基于贝叶斯认知方法通过不确定性可视化更新相关性判断的信念

理解相关性判断对于设计有效的双变量数据可视化十分重要。先前关于相关性感知的工作未考虑先验信念和不确定性表示等因素如何影响此类判断。本研究关注不确定性传达在判断双变量可视化时的作用。具体而言，我们建模用户在看到带与不带不确定性表示的散点图后，如何更新其关于变量关系的信念。为建模并评估信念更新，我们呈现三项研究。研究1聚焦于一种提出的“Line + Cone”视觉引出方法，以准确且直观的方式捕获用户信念。结果显示，我们提出的信念征询方法降低了复杂性，并准确捕获了用户对一系列双变量关系的不确定性。研究2利用“Line + Cone”引出方法，测量用户在看到带与不带不确定性表示的相关性可视化时，对不同变量集之间关系的信念更新。我们将用户信念的变化与贝叶斯认知模型的预测进行比较，这些模型为用户应如何依据观测数据更新其关于关系的先验信念提供了规范性基准。研究2的结果显示，带不确定性传达的可视化条件之一使用户对其判断比无不确定性信息的可视化稍具信心。研究3基于研究2的发现，探究当双变量可视化与用户先验信念一致或不一致时信念更新的差异。我们的结果凸显了纳入不确定性表示的效果，以及用贝叶斯认知模型测量相关性判断信念更新的潜力。