueba corta como esta, es razonable que dos personas no los descubran. Es probable que los consejos flotantes se descubran con una exposición más prolongada al producto.
Los participantes que no usaron consejos flotantes se limitaron a "observar" los gráficos para estimar sus respuestas. Aquellos que usaron consejos flotantes pudieron ver los números exactos. Sin embargo, no se encontró una relación sólida entre las puntuaciones de los participantes de la prueba y el tiempo dedicado a utilizar las sugerencias de desplazamiento. El tiempo empleado dependía en gran medida de los tipos de gráficos.
Tipos de gráficos
Como era de esperar, los resultados de las pruebas dependieron de los tipos de gráficos que se probaron. Probar solo seis pares de gráficos no es suficiente para sacar conclusiones sólidas, pero tanto los diagramas de caja como los mapas se encontraban entre los gráficos más difíciles de estimar. Esto es razonable de esperar, porque estos gráficos se encuentran entre los más complejos.
Las regresiones de mínimos cuadrados mostraron que el tiempo de respuesta estaba fuertemente influenciado tanto por el tipo de gráfico como por la prueba (p=0.0004 y p<.0001 respectivamente). La puntuación estuvo fuertemente influenciada por el tipo de gráfico (p<.0001), y menos por la prueba (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. Regresión de registro (tiempo de respuesta)
Figure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of ScoreFigure 9. Regression of ScoreFigura 9. Regresión de puntuación
Conclusiones
Resaltar vistas vinculadas es una poderosa técnica exploratoria. El resaltado proporcional amplía esta técnica, lo que permite a los usuarios explorar más de sus datos.
Los participantes de la prueba aprendieron esta interfaz de usuario y se volvieron lo suficientemente productivos como para responder preguntas sobre los gráficos. Tanto la velocidad como la precisión de las respuestas de los participantes mejoraron con el tiempo.
El resaltado proporcional está disponible tanto en JMP Live como en HTML interactivo independiente en JMP. he publicado algunos ejemplos en JMP Público. Nos complace llevar esta técnica a nuestros clientes, para permitirles más y conocimientos más rápidos sobre sus datos.
Agradecimientos
Dra. Arati Mejdal ( @arati_mejdal ) y la Sra. Stephanie Mencia llevó a cabo nuestra prueba. Dr. José Morgan ( @Joseph Morgan ) y el Dr. Ryan Lekivetz ( @Ryan_Lekivetz ) asesoró en su diseño. Dr. Caleb Rey ( @calking ) prestó una ayuda esencial para analizar los resultados. Una gran bendición de trabajar en JMP Es decir, cuando necesitas personas brillantes que te ayuden, son fáciles de encontrar.
