МЕТОДИКА РЕШЕНИЯ ЗАДАЧ АНАЛИЗА ДАННЫХ ПРИ ИСПОЛЬЗОВАНИИ АНАЛИТИЧЕСКИХ ВИЗУАЛЬНЫХ МОДЕЛЕЙ
А.А. Захарова, Е.В. Вехтер, А.В. Шкляр
Институт кибернетики Томского политехнического университета, Томск, Россия
zaa@tpu.ru, vehter@tpu.ru, shklyarav@tpu.ru
Содержание
1. Структура визуального анализа
2. Структурная единица визуального анализа
5. Методический подход к использованию аналитических визуальных моделей
6. Исследование предметной области
Аннотация
Результатом визуального анализа является ответ на вопрос исследования, полученный с помощью визуальной модели в пределах поставленных ограничений. Результативность визуального анализа возрастает в случае реализации комплексного подхода в визуальном моделировании. Комплексный подход к визуальному анализу данных подразумевает сбалансированное и целенаправленное участие всех значимых для результата анализа составляющих.
В рамках такого подхода, в визуальном анализе выделяют три основные составляющие моделирования – функциональную, семиотическую и психоэмоциональную. Чтобы построить визуальную модель с предварительно заданными возможностям, необходимо определить способ и степень активности участия каждой из указанных составляющих. В работе предложена система правил, систематизирующих процессы создания и использования визуальных моделей с заданным уровнем результативности визуального анализа.
Ключевые слова: визуальная аналитика, визуальная модель, анализ данных, интерпретация, визуальное восприятие.
1. Структура визуального анализа
Анализ, в общем случае, является направленной процедурой, которую возможно представить в виде последовательности обоснованных шагов, направленных на получение исследователем ответа на основной вопрос задачи анализа. В простейшем случае, такая последовательность начинается с формулировки вопроса в терминах доступных средств исследования и продолжается поиском гипотез, позволяющих ответить на этот вопрос. Завершается последовательность этапом, на котором происходит проверка следствий одной или нескольких возможных гипотез и принятие полного ответа [1,2].
Правильность результата процедуры анализа определяется сочетанием нескольких независимых факторов. Характерные особенности этих факторов позволяют сформировать три функциональных группы. Улучшение общей результативности анализа достигается правильным выбором элементов в каждой такой группе. Таким образом, методика решения задачи анализа должна позволять исследователю делать наиболее результативный выбор факторов, характеризующих создание и использование средств анализа.
Разделение факторов, влияющих на ход анализа, создает предпосылки для построения классификации возможных решений. Возникает набор свойств, конкретизация значений которых при наличии постановки задачи анализа, позволяет выбрать наиболее перспективное направление решения. Результат анализа, в таком подходе, зависит от сути вопроса анализа, который определяется степенью предварительного понимания исследователем анализируемой информации, а также от формы этого вопроса [3]. Форма, во многом, определяется языком, на котором поставлен вопрос, а также внутренней структурой, логикой и необходимостью взаимодействия с новыми источниками информации [4].
Анализ, осуществляемый на основании взаимодействия исследователя и визуального образа данных, можно представить аналогичным образом (Рис. 1). Созданный искусственный визуальный образ в момент начала анализа является моделью исходных данных, построенной так, чтобы спровоцировать зрителя на осознание существования проблемы. Вместе с формированием гипотезы решения и на основании ее верификации у пользователя формируется вопрос дальнейшего исследования или уверенность в достижении цели анализа.
Возникает последовательность состояний визуальной модели или циклически повторяемая процедура анализа, для которой характерно одновременное существование поисковой и верифицирующей составляющих. Все действия, совершаемые наблюдателем, направлены на построение и оценку гипотезы ответа на вопрос очередного этапа. Эти действия возможны лишь на основании информации, представленной в визуальной модели и, вероятно, при использовании собственных знаний пользователя [5]. Следовательно, многошаговый последовательный процесс визуального анализа состоит в переходе от визуального образа-вопроса, являющегося формулировкой решаемой задачи, к мысленному образу-ответу, интерпретируемому пользователем как закономерность в исследуемых данных, соответствующая ответу на общий вопрос (Рис. 1).
Рис. 1 Структура визуального анализа
2. Структурная единица визуального анализа
Цикличность процедуры визуального анализа приводит к появлению понятия о элементарном структурном объекте, повторение которого формирует ход решения. Структурной единицей визуализации (визуальным элементом) будем считать состояние визуальной модели, интерпретация которого предоставляет наблюдателю объем информации, необходимый для последующего получения общего результата проводимого анализа. Структурная единица может быть самостоятельной визуальной моделью, либо входит в состав более сложного объединения, являющегося средством визуального анализа применительно к поставленной задаче.
Согласно приведенному выше описанию процедуры анализа, структурная единица визуального анализа является визуально воспринимаемым образом, интерпретируемым как однозначный ответ на один из промежуточных вопросов. Сложность и структура такого вопроса определяется ограниченностью времени, предоставляемого процедурой анализа, а также ресурсоемкостью процессов создания структурной единицы и верификации сведений, полученных пользователем, благодаря ее изучению [6].
В терминах системного анализа, структурная единица визуального анализа представляет собой управляемую систему S с обратной связью R(t). Объем исследуемых данных поступает на неуправляемый вход V(t) структурной единицы (Рис. 2). Результатом является информация, изменяющая состояние выхода Y(t). Особенностью такой системы является возможность изменения состояния управляемого входа системы U(t) в зависимости от полученных результатов и благодаря наличию обратной связи R(t). Пользователь P является, с точки зрения комплексного подхода к визуальному анализу, обязательным участником структурной единицы. Влияние пользователя проявляется в изменении состояний управляемых входов и выходов, а также в регулировании работы системы S и принятии решения о завершении ее функционирования.
Рис. 2 Структурная единица визуального анализа
3. Типы структурных единиц
Структурную единицу визуальной модели можно представить простой логической схемой (Рис. 3А). Исходные данные, возникшие в условии задачи или ставшие ответом на предыдущий промежуточный вопрос, подаются на неуправляемый вход (IN) и формируют первоначальный образ данных, т.е. определяют состояние модели S. В результате управляющего взаимодействия пользователя с образом, формируется новый образ, соответствующий не исходным данным, а пониманию их смысла исследователем. Измененное состояние визуальной модели соответствует объему новых данных, передающихся на выход (OUT). Если полученные сведения являются необходимым ответом на общий вопрос анализа, то процесс заканчивается, а в остальных случаях происходит передача данных на вход следующего элемента визуальной модели.
В процессе формирования образа ответа формируется запрос на привлечение дополнительных сведений, которые поступают на управляемый вход (IN2). Кроме того, осмысление даже отдельного визуального факта способно создать ассоциативные гипотезы, являющиеся ответами на вопросы, не относящиеся к теме исследования. Это данные, которые могут фиксироваться в виде воспринимаемых фрагментов образа данных и запоминаться пользователем, поступая на выход структурной единицы (OUT2), изменяя собственную внутреннюю информированность пользователя и оказывая влияние на поиск новых ответов.
Логическая схема элемента позволяет декларировать отличия между структурными единицами на основании различий в уровне информационной активности существующих входов и выходов. Введение параметра информационной активности в качестве характеристики элементов в логической схеме структурной единицы создает возможность определения типов визуальных моделей. Отличия структурных единиц между собой определяют, в свою очередь, их возможности, назначение, правила функционирования и, следовательно, применимость для решения различных видов задач:
1. В одном из простейших случаев, визуальная модель данных выполняет функцию индикатора, оповещающего наблюдателя о состоянии изучаемой системы. Целью такой модели данных является информирование исследователя о наступлении ожидаемого события без предоставления излишних сведений. Таким образом, визуальная модель такого типа, отличается высокой активностью основного входа, отсутствием необходимости в использовании дополнительных связей и наличием дискретного спектра значений на основном выходе (Рис. 3Б). Основной областью применения этих моделей становятся задачи визуального информирования.
2. В следующем случае, использование внешних связей структурного элемента визуальной модели принимает более сложный характер. Построение визуальной модели происходит с целью передачи наблюдателю наиболее полной информационной картины. В упрощенном виде, задачей визуальной модели является передача информации, достоверность которой не подвергается сомнению пользователем. Вторым требованием становится создание условий для адекватной интерпретации образа. В большинстве случаев, представление о выразительных средствах, необходимых для достижения этих целей, существует заранее. Таким образом, управление восприятием наблюдателя становится процессом, регулирование которого возлагается на пару дополнительных связей (IN2-OUT2). Модели этого типа используются в задачах обучения и характеризуются высокой скоростью информирования пользователя (Рис. 3В).
3. Визуальные модели данных получили широкое применение в системах поддержки принятия решений. В этом случае, задача анализа требует быстрого осмысления поступающих данных. Определяющим условием для моделей данных является активное использование знаний и опыта наблюдателя для получения выводов, оказывающих влияние на дальнейшее существование исследуемой системы. Для этого типа визуального анализа характерно активное использование дополнительных сведений, знаний пользователя (IN2) и формулирование новых промежуточных вопросов (OUT2), которые играют роль управляющего воздействия на модель. Информационный вход модели (IN) используется для предоставления сведений, необходимых для построения визуального образа в форме, согласующейся с формой управляющего вопроса (Рис. 3Г). Это означает, что воспринимаемые компоненты модели становятся объектами, инициирующими построение гипотез ответа, и потому выбор типа визуального представления имеет принципиальное значение.
Рис. 3 Схемы различных структурных единиц
Кроме этого, комбинирование структурных единиц, в том числе, различного вида, позволяет проектировать средства визуального анализа, позволяющие решать задачи более сложных видов, для которых, например, не существует точно сформулированного вопроса анализа или отсутствуют однозначные критерии выбора правильного ответа. Представление о структуре визуального анализа и возможность выбора свойств для разрабатываемой визуальной модели, позволяет анализировать и, что намного важнее, прогнозировать эффективность использования средств визуального анализа.
4. Комбинированная модель
При исследовании сложных и объемных данных [7], также как и при изучении особенностей изменяющихся состояний, возможности одной визуальной модели могут оказаться недостаточными. Например, это происходит в тех случаях, когда визуальный образ не может, по любым причинам, содержать в себе весь объем необходимых сведений, либо, когда технически это возможно, но адекватная интерпретация вызывает у пользователя затруднения. Решением, позволяющим найти выход из этого затруднения, может быть построение набора визуальных моделей, каждая из которых соответствует некоторому фрагменту исходного объема данных, либо отвечает на вопрос анализа лишь частично. В результате, происходит построение сложной визуальной модели, имеющей более широкие возможности (Рис. 4).
Объединение структурных единиц в функционирующую систему, приводит к построению визуальной модели, когнитивное значение которой превосходит результативность исследования отдельных образов. Эмерджентность визуальной модели обеспечивается связями составляющих ее элементов, поэтому особое значение приобретает выделение и описание именно этих свойств структурных единиц. Условно, они могут быть разделены на две функциональные группы: информативные и управляющие связи.
Для объединения отдельных структурных элементов в единую систему необходимо наличие правила, обеспечивающего достижение результата анализа в пределах сформулированных граничных условий задачи анализа. Для изменяющихся данных, таким правилом может быть принцип хронологической последовательности, позволяющий наблюдать и сравнивать динамические характеристики элементов изучаемой системы. Однако, использование в качестве объединяющего правила естественных закономерностей, связанных с происхождением данных, не является обязательным.
Управляющие связи структурных единиц, ответственные в визуальных моделях за верификацию появляющихся гипотез, могут, а иногда и обязаны учитывать при выполнении своих функций всю информацию, полученную пользователем на уже пройденных этапах анализа [8]. С точки зрения повышения результативности проводимого анализа, это обстоятельство может стать негативным фактором. Более сложная процедура проверки связана с дополнительными затратами времени, являющимся одним из основных критериев результативности визуальной модели. Это потребует уточнения разработанной системы образов для достижения сбалансированного решения.
Рис. 4 Схема комбинированной модели
В описанной таким образом логической структуре визуальной модели наряду с последовательностью наблюдаемых пользователем образов данных формируются еще два функциональных объекта, участвующих в визуальном анализе. Первым является цепочка промежуточных вопросов, руководящих процессом исследования данных и ответственных за его логичность и обоснованность. Вторым объектом становится управляющая последовательность, состоящая из процедур верификации, активно использующих возможности визуального восприятия и эмоциональной оценки наблюдаемых исследователем образов. Успешность применения модели для решения задачи анализа достигается сбалансированным и полноценным использованием всех логических элементов, образующих структуру функционирования визуальной модели.
5. Методический подход к использованию аналитических визуальных моделей
Структура визуальной модели, предназначенной для проведения анализа данных в задачах с низким уровнем формализации, определяет последовательность и логику рассуждений пользователя. Таким образом, свойства визуальной модели оказывают прямое влияние на получаемое решение. Систематизация правил, регулирующих процедуры создания визуальных моделей и использования их при решении задач анализа, позволит увеличить результативность анализа и определить направления развития для применения визуальных средств исследования данных [9].
Следует обратить внимание на то обстоятельство, что результативность каждой из составляющих визуальной модели (функциональной, информативной и управляющей) зависит от использования определенных возможностей пользователя. В случае сложной модели, последовательное приближение к решению задачи приводит к непрерывному и обязательному присутствию пользователя в процессе анализа. Таким образом, полнота логической схемы функционирования визуальной модели не может быть достигнута без включения в нее четвертой обязательной составляющей – возможностей и действий конкретного пользователя, влияющих на результат анализа на протяжении прохождения всей последовательности этапов визуального анализа.
Основной идеей, обеспечивающей увеличение когнитивной результативности визуального анализа, становится направленное использование возможностей пользователя, реализуемое благодаря свойствам визуальной модели. Это создает возможность привлечения дополнительного ресурса для решения поставленной задачи анализа. Перспективными направлениями в этом случае становятся привлечение не только информированности пользователя, но и особенностей его мышления, как для формирования гипотезы решения, так и для принятия решения о ее достоверности.
Наличие интерактивного управления визуальным образом обеспечивает прямое участие пользователя в манипулировании образом. Наличие системы оперативного управления создает условия для постановки в ходе анализа новых вопросов исследования и быстрого получения ответов. В свою очередь, появление в распоряжении пользователя новых сведений не только ускоряет достижение цели анализа, но и формирует у исследователя представление о дальнейших действиях. Таким образом, дополнение визуальной модели управляющим интерфейсом, соответствует предложенной структуре визуального анализа и позволяет сделать его инструментом аналитического решения любой поставленной задачи.
В случае исследования данных, относящихся к вопросам, не имеющим полноценного формального описания структуры соответствующих знаний, использование визуальных моделей становится не только способом обнаружения новых закономерностей, но и формирует понимание их смысла. Следовательно, приобретение визуальной моделью статуса аналитического инструмента возможно лишь в том случае, когда созданы условия для интерактивного управления способом представления данных с ее помощью. Визуальная модель, предлагающая наблюдателю на первоначальном этапе исследования образ не только исходных данных, но и обнаруженных закономерностей, может использоваться в качестве формальной визуальной модели области знаний.
Основными критериями результативности использования визуальной модели выступают два параметра: достоверность полученного ответа и время, затраченное на его формулирование. Наличие в структуре процедуры анализа нескольких функциональных элементов и их взаимное влияние приводит к необходимости определения правил, соблюдение которых необходимо для получения наиболее эффективной комбинации. С учетом динамичного характера проведения процедуры анализа, соблюдение и адаптация этих правил к конкретным условиям задачи становятся еще одной целью интерактивного управления визуальной моделью.
Таким образом, аналитический потенциал визуальной модели определяется выбором способов визуального моделирования изучаемых данных, максимально возможной скоростью построения зрительного образа при сохранении всех необходимых, с точки зрения функциональности, нюансов визуального представления. Кроме этого, возможно, наиболее значимым элементом модели становится ее интерфейс, необходимый для использования информативного и когнитивного потенциала самого пользователя.
На основании сделанных утверждений можно сформулировать ряд методических рекомендаций, позволяющих системно использовать преимущества визуальных моделей при решении задач исследования данных:
1. Предварительный анализ условий задачи необходим для определения возможного типа визуальной модели. Если проведенная оценка уровня сложности задачи позволяет говорить о необходимости создания аналитической визуальной модели, то процедура решения задачи начинается с декомпозиции основного вопроса исследования. Декомпозиция проводится до получения последовательности связанных элементарных вопросов, т.е. вопросов, на которые может быть найден однозначный ответ. Для построения общего решения необходимо выделение начальной формулировки проблемы исследования.
2. Выявление ограничений, накладываемых на поиск желательного решения, формирует объем данных, оказывающих влияние на характеристики визуальной модели. Авторы средств визуального анализа должны обеспечить возможность участия этих данных в процедуре поиска решения задачи анализа на каждом этапе. Целью такого участия данных, не имеющих непосредственного отношения к задаче анализа, является выбор характеристик и управление визуальной моделью. В числе подобных ограничений рассматриваются, помимо особенностей задачи, допустимые затраты времени и ресурсов.
3. Определение особенностей восприятия пользователя или группы пользователей влияющих на форму визуального решения. Это необходимо для бесконфликтного участия исследователя в процедуре визуального анализа. Выбор выразительных средств происходит как решение задачи соответствия между языковой формой изложения и способностью пользователя к ее адекватной интерпретации.
4. Определение типа визуальной модели на основании проведенной декомпозиции проблемы исследования и дополнения условий задачи анализа дополнительными сведениями. Формирование начальной формы визуальной модели, соответствующей постановке исходного вопроса, граничным условиям и выбору выразительных средств.
5. Создание средств управления визуальной моделью, обеспечивающих использование когнитивного потенциала исследователя при переходе к состоянию визуальной модели, интерпретация которого верифицируется пользователем в качестве ответа на вопрос исследования. Система управления выбирается как инструмент сокращения времени анализа и выбора наилучшего, с точки зрения исследователя, решения.
6. Расширение базы знаний, доступной исследователю, сведениями о результативности использованного типа визуальной модели. Полученные сведения принимают участие в определении типа визуализации при решении других задач.
Комбинирование единичных элементов позволяет получать информативные, визуально воспринимаемые объекты, которые могут быть использованы для решения самых разных задач [10]. В их число входят визуальное представление информации, целенаправленное использование когнитивного потенциала исследователя, активизируемое воздействием образного восприятия, исследование данных, не имеющих формального описания или объяснения. Особый интерес представляет задача построения визуальных моделей, содержащих данные целых предметных областей. Это позволяет проводить визуальный анализ данных, имеющих различное происхождение, достоверность, формат и смысл, с целью их обобщения, верификации и поиска объяснения.
6. Исследование предметной области
В качестве практической задачи, для исследования результативности использования визуальных моделей при изучении многомерных данных, была решена задача представления общей совокупности знаний в предметной области, содержащей экспериментальные сведения. Осложняющими обстоятельствами для подобной задачи стали большое число разнородных источников информации (публикации) и различающиеся структуры сравниваемых данных. Источником исходной информации в базе исследуемых данных служили статьи, опубликованные в мировых рецензируемых изданиях.
В результате, построена общая визуальная модель эмпирических данных о современном состоянии изучения процессов получения карбида кремния электродуговым методом (Рис. 5). Модель представляет собой набор горизонтальных плоскостей, каждая из которых соответствует одной из характеристик исследуемых объектов. Линия, проведенная через точки, соответствующие одному объекту становится визуальным образом, характеризующим этот объект. Множество таких визуальных объектов составляет визуальную модель, позволяющую проводить сравнение объектов между собой или анализировать весь объем исследуемых данных одновременно. Одним из значимых результатов проведенного анализа стало определение стратегии развития предметной области. Кроме того, проведена оценка достоверности опубликованных данных и изменений областей концентрации внимания исследователей указанной предметной области, происходящие с течением времени.
Рис. 5 Визуальная модель эмпирических данных
С помощью построенной визуальной модели проанализированы сведения о 260 экспериментах, посвященных получению углеродных ультрадисперсных материалов в плазме электрической дуги постоянного тока. Получены выводы о росте объема экспериментальных данных преимущественно в отношении получения четырех наиболее популярных продуктов. При сравнении групп отдельных параметров (показатели эксперимента – получаемый продукт) обнаружено, что производительность рассматриваемых экспериментальных систем практически не оценивается за исключением обрывочных несистематизированных данных, что говорит о неготовности исследуемого метода к внедрению в промышленное производство [14].
В результате проведенного исследования были подтверждены основные предположения, описывающие структуру визуального анализа. Благодаря созданию системы интерактивного управления визуальной моделью, достигнута высокая результативность анализа. Это связано с сокращением времени анализа, по сравнению с традиционными способами изучения подобных данных, для которых время исследования измеряется несколькими днями, даже с учетом опыта и квалификации специалистов.
По совокупности представленных сведений в отношении анализа диаграммы энергетических характеристик получен вывод о том, что полем для дальнейших исследований метода синтеза углеродных материалов в плазме дуги постоянного тока должна стать взаимосвязь уровня напряжения и электрической мощности с другими параметрами экспериментальных установок для получения материала с заданным фазовым составом и свойствами в контексте требований к электрической мощности системы и объема потребления электроэнергии. Основаниями для подобных выводов являются точки концентрации данных на определенных величинах выбранных параметров (Рис. 6), а также наблюдаемые в модели явные области недостаточной изученности.
7. Заключение
Предложенный в работе подход к решению задач анализа с помощью визуальных моделей данных позволяет оперативно получать ответы на вопросы исследования, в том числе, высокой степени сложности. Построение визуальной модели, предоставляющей возможность отображать исходные данные и формулировать промежуточные вопросы с целью поиска неизвестных ранее внутренних закономерностей, дает пользователю аналитический инструмент для исследования поставленной перед ним задачи. Помимо возможности достичь цели анализа с помощью этого инструмента, пользователь получает возможность существенно сократить время, затрачиваемое им на поиск ответа или принятие решения в ситуации выбора наилучшего варианта. Сделанные утверждения проверены при анализе опубликованных данных, посвященных получению углеродных ультрадисперсных материалов.
Рис. 6 Визуальный поиск закономерностей
Работа выполнена в рамках госзадания № 2.1642.2017/4.6 на выполнение проекта по теме «Когнитивные методы визуализации и анализа многомерных данных при моделировании нелинейных динамических систем».
Литература
1. Bondarev A.E., Galaktionov V.A.: Multidimensional data analysis and visualization for time-dependent CFD problems. Programming and Computer Software 41(5), 247–252 (2015). DOI: 10.1134/S0361768815050023.
2. Chen, C.: Mapping Scientific Frontiers: The Quest for Knowledge Visualization. 2nd ed. London: Springer, (2013).
3. Chen C.: Top 10 unsolved information visualization problems. IEEE Computer Graphics and Applications 25(4), 12–16 (2005).
4. Eppler, M., Burkhard, R.A.: Visual representations in knowledge management: Framework and cases. Journal of Knowledge Management, vol. 11(4), pp. 112-122. QEmerald Group Publishing Limited (2007). ISSN 1367-3270 DOI 10.1108/1367327071076275.
5. Huang, D., Tory, M., Adriel Aseniero, B., Bartram, L., Bateman, S., Carpendale, S., Tang, A., Woodbury, R.: Personal visualization and personal visual analytics. IEEE Trans. Vis. Comput. Graph. 21, 420–433 (2015).
6. Korobkin D., Fomenkov S., Kravets A., Kolesnikov S., Dykov M.: Three-Steps Methodology for Patents Prior-Art Retrieval and Structured Physical Knowledge Extracting. In: Creativity in Intelligent Technologies and Data Science First Conference, CIT&DS 2015, рр.124-138. Volgograd, Russia (2015).
7. Zakharova, A.A., Shklyar, A.V.: Visual presentation of different types of data by dynamic sign structures. Scientific Visualization 8(4), 28-37 (2016).
8. Shneiderman, B., Plaisant, C., Cohen, M.S., Jacobs, S.M., Elmqvist, N., Diakopoulos, N.: Designing the User Interface: Strategies for Effective Human-Computer Interaction. 6th ed. Pearson: Upper Saddle River, NJ, USA (2016).
9. Zaripova V.M., Petrova I. Yu., Kravets A., Evdoshenko O.: Knowledge Bases of Physical Effects and Phenomena for Method of Energy-Informational Models by Means of Ontologies. In: Creativity in Intelligent Technologies and Data Science First Conference, CIT&DS 2015, рр. 224-237. Volgograd, Russia (2015).
10. Zavyalov, D.A., Zakharova, A.A., Shklyar, A.V., Bagutdinov, R.A.: An integrated approach to modeling by an example of a landfill of disposal of liquid oil waste. Software systems and computational methods [Programmnye sistemy i vychislitel'nye metody] 1, 22-30 (2017).
METHODS OF SOLVING PROBLEMS OF DATA ANALYSIS USING ANALYTICAL VISUAL MODELS
A.A. Zakharova, E.V. Vekhter, A.V. Shklyar
Tomsk Polytechnic University, Tomsk, Russian Federation
zaa@tpu.ru, vehter@tpu.ru, shklyarav@tpu.ru
Abstract
The result of visual analysis is the answer to the question of the research, obtained with the help of the visual model within the restrictions. The effectiveness of visual analysis increases in the case of an integrated approach in visual modeling. An integrated approach to visual analysis of data implies a balanced and focused participation of all relevant components for the result of the analysis.
Within this approach, three main components of the model are identified in the visual analysis: functional, semiotic and psycho-emotional. To build a visual model with predefined capabilities, it is necessary to determine the manner and degree of participation of each of these components. The work proposes a system of rules that systematize processes of creating and using visual models with a given level of visual analysis effectiveness.
Keywords: visual analytics, visual model, data analysis, interpretation, visual perception.
References
1. Bondarev A.E., Galaktionov V.A.: Multidimensional data analysis and visualization for time-dependent CFD problems. Programming and Computer Software 41(5), 247–252 (2015). DOI: 10.1134/S0361768815050023.
2. Chen, C.: Mapping Scientific Frontiers: The Quest for Knowledge Visualization. 2nd ed. London: Springer, (2013).
3. Chen C.: Top 10 unsolved information visualization problems. IEEE Computer Graphics and Applications 25(4), 12–16 (2005).
4. Eppler, M., Burkhard, R.A.: Visual representations in knowledge management: Framework and cases. Journal of Knowledge Management, vol. 11(4), pp. 112-122. QEmerald Group Publishing Limited (2007). ISSN 1367-3270 DOI 10.1108/1367327071076275.
5. Huang, D., Tory, M., Adriel Aseniero, B., Bartram, L., Bateman, S., Carpendale, S., Tang, A., Woodbury, R.: Personal visualization and personal visual analytics. IEEE Trans. Vis. Comput. Graph. 21, 420–433 (2015).
6. Korobkin D., Fomenkov S., Kravets A., Kolesnikov S., Dykov M.: Three-Steps Methodology for Patents Prior-Art Retrieval and Structured Physical Knowledge Extracting. In: Creativity in Intelligent Technologies and Data Science First Conference, CIT&DS 2015, рр.124-138. Volgograd, Russia (2015).
7. Zakharova, A.A., Shklyar, A.V.: Visual presentation of different types of data by dynamic sign structures. Scientific Visualization 8(4), 28-37 (2016).
8. Shneiderman, B., Plaisant, C., Cohen, M.S., Jacobs, S.M., Elmqvist, N., Diakopoulos, N.: Designing the User Interface: Strategies for Effective Human-Computer Interaction. 6th ed. Pearson: Upper Saddle River, NJ, USA (2016).
9. Zaripova V.M., Petrova I. Yu., Kravets A., Evdoshenko O.: Knowledge Bases of Physical Effects and Phenomena for Method of Energy-Informational Models by Means of Ontologies. In: Creativity in Intelligent Technologies and Data Science First Conference, CIT&DS 2015, рр. 224-237. Volgograd, Russia (2015).
10. Zavyalov, D.A., Zakharova, A.A., Shklyar, A.V., Bagutdinov, R.A.: An integrated approach to modeling by an example of a landfill of disposal of liquid oil waste. Software systems and computational methods [Programmnye sistemy i vychislitel'nye metody] 1, 22-30 (2017).