这篇文章主要对比了地理信息可视化联动视图中两种高亮的方法，分别是颜色高亮和引导线高亮。最终，本文得出，在联动多视图的可视化系统中，引导线可以作为一种可选的高亮策略，这样一来，颜色可以保留下来用作其他的可视化编码。
1 Background
从题目来看，文中有两个关键词——“Highlighting Strategies”和“Coordinated View Geovisualizations”，首先来认识一下“Coordinated View Geovisualizations”。这里要引入一个概念即CMV，CMV是“coordinated multiple view”的缩写，联动多视图可视化系统利用两个或多个视图来展示不同的数据或者是相同数据的不同可视表达形式。文章中并没有明确的对“Coordinated View Geovisualizations”进行定义，但是通过对文章的整体阅读，我们可以简单的把它看作是包含地图视图的CMV系统。
在CMV系统中，需要能够将各个视图联系起来的高亮可视表达。高亮是一种短暂的视觉效果，它能够使得待观察对象更加的突出，用户利用它，对待观察对象尽快的进行识别和评估。常用的高亮法是颜色高亮，就是将待观察对象用一种特定的，饱和度和亮度比较高的颜色进行描边或者填充。除了这种方法之外，其实还有很多别的高亮的方法，比如说景深、引导线、透明度等等，但是目前而言，对这些方法的识别和比较的研究却非常的少。
CMV系统比起单一视图的可视化系统而言，对用户的感知和认知系统有一定的要求，因为它需要将多个视图联系起来，通过对多个视图的信息的整合，来完成特定的任务。所以，为了使得用户能够更加简单的阅读联动多视图可视化系统，高亮策略应当尽量的减少用户在阅读时的感知和认知负担。但是在一些系统中，将高亮色运用到大量的主题元素中，这个时候用户就很难分清哪些是高亮对象，哪些是主题元素。因此，对于这种情况而言，一个比较好的高亮策略是利用一种不需要颜色的可视化策略来高亮视图之间关联的元素。这样可以将颜色留出在其他的可视化编码。
在本篇文章中，作者利用视线追踪技术，对选取的一种不依赖于颜色的高亮策略——引导线和颜色高亮法的表现进行了实验对比（见图1）。其中，颜色高亮是联动多视图系统中最常用的方法，它主要是用特定的颜色对对象进行描边或者填充，而引导线则是从所选对象出发，用直线连接它和其他视图关联的对象。
图1
引导线的方法早在2007年就出现了，当时的用途是用来连接文本报道和其它相关的条目。引导线高亮除了不需要颜色编码外，它还有两大优势，第一，对于用户而言，它非常的好理解；第二，对于系统而言，它非常的好实现。然而，到目前为止，对于引导线捕获注意力的能力和他们是否能够支持CMV形式下常用的任务类型却几乎没有任何研究。
所以本文选择了引导线和目前最常用的高亮方法——颜色进行了实验。实验先以静态视图下的可视化效果进行了探索。
2 Task
在这个章节中，作者首先就明确了实验的对象主体，即两种高亮方法。在引导线高亮中，除了选择了直线，还可以利用曲线，曲线可以自动的避开一些元素，比如坐标轴和数据点等，但是两点之间，直线最短，它有利于用户做出最快的反应，所以最终实验中选择了直线的形式。
实验内容分为三步，简单来说：
在地图视图中，找出高亮对象
在其他视图中，找出与地图中高亮对象关联的高亮对象
评估其他视图中高亮对象的值
在实验室，被试者会要求你带上眼动仪进行视线追踪，实验分析将从这些视线追踪的数据中采样分析得到。为了分析视线定位的模式，作者引入了AOI的概念，AOI是Areas of interest的缩写，指的是在完成实验过程中，用户必须关注到的区域。
以整个实验过程为例：
用户需要阅读题目，提取出需要关注的变量和坐标轴的名称；
在地图视图中，找出高亮对象，这一步对应的AOI 1 是地图视图中的高亮对象区域（见图2）；
在其他视图中，找出与地图中高亮对象关联的高亮对象，这一步对应了图2中AOI 2的区域；
利用坐标轴来估计高亮对象的值，这里视线将会关注的区域是AOI 3；
用户读取出地图中高亮对象的标签名以及对其他视图中对象的估计值。
图2
文章中提出了两个零假设：
颜色高亮和引导线高亮在联动多视图中支持有效搜索的能力没有差别；
颜色高亮和引导线高亮在联动多视图中，搜索时使用到的视线定位的个数没有差别;
3 Methodology
实验定义两个自变量，分别是高亮策略和可视表达形式。这里引入可视表达形式是为了防止某种高亮策略对特定表达形式的依赖，也就是说，在某种表达形式下，有突出的表现。高亮策略分别是颜色高亮和引导线高亮。可视表达形式有散点图和平行坐标图。
实验还定义了4个因变量，分别为任务效率，任务精度，第一次视线定位时间和发现高亮对象之前视线定位的数量。
文章从四个方面描述了被试人员，共计32人参与实验，其中男女对半，年龄分布为18~55岁，但是大多数集中在21~25岁。被试人员的专业范围跨度涵盖多个学科，视力均得到过矫正。
实验所用的材料中，联动多视图是由是有地图和散点图或者平行坐标图组成，并与两种高亮方法形成了4组静态图像（见图3）。其中每组8张，共计32张。
图3
实验分为了两个阶段，每个阶段用户将会看到同一种可视表达形式的视图，即实验中有一半的人先看到的是16张散点图的实验材料，而另外一半先看到的是16张平行坐标图。
其中地图由美国乔治亚州50个郡组成，这些郡有着差不多大小的面积，但是有保留了各自的形状，并且在地图上标注的郡名。虽然作者知道他们来自澳大利亚的被试者并不熟悉这个地图，但是为了防止学习效应，他们每次会对整个地图进行45度的旋转。
此外，在创建PCP时，坐标系上的值是随机生成的，这防止了被试者带有任何的模式的语义知识。
地图上使用了Colorbrew选取了五种蓝色来编码某种信息，而高亮的方法选择了红色描边，之所以采用红色的原因是，根据对色彩实体视觉的理解，红色会比蓝色看起来离观察者更近一些，起到了突出的效果；选择描边而非填充的形式是因为，描边仍能够保留数据内部的数值大小的编码，如果采用填充的方法，这无法得到内部的数据信息。
这些图片的分辨率大小为1280*1024，通过19寸的显示器展示，被试者距显示器的距离为60cm。
实验装置分别为 Tobii(托比) x120型号的眼动仪，频率为60HZ；两块显示器，一块用来发布问题，一块用来展示静态图像；此外，还需要安静无窗的环境，减少注意力的分散。
实验要求被试者回答地图中高亮区域的标签名，并且在其联动的其他视图中，估计出与之相关联的高亮对象的值。整个过程都将通过眼动仪进行记录。
实验分为两个阶段，每个阶段的开始，被试者都会被给与一些测试题目试做，一旦他们做错了，系统会自动纠正他们，这保证他们能能够完全理解实验的内容。当第一阶段完成之后，被试者可以休息足够长的时间，再开始第二阶段的实验。
实验结束后，需要对实验得到的视线追踪的数据进行过滤处理，这里过滤的条件是以速度为35pixel，距离也为35pixels进行过滤的。AOIs定位的信息分别为：
AOI 1 是以文字标签的中心为定位的；
AOI 2是以数据所在的位置为中心的；
AOI 3是以坐标轴上对应的位置为中心的。
其中，AOI 2和AOI3的大小会比散点图中的散点稍大一些，这样做的目的是为了减少眼动仪精度造成的误差。
4 Results
对实验结果进行一定的分析之后，我们得到了实验结果。这里自变量分为两种，组内自变量为高亮策略和可视表达形式，组间自变量为被试者年龄和性别。
因变量还是之前说到的4个，这里都用了平均值进行对比，分别是平均完成时间、平均估计误差、平均第一次定位时间、平均定位到AOI之前的视线定位的数量。
文中采用了Bonferroni校正来校正自变量的个数，设定alpha为0.01。
效率方面的对比（见图4），我们可以发现，两种高亮策略在完成任务所花费的时间上，没有太大的差距，而可视表达方面，PCP条件下所需要的时间要更长一些。
图4
精度方面（见图5），高亮策略中，引导线要比颜色方法误差稍大，可视表达方面的差距不大；
图5
在分析初次定位时间时，我们定义：AOI 2的初次定位时间 = 从实验开始时间到定位到AOI 1和AOI 2的时间 – 在每个AOI上停留的时间。减去在每个AOI上停留的时间的目的是只提取出视觉搜索的时间，而不受其他的影响。AOI 2的初次定位时间方面（间图6），高亮方法影响不大，但在SP中的定位速度会比在PCP中快。
图6
AOI 3的初次定位时间 = 视线离开AOI 2 到抵达AOI 3的时间 – 在AOI 2上的停留的时间。
同样的（见图7），高亮方法相差不大，可视表达方面SP的定位速度要快于PCP
图7
初次定位前视线定位数量方面， AOI 2初次定位之前的视线定位数量是指的是发现AOI 1和AOI 2之前发现在屏幕上定位的次数；AOI 2初次定位之前的视线定位数量方面（见图8），高亮策略对其影响不大，而可视表达形式中，被试者在PCP中要比在SP中需要更多的视线定位。
图8
定位到AOI 3之前的视线定位数量是指的是发现AOI 2之后和AOI 3之前视线定位的次数；在这里，高亮策略和可视表达形式的影响都不是很大（见图9）。
图9
5 Conclusion & Further work
通过实验结果可以发现，高亮策略对实验结果都没有产生很大的影响 最终得出结论，
在需要运用联动多视图的可视化系统来完成一些简单任务的情景中，引导线在大多是情况下并不会比颜色差；而引导线也没有比颜色更难用。
文章的最后，作者也给出了未来研究的方向，比如，在本文中采用直线引导线的高亮方法，那换成曲线会不会，可以避开一些对象，是否有助于提高实验结果呢？此外本文仅仅做了引导线和颜色高亮策略的对比，还很很多很多高亮的方法，值得一试；再者，本文的实验材料是静态的图像，但是现实中我们多采用的是交互式的可视化系统，在可交互式的系统中进行实验要复杂的多，但是更接近于现实世界的分析场景。
✉️ zjuvis@cad.zju.edu.cn