Andrienko Task Framework | Elementary tasks & Synoptic tasks | Munzner Nested Model
Andrienko Task Framework | Elementary tasks & Synoptic tasks | Munzner Nested Model
- 关系的定义 关系在数学和逻辑上表示一种映射或关联，将一个集合中的元素（输入）与另一个集合中的元素（输出）进行匹配。在这里：
- 买入时的价格（在 R 集合中）和 卖出时的价格（在 C 集合中）之间存在一个关系。
- 这个关系是“卖出价格是买入价格的三倍”。
- 为什么是单一关系？
- 买入和卖出股票的时间点虽然看起来是两个点，但它们由一个条件联系在一起： 卖出价格 = 3 × 买入价格。
- 这个条件将买入价格和卖出价格之间建立了一个唯一的映射关系，因此我们可以将它看成是单一关系，而不是两个独立的关系。
- 任务简化为寻找满足条件的关系 在左图的任务中：
- 输入（R）：所有可能的买入时间点（价格）。
- 输出（C）：所有可能的卖出时间点（价格）。
- 关系（f）：卖出价格=3×买入价格\text{卖出价格} = 3 \times \text{买入价格}卖出价格=3×买入价格。 我们只需要在这两个集合中找到满足这个关系的组合（买入和卖出的时间点），这就把问题简化为单一的关系寻求任务。
右图的对比：为什么是两个关系？
- 在右图中，条件变成了“价格在两天内增长了 10%”。
- 这里涉及两个关系：
- 第一天的价格（S¹）和第二天的价格（S²）的关联。
- 第二天的价格与第一天的价格之间满足 S2=1.1×S1S² = 1.1 \times S¹S2=1.1×S1。
- 因为有两个条件（两个时间点与 10% 增长的关联），所以任务需要两个关系来描述。
结论
对于左图而言，买入和卖出苹果股票的时机虽然涉及两个时间点，但因为它们由单一条件联系起来（卖出价格是买入价格的三倍），所以可以看作是一个关系。右图之所以有两个关系，是因为它涉及更复杂的条件（两个时间点 + 10% 增长的关联）。
基本任务（Elementary tasks）与整体性任务（Synoptic tasks）之间的对比
1. 查找任务（Lookup）
- 基本查找（Elementary lookup）： 问题：在某个特定日期，苹果股票的价格是多少？
- 简单任务：关注单个时间点的信息。
- 整体查找（Synoptic lookup）： 问题：在某个时间段内，苹果股票价格的趋势是什么？
- 复杂任务：分析一个时间段内的整体模式或趋势。
2. 反向查找任务（Inverse lookup）
- 基本反向查找（Elementary inverse lookup）： 问题：对于给定的苹果股票价格，在哪个日期达到了这个价格？
- 简单任务：从价格反推时间点。
- 整体反向查找（Synoptic inverse lookup）： 问题：在哪些时间段内，苹果股票价格增长了 300%？
- 复杂任务：分析整个时间段，寻找符合特定条件（如 300% 增长）的模式。
3. 比较任务（Comparison）
- 基本比较（Elementary comparison）： 问题：交易周的开始和结束时的股票价格有什么不同？
- 简单任务：对比两个具体时间点的股票价格。
- 整体比较（Synoptic comparison）： 问题：在一周内，股票价格上升与下降哪个更常见？
- 复杂任务：在更大范围内进行模式或频率的比较。
4. 反向比较任务（Inverse comparison）
- 基本反向比较（Elementary inverse comparison）： 问题：股票价格从 100 美元上涨到 200 美元经历了多长时间？
- 简单任务：找到满足某个条件的时间间隔。
- 整体反向比较（Synoptic inverse comparison）： 问题：股票价格增长的时期与价格下跌的时期之间有什么关系？
- 复杂任务：分析整个时间序列中增长与下跌的模式或周期。
总结
这张图的核心思想是展示任务的复杂性层次：
- 基本任务：关注单个点或简单条件，如单个日期、价格、或直接比较。
- 整体任务：分析时间段内的模式、趋势、频率或复杂关系，属于更高层次的数据分析。
四层嵌套模型（Nested Model）
1. Domain Problem Characterization （领域问题描述）
目标：明确需要解决的领域问题。
内容：
- 确定问题的上下文，包括领域的背景、用户的目标以及具体的分析任务。
- 定义问题的关键需求和限制条件。
挑战：
- 理解和提取领域专家的需求。
- 确保设计的目标是为了解决实际问题，而不是为了技术展示。
常见问题：
- 对领域任务的需求理解不清晰。
- 偏离实际任务。
2. Data/Operation Abstraction （数据与操作抽象）
目标：将领域问题转化为抽象的数据类型和操作。
内容：
- 确定数据类型（例如，表格、网络、层次结构等）和属性（例如定量、定性、时间、空间等）。
- 定义用户的操作任务，例如筛选、排序、导航或聚合数据。
关键问题：
- 将领域特定需求映射为通用的数据表示和操作形式。
- 确保这些抽象能够涵盖领域任务。
3. Visual Encoding and Interaction Design （可视编码与交互设计）
目标：通过选择合适的可视编码和交互方式，使抽象的数据和任务直观可见。
内容：
- 决定如何映射数据到视觉通道（例如颜色、位置、形状等）。
- 设计交互方式（如缩放、过滤、动态视图）。
关键设计原则：
- 符合感知和认知规律（如颜色映射清晰、减少视觉干扰）。
- 使用合适的视觉通道传递信息。
常见问题：
- 选择了低效的视觉编码。
- 未能充分利用交互设计来支持用户探索数据。
4. Algorithm Design （算法设计）
目标：实现高效的计算和渲染以支持设计。
内容：
- 开发或选择适合的算法来处理数据操作或渲染任务。
- 确保系统性能满足用户需求（如实时交互或大数据支持）。
挑战：
- 平衡算法的复杂性与可视化的性能。
- 确保算法的精确性和鲁棒性。
常见问题：
- 算法效率不足导致系统无法实时响应。
- 算法设计与更高层设计不一致。
框架的优点
- 系统性：将设计和评价分层，提供清晰的结构指导。
- 问题定位：每一层次都有特定目标和方法，便于发现设计中的问题。
- 通用性：可以应用于各种类型的可视化任务和数据类型。
- 支持迭代设计：提供了一种自上而下设计和自下而上反馈的过程，支持不断改进。
如何应用 Munzner Framework
设计阶段 ：
- 从领域问题开始，逐步向下抽象到数据和操作，最后到可视化设计和算法实现。
- 确保每一层次都服务于上层目标。
评价阶段：
- 逐层分析可视化系统的问题来源。
- 使用用户反馈和性能测试来优化各层次的设计。
This post is licensed under CC BY 4.0 by the author.