F: Gibt es experimentelle Beweise für minimalistische Visualisierungen im Tufte-Stil, die Daten sprechen, und nicht für Visualisierungen von beispielsweise Nigel Holmes ?
Ich fragte, wie ich den R-Plots hier Chart-Junk hinzufügen könne , und die Responder warfen mir eine kräftige Menge Snark zu. Es muss also einige experimentelle Beweise geben, die ich nicht kenne und die ihre Anti-Chart-Junk-Position unterstützen - mehr Beweise als nur "Tufte hat es gesagt". Recht?
Wenn solche Beweise existieren, widerspricht dies einer Menge psychologischer Untersuchungen, die wir in Bezug auf Menschen, deren Erinnerungsvermögen und Musteridentifikation durchgeführt haben. Ich würde mich also auf jeden Fall freuen, darüber zu lesen.
Eine kleine Anekdote: Auf einer Konferenz fragte ich Edward Tufte, wie er experimentelle Beweise dafür findet, dass Trödelanimationen und -videos das Verständnis des Menschen und das Erinnerungsvermögen verbessern [siehe die in Brain Rules zitierte Studie] . Seine Antwort: "Glaub ihnen nicht." Soviel zur wissenschaftlichen Methode!
PS: Natürlich nadle ich die Leute hier ein bisschen. Ich besitze alle Bücher von Tufte und finde seine Arbeit unglaublich. Ich denke nur, dass seine Anhänger einige seiner Argumente überverkauft haben.
HINWEIS: Dies ist eine erneute Veröffentlichung einer Frage, die ich bei StackOverflow gestellt habe . Moderatoren schlossen es, weil es nicht programmspezifisch war. CrossValidated könnte ein besseres Zuhause sein.
UPDATE: Es gibt einige nützliche Links im Kommentarbereich meines ursprünglichen Fragenpostens - nämlich zu den Arbeiten von Chambers, Cleveland und der datavis-Gruppe in Stanford.
UPDATE: Diese Frage beschäftigt sich mit ähnlichen Themen.
quelle
Antworten:
Die Literatur ist riesig. Experimentelle Beweise sind reichlich vorhanden, aber unvollständig. Für eine Einführung, die sich auf die psychologischen und semiotischen Untersuchungen konzentriert, siehe Alan M. MacEachren, How Maps Work (1995; 2004 in Paperback). Springe direkt zu Kapitel 9 (nahe dem Ende) und arbeite dich dann rückwärts durch jedes vorläufige Material, das dich interessiert. Die Bibliographie ist umfangreich (über 400 Dokumente), wird aber etwas langwierig. Obwohl der Titel einen Schwerpunkt auf die Kartografie legt, ist der größte Teil des Buches relevant für die Art und Weise, wie Menschen aus grafischen Informationen Bedeutung erzeugen und sie interpretieren.
Erwarten Sie nicht, eine endgültige Antwort aus solchen Nachforschungen zu erhalten. Denken Sie daran, dass sich Tufte, Cleveland und andere in erster Linie auf die Erstellung von Grafiken konzentrierten, die (vor allem) eine genaue, aufschlussreiche Kommunikation und Interpretation von Daten ermöglichen. Andere Grafiker und Forscher verfolgen andere Ziele, beispielsweise die Beeinflussung von Menschen, die Schaffung wirksamer Propaganda, die Vereinfachung komplexer Datensätze und die Darstellung ihrer künstlerischen Sensibilität in einem grafischen Medium. Dies ist fast genau das Gegenteil der ersten Reihe von Zielen, aus denen die sehr unterschiedlichen Ansätze und Empfehlungen hervorgehen.
In Anbetracht dessen denke ich, dass eine Überprüfung von Clevelands Forschungen hinreichend überzeugend sein sollte, dass viele von Tuftes Entwurfsempfehlungen eine angemessene experimentelle Rechtfertigung haben. Dazu gehören die Verwendung des Lügenfaktors, des Daten-Tinten-Verhältnisses, kleiner Multiplikatoren und von Chartjunk zur kritischen Auswertung und Gestaltung statistischer Grafiken.
quelle
Hier sind einige;
Fragen Sie bei Google nach den vollständigen Referenzen
quelle
Denken Sie daran, dass die Informationsvisualisierung keine Insel ist, die von allen anderen Formen der visuellen Kommunikation abgeschnitten ist. Wenn Sie Arbeiten auf der Grundlage von evidenzbasierten Prinzipien erstellen möchten, ist es meines Erachtens am besten, zu prüfen, wo die Evidenz am stärksten ist.
Ich habe spezifische Forschungen über Datenvisualisierungstechniken und allgemeine Forschungen in der Kognitionswissenschaft und in der allgemeinen Entwurfsforschung gelesen und finde, dass es oft effektiver ist, zu überlegen, wie die leistungsfähigere, gründlichere allgemeine Forschung für jeden Auftrag und jedes verwendete Element gilt und nützlich, als zu versuchen, die eng angewandte feldspezifische Forschung anzuwenden, die oft unter kleinen Stichproben, schwachen Forschungstechniken, engen Untersuchungen und / oder tief verwurzelten Annahmen leidet.
Es gibt zwei ausgezeichnete Bücher, die ich als Einführung empfehle, eines mit der Wissenschaft als Ausgangspunkt, eines mit allgemeinen Prinzipien als Ausgangspunkt, die Beweise liefern:
Der einzige Nachteil ist, dass dieser Ansatz mehr Nachdenken erfordert, um zu sehen, wie solche Prinzipien anwendbar sind. Wenn Sie auf der Suche nach einer Liste willkürlicher Regeln sind, wie es in der Community der Daten anscheinend viele gibt, würde ich sagen, dass es keine gibt, und es wird keine geben, es sei denn, die Leute machen massive, ungerechtfertigte Annahmen und Verallgemeinerungen oder erfinden Dinge . Die bessere Qualität der angewandten Forschung ist nützlich, aber es hilft, einen soliden Rahmen zu haben, in den sie sich einfügen kann.
Die meisten allgemeinen Prinzipien von Tufte wie Data-Ink und Chart-Junk lassen sich auf solide allgemeine Prinzipien wie Signal-Rausch-Verhältnisse, Abbildungsmaßstab, Dämpfung und andere zurückführen. Sie wurden mit strengen Annahmen und Verallgemeinerungen zu Ihren Zielen und Ihrer Zielgruppe kombiniert, die sie zu stumpfen Werkzeugen machen. Viele der offensichtlichen Widersprüche und Debatten in der angewandten Forschung sind überhaupt keine Widersprüche, wenn Sie einen Schritt zurücktreten, den Kontext berücksichtigen und die zugrunde liegenden Grundprinzipien und die Besonderheiten jedes Einzelfalls durcharbeiten.
quelle