因果先验及其对可视化数据中因果判断的影响
人机交互
2024-10-18 v1
摘要
“相关性不等于因果性”是统计与可视化分析中的一句著名格言。然而，数据可视化的使用者往往会在仅显示变量之间相关性的情况下推断出因果关系。本文我们考察影响用户在可视化数据中感知因果关系的因素。我们从广泛使用的数据集中收集概念对集合，并创建描绘不同相关关联的可视化，使用三种典型统计图表类型。我们对每个概念对进行两项 MTurk 研究：(1) 在无图表的情况下对因果关系的预设看法，(2) 在有图表的情况下对因果关系的感知看法。我们的结果表明，即使在未看到任何可视化数据时，人们也会对概念对之间的因果关系作出假设。此外，我们的结果表明，这些假设构成了在与可视化关联共同作用的因果先验。研究结果还表明，因果先验可能导致在不同情境下对感知因果关系的过度或不足估计，并且这些先验也会影响用户对其因果判断的自信程度。本文的结果与前期工作一致，表明图表类型也可能影响因果推断。我们提供的数据可用于捕捉因果先验与可视化关联相互作用对用户感知因果关系的影响。除了报告研究结果和分析外，我们提供一个包含 56 个特定概念对的公开因果先验数据集，可作为未来研究的潜在基准。我们也提出剩余挑战，并提供基于启发法的指南以帮助设计师改进可视化设计选择以更好地支持视觉因果推断。
引用
@article{arxiv.2408.16077,
title = {Causal Priors and Their Influence on Judgements of Causality in Visualized Data},
author = {Arran Zeyu Wang and David Borland and Tabitha C. Peck and Wenyuan Wang and David Gotz},
journal= {arXiv preprint arXiv:2408.16077},
year = {2024}
}