Du Bois Wrapped Bar Chart：可视化具有不成比例值的分类数据
Du Bois Wrapped Bar Chart: Visualizing categorical data with disproportionate values
摘要：
我们提出了一种可视化技术，杜波依斯包装条形图，W.E.B杜波依斯的工作的启发。杜波依斯包装条形图通过包装超过一定阈值的大条形图，可以更好地进行大到小条形图的比较。我们首先提出了两个众包实验，比较包装和标准条形图，以评估（1）包装条在帮助参与者识别和比较价值方面的好处;（2）最适合包装条的数据特征。在第一项使用真实世界数据集的研究（n=98）中，我们发现包裹条形图在识别和估计条形图之间的比率时具有更高的准确性。在一项使用13个模拟数据集的后续研究（n=190）中，我们发现，当某些类别的值不成比例时，参与者使用包装条形图的准确性始终更高，如熵和H扩散所测量的。最后，在一项实验室研究中，我们调查了参与者的经验和策略，从而为何时以及如何使用包装条形图提供了指导。
英文摘要：
We propose a visualization technique, Du Bois wrapped bar chart, inspired by work of W.E.B Du Bois. Du Bois wrapped bar charts enable better large-to-small bar comparison by wrapping large bars over a certain threshold. We first present two crowdsourcing experiments comparing wrapped and standard bar charts to evaluate (1) the benefit of wrapped bars in helping participants identify and compare values; (2) the characteristics of data most suitable for wrapped bars. In the first study (n=98) using real-world datasets, we find that wrapped bar charts lead to higher accuracy in identifying and estimating ratios between bars. In a follow-up study (n=190) with 13 simulated datasets, we find participants were consistently more accurate with wrapped bar charts when certain category values are disproportionate as measured by entropy and H-spread. Finally, in an in-lab study, we investigate participants' experience and strategies, leading to guidelines for when and how to use wrapped bar charts.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
