Algoritmi optimoi graafisen esityksen käyttäjää varten

Sirontakaavioita käytetään yleisesti monilla tieteen ulkopuolisillakin aloilla, kun pyritään kuvaamaan visuaalisesti kahden muuttujan välistä suhdetta. Kuitenkin vain harvat käyttäjät ovat ymmärtäneet ihmisten havainto- ja käsityskyvyn vaikutuksen siihen, miten sirontakaavioita tulkitaan. Sirontakaavioiden oletusmallit kuvaavat myös tietoa usein huonosti, ja mallin manuaalinen hienosäätö on hankalaa.
Tutkijat ovat äskettäin keksineet algoritmisen lähestymistavan, jonka avulla voidaan automaattisesti parantaa sirontakaavioita hyödyntämällä ihmisten havaitsemia malleja ja mittoja.
"Sirontakaavion suunnittelua voidaan pitää onnistuneena, kun ihmiset kykenevät tehokkaasti purkamaan sirontakaavioon alun perin graafisesti koodatun viestin. Huonot mallit saattavat sen sijaan vääristää halutun viestin", kertoo tutkijatohtori Luana Micallef.
Automaattiset ja optimoidut sirontakaaviomallit
Tutkijoiden kehittämä optimoija voi ennakoida käyttäjien tapaa reagoida tiettyyn malliin. Ihmisten havaintokykyyn liittyy lukuisia ominaisuuksia ja rajoituksia, joita visualisoinnissa olisi vastaavasti hyödynnettävä, jotta viesti välittyisi lukijalle tehokkaasti.
"Tiedon omistajana et välttämättä tiedä, kuinka muut havaitsevat sirontakaavion, ja suuria tietokokonaisuuksia on myös vaikea visualisoida. Uuden algoritmisen menetelmämme avulla voimme optimoida sirontakaavion mitä tahansa käyttäjän edellyttämää tieto- ja analysointitehtävää varten", kertoo professori Antti Oulasvirta.
Jokaisella sirontakaavion osatekijällä, kuten koolla, läpinäkyvyydellä, tunnisteiden väreillä tai kuvion kuvasuhteella, on väliä. Osatekijöillä on huomattava vaikutus havaittuihin korrelaatioihin, poikkeamiin ja luokkiin.
"Vaikka olisit visualisoinnin asiantuntija, automatisoitu malli auttaa säästämään aikaa erityisesti hyvin suurten tietokokonaisuuksien yhteydessä. Säästynyt aika voidaan käyttää visuaalisten mallien tulkintaan vaivalloisten parametriasetusten korjailun sijasta", kertoo tutkijatohtori Gregorio Palmas.
"Tämä on vasta alkua. Olemme keskellä muutosvaihetta, jossa automatisoimme tiedon analysointia, koska datan määrä on niin huomattava. Tiedon vuorovaikutteiset analysointimenetelmät, kuten sirontakaaviot, palvelevat meitä jatkossakin hyvin, mutta niiden tehokkuutta voidaan parantaa täydentämällä niitä jonkinasteisella koneälyllä", kertoo professori Tino Weinkauf.
Uuden algoritmisen lähestymistavan tehokkuus korostui erityisesti tehtävän suorittamiseen kuluneessa ajassa. Luana Micallefin, Gregorio Palmasin, Antti Oulasvirran ja Tino Weinkaufin mukaan jopa ne käyttäjät, jotka eivät ole visualisointisuunnittelun asiantuntijoita, voivat optimoijan avulla tuottaa tehokkaita sirontakaavioita. Tällaisten algoritmisten menetelmien ansiosta voidaan ei-toivottujen väärinymmärrysten määrää vähentää tulevaisuudessa.
Lisätietoja:
Antti Oulasvirta
Professori
Aalto-yliopisto
[email protected]
puh. 050 3841561
Artikkeli: Micallef, L., Palmas, G., Oulasvirta, A. & Weinkauf, T. (2017), Towards Perceptual Optimization of the Visual Design of Scatterplots, IEEE Transactions on Visualization and Computer Graphics 23(6) : 1–12.
Projektin sivu (englanniksi)
Lue lisää uutisia

Uusi teknologia voi auttaa tekemään kestäviä ruokavalintoja
Lohkoketjusovellus antaa tietoa ruoan ympäristövaikutuksista ja paremman kokonaiskuvan eri valintojen merkityksestä.
Valollakin on kätisyys – ja sen hallitseminen tehostaa optista teknologiaa
Uusi optinen modulaattori on miljoonaa kertaa nykyisiä vaihtoehtoja nopeampi. Se voi parantaa optisten teknologioiden suorituskykyä monissa sovelluksissa, viestinnästä tietotekniikkaan.
Mitä koirien ja kissojen aivoissa tapahtuu? Uusi kuvantamismenetelmä selvittää lemmikkien mielen saloja
Aalto-yliopiston professori Lauri Parkkosen ryhmä on vuosia kehittänyt kvanttioptisia antureita aivomagneettikäyrän eli magnetoenkefalografian (MEG) mittaamiseen. Toisin kuin perinteisessä MEG-laitteessa, jossa hyvin kylmässä toimivat suprajohtavat anturit vaativat ympärilleen senttimetrejä paksun lämpöeristeen, nämä uudet huoneenlämpötilassa toimivat anturit voidaan tuoda suoraan pään pinnalle. Tämä mahdollistaa entistä tarkemmat aivomagneettikäyrien mittaukset. MEG-kuvantaminen on tutkittavalle kivutonta ja turvallista.