सामग्री
- सिस्टम 1 वि सिस्टम 2
- व्हिज्युअलायझेशन का?
- आम्ही कसे पाहू
- प्री-अ‍ॅटेन्टेटिव्ह विशेषता पुढे जाण्याचा मार्ग आहे
- मूल्ये जाणणे
- नातेसंबंध जाणणे
- निष्कर्ष
गेल्या शतकानुशतके, डेटा व्हिज्युअलायझेशन अशा टप्प्यावर विकसित झाली आहे जिथे ती जीवनातील सर्व क्षेत्रांमध्ये दररोज वापरात आहे. बर्‍याच भाषा आणि शैक्षणिक अडथळ्यांना तोंड देत कथन आणि विश्लेषण या दोहोंसाठी हे एक प्रभावी साधन म्हणून ओळखतात. पण हे का आहे? संख्या सारणी किंवा मजकूराच्या परिच्छेदांपेक्षा अमूर्त आकार आणि रंग बर्‍याचदा मोठ्या प्रमाणात डेटा संप्रेषण करण्यात सक्षम कसे असतात? मानवी समज समजून घेणे केवळ या प्रश्नाचे उत्तरच देणार नाही तर आपल्या स्वतःच्या व्हिज्युअलायझेशनचे डिझाइन सुधारण्यासाठी स्पष्ट मार्गदर्शन आणि साधने देखील प्रदान करेल.
आम्ही डेटा व्हिज्युअलायझेशनचे इतके प्रभावीपणे वर्णन कसे करू शकतो हे समजून घेण्यासाठी, विशिष्ट व्हिज्युअल माहितीमध्ये आम्ही माहिती कशी प्राप्त करतो आणि त्यावर प्रक्रिया कशी करतो याबद्दलच्या मूलभूत गोष्टींचे परीक्षण करणे आवश्यक आहे.
सिस्टम 1 वि सिस्टम 2
डॅनियल काहनेमॅन, इन विचार, वेगवान आणि हळू, अनुक्रमे आमच्या उप-जागरूक आणि जागरूक मनांमध्ये उद्भवणार्‍या माहिती प्रक्रियेमध्ये फरक करण्यासाठी सिस्टम 1 आणि सिस्टम 2 या शब्दाचा परिचय करुन देतो. आधीचे अनियंत्रित, नेहमीच चालू असणारे आणि प्रयत्नांची पराकाष्ठेची कार्ये घेतात, परंतु नंतरचे त्या कार्ये संदर्भित करतात जे नियंत्रित असतात परंतु त्यासाठी व्यस्त राहण्यासाठी प्रयत्न करणे आवश्यक असते.
सिस्टम 1 आणि सिस्टम 2 मधील फरक समजून घेण्यासाठी, आकृती 1 चा विचार करा. डावीकडील छायाचित्रात आपल्याला लगेच राग असलेला माणूस दिसतो आणि चित्रित दृश्यासह जोरात आवाज आणि आक्रमक हालचाली जोडतो. केवळ पिक्सेलचे हे अत्यंत परिष्कृत अर्थ लावणे जवळजवळ त्वरित आहे, कोणत्याही प्रयत्नांची आवश्यकता नाही आणि पूर्णपणे नैसर्गिकरित्या येते. उजवीकडे असलेल्या गुणासह त्याचा फरक करा. आमच्याकडून काय विचारले जाते आणि आम्ही ते कार्य करण्यास सक्षम आहोत हे आम्ही त्वरित ओळखतो, परंतु जाणीवपूर्वक प्रयत्न केल्यामुळे बहुतेक लोक मानसिक अंकगणित प्रयत्न करणार नाहीत. दोन्ही प्रकरणांमधील प्रारंभिक प्रतिक्रिया शुद्ध सिस्टम 1 आहेत, तर मानसिक अंकगणित सिस्टम 2 चे एक उदाहरण आहे.
आम्ही या स्वतंत्र प्रणाल्या विकसित केल्या आहेत जेणेकरून आपले जागरूक मन सांसारिक प्रक्रियेने भरुन जाऊ नये. आमची सिस्टम 2 अशा कार्यांसाठी आवश्यक माहितीसह सिस्टम 1 फीडिंग सिस्टम 2 सह अधिक जटिल आकलन आणि गणना कार्यांवर लक्ष केंद्रित करू शकते. डेटा व्हिज्युअलायझेशनमध्ये, आम्ही आमच्या सिस्टम 1 द्वारे योग्य प्रकारे समजल्या जाणार्‍या जास्तीत जास्त माहिती आणि समजुती एन्कोड करण्याचा प्रयत्न केला पाहिजे, जो डेटाच्या अधिक गुंतवणूकीसाठी आणि विश्लेषणासाठी सिस्टम 2 मुक्त करतो.
व्हिज्युअलायझेशन का?
आम्ही माहितीवर प्रक्रिया कशी करतो याविषयी एक उच्च-स्तरीय, अमूर्त दृश्य सादर केल्यामुळे, आता माहितीवर प्रक्रिया कशी करावी लागेल या समस्येकडे आपण आपल्या इंद्रियांच्या माध्यमातून प्रथम प्रवेश करू शकतो. मानवी मेंदूत लक्षणीय प्रमाणात व्हिज्युअल प्रक्रियेसाठी समर्पित आहे, परिणामी आपल्या दृश्यास्पदपणाची धारणा आपल्या इतर इंद्रियांना मागे टाकत आहे. आपण आकृती 2 वरून पाहू शकता, अधिक जागरूक आणि जागरूक आणि जागरूक अशा दोन्ही स्तरांद्वारे आमच्या कोणत्याही इंद्रियेद्वारे दृष्टीक्षेपात कोणत्याही वेळी आपल्या मनात प्रवेश करते. खरं तर, शरीराच्या अंदाजे 70 टक्के ज्ञानेंद्रिया दृष्टीक्षेपाशी संबंधित असतात.
आम्ही आकृती 2 मधून हे देखील पाहू शकतो की सर्व संवेदनांच्या माहिती प्रमाणे व्हिज्युअल माहिती देखील आपल्या उप-जागरूक आणि जागरूक दरम्यान कमी केली जाते. हे असे नाही की माहिती फक्त टाकून दिली गेली आहे, त्याऐवजी ती आमच्या सिस्टम 1 द्वारे डिस्टिल केली गेली आहे जेणेकरून आमची सिस्टम 2 कमी प्राप्त होईल, परंतु आपण सध्या जी कामे करत आहात त्यास अधिक संबद्ध माहिती. बँडविड्थ आणि प्रोसेसिंग पॉवर यांचा दृष्टिकोन संयोजन हा आपल्या इतर संवेदनांपेक्षा डेटा सेट्स समजण्यास अधिक योग्य आहे.
आम्ही कसे पाहू
सिस्टम 1 च्या कच्च्या व्हिज्युअल माहितीच्या ऊर्धपातनाची कार्यक्षमता अधिकाधिक वाढविण्यासाठी, आम्हाला आकृती 3 मध्ये सादर केलेल्या आपल्या व्हिज्युअल प्रक्रियेचा तपशील शोधणे आवश्यक आहे, ज्यामुळे आपल्या डोळ्यांत प्रवेश करणारा प्रकाश आपल्या डोळयातील पडदा उत्तेजित करतो, ज्यामुळे मोठ्या प्रमाणात समांतर आवेग आयकॉनिक मेमरीवर पाठविले जातात. आयकॉनिक मेमरी एक अत्यंत अल्प-मुदतीचा बफर आणि प्रोसेसर म्हणून काम करते जे सुनिश्चित करते की आम्ही जगातील सर्वत्र सुसंगत चित्र कायम राखत आहोत. आयकॉनिक मेमरी देखील आकार, कडा, सापेक्ष आकार आणि रंगाचे पॅचेस यासारख्या मूलभूत व्हिज्युअल गुणधर्मांद्वारे त्याद्वारे जाणार्‍या माहितीस समृद्ध करते. यास पूर्व-लक्षित गुण म्हणून संबोधले जाते.
आयकॉनिक मेमरीची मूलभूत व्हिज्युअल माहिती व्हिज्युअल वर्किंग मेमरीवर पुरविली जाते, अल्पकालीन स्टोरेजचा आणखी एक प्रकार ज्याची उल्लेखनीय मर्यादित क्षमता साकारली जाते ती 'सात, अधिक किंवा वजा दोन' आपल्याला कोणत्याही वेळी लक्षात ठेवू शकणार्‍या गोष्टींची मर्यादा वाढवते. . आम्हाला ऑब्जेक्ट आणि दृश्यांना ओळखण्यासाठी, (आतापर्यंत वर्णन केलेला मार्ग) (’बॉट-अप प्रोसेसिंग’) दीर्घकालीन मेमरी (’टॉप-डाऊन प्रोसेसिंग’) वरून मिळवलेल्या वस्तू आणि संघटना आणणार्‍या पाथवेसह व्हिज्युअल वर्किंग मेमरीमध्ये रूपांतरित करतो.
प्री-अ‍ॅटेन्टेटिव्ह विशेषता पुढे जाण्याचा मार्ग आहे
व्हिज्युअल वर्किंग मेमरी आणि दीर्घकालीन मेमरीचे क्रियाकलाप सिस्टम 2 मध्ये मोठ्या प्रमाणात होत असताना, वेगवान, स्वयंचलित आणि मोठ्या प्रमाणात समांतर तळाशी प्रक्रिया संपूर्णपणे सिस्टम 1 आहे. म्हणूनच, व्हिज्युअलायझेशनची शक्ती आणि कार्यक्षमता जास्तीत जास्त करण्यासाठी, आपण पुढील बॉटम-अप प्रक्रियेदरम्यान पूर्व-लक्ष देण्याच्या वैशिष्ट्यांमधील जास्तीत जास्त माहिती एन्कोड करा.
जॅक बर्टिन यांनी आपल्या 1967 च्या पुस्तकात माहितीच्या अंतर्ज्ञानी, अचूक आणि सार्वत्रिक एन्कोडिंगसाठी मूलभूत नियम निश्चित केले, सेमीलॉजी ग्राफिक. त्यानंतरच्या व्युत्पन्न कार्यामुळे या नियमांबद्दलची आमची समज आणि आमच्या संबंधित धारणा अधिक सुधारल्या आहेत आणि डेटा व्हिज्युअलायझेशनशी ते विशेषत: कसे संबंधित आहेत हे स्पष्ट केले आहे.
पूर्वदृष्टीने दृश्यास्पदपणे एन्कोड करणे चांगले कसे आहे हे स्पष्ट करण्यासाठी, आम्ही डेटा तयार करणार्‍या दोन मूलभूत चिंतेचे स्वतंत्रपणे परीक्षण करू: मूल्ये आणि नातेसंबंध.
मूल्ये जाणणे
आकृती 4 मध्ये कॉलिन वेअर द्वारा तपशीलवार, डेटा एन्कोड करण्यासाठी वापरल्या जाणार्‍या प्री-अटेन्टीव्ह व्हिज्युअल विशेषतांची निवड दर्शविली आहे माहिती व्हिज्युअलायझेशन: डिझाइनसाठी समज. स्टीफन काही असे म्हणतात की यापैकी मोजकेच गुण असे आहेत की आपण नैसर्गिकरित्या आणि सर्वत्र परिमाणवाचक म्हणून भाष्य केले. त्यापैकी लांबी आणि द्विमितीय स्थान इतर गुणधर्मांपेक्षा अधिक अचूकपणे समजले जाते. उदाहरणार्थ, लांबीसह, आम्हाला एक स्पष्ट स्केल सापडला आहे जो वस्तुनिष्ठ मापनाशी सुसंगत आहे: मोठे म्हणजे ‘अधिक’ आणि लहान म्हणजे ‘कमी’. त्याउलट, आकारानुसार, आम्ही की चा वापर करून कृत्रिम मापन केल्याशिवाय वर्तुळाचा अर्थ चौरसापेक्षा कमी किंवा कमी असतो की नाही हे सांगू शकत नाही.
आम्ही परिमाणवाचक समजल्या जाणार्‍या पूर्व-चौकस विशेषतांचा वापर करुन मूल्यांची तुलना करू शकतो परंतु वास्तविक मूल्ये काढू शकत नाही. उदाहरणार्थ, आम्ही सहजपणे पाहू शकतो की एक ओळ दुसर्यापेक्षा लांब आहे आणि त्यामुळे मोठ्या मूल्याचे प्रतिनिधित्व होते, परंतु हे समजण्यासाठी की रेखा विशिष्ट मूल्याचे प्रतिनिधित्व करते (जसे की 200 ऐवजी 100, म्हणून) आम्ही संख्येसह एक सुस्पष्ट प्रमाणात जोडणे आवश्यक आहे किंवा मजकूर दुर्दैवाने, संख्या आणि मजकूर पूर्व-सावधपणाने समजला जात नाही कारण ते शिकलेले प्रतीक आहेत, त्यांना स्मृती शोधण्यासाठी काही प्रमाणात आवश्यक आहे. याचा परिणाम असा आहे की प्री-अटेन्टीव्ह व्हिज्युअल विशेषतांची तुलना आमच्या सिस्टम 1 मध्ये येते, परंतु एन्कोड केलेल्या मूल्यांच्या डीकोडिंगसाठी सिस्टम 2 चा हलका वापर आवश्यक आहे.
नातेसंबंध जाणणे
आता डेटामधील संबंधांची समज जाणून घेऊ या, सहसा संरचनेद्वारे आणि व्हिज्युअलायझेशनमध्ये गटबद्ध करून सादर केली जाते. आकृती 4 मध्ये आपण पहात आहोत की प्री-अ‍ॅटेन्टिव्ह गुणधर्म ज्यास परिमाणवाचक समजले जात नाहीत ते वेगळे करण्यासाठी प्रभावी आहेत, म्हणजे गटबद्ध करणे. तथापि, गटबद्ध करण्यासाठी आपण वापरू शकणार्‍या वैयक्तिक आकारांवर लक्ष केंद्रित करण्याऐवजी आपण नमुन्यांचा विचार करूया, ज्याची पूर्व-चौकस धारणा गेस्टाल्टच्या समजुतीच्या कायद्यांमध्ये पकडली गेली (जिस्टल्ट सायकोलॉजी स्कूल ज्याचे ते प्रथम पाहिले गेले होते त्या नावाने ठेवले गेले).
आकृती 5 मध्ये दर्शविलेले यापैकी काही कायदे आपल्याला गट कसे दिसतात हे स्पष्ट करतात. उदाहरणार्थ, मालिका सामान्यत: रंग किंवा आकारानुसार बार, रेखा आणि स्कॅटर चार्टमध्ये भिन्न असतात, म्हणजे समानतेचा गेस्टल्ट कायदा. दुर्दैवाने, गेस्टल्ट कायद्याच्या बर्‍याच वेळा अज्ञात सूक्ष्मपणा आणि सामर्थ्य याचा खरा शोध या लेखाच्या व्याप्तीबाहेर पडतो.
गटबद्ध करण्याव्यतिरिक्त, डेटा व्हिज्युअलायझेशनमधील आणखी एक अत्यंत सामर्थ्यवान क्रम ऑर्डर करीत आहे. डेटा सेट्सचा विचार करताना ‘सर्वोत्कृष्ट’, ‘सर्वात वाईट’ आणि अधिक सामान्य क्रमवारीचे प्रश्न सामान्य आहेत आणि व्हिज्युअलायझेशनमध्ये योग्य ऑर्डरिंगची साधी कृती ही अंतर्दृष्टी त्वरित आणि सहजतेने सुनिश्चित करते. थोड्या सर्जनशीलता आणि विचारसरणीने ऑर्डर पुन्हा लागू केली जाऊ शकते अशा परिस्थितीतही जेथे लागू करणे शक्य नसते अशा परिस्थितीतदेखील ऑर्डरची अंमलबजावणी आकृती 6 मध्ये दर्शविलेल्या तक्त्यामध्ये केली जाते जिथे कनेक्टिव्हिटीचा गेस्टल्ट कायदा वापरला जातो.
नवीन व्हिज्युअलायझेशनच्या सविस्तर डिझाइनचा विचार केला तर येथे सादर केलेल्या डेटा व्हिज्युअलायझेशनच्या पद्धती समजून घेणे अमूल्य आहे. तथापि, कोणत्याही वापरकर्ता-केंद्रित डिझाइन प्रकल्पाप्रमाणे, आम्ही आत्तापर्यंत येथे आच्छादित केलेल्या विस्तृत तपशीलांपर्यंत पोहोचण्यापूर्वी त्याचे हेतू असलेले वापरकर्ते, त्याचा हेतू आणि संदर्भ समजून घेण्यास सुरवात केली पाहिजे.
सर्वसाधारणपणे असे म्हटले जाऊ शकते की सर्व दृश्ये करण्याचा हेतू शुद्ध सादरीकरणाच्या दरम्यान असलेल्या स्पेक्ट्रमवर कोठेतरी पडतो, उदा. वृत्तपत्रांमधील स्थिर चार्ट्स आणि संपूर्ण शोधाप्रमाणे डेटा सेटमध्ये एक ज्ञात कथा सांगणे, म्हणजे.आर्थिक संशोधन वेबसाइटवरील परस्पर विश्लेषणात्मक चार्ट सारख्या, अद्याप-न समजलेल्या डेटा सेटचे विश्लेषण आणि परीक्षा. विल्यम क्लीव्हलँड आणि रॉबर्ट मॅकगिल यांनी केलेले संशोधन आपल्याला कोणत्या सादरीकरण-अन्वेषण स्पेक्ट्रमवर लक्ष्य ठेवू इच्छित आहे यावर अवलंबून डेटाचे प्रतिनिधित्व कसे करावे या निर्णयाबद्दल माहिती देऊ शकते. क्लेव्हलँड आणि मॅकगिल यांनी तुलना कार्यांसाठी डेटाच्या अनेक मूलभूत व्हिज्युअल एन्कोडिंग्जच्या संबंधित कार्यक्षमतेचे मूल्यांकन केले. त्यांचे परिणाम आकडेवारी 6 मध्ये दर्शविलेल्या मूल्यांकन केलेल्या तंत्रज्ञानाचा वापर करून तुलना अचूकतेसाठी स्पष्ट प्रमाणात दर्शवितात.
या स्केलवरून आपण हे पाहू शकता की आम्ही नियमितपणे चार्ट बार, लाइन आणि स्कॅटर चार्ट पाहतो हे योगायोग नाही की हे तिघेही अगदी अचूक तुलनांचे समर्थन करणारे व्हिज्युअल फॉर्म वापरतात. दुर्दैवाने, बरेच जण या चार्ट प्रकारांना ‘कंटाळवाणे’ समजतात आणि पाय चार्ट्ससारख्या अधिक नेत्रदीपक आकर्षक चार्ट प्रकारांपर्यंत पोहोचतात. क्लीव्हलँड आणि मॅकगिलचा स्केल दर्शवितो की डेटा एन्कोडिंग पाय चार्ट वापरतो, कोन (आणि क्षेत्र, एक साइड-इफेक्ट म्हणून) अचूक तुलना करण्यास समर्थन देत नाही आणि जसे की अचूक तुलना करणे आवश्यक आहे अशा संदर्भांमध्ये चांगली निवड नाही.
हे सादरीकरण-शोध स्पेक्ट्रमच्या संदर्भात कशी मदत करते? आपले व्हिज्युअलायझेशन जितके विश्लेषणात्मक आणि शोध घेण्याची आवश्यकता आहे, क्लीव्हलँड आणि मॅक्गिलचे स्केल आपण पुढे करणे आवश्यक आहे कारण अचूक तुलना करणे अधिक महत्वाचे आहे. हे असे नाही की प्रेझेंटेशनल व्हिज्युअलायझेशनमध्ये व्हिज्युअल एन्कोडिंगचे अधिक अचूक प्रकार कधीही वापरु नयेत. त्याऐवजी, या परिस्थितीत आम्ही सांगू इच्छित असलेल्या विशिष्ट कथेसाठी आणि त्याच्या उद्दीष्ट प्रेक्षकांसाठी आवश्यक अचूकता आणि व्हिज्युअल इंटरेस्ट दरम्यान योग्य पातळीची तडजोड निवडण्यास आम्ही सक्षम आहोत.
निष्कर्ष
कोणत्याही दृश्यासाठी योग्य ते प्रभावी व्हिज्युअलायझेशनच्या डिझाइनची माहिती देण्याकरिता डेटा व्हिज्युअलायझेशनमागील यंत्रणेची सखोल समजून घेणे हे एक सशक्त साधन आहे, मग ते एक साधे, स्थिर बार चार्ट किंवा काही अधिक क्लिष्ट, बहुआयामी आणि परस्परसंवादी असले तरीही.
या खात्यात डेटा व्हिज्युअलायझेशनमागील विज्ञानाची काही मूलभूत माहिती समाविष्ट केली आहे. डेटा व्हिज्युअलायझेशनशी संबंधित संज्ञानात्मक मानसशास्त्र आणि समजूतदारपणाचे बरेच अधिक सूक्ष्म पैलू आहेत, ज्यामुळे आपल्या डेटाचे विश्लेषण करण्याची क्षमता आणि व्हिज्युअलायझेशनचा वापर करून डेटा-आधारित कथा सांगण्याची आपली क्षमता सुधारेल.
शब्द: ग्रॅहम शक्यता
