human perception in data visualization - home - bbva data ... · human perception in data...

Human perception in Data Visualization

July 2016

Human perception in Data Visualization — BBVA Data & Analytics 2016

Introducción

Fundamentos

Puntos de referencia

Formas básicas

Barras y tartas para proporciones

Barras y líneas

Barras, líneas y tartas

3D

Scatterplots

Treemaps

Otras visualizaciones

Densidad de datos

Pictogramas

Elementos interactivos

Colores

Conclusiones

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

0Índice

1Introducción


¿Es la visualización una ciencia o un lenguaje?

Es tal vez una ciencia, porque debe representar los datos de forma precisa y metódica para

que podamos ver las tendencias y patrones subyacentes. Por eso, la selección de lavisualización adecuada para cada contenido debería ser regulado sobre la base de lo que sequiere mostrar.

Sin embargo, muchos sostienen que se trata de un lenguaje, ya que utiliza diagramas para

transmitir significado. Los datos se codifican en la simbología y la semiología. La sintaxis y lasconvenciones de estos diagramas deben ser aprendidas y no son inherentes.

Fuente: Colin Ware — Information Visualization


En 1984, William Cleveland y Robert McGill publicaron un estudio acerca de la visualizaciónde información, y las claves básicas que se tienen en cuenta a la hora de evaluar una

visualización. Nos proporciona la primera clasificación de “tareas perceptualeselementales”.

2Fundamentos


Entender la percepción es clave para diseñar visualizaciones efectivas.Debido a que el estudio sobre ésta de Cleveland & McGill’s es de hace tres décadas, fuerepetido en 2010 por Jeffrey Heer y Michael Bostock en colaboración con AmazonMechanical Turk, y los resultados fueron muy similares a los ya obtenidos en su día.

2Fundamentos

3Puntos de referencia


Varios estudios demuestran que tenemos sesgos inherentes relacionados con los tipos degráficos que vemos y los objetos que vemos en ellos. Estos sesgos pueden distorsionar lainformación que encontramos en una gráfica.

Elementos que se muestran cerca parecen similares, al mostrarlosalejados parecen distintos.

4Formas básicas


Frederick Croxton encontró hace más de ocho décadas, en 1932, en uno de sus estudios

acerca de la comparación en gráficos, que las barras eran más eficaces paracomparar valores que los círculos, cuadrados o cubos. Los círculos y los cuadrados eran

cognitivamente muy similares; los cubos fueron los peores sin duda, y después lasvisualizaciones en 3D.

5Barras y tartas para proporciones


¿Barras o tartas para proporciones? En numerosos estudios, como el de Eells de

1926, se afirma que el ojo humano es muy poco eficiente juzgando arcos o ángulos.

6Barras y líneas


En otro estudio sobre este mismo tema, de Zacks y Tversky, encontraron que los participantes

describen mejor los contrastes entre las variables del Eje (X) cuando se presentan con

gráficos de barras, y las tendencias entre las variables del Eje (X) se visualizan mejor con

los gráficos de líneas.

7Barras, líneas y tartas


Hollands y Spence llevaron acabo un estudio para evaluar si el rendimiento de un gráficodepende del tipo de juicio que se quiera realizar. Por ejemplo, en su primer experimento,presentaron a los participantes tres gráficos distintos (barras, líneas y tartas) y analizaron la

precisión con la que podían percibir el cambio.

A su juicio, los gráficos de líneas eran superiores a otros gráficos para mostrar el cambiodebido a que están integrados; los espectadores son capaces de percibir el cambiodirectamente de la pendiente. El uso de gráficos circulares requiere de la secuenciación devarios gráficos, y por tanto no son eficientes para comunicar cambios. En el caso de lasbarras, las encontraron muy similares a los gráficos de líneas, ya que creamos líneasimaginarias entre las barras para ver mejor la tendencia.

83D


Los estudios siguientes sugieren que evaluamos objetos en 3D con mayor precisión de lo que

comúnmente se piensa, aunque va en contra de la popular filosofía de Tufte“relación datos – tinta”.

Michael Siegrist, en 1996, observó que los participantes podían evaluar lasdiferencias de tamaño del mismo modo entre las variantes 2D y 3D. Eran casi tanprecisos con gráficos de barras 2D y 3D, pero tuvieron menos éxito con los gráficoscirculares 3D.

Ellen Levy, Jeff Zacks, Barbara Tversky and Diane Schiano, en el mismo año,reconocieron que los gráficos 3D, aunque son más bonitos, no transmiten ningunainformación adicional.

Ian Spence, en 1990, realizó dos estudios enfocados en la Ley de Steven (“Eltamaño de un objeto parece más grande cuando se presenta con objetos másgrandes, o más pequeño cuando se presenta con objetos más pequeños”).Encontró que contrariamente a la física popular, esta distorsión no sucede cuandose comparan dos formas en 3D.

9Scatterplots


William Cleveland, Persi Diaconis and Robert McGill, e 1982, hallaron que las personas llegana conclusiones acerca de la correlación en los diagramas de dispersión, en parte, en función

del tamaño de la nube de puntos. Cuando la misma correlación se representa en

dos gráficos, pero en un gráfico la escala se hace mayor y la nube de puntos se hace máspequeña, las personas perciben mayor correlación.

9Scatterplots


Stephan Lewandowsky and Ian Spence, en 1989, encontraron que los seres humanos pueden

discernir con mayor precisión las variaciones en el color de los símbolos de dispersión

. Se sugiere también que el uso de las letras tiene como ventaja proporcionar un semi-etiqueta para los datos (M para los hombres ; F para las mujeres) .

9Scatterplots


En un experimento de multitud de fuentes, Cagatay Demiralp, Michael Bernstein and JeffreyHeer, en 2014, reordenaron los colores y las formas de la paleta de Tableau en función de la

facilidad de percepción para el ojo.

10Treemaps


Caroline Ziemkiewicz and Robert Kosara, en 2008, hicieron un experimento en el que losparticipantes tenían que encontrar un punto de datos, y la conclusión fue que los gráficos deárbol en cascada funcionaban mejor.

10Treemaps


Nicholas Kong, Jeffrey Heer, and Maneesh Agrawala, en 2010, concluyeron que para laspersonas es más sencillo discernir los valores de diagramas de árbol mejor cuando loscomponentes son rectángulos con diversas relaciones de aspecto. Los cuadrados no sonfáciles de comparar entre sí. Las proporciones alejadas entre sí en rectángulos también sonineficaces en las comparaciones.

11Otras visualizaciones


En 2001, Todd Barlow and Padraic Neville pidieron a los participantes comparar cuatrodiferentes gráficos para representar jerarquías y encontraron que a los participantes no lesgustó el diagrama de árbol, y prefieren el “Icicle plot” o el organigrama.

11Otras visualizaciones


Lane Harrison, en su estudio “Ranking Visualizations of Correlation Using Weber’s Law”

clasificó la eficacia de varios tipos de visualización para representar la correlación. Su

conclusión fue que los diagramas de dispersión permitían evaluar más fácilmente lacorrelación, tanto negativa como positiva. El gráfico de coordenadas paralelas sin embargoera muy bueno para estudiar la correlación negativa. Entre las variantes de gráficos apilados,la barra apilada superó significativamente tanto en el área de apilado y de líneas apiladas .

12Densidad de datos


Jeffrey Heer, Nicholas Kong and Maneesh Agrawala, en 2009, exploraron cómo dedensos pueden ser los gráficos, y todavía ser eficaces en la transmisiónde información. Ellos manipularon los gráficos hasta reducirlos al 25% de su tamaño

original, y presentaron diferentes tipos de 2, 3 y 4 colores.

Encontraron que cuántas más bandas de color presentes en los gráficos, más personascometían errores, lo que sugiere que no todos los marcadores visuales son útiles para losespectadores.

13Pictogramas


Steve Haroz, Robert Kosara and Steven Franconeri, en 2015, en su estudio “WorkingMemory, Performance, and Engagement with Pictographs” experimentaron con el uso depictogramas en lugar de formas genéricas para representar datos en gráficos simples. Ellos

encontraron que el uso de formas discretas ayudaba a la gente a recordarlos datos mejor que una sola barra. Utilizando pictogramas como reemplazo para el texto

en el eje llevaron a más errores. Las personas también eran más propensas a investigarvisualizaciones que utilizan pictogramas en lugar de las que tienen formas genéricas.

14Elementosinteractivos


Zhicheng Liu and Jeffrey Heer, en 2014, realizaron un studio acerca del impacto de lalatencia en el análisis exploratorio visual, dejaron a los participantes interactuar

con dos visualizaciones diferentes, con millones de puntos de datos cada uno y observaroncómo un retardo de 500 milisegundos afectó sus interacciones. Este retraso también afectóa la forma en la que actuaron en sus interacciones siguientes ya que se mostraban menospropensos a participar.

En estudios posteriores, realizados por Daniel Wigdor en 2007, encontraron que larealización de tareas perceptuales elementales como la detección de la posición o el ángulode dirección era mucho más difícil si era una pantalla plana sobre una mesa. Por lo tanto, la

orientación de la pantalla puede distorsionar la percepción de un gráfico.

14Elementosinteractivos


En 2008, George Robertson evaluó el rendimiento a través de tres diferentes tipos devisualizaciones que muestran los mismos datos: una versión animada , una versión trazada yuna pequeña versión múltiplos, y les hicieron preguntas acerca de los datos a losparticipantes.

A pesar de que la versión de animación ganó una y otra vez en unaencuesta de preferencias de utilidad, facilidad de uso, el disfrute y laemoción, los investigadores dijeron que la versión pequeños múltiplos fue más eficaz para

grandes conjuntos de datos ya que era más rápida y dio lugar a un menor número deerrores.

15Colores


Sharon Lin, en 2013, creó un algoritmo, similar al de Google Imágenes, para identificar los“colores semánticamente resonantes”. Por ejemplo: si quiero hablar de los océanos utilizo elcolor azul. Si quiero hablar de amor uso color rosa o rojo.

En el primer experimento del estudio probaron la eficacia de este algoritmo en colaboracióncon la asignación de colores realizada por los participantes de Amazon Mechanical Turk.

15Colores


En un experimento posterior en el mismo estudio, la persona responsable de diseñar lossímbolos para Tableau, diseñó un esquema de color semánticamente resonante, y losinvestigadores probaron su algoritmo en contra de ese esquema. Apostaron en contra de supropio algoritmo con la hipótesis de que la paleta realizada por el humano sería la máseficaz; pero resultó que el algoritmo lo hizo tan bien como la paleta generada por el expertocon un subconjunto de los datos.

16Conclusiones


Después de todo…. ¿Qué piensas?

¿Es la visualización una ciencia o un lenguaje?

Referencia bibliográfica para la redacción de esta documentación: https://medium.com/@kennelliott/39-studies-about-human-perception-in-30-minutes-4728f9e31a73#.s0dtulr43

¡GRACIAS!

¿Quieres saber más?

Data Visualization & Data ExperienceBBVA Data & Analytics

[email protected]: @BBVAData

human perception in data visualization - home - bbva data ... · human perception in data...

Documents