خلاصه

داشبوردهای مبتنی بر نقشه یکی از محبوب‌ترین ابزارهایی هستند که از مشاهده و درک حجم زیادی از داده‌های جغرافیایی با روابط پیچیده پشتیبانی می‌کنند. علی‌رغم بسیاری از نمونه‌های طراحی موجود، اطلاعات کمی در مورد تأثیر آنها بر کاربران و اینکه آیا آنها با تقاضای اطلاعات و انتظارات کاربران هدف مطابقت دارند یا خیر، شناخته شده است. نویسندگان ابتدا یک داشبورد مبتنی بر نقشه جدید طراحی کردند تا از کسب دانش و تجزیه و تحلیل دانش مکانی-زمانی کاربران هدف خود پشتیبانی کند و سپس آزمایشی را برای ارزیابی امکان‌سنجی داشبورد پیشنهادی انجام دادند. این آزمایش شامل ردیابی چشم، وظایف محک و مصاحبه است. در مجموع 40 شرکت کننده برای آزمایش انتخاب شدند. نتایج، اثربخشی و کارایی داشبورد مبتنی بر نقشه پیشنهادی را در پشتیبانی از وظایف داده شده تأیید کرده است. همزمان،

کلید واژه ها:

داشبورد ؛ ردیابی چشم ؛ تحلیل فضایی و زمانی قابلیت استفاده

1. معرفی

داشبورد تعاملی یک سبک ارائه چند رسانه ای است که به طور مختصر متون، تصاویر، نمودارها، نقشه ها، فیلم ها و سنج ها را ترکیب می کند تا به کاربران اجازه درک فوری را بدهد. فعل و انفعالات روی داشبوردها، مانند انتخاب، فیلتر کردن، جستجو، مرتب کردن، یا حفاری کردن، علاوه بر این به کاربران این امکان را می‌دهد که بتوانند اطلاعات را به طور موثر مشاهده و کاوش کنند [1 ] . تعداد کمی [ 2] داشبورد را به عنوان “نمایش بصری مهم ترین اطلاعات مورد نیاز برای دستیابی به یک یا چند هدف، ادغام و مرتب شده بر روی یک صفحه نمایش می دهد تا بتوان اطلاعات را در یک نگاه نظارت کرد”. با افزایش حجم داده‌های موجود در حوزه‌های مختلف، به عنوان مثال، منابع طبیعی و زیرساخت‌های شهری، داشبورد مبتنی بر نقشه با اجزای اختصاصی نقشه‌ها و تجسم‌های جغرافیایی به ابزاری محبوب تبدیل شده است که یک نمای کلی از فضای مکانی ارائه می‌کند. دانش و از سهامداران در اتخاذ تصمیمات استراتژیک که منجر به کسب و کارهای نوآورانه می شود، حمایت می کند [ 3 ]. داشبورد مبتنی بر نقشه برای ارائه مجموعه ای از داده ها و همچنین برای پشتیبانی از یادگیری بصری و استدلال تحلیلی دانش مکانی طراحی شده است [ 4]]. به عنوان مثال، داشبوردهای مبتنی بر نقشه اغلب برای ارائه اطلاعات جغرافیایی ناهمگون به شهروندان و تشویق آنها به درک محیط زندگی خود طراحی می شوند. ما چندین داشبورد شهری مبتنی بر نقشه محبوب را در شکل 1 فهرست می کنیم . در این داشبوردهای شهری، نقشه ها به عنوان روش اصلی تجسم برای سازماندهی و نمایش اطلاعات از منظر فضایی استفاده می شود. داشبورد دوبلین ( شکل 1 الف) برای نمایش نقشه سرشماری طراحی شده است. توزیع مکانی، روند زمانی، و مقادیر داده های دقیق را می توان به صورت تعاملی از طریق داشبورد بازیابی کرد. داشبورد بوستون ( شکل 1ب) اطلاعات ایستگاه قطار و دوچرخه را روی نقشه ها نشان می دهد و به کاربران یک نمای کلی از مکان و توزیع آنها می دهد. علاوه بر این، کنار هم قرار گرفتن نقشه ها به کاربران اجازه می دهد تا توزیع قطارها و ایستگاه های دوچرخه را به هم مرتبط کنند. داشبورد گالوی ( شکل 1ج) از نقشه ها و نمودارها برای نشان دادن عوامل مختلف مرتبط با شرکت و صنعت استفاده می کند. تصاویر جغرافیایی در این داشبورد مانند یک آبشار در یک صفحه وب چیده شده اند تا کاربران به پایین اسکرول کنند تا عوامل را یکی یکی بررسی کنند. به طور کلی، داشبوردهای مبتنی بر نقشه بر تعداد محدودی از عوامل تمرکز می‌کنند و توزیع مکانی و عددی داده‌ها را به روشی خود توضیحی نشان می‌دهند. کاربران می‌توانند مقادیر داده‌ها، زیرمجموعه‌ها و درک عمیق‌تری مانند همبستگی و علیت را از طریق تعاملات ساده بررسی کنند. علاوه بر این، کسب دانش از داشبورد باید سریع باشد. مطالعات گزارش کرده اند که ساخت یک دانش از داشبورد کمتر از دو دقیقه طول می کشد [ 5 , 6 , 7]. ذکر این نکته حائز اهمیت است که برخی از مطالعات نشان می‌دهند که تحلیل مکانی-زمانی سطح بالا یک نیاز رو به رشد در میان کاربران داشبورد است، مانند جستجوی فضایی، مقایسه، تجزیه و تحلیل همبستگی، پیش‌بینی و تشخیص پرت [1 ، 8 ] . طراحی داشبوردهای موثر مبتنی بر نقشه با توابع تحلیلی مناسب عموماً با محدودیت‌هایی مانند نمایش در یک نگاه، زمان مشاهده محدود و توانایی کاربر محدود برای درک داده‌های پیچیده مکانی به چالش کشیده می‌شود [9 ، 10 ، 11 ] .
تجزیه و تحلیل بصری یک زمینه پررونق برای شناسایی و درک الگوهای داده پیچیده با ترکیب قابلیت محاسباتی ماشین و ادراک بصری انسان است [ 15 ]. طراحی رابط بصری موثر و تجسم‌های تعاملی پیچیده برای تسهیل فرآیند تحلیل بصری پیشنهاد شده‌اند. برای مثال، رابینسون و همکاران. [ 16 ] (2015) از روش های تجزیه و تحلیل بصری برای شناسایی الگوهای رویدادهای موقعیت جغرافیایی در داده های رسانه های اجتماعی استفاده کرده اند. آنها برای تجسم روند زمانی، مکان های مکانی، کلمات کلیدی و متون رسانه ای دقیق، رابطی با نماهای چند پیوندی طراحی کرده اند. در یک مطالعه پیگیری، Pezanowski و همکاران. [ 17] (2017) برای پشتیبانی از تحلیل همبستگی بین رویدادهای شناسایی شده در رسانه های اجتماعی، رابطی از چندین نماهای مرتبط با نقشه، جدول و ماتریس طراحی کرده اند. لی و همکاران [ 18] با ترکیب تجسم های مختلف در هر نما یک گام فراتر رفت تا الگوهای رخداد قابل توجه را نشان دهد، به عنوان مثال، الگوهای همزمان، پیش و پس از وقوع برای جفت مکان. آنها مضرب نقشه را با یک جدول زمانی برای نشان دادن الگوهای مکانی-زمانی، نمودارهای میله ای کنار هم و نمودارهای شعاعی برای نشان دادن الگوهای (دوباره) وقوع طراحی کردند. برای ارضای تقاضای روزافزون کاربران داشبورد در مورد بررسی توزیع فضایی و زمانی پدیده‌های منطقه‌ای و ارتباط آنها، ما پیشنهاد می‌کنیم رویکرد تحلیل بصری را با داشبوردها ادغام کنیم و بر طراحی توابع تحلیلی با رعایت اصل درک در یک نگاه تأکید کنیم. برای مثال، جمع‌آوری و تجزیه و تحلیل داده‌ها را می‌توان پس از اعمال ویژگی‌های تعاملی بالا، توسط داشبوردها پشتیبانی کرد. کاربران ممکن است وظایف ساده (شناسایی، مکان یابی،1 ، 19 ] با مشاهده سریع و تعامل با داشبورد مبتنی بر نقشه. یالچین و همکاران [ 7 ] (2018) داشبوردی با نماهای چند پیوندی را برای پشتیبانی از کاربران مبتدی برای شناسایی الگوهای داده های جدولی پیشنهاد کرده اند. آنها از نقشه ها و نمودارهای اساسی (نمودار میله ای، نمودار خطی و نمودار دایره ای) در هر نما برای ارائه چشم انداز یک مجموعه داده استفاده کردند. ناظمی و همکاران [ 19 ] (2019) داشبوردی را با کنار هم قرار دادن تجسم‌هایی مانند نقشه، نمودار وتر، مضرب‌های کوچک و نمودار میله‌ای پیشنهاد کرد تا به کاربران امکان انجام وظایف تحلیل و مقایسه را بدهد.
اینکه داشبوردها مفید و مؤثر هستند، به شدت به ارزیابی کاربر محور بستگی دارد [ 20 ]. مطالعات کاربر معمولاً برای ارزیابی انواع مختلف تجسم های نقشه برداری استفاده می شود. مطالعات متعددی بر روی بررسی تأثیر عناصر طراحی خاص بر روی نقشه‌های تعاملی متمرکز شده‌اند. ارزیابی تجربه کاربر و قابلیت استفاده از تجسم های جغرافیایی در ساخت و ساز بینش های فضایی سطح بالا باید بیشتر مورد مطالعه قرار گیرد [ 21 ، 22 ، 23 ]. آندرینکو و همکاران [ 24] دو نوع کار تحلیلی، یعنی شناسایی و مقایسه، برای ارزیابی ژئوویژوالیشن های تحلیلی پیشنهاد کرده اند. این دو نوع کار در عملیات شناختی متفاوت است. وظایف شناسایی بر یافتن ویژگی های اشیا یا مکان ها متمرکز است. وظایف مقایسه مستلزم مقایسه یا خلاصه کردن ویژگی ها در زمان ها یا مکان های مختلف است. یالچین و همکاران [ 7 ] بینش های ساخته شده توسط کاربران را در پنج دسته گروه بندی کرده اند: واقعیت، حداقل/حداکثر، همبستگی، توزیع و مقایسه. بوگوچکا و همکاران [ 25] وظایف معیار پیشنهادی که در انواع پرس و جو، خروجی جستجو و عملیات شناختی متفاوت است. در کار ما برای ارزیابی داشبوردهای مبتنی بر نقشه طراحی شده، ما سه کار شناسایی و سه کار استدلالی را پیشنهاد می کنیم که هر کدام در خروجی جستجو، نوع پرس و جو، تعامل داشبورد و عدم قطعیت داده ها متفاوت هستند.
روش‌های رایج برای ارزیابی داشبوردهای مبتنی بر نقشه عبارتند از نظرسنجی، مصاحبه، تفکر با صدای بلند و ردیابی چشم [ 26 ]. رابینسون و همکاران [ 16 ] رابط مبتنی بر نقشه خود را با یک جلسه حل کار و نظرسنجی از 25 متخصص حوزه ارزیابی کرده اند. این دو کار وظایفی با پایان باز بودند که کاربران را ملزم به درک الگوهای مکانی و زمانی می‌دانستند. آنها در بررسی خود از قابلیت استفاده و سودمندی، از روش مقیاس کاربری سیستم [ 27 ] استفاده کردند. در یک مطالعه بیشتر، Pezanowski و همکاران. [ 17 ] یک نظرسنجی آنلاین قابلیت استفاده و ابزار با 23 پاسخ کامل از 327 شرکت کننده انجام داده اند. بسیاری از ارزیابی ها با مصاحبه با کارشناسان انجام می شود [ 18 ، 28 ، 29, 30 , 31 ]. مصاحبه تخصصی نتایجی را که خود گزارش می دهد ارائه می دهد، اما نتایج می تواند جانبدارانه باشد. مک کنا و همکاران [ 32 ] و یالچین و همکاران. [ 7 ] در طول اکتشاف رایگان و پس از بررسی، ارزیابی را بر روی داشبورد خود با روش فکر بلند انجام دادند. جلسه فکر با صدای بلند می تواند قابلیت استفاده را در یک سناریوی استفاده طبیعی منعکس کند. بسیاری از مطالعات از روش ردیابی چشمی برای بیرونی کردن فرآیند ساخت دانش کاربران در مشاهده تصاویر جغرافیایی استفاده می کنند. در چنین مطالعاتی، نویسندگان حرکات چشم را هنگام انجام وظایف از پیش تعریف شده جمع آوری و تجزیه و تحلیل می کنند. هگارتی و همکاران [ 33 ] دریافتند که کاربران به احتمال زیاد توسط تجسم های بصری پیچیده نسبت به موارد ساده جذب می شوند. اوپاچ و همکاران [34 ] از روش ردیابی چشم برای مطالعه استراتژی مشاهده کاربران در به دست آوردن بینش در نقشه های متحرک چند جزئی استفاده کرده اند. آنها ترتیب دقت پاسخ، مدت زمان تثبیت، اقامت و انتقال منطقه مورد علاقه (AOI) را تجزیه و تحلیل کردند. بوگوچکا و همکاران [ 25 ] با تجزیه و تحلیل سرعت کامل، مدت زمان و استراتژی جستجو از داده‌های حرکت چشم، به امکان‌پذیری یک مکعب فضا-زمان دسترسی پیدا کرد. پوپلکا و همکاران [ 35 ] نقشه های تحلیلی را با تجزیه و تحلیل توجه شرکت کنندگان، توالی تثبیت، و مقایسه نقاط مشاهده بین پاسخ های صحیح و غلط ارزیابی کرده اند. آنها مجموعه ای از پیشنهادات را برای طراحی برنامه کاربردی تحلیلی تعاملی مبتنی بر نقشه تشکیل دادند.
در این مطالعه، ما اثربخشی و کارایی داشبورد مبتنی بر نقشه پیشنهادی خود را با استفاده از ردیابی چشمی و مصاحبه ارزیابی کردیم. داشبورد مبتنی بر نقشه ارزیابی شده از چندین نمای پیوندی تشکیل شده است و هدف آن پشتیبانی از کاربران در کسب و تجزیه و تحلیل دانش جغرافیایی، مانند توزیع مکانی، خوشه‌ها، همبستگی و روند زمانی در یک نگاه است. داشبورد به عنوان یک نمونه اولیه مبتنی بر وب پیاده سازی شده است تا کاربران بتوانند در طول آزمایش با آن تعامل داشته باشند. آزمایش ما شامل دو جزء اصلی بود. ابتدا، شش کار طراحی کردیم و داده های حرکت چشم را زمانی که شرکت کنندگان در حال انجام وظایف بودند، جمع آوری کردیم. در مرحله بعد، با شرکت کنندگان در مورد نگرش آنها نسبت به داشبورد مصاحبه کردیم. سپس داده‌های ردیابی چشم و نتایج مصاحبه را با استفاده از روش‌های مختلف برای انعکاس اثربخشی و کارایی داشبورد تجزیه و تحلیل کردیم. ساختار باقی مانده این مقاله به شرح زیر است:بخش 2 طراحی داشبورد مبتنی بر نقشه را معرفی می کند. بخش 3 طراحی آزمایش را شرح می دهد. در بخش 4 ، ما نتایج آزمایش را تجزیه و تحلیل می کنیم. بخش 5 عملکرد داشبورد و محدودیت های آزمایش ما را مورد بحث قرار می دهد. در بخش 6 ، ما نتایج خود را از این مطالعه ارائه می‌کنیم و چشم‌اندازهایی برای آینده ارائه می‌کنیم.

2. طراحی داشبورد

این بخش پیشینه طراحی و پیاده سازی داشبورد، داده های تست و رابط کاربری بصری داشبورد مبتنی بر نقشه پیشنهادی را معرفی می کند.

2.1. زمینه

در جامعه‌ای که به سرعت در حال توسعه است، سهامداران در بسیاری از حوزه‌ها با اطلاعات به‌سرعت و دائماً در حال تغییر درباره محیط اقتصادی اطراف خود به‌روز می‌شوند. مک کنا و همکاران [ 36 ] نیازهای اطلاعاتی ذینفعان مختلف در یک شرکت را مطالعه کرده اند. تحلیلگران برای درک اینکه چگونه هر عامل در هر مکان و زمان تغییر می کند، به جزئی ترین اطلاعات نیاز دارند. مدیران و مدیران به اطلاعات عمومی بیشتری مانند توزیع داده ها و روندها نیاز دارند. مدیران ارشد اجرایی (مدیرعامل) به کلی ترین اطلاعات نیاز دارند و آنها بیشتر به روند آینده اهمیت می دهند تا رویدادهای تاریخی. مطالعات قبلی نشان داده اند که داشبوردها به عنوان ابزاری مؤثر برای ذینفعان در فرآیند تصمیم گیری آنها عمل می کنند [ 1 ، 37]]. با توجه به نیازهای اطلاعاتی ذینفعان، داشبوردها با توجه به نقش آنها به سه نوع اصلی تقسیم می شوند: عملیاتی، تحلیلی و استراتژیک [ 2 ]. هدف داشبوردهای عملیاتی نظارت بر وضعیت با وضوح زمانی بالا و استفاده از تجسم های پویا برای نشان دادن تغییرات در جزئیات است. داشبوردهای تحلیلی الگوها را در سطح انتزاعی بالاتری ارائه می‌کنند و تعاملاتی را برای کاربران فراهم می‌کنند تا اطلاعات بیشتری را کشف کنند. داشبوردهای استراتژیک یک نمای کلی از کلی ترین اطلاعات را ارائه می دهند و نیاز به به روز رسانی و تعاملات کمتری دارند.
یک داشبورد مبتنی بر نقشه در این مطالعه برای ذینفعانی مانند رهبران شرکت‌های کوچک و متوسط ​​(SMEs) و شهروندان طراحی شد. این ذینفعان به اطلاعات کلی و همچنین عملکردهای تحلیلی خاصی برای درک و تجزیه و تحلیل عوامل محیط اقتصادی برای تصمیم گیری نیاز دارند. آنها می خواهند به سؤالات معمولی مانند تراکم جمعیت در یک شهر، میانگین درآمد شهروندان چقدر است، روند عوامل اقتصادی در سال های اخیر و توسعه اقتصادی و زیرساخت های حمل و نقل پاسخ دهند. همبستگی بنابراین، ما داشبورد خود را به عنوان یک داشبورد مبتنی بر نقشه تحلیلی طراحی کرده‌ایم که نه تنها نمای کلی الگوهای مکانی-زمانی عوامل اقتصادی متعدد را نشان می‌دهد، بلکه از کاربران برای انجام وظایف تحلیلی خود نیز پشتیبانی می‌کند.

2.2. داده های تست

مجموعه داده های آزمایشی ما داده های اجتماعی-اقتصادی در سطح شهرداری است که توسط مرکز داده علمی دلتای رودخانه یانگ تسه ( https://nnu.geodata.cn:8008/ ) ارائه شده است. مجموعه داده ها از داده های سرشماری سرچشمه گرفته اند. مجموعه داده ها موضوعات مختلفی از جمله تولید ناخالص داخلی (GDP)، سرمایه گذاری عمومی، تولید صنعتی، جمعیت و اشتغال را پوشش می دهند. در این مطالعه، ما چهار مقوله معرف محیط اجتماعی-اقتصادی شامل شرکت، تولید ناخالص داخلی، جمعیت، لجستیک را انتخاب کرده و 22 عامل مرتبط را در این چهار دسته شناسایی کرده‌ایم. پوشش زمانی از سال 2013 تا 2015 است، جایی که داده ها در اکثر شهرداری ها موجود است. جدول A1 در پیوست الف مقوله ها و عوامل مورد استفاده در این مطالعه را نشان می دهد.
ما استان جیانگ سو، چین را به عنوان منطقه مورد مطالعه انتخاب کرده ایم. جیانگ سو در شرق چین و در پایین دست رودخانه یانگ تسه واقع شده است که 107200 کیلومتر را پوشش می دهد. 2و 98 شهرداری. اندازه شهرداری ها از 54 کیلومتر متفاوت است 2تا 3059 کیلومتر 2. جیانگ سو با بیش از 80 میلیون نفر در میان پرجمعیت ترین و سریع ترین مناطق توسعه یافته از نظر اقتصادی در چین است. در سال های اخیر، ساختار صنعت دستخوش تحولات سریع در جیانگ سو شده است. بنابراین تسلط بر شرایط اقتصادی محلی برای ذینفعان بسیار ارزشمند است.

2.3. رابط کاربری

هدف ما این است که نمای کلی الگوهای مکانی-زمانی عوامل اقتصادی مختلف را به کاربران نشان دهیم، همبستگی‌های آنها را آشکار کنیم و به کاربران اجازه دهیم الگوها را در سطوح مختلف جزئیات مقایسه کنند. رابط داشبورد ما شامل پنج پانل، (الف) پانل عنوان، (ب) پانل نوار ابزار، (C) پانل فضایی، (D) پانل زمانی، و (E) پانل رتبه بندی است.
شکل 2a رابط و اجزای آن را نشان می دهد. پانل عنوان موضوع داشبورد را نشان می دهد. پنل نوار ابزار به کاربران اجازه می دهد تا نقشه ها را بازنشانی کنند، انتخاب ها را بازنشانی کنند و توضیحات مربوط به عوامل مختلف را بخوانند. پانل فضایی توزیع فضایی عوامل متعدد را بر روی نقشه ها نشان می دهد. هر نقشه یک دسته بندی اقتصادی-اجتماعی، یعنی شرکت، تولید ناخالص داخلی، جمعیت و تدارکات را نشان می دهد. در هر نقشه چندین لایه وجود دارد و هر لایه یک عامل را نشان می دهد. پانل زمانی روند زمانی توزیع داده ها را در طول زمان نشان می دهد. هنگامی که یک شهرستان انتخاب می شود، داده های تاریخی آن به صورت نمودار میله ای در پانل زمانی نمایش داده می شود. پانل رتبه بندی به ترتیب پنج شهرداری برتر از چهار دسته اقتصادی را ارائه می دهد. طرح رنگ این پانل ها ثابت نگه داشته می شود. هر دسته از فاکتورها با یک طرح رنگی تک رنگ نشان داده می شوند.
علاوه بر این، تعاملات در شکل 2 ب نشان داده شده است. پانل های مکانی، زمانی و رتبه بندی به هم مرتبط هستند و به عنوان نمایشی اجمالی از وضعیت اقتصادی منطقه مورد مطالعه به کار می روند. عملکرد جستجو به کاربران این امکان را می دهد که هر شهرستانی را در منطقه پیدا کنند. هنگامی که یک شهرستان جستجو می شود، نقشه ها به این شهرستان بزرگنمایی می شوند و داده های زمانی شهرستان جستجو شده نشان داده می شوند. فاکتورها را می توان با عملکرد سوئیچینگ انتخاب کرد. هر زمان که یک شهرستان یا یک فاکتور در یک پانل انتخاب شود، این انتخاب در پانل های دیگر اعمال می شود. چهار نقشه در سطح زوم و نقطه مرکزی هماهنگ شده اند. وقتی کاربران یک نقشه را جابه‌جا می‌کنند، بقیه آن‌ها را دنبال می‌کنند. آخرین اما نه کم‌اهمیت، کاربران می‌توانند نقشه‌ها را بازنشانی کنند، کل داشبورد را بازنشانی کنند و فاکتورهای موجود و اطلاعات دقیق آن‌ها را مطالعه کنند.جدول A1 ) با کلیک بر روی دکمه های نوار ابزار.
این طراحی داشبورد به کاربران اجازه می دهد تا اطلاعات دقیق را در صورت تقاضا بازیابی کنند. به عنوان مثال، کاربران می توانند مقدار ضریب یک شهرداری خاص را در یک سال خاص بازیابی کنند. علاوه بر این، داشبورد از کاربران در کسب دانش سطح بالا پشتیبانی می کند. به عنوان مثال، کاربران می توانند روند زمانی یک عامل را بیاموزند، توزیع مکانی و زمانی عوامل را در شهرداری های مختلف مقایسه کنند، الگوهای چندین عامل یک شهرداری خاص را مقایسه کنند، یا به صورت بصری همبستگی بین عوامل را بیابند. رابط داشبورد در جاوا اسکریپت توسعه یافته است. نقشه ها و نمودارها بر اساس کتابخانه های منبع باز مانند Leaflet ( https://leafletjs.com/ ) و ApexCharts.js ( https://apexcharts.com/ ) توسعه یافته اند. ما از Bootstrap استفاده کردیم ( https://getbootstrap.com/) برای ترتیب چیدمان داشبورد. این رابط را می توان در مرورگرهای وب مختلف مانند Google Chrome یا Firefox مرور کرد.

3. طراحی آزمایش ارزیابی

هدف این مطالعه دستیابی به امکان سنجی داشبورد مبتنی بر نقشه برای کسب دانش، به ویژه با توجه به الگوهای مکانی-زمانی و همبستگی در داده های اجتماعی-اقتصادی است. ما یک مطالعه کیفی برای جمع آوری و تجزیه و تحلیل عملکرد داشبورد طراحی کرده ایم. به طور خاص، ما اثربخشی و کارایی داشبورد را با تجزیه و تحلیل رفتار نگاه شرکت کنندگان و مطالعه نگرش آنها نسبت به داشبورد ارزیابی کرده ایم. برای رسیدن به این هدف، چندین کار معیار را در چندین سطح دشواری تنظیم کردیم و یک آزمایش ردیابی چشم را برای جمع‌آوری توجه بصری شرکت‌کنندگان طراحی کردیم. سپس برای جمع آوری بازخورد مصاحبه ای انجام دادیم. در این بخش، طراحی این روش های ارزیابی را به تفصیل شرح می دهیم.

3.1. شركت كنندگان

ما 40 شرکت‌کننده را با استفاده از معرفی‌های کوتاه در کلاس‌های درس، پوستر در محوطه دانشگاه و تبلیغات آنلاین جذب کردیم. یکی از شرکت کنندگان به دلیل نزدیک بینی از آزمایش خارج شد. 39 شرکت‌کننده باقی‌مانده بینایی طبیعی یا اصلاح‌شده-طبیعی داشتند و آزمایش را تکمیل کردند. پس از آزمایش، متوجه شدیم که نسبت ردیابی چشم هفت شرکت‌کننده کمتر از 70 درصد بود و نمی‌توان آن را در نظر گرفت. بنابراین، تجزیه و تحلیل بر اساس داده های حرکت چشم دوباره رمزگذاری شده از 32 شرکت کننده باقی مانده بود. از بین 32 شرکت کننده، 17 زن و 15 مرد بودند. میانگین سنی آنها 25.9 سال با انحراف معیار 2.36 بود. شرکت کنندگان دارای سوابق تحصیلی متنوعی بودند: یک شرکت کننده دارای مدرک دبیرستان یا معادل آن، 17 شرکت کننده دارای مدرک لیسانس، و 14 شرکت کننده دارای مدرک کارشناسی ارشد بودند. آنها تجربه استفاده از داشبورد تعاملی مختلفی داشتند. دوازده شرکت‌کننده بیش از پنج بار از داشبورد استفاده کرده‌اند، پنج شرکت‌کننده کمتر از پنج بار استفاده کرده‌اند، هشت شرکت‌کننده درباره آن شنیده‌اند اما استفاده نکرده‌اند، هفت شرکت‌کننده هرگز درباره آن چیزی نشنیده‌اند. علاوه بر این، هیچ یک از شرکت کنندگان هرگز در منطقه مورد مطالعه زندگی نکرده بودند. برای توضیح: در این مقاله شرکت کنندگان داوطلبانی هستند که در آزمایش ما شرکت کردند، کاربران به کاربران هدف ما از داشبورد طراحی شده مراجعه می کنند. هیچ یک از شرکت کنندگان هرگز در منطقه مورد مطالعه زندگی نکرده بودند. برای توضیح: در این مقاله شرکت کنندگان داوطلبانی هستند که در آزمایش ما شرکت کردند، کاربران به کاربران هدف ما از داشبورد طراحی شده مراجعه می کنند. هیچ یک از شرکت کنندگان هرگز در منطقه مورد مطالعه زندگی نکرده بودند. برای توضیح: در این مقاله شرکت کنندگان داوطلبانی هستند که در آزمایش ما شرکت کردند، کاربران به کاربران هدف ما از داشبورد طراحی شده مراجعه می کنند.

3.2. دستگاه

ما از یک ردیاب چشم Gazepoint GP3 ​​مجهز به نرم افزار Gazepoint Analysis برای جمع آوری داده های حرکت چشم استفاده کردیم. ردیاب چشم دارای دقت زاویه دید 0.5-1 درجه و نرخ به روز رسانی 60 هرتز است. همانطور که در شکل 3نشان می دهد، ردیاب چشم زیر یک مانیتور قرار داده شده است. ما از دو مانیتور DELL با رزولوشن 2560 × 1440 استفاده کردیم که یکی از آنها برای شرکت کنندگان برای بررسی داشبورد و دیگری برای کنترل کننده آزمایش بود. داشبورد روی یک سرور محلی با Google Chrome به عنوان مرورگر در حال اجرا بود. به شرکت کنندگان یک صفحه کلید و یک ماوس برای تعامل با داشبورد ارائه شد. محیط آزمایش در آزمایشگاه ردیابی چشم در دانشگاه فنی مونیخ راه اندازی شد. آزمایشگاه آزمایش در شرایط پایدار، ساکت و با نور پراکنده در طول آزمایش قرار داشت.

3.3. وظایف محک

با در نظر گرفتن وظایف در [ 7 ، 24 ]، زو و همکاران. چهار کار معیار در آزمایش قابلیت استفاده داشبورد در [ 38]، که با توجه به عملیات شناختی متفاوت است. با این حال، وظایف پایان باز بود و باعث تغییرات زیادی در پاسخ های شرکت کنندگان شد. در این مطالعه، ما شش تکلیف معیار بسته پایانی را در عملیات‌های شناختی مختلف و تعاملات داشبورد پیشنهاد کرده‌ایم. این وظایف به دو نوع تعلق دارند: (1) شناسایی ارزش(های) خاص از داشبورد، و (2) مقایسه یا خلاصه کردن دانش سطح بالا بر اساس حقایق یافت شده از طریق داشبورد. برای هر نوع ما سه کار خاص را با دشواری فزاینده پیشنهاد کردیم. وظایف به عنوان اظهاراتی ارائه شد که باید توسط شرکت کنندگان بر اساس تعامل آنها با داشبورد به عنوان صحیح، اشتباه یا ناشناخته قضاوت شود. جدول 1 شش عبارت و پاسخ های مرتبط با آنها را توضیح می دهد.
اجرای این وظایف پیشنهادی شامل حوزه های مختلف جستجو، دوره ها، ویژگی ها، انواع پرس و جو، عملیات شناختی، تعاملات داشبورد و در دسترس بودن داده ها است. جدول 2پیچیدگی هر کار را در جنبه های فوق الذکر تشریح می کند. T1، T2، و T3 از شرکت‌کنندگان می‌خواهند که یک مقدار (یا بیشتر) را از داشبورد بیابند و مقایسه‌های اساسی انجام دهند. دشواری عملکرد شناختی از T1 به T6 افزایش می یابد. T1 از شرکت کنندگان می خواهد که فقط مقدار یک منطقه را بیابند. T2 از شرکت کنندگان می خواهد که مقادیر یک منطقه را با هم مقایسه کنند. پیچیدگی شناختی T3 بالاتر از T1 و T2 است، زیرا شرکت کنندگان نیاز به مقایسه مقادیر چندین حوزه دارند. T4، T5، و T6 شرکت کنندگان را ملزم می کنند که الگوها را از چندین حوزه خلاصه کنند. T5 کمی پیچیده‌تر از T4 است، زیرا ویژگی‌های جستجوی بیشتری و تعاملات داشبورد بیشتری درگیر هستند. T6 دشوارترین کار است، زیرا به شرکت کنندگان نیاز دارد که نتایج را از داده های ناقص استنتاج کنند.

3.4. ابزار آزمایش

برای راهنمایی شرکت‌کنندگان در بخش عملی آزمایش، یک ابزار آزمایش تعاملی را در رابط داشبورد ایجاد کردیم. همانطور که در شکل 4 نشان داده شده است، ابزار در سمت چپ داشبورد با رنگ پس زمینه تیره قرار دارد تا با پانل های تجسم داده ها متمایز شود. این شامل هشت مورد، از جمله اولین مورد “شروع کاوش رایگان”، شش مورد از بیانیه 1-6، و آخرین مورد “تمام شد!” است. وقتی روی یک مورد کلیک می شود، مورد با یک دستورالعمل مشخص از مرحله گسترش می یابد. هنگامی که روی آیتم شروع کاوش رایگان کلیک می شود، دستورالعمل “لطفاً وظایف را در 3:00 دقیقه شروع کنید!” نشان می دهد. این عدد یک ساعت شمارش معکوس بی‌درنگ است تا زمان باقی‌مانده در طول کاوش رایگان را به شرکت‌کنندگان یادآوری کند. توجه داشته باشید که شش کار به صورت تصادفی برای هر شرکت کننده در موارد بیانیه نشان داده شده است. بنابراین تأثیر ترتیب برای زمان پاسخ وظایف به حداقل رسید. مورد “تمام شد! ” کامل بودن وظایف را تایید کرد و به شرکت کنندگان اطلاع داد که آنها آزادند تا بدن خود را حرکت دهند. از شرکت کنندگان خواسته شد که بر روی موارد به ترتیب از بالا به پایین کلیک کنند. فقط یک مورد را می توان در یک زمان کلیک کرد. پس از کلیک بر روی یک مورد جدید، داشبورد سمت راست تنظیم مجدد می شود.

3.5. روش

آزمایش‌ها از 26 نوامبر 2019 تا 21 دسامبر 2019 در آزمایشگاه ردیابی چشم در دانشگاه فنی مونیخ انجام شد. آزمایش به ترتیب متوالی انجام شد و یکی از شرکت کنندگان دیگری را دنبال کرد. شرکت کنندگان اجازه داشتند آزمایش را در هر زمانی خاتمه دهند. این آزمایش شامل شش مرحله بود: پیش آزمایش، مقدمه، کالیبراسیون، اکتشاف آزاد، حل تکلیف و مصاحبه. علاوه بر این، تمام مراحل بلافاصله پس از دیگری انجام شد. در این قسمت هر مرحله را به تفصیل معرفی می کنیم.
پیش آزمایش قبل از آزمایش، هر شرکت‌کننده چند دقیقه فرصت داشت تا استراحت کند، زیرا متوجه شدیم که بسیاری از شرکت‌کنندگان برای شروع مستقیم آزمایش خیلی عصبی یا هیجان‌زده بودند. هنگامی که آزمایش شروع شد، ابتدا به شرکت کنندگان در مورد سیاست حفاظت از داده ها، مدت زمان تقریبی، مراحل آزمایش و جمع آوری داده ها اطلاع دادیم. در صورت موافقت شرکت کننده، آزمایش را ادامه می دهیم. سپس از شرکت کنندگان خواسته شد تا فرمی را با اطلاعات شخصی خود از جمله جنسیت، سن، سطح تحصیلات و تجربه استفاده از داشبورد پر کنند.
معرفی. ما یک معرفی استاندارد برای شرکت کنندگان انجام دادیم. این مقدمه شامل شرح کوتاهی از عوامل و آموزش عملکرد داشبورد، یعنی دسته‌ها و فاکتورهای داده، پانل‌های داشبورد و ابزار آزمایش بود. شرکت کنندگان در این مرحله مجاز به پرسیدن سؤالات مربوط به کاربرد یا عمومی بودند. اطلاعات اضافی که ممکن است بر نتایج آزمایش تأثیر بگذارد داده نشده است.
تنظیم. ابتدا، از شرکت کنندگان خواستیم تا در حالی که چشمان خود را در محدوده تشخیص ردیاب چشم قرار می دهند، موقعیتی راحت پیدا کنند. ما به شرکت کنندگان اطلاع دادیم که آنها باید در طول مراحل کالیبراسیون، اکتشاف آزاد و مراحل حل کار، موقعیت خود را حفظ کنند. سپس به طور مکرر ردیاب چشم را کالیبره کردیم تا زمانی که نیاز آزمایشی را برآورده کرد.
اکتشاف رایگان در این مرحله حرکات چشم شرکت کنندگان پیگیری شد. از هر شرکت کننده خواسته شد تا داشبورد را به مدت سه دقیقه آزادانه کاوش کند. همه شرکت کنندگان مجاز به مشاهده یا تعامل آزادانه با داشبورد بودند. آن‌ها این مرحله را با کلیک کردن روی گزینه شروع کاوش رایگان در ابزار آزمایش شروع کردند. آنها می توانستند زمان را با ساعت شمارش معکوس در ابزار آزمایش بررسی کنند، یا کنترل کننده آزمایش به شرکت کنندگان یادآوری می کند که زمان تمام شده است.
حل تکلیف. مرحله حل تکلیف نیز در حالی انجام شد که حرکات چشم در حال پیگیری بود. شرکت کنندگان تکالیف را به ترتیب نمایش بیانیه بر روی ابزار آزمایش حل کردند. پس از کلیک کردن و خواندن آیتم کار، آنها می توانند با داشبورد تعامل داشته باشند و پاسخ ها را به عنوان صحیح، اشتباه یا ناشناخته در یک برگه آماده بررسی کنند. پس از اتمام یک کار، آنها فقط اجازه داشتند به کار بعدی بروند و نمی توانستند به هیچ پاسخ قبلی برگردند یا تغییر دهند. کارها محدودیت زمانی برای تکمیل نداشتند.
مصاحبه. در مرحله آخر با هر یک از شرکت کنندگان با چهار سوال مصاحبه کردیم. ابتدا، از شرکت‌کنندگان خواستیم تا سطح اطمینان خود را از پاسخ‌ها در محدوده 1 (اصلاً مطمئن نیستم) تا 10 (بسیار مطمئن) ارزیابی کنند. دوم، ما از آنها خواستیم که سطح دشواری استفاده از داشبورد را بین 1 (بسیار سخت) تا 10 (بسیار آسان) ارزیابی کنند. سوم، ما از آنها خواستیم عناصر طراحی را که در طول انجام وظایف به آنها کمک کرده است فهرست کنند. در نهایت، از آنها خواستیم موارد یا عناصر طراحی را فهرست کنند که درک یا تعامل با آنها آسان نیست. در طول بحث، از شرکت کنندگان نیز خواسته شد تا در صورت لزوم توضیحات بیشتری ارائه دهند. پاسخ های شرکت کنندگان به صورت پروتکل کتبی ثبت شد.

3.6. روشهای تحلیل

ما داده های ردیابی چشم و نتایج مصاحبه را برای ارزیابی عملکرد داشبورد مبتنی بر نقشه طراحی شده تجزیه و تحلیل کردیم. ما بر روی تجزیه و تحلیل پنج موضوع تمرکز کردیم: جذابیت پانل ها، اثربخشی داشبورد، کارایی داشبورد، استراتژی حل کار شرکت کنندگان و نگرش آنها نسبت به داشبورد.
ما این پنج موضوع را به تفصیل توضیح می دهیم. (1) جذابیت روی پانل های داشبورد به خوبی با تثبیت بصری روی داشبورد در مرحله کاوش آزاد منعکس شد. برای نشان دادن توزیع توجه، موقعیت های تثبیت را در 90 ثانیه اول با استفاده از نقشه های حرارتی تجسم کردیم. (2) اثربخشی با صحت حل کار اندازه گیری می شود. ما میزان موفقیت در حل وظایف معیار ابتدا در میان پیچیدگی‌های شناختی مختلف، دوم در میان افزایش آشنایی داشبورد پیشنهادی، و در نهایت در میان گروه‌های مختلف شرکت‌کننده مقایسه کردیم. به طور خاص، ما فرض کردیم که آشنایی داشبورد پیشنهادی در حالی که شرکت‌کنندگان در حال انجام وظایف بودند، افزایش می‌یابد. (3) ما کارایی را با استفاده از زمان پاسخ تکمیل یک کار اندازه گیری کردیم. مدت زمان هر مرحله حل کار بین کلیک شروع و کلیک پایانی ثبت شد. به طور مشابه، زمان پاسخ نیز با توجه به پیچیدگی‌های شناختی مختلف، آشنایی با داشبورد پیشنهادی و گروه‌های مختلف شرکت‌کننده مقایسه شد. علاوه بر این، زمان پاسخ بین وظایف انجام شده با موفقیت و ناموفق مقایسه شد. (4) استراتژی های جستجوی شرکت کنندگان اندازه گیری شد. اینها از دنباله جستجو، میانگین زمان ماندن، و احتمالات انتقال و بازگشت در میان مناطق مورد علاقه (AOI) در هر کار تشکیل شده است. مطابق با [ زمان پاسخ بین وظایف انجام شده با موفقیت و ناموفق مقایسه شد. (4) استراتژی های جستجوی شرکت کنندگان اندازه گیری شد. اینها از دنباله جستجو، میانگین زمان ماندن، و احتمالات انتقال و بازگشت در میان مناطق مورد علاقه (AOI) در هر کار تشکیل شده است. مطابق با [ زمان پاسخ بین وظایف انجام شده با موفقیت و ناموفق مقایسه شد. (4) استراتژی های جستجوی شرکت کنندگان اندازه گیری شد. اینها از دنباله جستجو، میانگین زمان ماندن، و احتمالات انتقال و بازگشت در میان مناطق مورد علاقه (AOI) در هر کار تشکیل شده است. مطابق با [39 ]، معیارهای انتخابی حرکات چشم را در جدول 3 فهرست کرده ایم . ما هفت ناحیه AOI را در داشبورد نشان داده شده در شکل 5 انتخاب کردیم ، از جمله Task، AOI Enterprise، AOI GDP، AOI History، AOI Population، AOI Logistic و AOI Ranking. از آنجایی که ما بر نحوه ساخت دانش توسط شرکت کنندگان از طریق پانل های متعدد تمرکز کردیم، AOI ها بر اساس پانل های داشبورد و محتوای آنها انتخاب شدند. پانل فضایی به چهار AOI تقسیم شد، زیرا هر نقشه دسته های مختلف داده را نشان می دهد. علاوه بر این، این معیارها به صورت بصری تجزیه و تحلیل شدند. توالی تثبیت‌ها روی AOIها در نمودارهای توالی، با هر تثبیت به‌عنوان یک بلوک رنگی در امتداد جدول زمانی نمایش داده شدند. بر اساس روش تجسم حالت‌های گذار پیشنهاد شده در [ 40]، ما یک نمودار سکونت و انتقال برای نشان دادن الگوهای حرکت چشم بین AOIها طراحی کردیم. در این نمودار، هر AOI با یک دایره نشان داده شده است، و شعاع نشان دهنده سکونت متوسط ​​است. انتقال بین دو AOI با یک خط نشان داده می شود و عرض مخفف احتمال انتقال است. (5) نگرش شرکت کنندگان با پاسخ آنها از مصاحبه منعکس می شود. نرخ اطمینان و نرخ استفاده کلی به صورت کیفی مورد تجزیه و تحلیل قرار گرفت. موارد طراحی مثبت و منفی لیست شده توسط شرکت کنندگان در پانل داشبورد، طرح بندی، تعامل و موارد دیگر گروه بندی شدند.

4. نتایج ارزیابی

این بخش نتایج تجزیه و تحلیل داده های حرکت چشم و بازخورد مصاحبه جمع آوری شده از آزمایش را شرح می دهد. به طور خاص، نتایج را در پنج جنبه زیر معرفی می کنیم: (1) تثبیت شرکت کنندگان در اکتشاف آزاد. (2) میزان موفقیت؛ (3) زمان پاسخگویی؛ (4) تثبیت، ساکن شدن و انتقال AOIهای شرکت کنندگان در مراحل حل تکلیف آنها؛ (5) بازخورد از شرکت کنندگان. داده های ردیابی چشم به صورت آنلاین منتشر شده است ( https://github.com/Map-based-Dashboard/eye-tracking-experiment ).

4.1. تثبیت در اکتشاف رایگان

توزیع تثبیت شرکت کنندگان منعکس کننده جذابیت بصری بخش های مختلف رابط بصری است. ما توزیع تثبیت را در 90 ثانیه اول در مرحله اکتشاف آزاد روی نقشه های حرارتی نشان می دهیم (نشان داده شده در شکل 6 ). با در نظر گرفتن حجم نمونه خود، 10 ثانیه را به عنوان فاصله انتخاب کردیم تا تثبیت های کافی در تشکیل خوشه ها در هر بازه لحاظ شود. نقشه های حرارتی الگوهای مختلفی از توزیع تثبیت را در 0-20 ثانیه ( شکل 6 a,b) و 20-90 ثانیه نشان می دهند ( شکل 6 c-i). در 10 ثانیه اول ( شکل 6 a)، می‌توانیم ببینیم که تثبیت‌ها بیشتر روی عنوان، AOI Task، AOI Enterprise و AOI GDP بود. بین 10 تا 20 ثانیه ( شکل 6ب)، تثبیت ها بیشتر روی AOI Enterprise، AOI GDP، AOI History، و کمتر روی AOI Task بود. از 20 تا 90 ثانیه ( شکل 6c-h)، توجه شرکت کنندگان به طور یکنواخت در هر پانل داشبورد قرار داشت. به طور کلی، پانل های واقع در مرکز بیشتر از سایر پانل ها در مرحله اکتشاف آزاد توجه بیشتری را به خود جلب کردند، به عنوان مثال، AOI Enterprise و AOI GDP در ابتدای اکتشاف متمرکز شدند، در حالی که رتبه بندی AOI فقط کمی مورد توجه قرار گرفت. تجسم‌هایی با تراکم اطلاعاتی بالا نیز توجه شرکت‌کنندگان را به خود جلب کرد، زیرا تثبیت‌های بیشتری روی نقشه‌ها نسبت به نمودارهای میله‌ای وجود داشت. تجسم های پویا توجه قابل توجهی را به خود جلب کردند. به عنوان مثال، تاریخچه AOI توجه زیادی را به خود جلب کرد، زیرا نمودار در پانل با حرکت یا کلیک ماوس تغییر می کرد. در مقابل، رتبه‌بندی AOI تعامل زیادی نداشت و کمتر مورد توجه قرار گرفت. علاوه بر این، در ابتدا توجه زیادی به AOI Task معطوف شد زیرا شرکت کنندگان باید روی موارد کار کلیک کرده و بخوانند. استنباط کردیم که رنگ های روشن نیز نقش مهمی در جلب توجه کاربران دارند. آخرین اما نه کم‌اهمیت، الگوهای غیرعادی مانند داده‌های ناقص و پرت نیز توجه شرکت‌کنندگان را به خود جلب کرد. در 0-30 ثانیه، تثبیت‌های بیشتری در AOI Logistic نسبت به AOI Population بود، جایی که یک منطقه خاکستری بزرگ نشان‌دهنده داده‌های در دسترس نبود.

4.2. میزان موفقیت

میزان موفقیت نشان دهنده اثربخشی طراحی داشبورد است. در این بخش ابتدا میزان موفقیت را با توجه به دشواری های درک وظایف و آشنایی داشبورد پیشنهادی شرکت کنندگان مقایسه کردیم. به طور خاص، ما میزان موفقیت را در بین وظایف معیار پیشنهادی مقایسه کردیم ( بخش 3.3 ). سطوح دشواری درک از وظایف T1 تا T6 افزایش یافت. سطوح آشنایی داشبورد از عبارت S1 به S6 در ابزار آزمایش افزایش یافت ( بخش 3.4 ). به یاد بیاورید که ابزار آزمایش به هر شرکت کننده وظایف را به ترتیب تصادفی نشان می دهد. ما فرض می کنیم که شرکت کنندگان در حین انجام وظایف با داشبورد آشنا می شدند.
شکل 7 میزان موفقیت را بر اساس ترتیب افزایش سختی (از T1 به T6) ( شکل 7 الف) و ترتیب افزایش آشنایی (از S1 به S6) ( شکل 7 ب) نشان می دهد. از شکل 7 الف، می بینیم که به طور کلی میزان موفقیت برای همه وظایف بسیار بالا است. در میان کارهای شناسایی از T1 تا T3، می توان دید که T1 و T3 نسبت به T2 دارای میزان موفقیت بالاتری هستند. در مقایسه با T2، T1 به تلاش شناختی کمتری نسبت به T2 و تعاملات داشبورد بیشتری نیاز دارد، در حالی که T3 به ​​تعامل کمتر داشبورد و عملکرد شناختی پیچیده‌تری نیاز دارد. برای وظایف استدلال از T4 تا T6، میزان موفقیت به طور قابل توجهی کاهش می یابد. شکل 7b به طور کلی نشان می دهد که میزان موفقیت با آشنایی شرکت کنندگان با داشبورد افزایش نمی یابد.
شکل 8 بیشتر میزان موفقیت هر کار را در موقعیت توالی کار نشان می دهد. نرخ موفقیت T3-T6 همراه با افزایش آشنایی داشبورد افزایش نیافت. با این حال، میزان موفقیت T1 و T2 روند صعودی داشت. ممکن است نشان دهد که شرکت‌کنندگان در جستجوی مکان بهتر عمل می‌کنند زمانی که با داشبورد آشنا شدند.
در نهایت، ما میزان موفقیت را در میان گروه‌های مختلف شرکت‌کنندگان از جمله جنبه‌هایی مانند جنسیت، سابقه تحصیلی و تجربه استفاده مقایسه کردیم. جدول 4 میزان موفقیت هر کار گروه های مختلف را نشان می دهد. اکثر وظایف در هر گروه به درستی انجام شد. میانگین میزان موفقیت همه شرکت کنندگان 84.9٪ است. میزان موفقیت در بین این گروه ها تفاوت زیادی نشان نداد.

4.3. زمان پاسخ

برای تحلیل کارایی داشبورد، زمان پاسخگویی در انجام وظایف را بررسی کردیم. مشابه تجزیه و تحلیل میزان موفقیت، ما زمان پاسخ متوسط ​​را ابتدا در میان پیچیدگی‌های شناختی فزاینده، دوم در میان افزایش آشنایی داشبورد، و سوم در میان گروه‌های مختلف شرکت‌کننده مقایسه کردیم. علاوه بر این، ما زمان پاسخ را بین کارهای موفق و شکست خورده مقایسه کردیم.
شکل 9 از نمودارهای جعبه برای نشان دادن زمان پاسخگویی به هر کار استفاده می کند. میانگین زمان پاسخ همه کارها 51.5 ثانیه بود. در شکل 9 الف، می بینیم که تمام وظایف شناسایی (T1-T3) زمان نسبتاً کمتری را صرف کردند، در حالی که زمان پاسخگویی وظایف استدلال (T4-T6) بسیار متفاوت بود. زمان پاسخ T5 و T6 بسیار طولانی تر و پراکنده تر از T4 بود. شکل 9b روند نزولی کلی زمان پاسخگویی را در امتداد افزایش میزان آشنایی نشان می دهد. این می تواند نشان دهد که هر چه شرکت کنندگان بیشتر با داشبورد تعامل داشته باشند، زمان کمتری برای حل یک کار نیاز دارند. میانگین زمان پاسخ پس از تکمیل چهار کار به کاهش ادامه نداد. ممکن است نشان دهد که شرکت‌کنندگان پس از انجام چهار کار اول به اندازه کافی با داشبورد آشنا بودند و میانگین مدت زمان آن 3.9 دقیقه بود. میانگین زمان پاسخ دو کار تکمیل شده آخر در سطح نسبتاً پایینی بود، اما افزایش تغییرات ممکن است نشان دهد که برخی از شرکت‌کنندگان در پایان آزمایش خسته شده‌اند.
شکل 10 به تفصیل زمان پاسخ هر کار را در توالی انجام شده نشان می دهد. ما نمی‌توانیم روند نزولی آشکاری را از هر کار ببینیم، که می‌تواند ناشی از حجم نمونه کوچک باشد. با این حال، می‌توانیم ببینیم که T5 و T6 زمانی که در موقعیت اول انجام شدند، زمان پاسخ نسبتا طولانی‌تری داشتند.
جدول 5 یک نمای کلی از میانگین زمان پاسخ هر کار در گروه های مختلف ارائه می دهد. ما دریافتیم که زمان پاسخ تفاوت زیادی در بین گروه‌هایی با ویژگی‌های جمعیتی متفاوت نشان نمی‌دهد.
تفاوت در زمان پاسخ بین وظایف موفق و شکست خورده در شکل 11 نشان داده شده است . شکل نشان می دهد که به جز T6، میانگین زمان پاسخگویی کارهای شکست خورده بیشتر از کارهای موفق است. این می تواند نشان دهد که وظایف ناموفق ناشی از استراتژی جستجوی اشتباه شرکت کنندگان است.

4.4. ساکن و انتقال در طول وظایف

برای یافتن تفاوت‌های بیشتر در استراتژی‌های حل تکلیف بین کارهای موفق و شکست‌خورده، توالی‌های تثبیت و همچنین توقف و انتقال در انجام وظایف را با هم مقایسه کردیم. برای هر کار، توالی تثبیت شرکت‌کنندگان را در نمودارهای توالی با استفاده از طرح رنگی مشابه AOIها در شکل 5 نشان دادیم.. محدوده زمانی نمودارهای توالی 0 تا 250 ثانیه تنظیم شد که به خوبی با همه وظایف مطابقت دارد، به طوری که بتوانیم تثبیت را در بین وظایف مقایسه کنیم. از نمودارهای توالی، ما به راحتی می‌توانیم زمان تثبیت و ترتیب مشاهده AOI هر شرکت‌کننده را تفسیر کنیم. ما همچنین میانگین زمان ماندن و احتمالات انتقال را در بین AOIها برای هر کار تجسم کردیم. در تمام نمودارهای توالی و نمودارهای سکونت و انتقال، گروه های موفق و شکست خورده به طور جداگانه تجسم می شوند. برای هر کار، موثرترین راه حل را شرح دادیم و راه حل های شرکت کنندگان را با آن مقایسه کردیم. در این بخش، استراتژی‌های شرکت‌کنندگان در حل وظایف را با هدف شناسایی سرنخ‌هایی در مورد چگونگی بهبود بیشتر اثربخشی و کارایی داشبورد به تفصیل بررسی می‌کنیم.
برای T1 «در سال 2015، ارزش صنعت سوم Qidong 85 میلیارد یوان است. (اشتباه)»، شرکت کنندگان باید یک ارزش مربوط به تولید ناخالص داخلی یک شهرستان را پیدا کنند. برای حل آن، مؤثرترین راه‌حل این بود که (1) منطقه Qidong را با تابع جستجو تعیین کنید، (2) لایه را به لایه سوم صنعت در تولید ناخالص داخلی AOI تغییر دهید، و (3) حرکت ماوس را روی AOI GDP یا AOI History برای خواندن. مقدار در پنجره پاپ آپ همانطور که در شکل 12 نشان داده شده استشرکت کنندگان بیشتر زمان را صرف بررسی تولید ناخالص داخلی AOI و تاریخچه AOI کردند. کاربر ناموفق زمان زیادی را صرف رتبه‌بندی AOI می‌کرد که اطلاعات مورد نیاز را ارائه نمی‌کرد. ما دریافتیم که مشاهده در ترکیب AOI GDP و AOI Task اغلب کمی قبل از اینکه برخی از شرکت‌کنندگان (P2، 4، 14، 17، 19، 31، 36) کار را به پایان برسانند، اتفاق می‌افتد. این نشان می دهد که وقتی شرکت کنندگان می دانستند کجا اطلاعات رتبه بندی را پیدا کنند، می توانند به سرعت کار را به پایان برسانند.
برای T2 «تعداد شرکت‌ها در جینتان از 2013 تا 2015 افزایش می‌یابد. (ناشناخته)»، شرکت‌کنندگان را ملزم می‌کرد که روند زمانی یک عامل مرتبط با شرکت یک شهرستان را پیدا کنند. برای حل T2، بهترین راه حل این بود که (1) جینتان را با تابع جستجو پیدا کنید، (2) مطمئن شوید که لایه فعال Enterprise در دسته Enterprise است، و (3) روند زمانی تعداد شرکت ها را در نمودار میله ای بخوانید. در تاریخچه AOI. از شکل 13 ، می بینیم که شرکت کنندگان بیشترین زمان را برای مشاهده AOI Enterprise و AOI Ranking صرف کردند.. این به این دلیل است که آنها از نوار جستجو برای پیدا کردن مکان در کار استفاده می کردند. برخی از شرکت‌کنندگان (P1، 3، 22) زمان نسبتاً طولانی‌تری را در AOI Enterprise و AOI History صرف کردند و بیشتر انتقال‌ها از تولید ناخالص داخلی AOI است. این نشان می دهد که آنها در حل مرحله (1) و (3) این کار با مشکل مواجه بودند.
T3 «در سال 2015، در میان تمام شهرستان های جیانگ سو، کونشان بیشترین تعداد شرکت را دارد. (درست)» شرکت کنندگان را ملزم می کرد که شهرستانی را با بالاترین ارزش یک عامل مرتبط با شرکت بیابند. موثرترین راه حل این بود (1) مطمئن شوید که لایه فعال Layer Enterprise در AOI Enterprise است و (2) نام شهرستان برتر در رتبه بندی AOI را بخوانید. شکل 14نشان می دهد که شرکت کنندگان عمدتاً به مشاهده شرکت AOI توجه داشتند. آنها از نوار جستجو در AOI Enterprise برای مکان یابی مکان استفاده کردند و رتبه بندی AOI و تاریخچه AOI را بررسی کردند. رتبه بندی AOI در گروه موفق به طور متوسط ​​تنها 3 ثانیه طول کشید. این ممکن است نشان دهنده کارآمد بودن دیدگاه باشد. با این حال، دو نفر از چهار شرکت کننده شکست خورده (P22، 25) به طور کامل رتبه بندی AOI را از دست دادند. این نشان می دهد که دو شرکت کننده با رابط داشبورد آشنا نبودند.
T4 “قسمت جنوبی جیانگ سو از نظر اقتصادی قوی تر از بخش شمالی است. (درست)» شرکت کنندگان را ملزم به یافتن توزیع فضایی یک عامل مرتبط با تولید ناخالص داخلی کرد. راه حل موثر آن بررسی توزیع فضایی لایه ها در تولید ناخالص داخلی AOI بود. از شکل 15 ، می بینیم که همه شرکت کنندگان کار را به سرعت و با موفقیت به پایان رساندند. بیشتر اوقات، شرکت کنندگان در حال مشاهده GDP AOI بودند. از نمودار انتقال، استنباط می‌کنیم که شرکت‌کنندگان می‌دانستند کجا اطلاعات توزیع مکانی را پیدا کنند. دو شرکت‌کننده (P3 و P30) T4 را در مدت 10 ثانیه با استراتژی جستجو به پایان رساندند که ابتدا بیانیه را می‌خوانند، سپس اطلاعات مربوط به تولید ناخالص داخلی AOI را مشاهده می‌کنند و سپس با بازخوانی مجدد بیانیه، پاسخ‌های خود را تأیید می‌کنند.
T5 «در جیانگ سو، هر چه تعداد کارمندان در یک شهرستان بیشتر باشد، درآمد قابل تصرف شهروندان بالاتر است. (اشتباه)» شرکت کنندگان را ملزم به مقایسه همبستگی فضایی بین دو عامل مرتبط با جمعیت کرد. راه حل موثر مقایسه توزیع های فضایی بین درآمد قابل تصرف کارمند لایه و شهروند لایه در جمعیت AOI بود. همانطور که از شکل 16 مشاهده می شود ، هر دو گروه موفق و شکست خورده بر روی جمعیت AOI تمرکز کردند تا همبستگی فضایی را بررسی کنند. چند شرکت کننده (P29، 32، و 33) برای مدتی رتبه AOI را بررسی کردند. برخی از شرکت کنندگان (P16، 31، و 32) برای مدتی تاریخچه AOI را مشاهده کردند. استنباط می‌کنیم که شرکت‌کنندگان می‌دانستند پاسخ‌ها را در کجای داشبورد پیدا کنند، اما دشواری درک بالا باعث طولانی‌تر شدن زمان مشاهده شد.
T6 «در جیانگ سو، هر چه طول کل جاده یک شهرستان بیشتر باشد، سطح صنعتی بالاتر است. (اشتباه)» شرکت کنندگان را ملزم به یافتن همبستگی بین یک عامل مرتبط با لجستیک و یک عامل مرتبط با تولید ناخالص داخلی کرد و داده های عامل مربوط به لجستیک ناقص بود. موثرترین راه حل برای T6 مقایسه توزیع فضایی بین طول جاده لایه در لجستیک AOI و صنعت لایه دوم در تولید ناخالص داخلی AOI بود. از شکل 17، می بینیم که شرکت کنندگان در حال مقایسه AOI Logistic و AOI GDP بودند. برخی از شرکت کنندگان در تلاش برای یافتن همبستگی با مقایسه عوامل در رتبه بندی AOI بودند که استراتژی اشتباهی بود. داده‌های در دسترس شرکت‌کنندگان را ملزم می‌کرد که همبستگی را با داده‌های کمتری نسبت به T5 خلاصه کنند، که چالش‌برانگیزتر بود و در نتیجه باعث موارد ناموفق بیشتری شد.
به طور خلاصه، دنباله خواندن در طول حل کار عمدتاً به دو دلیل هدایت می شود. یکی از دلایل آن نیاز به کار است. شرکت کنندگان داشبورد را با تمرکز بر جستجوی مرتبط ترین اطلاعات مورد نیاز وظایف مشاهده کردند. بنابراین برچسب گذاری پنل ها در جهت یابی توجه کاربران به اطلاعات مورد نیاز بسیار مهم است. دلیل دیگر چیدمان پانل ها است. شرکت کنندگان پس از خواندن پانل فعلی تمایل به خواندن پانل مجاور داشتند. بنابراین چیدمان پانل ها نقش مهمی در خواندن داشبورد ایفا می کند.

4.5. بازخورد

در این بخش، با تجزیه و تحلیل بازخورد مصاحبه، قابلیت استفاده داشبورد را ارزیابی کردیم. ابتدا، ما در مورد رتبه بندی شرکت کنندگان در مورد قابلیت استفاده داشبورد بحث کردیم. دوم، ما کلمات کلیدی در پروتکل مصاحبه را در گروه‌هایی از عناصر طراحی داشبورد طبقه‌بندی کردیم.
شرکت کنندگان به طور متوسط ​​8.25 (1-10 از کمتر به مطمئن تر) در مورد اطمینان پاسخ های خود و 7.89 (1-10 از بسیار سخت تا استفاده بسیار آسان) در مورد قابلیت استفاده عمومی داشبورد امتیاز دادند. نتایج کلی بسیار مثبت بود. علاوه بر این، برخی از شرکت‌کنندگان گزارش دادند که به پاسخ‌های T5 و T6 اعتماد کمتری دارند. دو دلیل برای این امر وجود داشت: یکی این که داده های در دسترس آنها را نسبت به پاسخ های خود نامطمئن می کرد و دیگری به دلیل عدم پیشینه دانش اقتصادی.
ما از شرکت‌کنندگان خواستیم موارد طراحی را که بدون گزینه‌های از پیش تعریف‌شده در فرآیند حل کار به آنها کمک می‌کرد، فهرست کنند. بازخوردها به چهار دسته گروه بندی می شوند: پانل، طرح بندی، تعامل و موارد دیگر. جدول 6 بازخورد مثبت را با فراوانی مرتبط در هر گروه خلاصه می کند. در گروه پانل، مفیدترین پانل، پانل فضایی (نه اشاره) بود. در گروه طرح بندی، طرح رنگ در حمایت از شرکت کنندگان در سازماندهی اطلاعات بسیار مفید بود. در گروه تعامل، تابع جستجو به عنوان مفیدترین مورد شناسایی شد.
به همین ترتیب، موارد طرح نگاتیو نام‌گذاری شده توسط شرکت‌کنندگان در مصاحبه را گروه‌بندی کرده‌ایم. جدول 7 موارد را به تفصیل نشان می دهد. در مقایسه با اقلام مثبت، موارد منفی بیشتر به موضوعات خاص مربوط می شود. مواردی که اغلب ذکر می شود عبارتند از: حاشیه بالای نوارها در پانل زمانی گاهی اوقات خیلی باریک است، جابجایی نقشه ها آزاردهنده است و اندازه قلم بسیار کوچک است. توجه به این نکته مهم است که سه شرکت‌کننده فکر می‌کردند که پانل زمانی بیش از حد آموزنده است، و یک شرکت‌کننده اشاره کرد که پانل زمانی از ساختار چهار دسته‌بندی مانند سایر پانل‌ها پیروی نمی‌کند. دو شرکت‌کننده نیز اظهار کردند که نمی‌دانند کجا اطلاعات مورد نیاز خود را جستجو کنند.
به طور خلاصه، داشبوردهای مبتنی بر نقشه رسانه بسیار مفیدی برای نشان دادن اطلاعات مکانی و زمانی هستند. نقشه ها عنصر اصلی برای پل زدن دانش از دیدگاه های مختلف و اطلاعات مکان آنها هستند. یک سبک یکنواخت (طرح رنگ، تعامل، چیدمان) همه پانل ها می تواند به کاربران در خواندن داشبورد کمک کند.

5. بحث

در این بخش، نقاط قوت و ضعف داشبورد مبتنی بر نقشه پیشنهادی برای کسب دانش و تجزیه و تحلیل مکانی و زمانی و محدودیت‌های آزمایش را مورد بحث قرار می‌دهیم.
داشبورد مبتنی بر نقشه به گونه ای طراحی شده است که کاربران را قادر می سازد دانش مکانی-زمانی را به دست آورند و تجزیه و تحلیل کنند. این پانل ها به گونه ای طراحی شده اند که دیدگاه های مختلف دانش جغرافیایی را در مورد آنچه در کجا و چگونه اتفاق می افتد نشان دهند. پانل های پیوند داده شده پاسخ بلادرنگ زیرمجموعه های داده را در اختیار کاربران قرار می دهند. هر پانل در یک موقعیت ثابت قرار می گیرد و با یک محفظه مشخص می شود و به کاربران لنگر لازم برای حرکت سریع در فضای داده را می دهد. کنار هم قرار دادن مشکلات در مقایسه چند عامل را کاهش می دهد و تحلیل همبستگی را تسهیل می کند. چیدمان پانل ها بسیار مهم است. پنل فضایی را در قسمت میانی و در اندازه بزرگ قرار دادیم تا توجه کاربران را به آن هدایت کنیم. آخرین اما نه کم اهمیت، ما یک سبک طراحی یکنواخت (رنگ، ​​طرح،
با این حال، طراحی فعلی را می توان از برخی جنبه ها بهبود بخشید. حاشیه نویسی در داشبورد در مطالعات قبلی مورد توجه کافی قرار نگرفته است. ما متوجه شدیم که فونت نقش بسیار مهمی در درک داشبورد دارد. اندازه فونت باید آنقدر بزرگ باشد که در یک نگاه خوانده شود. برای راهنمایی بهتر کاربران برای کاوش بصری داده ها، برچسب گذاری پانل ها باید به وضوح بیان کند که چه نوع اطلاعاتی را منتقل می کند. بنابراین، پانل های موجود در داشبورد ما باید به عنوان پانل مکانی، پانل زمانی و پانل رتبه بندی برچسب گذاری شوند. علاوه بر این، چیدمان پانل ها باید از یک نظم منطقی پیروی کند. پانل های با محتوای مشابه باید در مجاورت قرار گیرند. هنگام تجسم داده های چند دانه ای یا چند زمانی در چندین پانل، توالی پانل ها باید از یک الگوی خواندن مشترک پیروی کند. مانند از بزرگ به کوچک، یا از قدیم به جدید. علاوه بر این، عملکرد هر پانل باید ساده باقی بماند. در این داشبورد، باید توابع جستجو و سوئیچ لایه را در نوار ابزار ادغام کنیم. علاوه بر این، سبک طراحی هر پانل باید یکنواخت نگه داشته شود. پانل زمانی باید به چهار نمودار تقسیم شود، مانند پانل مکانی و رتبه بندی. عملکرد کلیک و شناور نیز باید در پانل رتبه بندی طراحی شود. علاوه بر این، ما باید یک طرح رنگ دوم برای کاربران کوررنگ آماده کنیم. همانطور که در پانل فضایی و رتبه بندی. عملکرد کلیک و شناور نیز باید در پانل رتبه بندی طراحی شود. علاوه بر این، ما باید یک طرح رنگ دوم برای کاربران کوررنگ آماده کنیم. همانطور که در پانل فضایی و رتبه بندی. عملکرد کلیک و شناور نیز باید در پانل رتبه بندی طراحی شود. علاوه بر این، ما باید یک طرح رنگ دوم برای کاربران کوررنگ آماده کنیم.
آزمایش ارزیابی داشبورد به برخی بینش‌های جدید منجر شده است. در مقایسه با آزمایش‌های مشابه فقط با مصاحبه در [ 18 ] یا فقط یک آزمایش ردیابی چشم در [ 35 ]، داده‌های حرکت چشم ما و مصاحبه نتایج تکمیلی ارائه می‌دهند که منعکس‌کننده تجربه کاربر و قابلیت استفاده از داشبورد مبتنی بر نقشه است. با توجه به حجم نمونه شرکت‌کنندگان، 40 شرکت‌کننده که به گروه‌های کوچک‌تر تقسیم می‌شوند، ممکن است کوچک به نظر برسد، اما همچنان حجم نمونه قابل قبولی است. در آزمایش های مشابه ردیابی چشم، تعداد شرکت کنندگان معمولا زیاد نبود، به عنوان مثال، 21 و 17 شرکت کننده در [ 25 ، 35]. داشبورد ما به طور آزمایشی برای گروه های مختلف هم موثر و هم کارآمد ثابت شده است. در مطالعات آتی، افراد بیشتری با سابقه مرتبط با اقتصاد یا متخصصان حوزه دعوت خواهند شد. بینش دیگر به نحوه جمع آوری بازخورد مربوط می شود. ما مصاحبه های نیمه ساختار یافته را اتخاذ کردیم و از شرکت کنندگان خواسته شد موارد طرح مثبت و منفی را فهرست کنند. اگرچه مصاحبه‌ها بلافاصله پس از آزمایش انجام شد، اما شرکت‌کننده تمایل داشت برخی موارد را نادیده بگیرد یا روی آخرین مسائلی که قبل از پایان مشارکت با آن‌ها مواجه شده بود تمرکز کند. یک جایگزین برای این مشکل استفاده از یک پرسشنامه از پیش تعریف شده برای اندازه گیری هر آیتم طراحی است که توسط Pezanowski و همکاران پیشنهاد شده است. [ 17 ]. بلند فکر کردن روش دیگری به عنوان مکمل در طول آزمایش خواهد بود [ 7]. این می تواند به شرکت کنندگان اجازه دهد تا درباره نحوه تصمیم گیری خود در پاسخ به وظایف معیار بیشتر صحبت کنند.

6. نتیجه گیری

داشبوردهای مبتنی بر نقشه فرصت‌های مناسبی را برای ذینفعان برای درک و تجزیه و تحلیل دانش پیچیده مکانی-زمانی از داده‌های چند بعدی با یک نگاه اجمالی و جزئیات در صورت تقاضا باز کرده‌اند. با ادغام ویژگی های تعاملی بالا و شهودی بالا تجزیه و تحلیل بصری در داشبورد، داشبورد را با عملکردهای تحلیلی بیشتری گسترش دادیم. علاوه بر این، ما دروس طراحی داشبوردهای مبتنی بر نقشه را ارائه کرده‌ایم.
در این مطالعه، ما یک داشبورد مبتنی بر نقشه طراحی و توسعه دادیم که داده‌های محیطی ژئواکونومیک را با هدف قرار دادن تصمیم‌گیرندگان در SMEها و شهروندان نمایش می‌دهد. برای ارزیابی اثربخشی و کارایی داشبورد مبتنی بر نقشه خود، آزمایشی را به‌ویژه طراحی کردیم که شامل مطالعه ردیابی چشمی، وظایف محک و مصاحبه است. ما داده‌های جمع‌آوری‌شده حرکت چشم را از نظر تثبیت، میزان موفقیت، زمان پاسخ، و معیارهای ماندگاری و انتقال تجزیه و تحلیل کردیم. علاوه بر این، بازخوردها را تجزیه و تحلیل کردیم و موارد مثبت و منفی را در مورد دیدگاه‌ها، طرح‌بندی، تعامل و موارد دیگر خلاصه کردیم.
کار آینده ما شامل سه وظیفه اصلی است. ابتدا، طراحی رابط با تمرکز بر مطالعه چگونگی تأثیر طرح‌بندی‌های مختلف نماهای چندگانه و برچسب‌گذاری آنها بر کارایی داشبوردهای مربوطه، بهبود می‌یابد. دوم، آزمایش‌های بیشتر تجربه کاربر و قابلیت استفاده انجام خواهد شد. ما به طور کمی مطالعه خواهیم کرد که چگونه تجسم، آرایش پانل، طرح رنگ، و پس‌زمینه کاربر بر توجه کاربران و کسب دانش و تجزیه و تحلیل مکانی-زمانی تأثیر می‌گذارد. در نهایت، ما طراحی داشبورد خود را با افزودن روش‌های تحلیلی بصری بیشتر گسترش خواهیم داد. به عنوان مثال، ما محاسبه همبستگی و تابع تشخیص ناهنجاری و پانل های داشبورد را اضافه می کنیم. همچنین قصد داریم آزمایش‌های بیشتری را روی مجموعه‌های داده مختلف، به عنوان مثال، داده‌های رسانه‌های اجتماعی و اطلاعات جغرافیایی داوطلبانه انجام دهیم.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

AOI منطقه مورد علاقه
مدیر عامل مدیر اجرایی
SME شرکت های کوچک و متوسط
تولید ناخالص ملی تولید ناخالص داخلی
CNY یوان چین

پیوست اول

جدول
جدول A1. عوامل اجتماعی-اقتصادی انتخاب شده و آمار داده ها.

منابع

  1. جینگ، سی. دو، م. لی، اس. لیو، اس. داشبوردهای جغرافیایی برای نظارت بر عملکرد شهر هوشمند. پایداری 2019 ، 11 ، 5648. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. Few, S. طراحی داشبورد اطلاعاتی: ارتباط بصری موثر داده ها . O’Reilly Media, Inc.: Newton, MA, USA, 2006. [ Google Scholar ]
  3. هویجبوم، ن. ون دن بروک، تی. داده های باز: مقایسه بین المللی استراتژی ها. یورو J. ePractice 2011 ، 12 ، 4-16. [ Google Scholar ]
  4. کیچین، آر. لوریو، تی پی؛ McArdle، G. شناخت و اداره شهرها از طریق شاخص های شهری، معیارهای شهر و داشبوردهای بلادرنگ. Reg. گل میخ. Reg. علمی 2015 ، 2 ، 6-28. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. لیو، ز. جیانگ، بی. Heer, J. imMens: جستجوی بصری بی‌درنگ داده‌های بزرگ. محاسبه کنید. نمودار. انجمن 2013 ، 32 ، 421-430. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. ردا، ک. جانسون، AE; پاپکا، من؛ Leigh, J. اثرات اندازه و وضوح نمایشگر بر رفتار کاربر و کسب بینش در کاوش بصری. در مجموعه مقالات سی و سومین کنفرانس سالانه ACM در مورد عوامل انسانی در سیستم های محاسباتی (CHI ’15)، سئول، کره، 18 تا 23 آوریل 2015. انجمن ماشین‌های محاسباتی: نیویورک، نیویورک، ایالات متحده آمریکا، 2015. صص 2759-2768. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. یالچین، MA; علمکویست، ن. Bederson، BB Keshif: Rapid and Expressive Tabular Exploration for Novices. IEEE Trans. Vis. محاسبه کنید. نمودار. 2018 ، 24 ، 2339–2352. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. Vornhagen، H. تجسم موثر برای فعال کردن حس سازی سیستم های پیچیده. پرونده داشبورد حاکمیت. در مجموعه مقالات کنفرانس بین المللی EGOV-CeDEM-ePart، Donau، اتریش، 3 تا 5 سپتامبر 2018؛ صص 313-321. [ Google Scholar ]
  9. Gurstein, MB داده های باز: توانمندسازی استفاده از داده های قدرتمند یا موثر برای همه؟ اولین دوشنبه 2011 16 . [ Google Scholar ] [ CrossRef ]
  10. باتی، م. Axhausen، KW; جیانوتی، اف. پوزدنوخوف، ا. بذانی، ع. واچوویچ، ام. اوزونیس، جی. پرتغالی، ی. شهرهای هوشمند آینده. یورو فیزیک J. Spec. بالا. 2012 ، 214 ، 481-518. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. باتی، ام. دیدگاهی در مورد داشبوردهای شهری. Reg. گل میخ. Reg. علمی 2015 ، 2 ، 29-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ماژول سرشماری Mappong: شهر دوبلین. در دسترس آنلاین: https://airo.maynoothuniversity.ie/Instant_Atlas/Updated%20Modules/dd/Dublin%20City/atlas.html (در 25 ژوئن 2020 قابل دسترسی است).
  13. شهر هوشمند 2-بوستون اسمارت سیتی. در دسترس آنلاین: https://boston.opendatasoft.com/page/smart-city-2/ (در 25 ژوئن 2020 قابل دسترسی است).
  14. تجسم شرکت، نوآوری و اشتغال در شهر و شهرستان گالوی. در دسترس آنلاین: https://galwaydashboard.ie/enterprise (در 25 ژوئن 2020 قابل دسترسی است).
  15. کیم، دی. آندرینکو، جی. Fekete، JD; گورگ، سی. کوههامر، جی. Melançon, G. Visual Analytics: Definition, Process, and Challenges. در تجسم اطلاعات: مسائل و دیدگاه های انسان محور . Kerren, A., Stasko, JT, Fekete, JD, North, C., Eds. Springer: برلین/هایدلبرگ، آلمان، 2008; صص 154-175. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. رابینسون، AC; Peuquet, DJ; پزانوفسکی، اس. هاردیستی، FA; Swedberg، B. طراحی و ارزیابی یک سیستم تجزیه و تحلیل زمین بصری برای کشف الگوها در داده های رویداد مکانی-زمانی. کارتوگر. Geogr. Inf. علمی 2017 ، 44 ، 216-228. [ Google Scholar ] [ CrossRef ]
  17. پزانوفسکی، اس. MacEachren، AM; ساولیف، آ. رابینسون، AC SensePlace3: یک چارچوب ژئو بصری برای تجزیه و تحلیل اطلاعات مکان-زمان-ویژگی در رسانه های اجتماعی. کارتوگر. Geogr. Inf. علمی 2018 ، 45 ، 420-437. [ Google Scholar ] [ CrossRef ]
  18. لی، جی. چن، اس. ژانگ، ک. آندرینکو، جی. Andrienko، N. COPE: کاوش تعاملی الگوهای هم‌رویداد در سری‌های زمانی مکانی. IEEE Trans. Vis. محاسبه کنید. نمودار. 2019 ، 25 ، 2554–2567. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. ناظمی، ک. Burkhardt, D. داشبوردهای تحلیلی بصری برای وظایف تحلیلی مقایسه ای – مطالعه موردی در مورد تحرک و حمل و نقل. Procedia Comput. علمی 2019 ، 149 ، 138-150. [ Google Scholar ] [ CrossRef ]
  20. نقشه های تعاملی Roth، RE: آنچه می دانیم و آنچه باید بدانیم. جی. اسپات. Inf. علمی 2013 ، 2013 ، 59-115. [ Google Scholar ] [ CrossRef ]
  21. راث، RE; چولتکین، ا. دلآزاری، ل. Filho، HF; گریفین، ا. هال، ا. کورپی، ج. لوکا، آی. مندونسا، آ. اومز، ک. و همکاران مطالعات کاربر در نقشه‌برداری: فرصت‌هایی برای تحقیقات تجربی بر روی نقشه‌ها و تجسم‌های تعاملی بین المللی جی. کارتوگر. 2017 ، 3 ، 61-89. [ Google Scholar ] [ CrossRef ]
  22. چانگ، آر. زیمکیویچ، سی. سبز، TM; ریبارسکی، دبلیو. تعریف بینش برای تحلیل بصری. محاسبات IEEE. نمودار. Appl. 2009 ، 29 ، 14-17. [ Google Scholar ] [ CrossRef ]
  23. راث، RE; راس، KS; MacEachren، طراحی کاربر محور AM برای نقشه های تعاملی: مطالعه موردی در تجزیه و تحلیل جرم. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 262-301. [ Google Scholar ] [ CrossRef ]
  24. آندرینکو، ن. آندرینکو، جی. گاتالسکی، ص. تجسم فضایی-زمانی اکتشافی: یک بررسی تحلیلی. J. Vis. لنگ محاسبه کنید. 2003 ، 14 ، 503-541. [ Google Scholar ] [ CrossRef ]
  25. بوگوچکا، ای. Jahnke، M. امکان سنجی مکعب فضا-زمان در تجسم منظر فرهنگی زمانی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 209. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  26. برینک، تی. گرگل، دی. Wood, SD قابلیت استفاده برای وب: طراحی وب سایت هایی که کار می کنند . مورگان کافمن ناشران: برلینگتون، MA، ایالات متحده آمریکا، 2001. [ Google Scholar ]
  27. Brooke, J. SUS: «قابلیت استفاده سریع و کثیف. در ارزیابی قابلیت استفاده در صنعت ; Routledge: Abingdon، UK، 1996; پ. 189. [ Google Scholar ]
  28. سیباچر، دی. هاولر، جی. هانت، ام. استاین، ام. مولر، اچ. انگلک، یو. کیم، دی. تحلیل بصری پیش‌بینی‌های رویداد فضایی-زمانی: بررسی دینامیک گسترش گونه‌های مهاجم. IEEE Trans. کلان داده 2018 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. کائو، ن. لین، سی. زو، س. لین، ی. تنگ، ایکس. Wen, X. Voila: تشخیص ناهنجاری بصری و نظارت با جریان داده‌های فضایی و زمانی. IEEE Trans. Vis. محاسبه کنید. 2018 ، 24 ، 23-33. [ Google Scholar ] [ CrossRef ]
  30. لیو، دی. خو، پی. Ren, L. TPFlow: پارتیشن پیشرونده و استخراج الگوی چند بعدی برای تجزیه و تحلیل داده های مکانی-زمانی در مقیاس بزرگ. IEEE Trans. Vis. محاسبه کنید. نمودار. 2019 ، 25 ، 1-11. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  31. شی، ال. هوانگ، سی. لیو، ام. یان، جی. جیانگ، تی. تان، ز. هو، ی. چن، دبلیو. Zhang، X. UrbanMotion: تحلیل بصری مسیرهای پراکنده در مقیاس متروپولیتن. IEEE Trans. Vis. محاسبه کنید. نمودار. 2020 . [ Google Scholar ] [ CrossRef ]
  32. مک کنا، اس. استاهلی، د. فولچر، سی. Meyer, M. BubbleNet: داشبورد امنیت سایبری برای تجسم الگوها. محاسبه کنید. نمودار. انجمن 2016 ، 35 ، 281-290. [ Google Scholar ] [ CrossRef ]
  33. هگارتی، م. اسمالمن، اچ اس. Stull، AT انتخاب و استفاده از نمایشگرهای مکانی: تأثیرات طراحی بر عملکرد و فراشناخت. J. Exp. روانی Appl. 2012 ، 18 ، 1-17. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. اوپاچ، ت. گولوبیوفسکا، آی. Fabrikant، SI چگونه مردم نقشه های متحرک چند جزئی را مشاهده می کنند؟ کارتوگر. J. 2014 ، 51 ، 330-342. [ Google Scholar ] [ CrossRef ]
  35. پوپلکا، اس. هرمان، ال. Řezník، T. پاریلووا، ام. جدلیچکا، ک. بوچال، ج. کپکا، م. Charvát، K. ارزیابی کاربر از ابزارهای تحلیل بصری مبتنی بر نقشه. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 363. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  36. مککنا، اس. استاهلی، د. Meyer, M. باز کردن قفل روش های طراحی کاربر محور برای ایجاد تجسم امنیت سایبری. در مجموعه مقالات سمپوزیوم IEEE 2015 در مورد تجسم برای امنیت سایبری (VizSec)، شیکاگو، IL، ایالات متحده، 25 اکتبر 2015؛ صص 1-8. [ Google Scholar ]
  37. هاوسون، سی. هوش تجاری موفق: ارزش BI و داده های بزرگ را باز کنید . گروه آموزشی مک گراو هیل: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  38. زو، سی. لیو، بی. دینگ، ال. بوگوچکا، ای. Meng, L. تست قابلیت استفاده داشبوردهای تعاملی مبتنی بر نقشه با استفاده از داده های حرکت چشم. در مجموعه مقالات پانزدهمین کنفرانس بین المللی خدمات مبتنی بر مکان، وین، اتریش، 11 تا 13 نوامبر 2019؛ دانشگاه صنعتی وین: وین، اتریش، 2019. [ Google Scholar ] [ CrossRef ]
  39. هلمکویست، ک. نیستروم، ام. اندرسون، آر. دیورست، آر. هالسکا، جی. Van de Weijer, J. Eye Tracking: A Comprehensive Guide to Methods and Measures ; انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2011. [ Google Scholar ]
  40. Tran، VT; Fuhr, N. استفاده از ردیابی چشم با مناطق پویا مورد علاقه برای تجزیه و تحلیل بازیابی اطلاعات تعاملی. در مجموعه مقالات سی و پنجمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات (SIGIR ’12)، پورتلند، OR، ایالات متحده آمریکا، 12 تا 16 اوت 2012. انجمن ماشین‌های محاسباتی: نیویورک، نیویورک، ایالات متحده آمریکا، 2012. صص 1165–1166. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00636 g001 550
شکل 1. تصاویر سه داشبورد مبتنی بر نقشه شهر. ( الف ) داشبورد دوبلین [ 12 ]. ( ب ) داشبورد بوستون [ 13 ]. ( ج ) داشبورد گالوی [ 14 ].
Ijgi 09 00636 g002a 550 Ijgi 09 00636 g002b 550
شکل 2. رابط و طراحی تعامل داشبورد مبتنی بر نقشه.
Ijgi 09 00636 g003 550
شکل 3. تصویری که محیط آزمایش را نشان می دهد. یک شرکت‌کننده ( سمت چپ ) آزمایش ردیابی چشم را با ردیاب چشم Gaze Point GP3 ​​انجام می‌داد، در حالی که یک کنترل‌کننده ( سمت راست ) حرکات چشم و موش شرکت‌کننده را روی صفحه دوم مشاهده می‌کرد.
Ijgi 09 00636 g004 550
شکل 4. ابزار آزمایش یکپارچه با راهنماهای گام. وقتی روی مورد «شروع کاوش رایگان» کلیک می‌شود، تصویر صفحه نمایش را نشان می‌دهد . در سمت راست، نمونه ای از مواردی که روی آنها کلیک شده است را نشان می دهد.
Ijgi 09 00636 g005 550
شکل 5. طرح کلی AOI ها ( a ) و کدگذاری رنگ هر AOI ( b ).
Ijgi 09 00636 g006 550
شکل 6. نقشه های حرارتی تثبیت همه شرکت کنندگان در مرحله اکتشاف آزاد. نقاط آبی نشان دهنده تثبیت ها هستند.
Ijgi 09 00636 g007 550
شکل 7. نمودارهای میله ای میزان موفقیت. ( الف ) میزان موفقیت کارها در افزایش مشکلات ادراک. ( ب ) میزان موفقیت در سراسر موقعیت آنها در توالی کار.
Ijgi 09 00636 g008 550
شکل 8. نمودارهای میله ای از میزان موفقیت هر کار در سراسر موقعیت در دنباله کار.
Ijgi 09 00636 g009 550
شکل 9. نمودارهای جعبه زمان پاسخ. ( الف ) زمان پاسخگویی به وظایف در افزایش مشکلات ادراک. ( ب ) زمان پاسخگویی در سراسر موقعیت آنها در دنباله کار.
Ijgi 09 00636 g010 550
شکل 10. نمودارهای جعبه زمان پاسخ هر وظیفه در سراسر موقعیت در دنباله کار.
Ijgi 09 00636 g011 550
شکل 11. زمان پاسخگویی وظایف. وظایف ناموفق ( قرمز ) و کارهای موفق ( سبز ) در سطوح دشواری فزاینده ادراک.
Ijgi 09 00636 g012 550
شکل 12. تجسم استراتژی های جستجوی T1: ( الف ) نمودار توالی تثبیت. ( ب ) نمودار اقامت و انتقال گروه موفق. ( ج ) نمودار اقامت و انتقال گروه شکست خورده. ( د ) افسانه AOIها.
Ijgi 09 00636 g013 550
شکل 13. تجسم استراتژی های جستجوی T2: ( الف ) نمودار توالی تثبیت. ( ب ) نمودار اقامت و انتقال گروه موفق. ( ج ) نمودار اقامت و انتقال گروه شکست خورده. ( د ) افسانه AOIها.
Ijgi 09 00636 g014 550
شکل 14. تجسم استراتژی های جستجوی T3: ( الف ) نمودار توالی تثبیت. ( ب ) نمودار اقامت و انتقال گروه موفق. ( ج ) نمودار اقامت و انتقال گروه شکست خورده. ( د ) افسانه AOIها.
Ijgi 09 00636 g015 550
شکل 15. تجسم استراتژی های جستجوی T4: ( الف ) نمودار توالی تثبیت. ( ب ) نمودار اقامت و انتقال گروه موفق. ( ج ) نمودار اقامت و انتقال گروه شکست خورده. ( د ) افسانه AOIها.
Ijgi 09 00636 g016 550
شکل 16. تجسم استراتژی های جستجوی T5: ( الف ) نمودار توالی تثبیت. ( ب ) نمودار اقامت و انتقال گروه موفق. ( ج ) نمودار اقامت و انتقال گروه شکست خورده. ( د ) افسانه AOIها.
Ijgi 09 00636 g017 550
شکل 17. تجسم استراتژی های جستجوی T6: ( الف ) نمودار توالی تثبیت. ( ب ) نمودار اقامت و انتقال گروه موفق. ( ج ) نمودار اقامت و انتقال گروه شکست خورده. ( د ) راهنمای AOIها.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید