A contiguous area cartogram is a geographic map in which the area of each region is rescaled to be proportional to numerical data (e.g., population size) while keeping neighboring regions connected. Few studies have investigated whether readers can make accurate quantitative assessments using contiguous area cartograms. Therefore, we conducted an experiment to determine the accuracy, speed, and confidence with which readers infer numerical data values for the mapped regions. We investigated whether including an area-to-value legend (in the form of a square symbol next to the value represented by the square's area) makes it easier for map readers to estimate magnitudes. We also evaluated the effectiveness of two additional features: grid lines and an interactive area-to-value legend that allows participants to select the value represented by the square. Without any legends and only informed about the total numerical value represented by the whole cartogram, the distribution of estimates for individual regions was centered near the true value with substantial spread. Selectable legends with grid lines significantly reduced the spread but led to a tendency to underestimate the values. When comparing differences between regions or between cartograms, legends and grid lines made estimation slower but not more accurate. However, legends and grid lines made it more likely that participants completed the tasks. We recommend considering the cartogram's use case and purpose before deciding whether to include grid lines or an interactive legend.


翻译:毗连区域绘图是一个地理地图,其中对每个区域的区域进行重新缩放,使其与数字数据(例如人口规模)成比例,同时保持相邻区域连接。很少有研究调查读者能否使用毗连区域绘图图进行准确的量化评估。因此,我们进行了一项实验,以确定读者推算所绘制区域的数字数据值的准确性、速度和信心。我们调查了是否包括一个区域对数值的传说(以方形符号的形式,与方形区域所代表的值相邻),使地图读者更容易估计数量值。我们还评估了另外两个特性的功效:网格线和互动区域对数值的传说,使参与者能够选择方形所代表的值。没有传说,而且仅告知整个行所代表的总数字值,单个区域的估计数分布就以真实值为中心,分布范围很广。有网格线的可选传说极大地缩小了分布范围,但导致低估值的趋势。在比较区域之间或绘图线、图例和网格线之间的差异时,我们还评估了另外两个特性的效益,使参与者能够选择方形表示方形的数值,但更精确地标,我们选择了如何选择了图组和图则包括了更精确的大小。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
79+阅读 · 2020年7月26日
【NeurIPS 2019的主要趋势】Key trends from NeurIPS 2019
专知会员服务
12+阅读 · 2019年12月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
154+阅读 · 2019年10月12日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月16日
VIP会员
相关VIP内容
Linux导论,Introduction to Linux,96页ppt
专知会员服务
79+阅读 · 2020年7月26日
【NeurIPS 2019的主要趋势】Key trends from NeurIPS 2019
专知会员服务
12+阅读 · 2019年12月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
154+阅读 · 2019年10月12日
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员