Introduktion till Informationsvisualisering

1. Introduktion till Informationsvisualisering Staffan Björk staffanb@cs.chalmers.se

2. Vad är informationsvisualisering? • The use of computer-supported, interactive, visual representations of abstract data to amplify cognition(Card, Mackinlay & Shneiderman) • Dvs: Att med hjälp av datorer översätta abstrakta data till en mera lättförståelig och interaktiv visuell presentation

3. Vad är informationsvisualisering? • Externaliserad Kognition • Användande av den externa världen för att uppnå kognition • Informationsdesign • Formgivning av externa representationer för att förstärka kognition • Datagrafik • Användande av abstrakta, icke-representativa visuella representationer av data för att förstärka kognition (Card, Mackinlay & Shneiderman)

4. Vad är informationsvisualisering? • Visualisering • Användande av datorbaserade interaktiva visuella representationer av data för att förstärka kognition • Vetenskaplig Visualisering • Användande av interaktiva visuella representationer för mätdata data för att förstärka kognition • Informationsvisualisering • Användande av interaktiva visuella representationer för abstrakt data för att förstärka kognition (Card, Mackinlay & Shneiderman)

5. Varför Informationsvisualisering? • Ögat är mycket bra på att upptäcka mönster och samband snabbt (eller avbrott i mönster!) • Därför är det lämpligt att utnyttja denna egenskap för att underlätta förståelse av komplex data • Genom att tillåta användaren interagera med en visualisering – göra den interaktiv - kan man dessutom ”finjustera” presentationen och komma fram till nya samband

6. Kunskapskristallisering Uppgift (Russell et al., 1993 i Card, Mackinlay, & Shneiderman, 1999) Datasökning Beslut/Handling Struktursökning Problemlösning Strukturimplementering

7. Hur kan informationsvisualisering förstärka kognition? • Ökad resurser • Hierarkisk interaktion med hög bandbredd • Parallell behandling av data • Förflytta arbete från att vara kognitivt belastande eller perceptuellt belastande • Fungera som utökat korttidsminne • Utöka mängden information som finns tillgänglig • Förenkla sökning • Lokalisera sökningen till regioner • Hög densitet av information i en region • Undvika indexering genom utplacering i rummet (Card, Mackinlay & Shneiderman, 1999)

8. Hur kan informationsvisualisering förstärka kognition?, forts. • Förenkla upptäckten av mönster • Igenkänning istället för ihågkomning • Abstraktioner och sammanslagningar • Perceptuell slutledning • Visuella representationer kan göra lösningar till problem självklara • Grafiska beräkningar (Card, Mackinlay & Shneiderman, 1999)

9. Hur kan informationsvisualisering förstärka kognition?, forts. • Perceptuell övervakning • Händelser som är ovanliga kan fås att framträda tydligare • Manipulerbart medium • Visualiseringar kan anpassas för specifika behov • Visualiseringar kan ses från olika vyer vilket kan ge bättre överblick över större förmåga att utforska informationsmängden (Card, Mackinlay & Shneiderman, 1999)

10. Begrepp från Envisioning Information - EscapingFlatland • Grundproblem • Informationsvisualiseringar har 2(+1) dimensioner att använda för att visa all information • Nästan all information har mer än 2 intressanta egenskaper • Alltså kan inte en dimension används till varje egenskap

11. Begrepp från Envisioning Information - EscapingFlatland • Inga generella lösningar • ”nearly every escape from flatland demands extensive compromise, trading off one virtue against another” Spotfire, www.sportfire.se

12. Begrepp från Envisioning Information - EscapingFlatland • Verktyg • Färger • Mönster • Position • Form • Kluster • Lager • Små multipler Prosection Matrix, Spence, 1996

13. Begrepp från Envisioning Information - EscapingFlatland • Chartjunk • Irrelevant information • Utsmyckning som inte förtydligar • Detta beror naturligtvis på målgruppen • Exempel: Inkomst i USA mer ojämnt fördelad än i resten av världen • Världskarta är irrelevant • 2 sorters 3D diagram från två olika vyer • Upprepning av namn på länder • 28 tal behöver för att visa skalorna som visar 24 informationsenheter • Ländernas ordning oförklarad • Bokstaven I används för att separera länderna Klass, G. Lecture notes, Illinois State University

14. Begrepp från Envisioning Information - Micro/Macro Readings • Berör stora informationsmängder • Se enskilda delar • Förstå sammanhang • Se mönster • to clarify, add detail

15. Begrepp från Envisioning Information - Micro/Macro Readings • Exempel • Hitta orsaken till koleraepidemi i London • Baserad på karta över epidemiområdet • Markera ut varje hus där någon insjuknat • Hitta området med högst koncentration

16. Begrepp från Envisioning Information - Micro/Macro Readings • Kalendervy över arbete • Traditionell kalender • Färgkodad automatgenererad klustering • Diagram som visar fördelning tid/antal närvarande • Medelvärden för kluster visas • Enskilda dagar kan väljas (Van Wijk & van Selow, 1999)

17. Begrepp från Envisioning Information - Layering & Separation • Layering – överlagring • Ha flera olika lager av information tillgänglig • Separation – Uppdelning • Gör så att lagren tydligt kan skiljas från varandra • Men så att deras relation bevaras

18. 1 + 1 = 3 Negativa ytor Ytor definierade av andra ytor Most of the time, that surplus visual activity is non-information, noise, and clutter + = + = Begrepp från Envisioning Information - Layering & Serparation – 1+ 1 = 3

19. Begrepp från Envisioning Information - Layering & Serparation – 1+ 1 = 3

20. Begrepp från Envisioning Information - Layering & Serparation – 1+ 1 = 3

21. Begrepp från Envisioning Information - Layering & Serparation – 1+ 1 = 3

22. Begrepp från Envisioning Information - Layering & Serparation – 1+ 1 = 3

23. Rast

24. Exempel – Information Visualizer (och relaterad projekt)

25. Information Visualizer • Ett projekt för att utforska nya användargränssnitt • Ge användaren mer (virtuellt) utrymme genom 3D • Höja informationsdensiteten genom att använda animation och 3D perspektiv • Byggde på 3D-systemet Rooms

26. Information Visualizer – Cone Trees • Visualisering av hierarkisk information • Problemet med breda träd löses genom att utnyttja extra utrymme som 3D ger • Skugga ger överblick över hela trädet • Varje delträd är roterbart

27. Information Visualizer - Perspective wall • Kalendervy • Använder perspektiv för att på ett ”naturligt” sätt minska informationen som visas • Fokus kan ändras genom att ”dra” i kalendern

28. Information Visualizer - Document Lens • Utforska text dokument • (i mikrofiche format) • Dokumentet modelleras som ett töjbart duk • Duken sträcks ut över en pyramid utan top • Interaktion sker genom att flytta pyramiden

29. [Information Visualizer] – Butterfly Application • För sökande av referenser • Komponenter • Huvud: vald artikel • Vänster vinge: använda referenser • Höger vinge: referenser till artikeln • Referenser kan väljas för att skapa nya vyer

30. [Information Visualizer] - Table Lens • Applikation för att undersöka information i tabellformat • Varje rad/kolumn kan öppnas upp för att visa detaljer • Rader/kolumner kan sorteras om efter innehåll i valda kolumner/rader

31. [Information Visualizer] - Spiral Calendar • Kalenderapplikation • Flera vyer motsvarande olika skalnivåer • Dag • Vecka • Månad • År • Person? • Avdelning? • Detaljvy samt överblick på flera olika nivåer • Möjlighet att navigera på flera olika nivåer

32. Exempel - Fisheye views

33. Fisheye views • Grundproblem • Det användaren vill se av en informationsmängd får inte plats på skärmen samtidigt • Ta bort irrelevant information • Hur ska man veta vad som bör visas? • Antagande: hierarkisk strukturerad information

34. Fisheye views - Grundidé • Information högre upp i strukturen viktigare • Men detaljinformation där användaren fokuserar också viktigt • Beräkna hur viktig varje informationsdel är utifrån detta

35. Fisheye views - Koncept • API(x) • A Priori Importance • Viktning av information oberoende av användarens intresse • Negativt värde • D(x,y) • Avståndsfunktion mellan användarens fokus och informationen • Ger ett nummeriskt värde

36. Fisheye views - Koncept • DOI(x!=y) • Hur viktig en enskild informationsdel är • API(x) – D(x,y) • Presentation görs beroende på värden och hur mycket utrymme som finns

37. Fisheye views Fisheye presentation Normal presentation