原創 一頭倭瓜精 一頭倭瓜精 收錄于話題#年終總結1#學術前沿1#案例分享1

信息可視化（Information Visualization），即用視覺容易感知的圖形、符號來呈現數據。信息可視化致力于解決：如何清晰、高效、美觀、有趣地呈現數據，從而幫助人們更好地理解、領會數據中的內涵。在大數據時代，信息可視化的價值不言而喻。

過去一年，信息可視化領域涌現了諸多有趣的工作和可圈可點的成績。筆者結合學術界的最新研究成果（主要包括可視化領域的頂級會議IEEE VIS和ACM CHI）以及業界的創新實踐，總結出八大可視化領域的前沿趨勢，希望帶你領略數據之美（趨勢的排名不分先后）：

1.交互技術與可視化的持續融合

隨著電子設備的發展，可視化早已不再“靜止”，各式各樣的交互設計正在拓寬圖表想象力。

例如，北郵可視化與人機交互研究組的作品《來自星星的你》將一份科技工作者心理狀況的調查數據呈現為了一片星空，每一顆星星代表一位受訪者，星星的外觀由受訪者的各項數據（如心理疾病類型、是否受到歧視等）決定。這個作品支持縮放、框選等交互行為，為用戶提供了豐富的探索數據的渠道。

來自星星的你——科技工作者心理調查可視化[1]

江南大學數字媒體藝術系作品《流動的邊界》對新冠疫情數據進行了可視化，這一作品將數據置于三維空間中，同時大量利用了鼠標點擊、滾動、拖拽等交互行為，使得用戶在與數據互動的過程中，感受到十足的震撼力。

流動的邊界[2]

當然，隨著傳統的鼠標交互走向成熟，新型的交互形態也在出現，其中最主要的一項就是沉浸式交互。例如，紐約時報為了向民眾普及戴口罩的好處，使用了手機AR技術，真實模擬了口罩中的纖維是如何阻隔粒子的：

Masks Work. Really. We’ll Show You How[3]

在2020年的IEEE VIS大會上，也有許多論文在提出新穎的交互方案。比如，Lee等人把一些經典的可視化圖表用VR實現了出來：

Data Visceralization: Enabling Deeper Understanding of Data Using Virtual Reality[4]

在原本的圖表中，數據停留在二維，人們很難直接感受到速度、高度的差異。而在VR中，你可以直接站在博爾特旁邊，或是站在埃菲爾鐵塔下，領略數據的真實尺度。

令人興奮的是，這樣的AR/VR設計正在離普通人越來越近，因為相關的技術正在被封裝成簡單易用的工具和系統。感興趣的讀者可以在文末的參考文獻中查看[5][6]。

再進一步，數據的交互既然可以脫離鼠標，那么是否也有可能脫離屏幕？對于普通人來說，是否有可能不使用電子設備、不佩戴任何設備，就與數據實現交互呢？基于這一思路，一些人開始嘗試將數據實物化（Physicalization），即把數據轉化成可觸摸、可聞、甚至可以品嘗的形式。這種實物化的數據，可以較好地調動起人的參與感、激發人的情感，很適合應用在博物館、藝術展覽等場景。

Scents and Sensibility- Evaluating Information Olfactation[7]

可以聞的可視化

下面這一項目把人體的解剖數據做成了一個個可以玩耍的“紙盒子”。使用不同顏色的鏡片去觀察這些紙盒子，你可以看到人體的不同層次，例如骨骼、內臟等。有了這樣的設計，生物課或許會不再枯燥。

The Anatomical Edutainer[8]

2.個性化、個人化的可視化設計范式興起

隨著繪制圖表變得越來越簡單，人們開始思考：怎么樣讓圖表更有個性呢？

去年，Vivo手機推出的OriginOS系統讓筆者印象深刻。其中的“行為壁紙”功能就是一個典型的可視化個性設計——用戶的運動數據被映射到花朵上，隨著步數增加，花朵也會隨之盛開。許多用戶被這種新穎的可視化吸引，網上甚至出現了 “為看花開步數上萬，一個壁紙比健身教練管用” 的調侃。

類似的，在學術界，研究人員也在探索，如何幫助人們制作出更有個性、千人千面的可視化。例如，DataQuilt是一個可視化創作系統，它支持從圖片中提取素材，并生成象形圖。其生成結果有一種貼紙、貼畫的可愛感。

DataQuilt- Extracting Visual Elements from Images to Craft Pictorial Visualizations[9]

Dear Pictograph支持在VR環境中，繪制屬于自己的象形圖：

Dear Pictograph- Investigating the Role of Personalization and Immersion for Consuming and Enjoying Visualizations[10]

有一些簡單好用的小工具也可以定制可視化。在下圖的地圖工具中，海拔被描繪為類似山嶺的效果，用戶可以自己調整山嶺的高度和顏色。筆者試著編輯了一下亞洲，很快得到了接近古代山水畫的效果。

Peak-map[11]

3.感知/認知的基礎研究進一步深入

可視化的底層科學很大程度上是心理學。在過去幾十年的時間里，許多基本問題已經得到解決。在這些理論的基礎上，我們形成了一些慣用的可視化規則，比如，用柱狀圖來表現數值差異，用顏色來分類，用散點圖來查看相關關系，等等。

但是，現實中的情況往往十分復雜。比如，當散點圖真的很“散”的時候，人的感知還會準確嗎？因此，有學者專門檢驗了這種“不確定”（Uncertain）的情況，從而更深入地了解人的感知誤差和偏見。

A Bayesian cognition approach for belief updating of correlation judgment through uncertainty[12]

此外，也有不少人提出，以往針對可視化的心理研究，太過偏重于測量感知（Perception），而忽略了人在觀看、使用可視化時還涉及許多的其他心理現象，例如決策的形成（Decision Making）、態度觀念的更新（Belief Updating）等。在2020年，有學者開始系統性地將視覺科學中的研究變量和實驗方法引入可視化領域[13]。

因此，可以預見的是，可視化將擁抱更加多樣的心理學研究方法。未來，我們評價一個可視化的視角也會更加多元。

4.可視化的溝通傳達作用得到強調

近年來，可視化的溝通、傳達能力日益得到重視，“用數據講故事”的理念被廣泛應用。

這一趨勢首先體現為講故事的形式不斷豐富。例如，Wang等人探索了“數據漫畫”（Data Comics）的應用場景，指出這種漫畫可以替代一些原本枯燥的數據報表：

Data Comics for Reporting Controlled User Studies in Human-Computer Interaction[14]

Shu等人研究了在社交網站上廣受歡迎的數據動圖（Data Gifs）。這種動圖類似表情包，是一種易于傳播的“輕視頻”形態：

What Makes a Data-GIF Understandable?[15]

筆者今年參與的，研究了數據視頻（Data Video）中的動畫是如何輔助故事敘述的。我們發現，動畫可以服務于至少8種敘事任務，包括強調、比較、懸疑、轉折等。

2020年，各大可視化工具平臺也在新版本中強調了數據的敘事能力。比如最新發布的，支持對圖表添加動畫，并且加強了數據之間的轉場效果。

Apache ECharts 5 動畫功能[16]

另一方面，數據敘事的效果也值得關注——受眾的反饋究竟如何？數據的傳達是否有效？要回答這些問題，往往需要站在受眾的角度、以受眾為中心來思考。

去年，一張由英國金融時報設計的疫情圖表，在世界范圍內廣泛傳播。

這張圖表把各個國家放在同一起跑線上，同時在展示確診人數時，使用了對數坐標軸（而非線性坐標軸），從而更加方便數據比較。這一設計之所以成功，核心在于它可以快速回答一些讀者關心的問題：我們國家的疫情發展趨勢如何？跟其他國家比算嚴重嗎？增加到N個病例還要多少天？由此，圖表設計師成功地實現了與讀者的溝通。

不過，即使是這樣精巧的設計，依然可能存在溝通失誤的可能。其設計師John Burn在最近的一場分享[17]中提到，一些讀者認為對數坐標軸在視覺上營造出了疫情在放緩的感覺，因此有幫助政府欺騙民眾的嫌疑。他進而提到，用戶的思維、感知模式、價值觀往往都是非常多樣的，這導致不同人對于可視化的解讀也會產生差異。因此，要設計一個用于溝通傳達的可視化，必須更多地將用戶思維、用戶情感納入考量。

5.可視化的社會意義得到彰顯

2020年見證了數據新聞的長足進步。在疫情的影響下，全球媒體大量使用數據可視化來描繪疫情態勢、科普醫療知識、反思社會制度。數據可視化，對于引發公共討論、推動民意轉變，產生了切實的作用。

例如，人大RUC新聞坊的作品收集并分析了2286篇疫情報道，從多個角度反思了新聞媒體在疫情中的表現——按時間順序看，財新的響應速度最快，在疫情之初最為積極發聲。從采訪來源看，一線醫療工作者和普通市民在采訪中的比重上升。數據表明，在重大公共衛生事件面前，及時的信息公開、允許多種聲音存在，是十分關鍵的。這一作品也獲得了的“最佳數據運用金獎”。[18]

而獲得“最佳數據內容金獎”的作品《“癌癥村”的歷史切片》，整理、分析了348個活在公共話語中的“癌癥村”。作者們試圖反思：這些村子是如何變成人們口中的“癌癥村”的？是否有權威機構承認癌癥聚集的事實？大部分“癌癥村”形成的主因是什么？

這篇作品以“公共話語的形成”作為研究出發點，結合客觀的報道數據，對歷史上存在過的“癌癥村”進行了一次系統性的回顧。

“癌癥村”的歷史切片[19]

在筆者看來，這些作品最為閃光之處，在于作者對數據具有強烈的問題意識和批判意識。而運用數據來反思和解決社會問題，也將是未來社會治理的必經之路。

6.智能技術變革可視化生產流程

隨著智能技術的快速發展，可視化生產流程中的許多工作已可以被機器所替代。

例如，Retrieve-Then-Adapt可以自動生成占比類信息圖（如餅圖、環圖）。用戶只需輸入一行文本，系統就可以識別出文本中的關鍵信息、生成信息圖設計，并對其布局進行優化。

Retrieve-Then-Adapt: Example-based Automatic Generation for Proportion-related Infographics[20]

Hoffswell等人[21]分析總結了一系列屏幕自適應的規則，如此一來，不同屏幕上的圖表就可以方便的遷移。類似地，Wu等人[22]提出了一種基于強化學習的自適應方法，可以將可視化圖表自動適配到移動端。

Techniques for Flexible Responsive Visualization Design[21]

此外，在2020年的可視化學術會議中，還有一系列關于智能配色、智能動畫、智能交互、智能敘事的研究。例如，是一個智能的數據故事生成引擎，旨在降低數據故事創作的門檻。用戶只需輸入一個數據表格，系統就可以自動識別數據中可能的“故事點”，并將其串成一個連貫的故事。

Calliope: Automatic Visual Data Story Generation from a Spreadsheet[23]

智能技術的應用，對于可視化領域的工作者既是挑戰、又是機遇。原本重復、機械性的工作將被取代，而創意創新、藝術感性的能力則會被重視。

7.用戶需求從觀看數據到洞察數據

智能技術的發展和用戶需求的提升可以說是相輔相成。當計算機越來越智慧，人對于它的要求也越來越高——單是呈現數據已經不夠，用戶希望計算機能直接提取出數據中的有用信息，甚至直接幫忙得出結論和解決方案，此所謂“洞察數據”。

根據難易程度，洞察數據可以有三個層次：1.對于某個數據圖表的洞見（這個圖說明了什么？），2.對于數據集的洞見（這些圖共同說明了什么？），3.對于某個領域的洞見（這個領域中存在什么問題？我該怎么辦？）

目前，第一個層次已經可以實現：

現有的一些數據分析工具已經可以告訴用戶，圖表里有哪些地方值得注意

Characterizing Automated Data Insights[24]

然而，要過渡到第三個層次，還十分困難。這不僅要求計算機擁有極強的數據分析能力，還要求它能夠模擬人類的思考和行為模式。目前，研究者們仍在理解：人在分析數據的時候是怎么一步步達到洞察的？

He等人[25]發現，人在洞察數據的時候確實存在一些常見的步驟，如不斷地進行數據下鉆（Drill Down），以達到對某一項數據的深入挖掘。Karer等人[26]發現，洞察數據的過程并不只有純粹的數據計算，而是包含了大量的“人”的因素，比如人本身的知識、經驗等。換句話說，即使是具備很強的數據分析能力，機器想要自動得出人類意義上的“洞察”，依然要攻克很多難題。

8.可視化用于教育和素養提升

大數據時代，數據科學的重要性日益凸顯。然而，許多人對于數據望而生畏，導致難以入門。此時，可視化則能擔任起“老師”的角色，幫助人們更好地學習數據科學知識。

在下面這個項目中，作者將R語言中常用的數據統計分析方法和公式，繪制成了一幅幅可愛的漫畫。使用這樣的教材來學習R，是不是有趣很多呢？

stats-illustrations[27]

與這一理念相似，Wang等人為一些較為生僻的圖表（如平行坐標系、盒須圖等）設計了一套漫畫教程（Cheat Sheet），幫助人們更好地學習這類復雜圖表。

Cheat Sheets for Visualization Techniques[28]

以上這些實踐，展示了可視化與教育學交叉融合的可能性。例如，如何更好地培養兒童的視覺思維能力？如何為抽象知識（如空間幾何、物理原理）設計出更好的教材？如何讓不具備數據科學知識的人，體驗數據學習的樂趣？

暢想未來，閱讀數據、理解數據、使用數據的能力，必將成為每個人的基礎素養。而信息可視化，則將成為打開龐雜數字世界的一道門、一扇窗。

參考文獻：

[1] 來自星星的你——科技工作者心理調查可視化，https://www.bilibili.com/s/video/BV1Gi4y1E75T

[2] 流動的邊界，https://www.bilibili.com/video/av753610655/

[3] Masks Work. Really. We’ll Show You How，https://www.nytimes.com/interactive/2020/10/30/science/wear-mask-covid-particles-ul.html

[4] Data Visceralization: Enabling Deeper Understanding of Data Using Virtual Reality，https://arxiv.org/abs/2009.00059

[5] VRIA: A Web-based Framework for Creating Immersive Analytics Experiences，https://github.com/vriajs/vria

[6] Uplift: A Tangible and Immersive Tabletop System for Casual Collaborative Visual Analytics，https://ieeexplore.ieee.org/document/9229116

[7] Scents and Sensibility- Evaluating Information Olfactation，https://dl.acm.org/doi/abs/10.1145/3313831.3376733

[8] The Anatomical Edutainer，https://arxiv.org/abs/2010.09850

[9] DataQuilt- Extracting Visual Elements from Images to Craft Pictorial Visualizations，https://dataquilt.github.io/dataquilt-paper.pdf

[10] Dear Pictograph- Investigating the Role of Personalization and Immersion for Consuming and Enjoying Visualizations，https://dl.acm.org/doi/fullHtml/10.1145/3313831.3376348

[11] Peak map, https://anvaka.github.io/peak-map/

[12] A Bayesian cognition approach for belief updating of correlation judgment through uncertainty，https://arxiv.org/abs/2008.00058

[13] A Design Space of Vision Science Methods for Visualization Research，https://arxiv.org/abs/2009.06855

[14] Data Comics for Reporting Controlled User Studies in Human-Computer Interaction，https://osf.io/unmyj

[15] What Makes a Data-GIF Understandable?，https://data-gifs.github.io

[16] Apache ECharts 5 系列教程（1）動態敘事，https://zhuanlan.zhihu.com/p/348516679

[17] John Burn-Murdoch’s BELIV workshop keynote:，https://youtu.be/xlN_QUdT6os

[18] 2286篇肺炎報道觀察：誰在新聞里發聲？，[19] “癌癥村”的歷史切片，http://cancervillage.creatby.com/

[20] Retrieve-Then-Adapt: Example-based Automatic Generation for Proportion-related Infographics，https://arxiv.org/abs/2008.01177

[21] Techniques for Flexible Responsive Visualization Design，https://jhoffswell.github.io/website/resources/papers/2020-ResponsiveVisualization-CHI.pdf

[22] MobileVisFixer: Tailoring Web Visualizations for Mobile Phones Leveraging an Explainable Reinforcement Learning Framework，https://arxiv.org/abs/2008.06678

[23] Calliope: Automatic Visual Data Story Generation from a Spreadsheet，https://calliope.idvxlab.com/

[24] Characterizing Automated Data Insights，https://arxiv.org/abs/2008.13060

[25] Characterizing the Quality of Insight by Interactions: A Case Study，https://ieeexplore.ieee.org/document/9020101/

[26] Insight Beyond Numbers: The Impact of Qualitative Factors on Visual Data Analysis，https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9241426

[27] stats-illustrations，https://github.com/allisonhorst/stats-illustrations

[28] Cheat Sheets for Visualization Techniques，https://visualizationcheatsheets.github.io/

特別鳴謝：《來自星星的你》作者朱陽陽、《2286篇肺炎報道觀察：誰在新聞里發聲？》作者葛舒潤、《“癌癥村”的歷史切片》作者趙鹿鳴、祝曉蒙、趙博文與倭瓜分享他們的創作經驗 ：）

- the end -

原標題：《年度觀察 | 信息可視化領域八大前沿趨勢》

閱讀原文