立体深度编码复合图结构

我们能解读深度吗？评估立体深度在编码非空间数据特征方面的变化

摘要

在立体显示平台上渲染2D节点链接表示支持一种自然的焦点+上下文交互方式。在这种情况下，立体深度可用于编码复合图中的不同细节层次，特别是用于突出结构关系。我们提出了一种方法，通过一种新颖的交互操作来展开或收缩复合图中的节点，使这些节点在三维空间中排列并实现最小遮挡，使得子层级节点渲染在比父节点更靠近观察者的平面上。此外，还可以结合使用其他视觉线索来编码数据的其他方面，例如用颜色编码节点状态，用形状编码节点类型。本文重点介绍一项我们对30名参与者进行的受控用户研究，旨在通过不同配置评估该方法的效果。研究目的是了解观察者检测立体深度变化的能力，以及图的大小和透明度对该能力在准确率和效率方面的影响。此外，我们还希望测量参与者对我们使用立体深度作为复合图视觉线索这一方法的接受度。

研究结果表明，在特定条件下，立体深度可用于编码复合图的数据特征。

作者关键词
复合图；立体显示器；深度线索；焦点+上下文交互技术；用户评估研究。

ACM分类关键词
I.4.8. 场景分析：深度线索；I.3.6. 方法与技术：交互技术

引言

最近，我们见证了三维技术在日常生活应用中的高度接受度。3D技术领域的进步使其成为视觉研究中一个活跃且具有吸引力的领域。许多科学可视化应用已经开始使用三维显示[16]，例如，在3D数据集中可视化不同对象之间的空间关系就是3D技术在该研究中的常见应用实例之一。

在信息可视化的情况下，数据元素之间通常具有非空间关系。这使得使用3D技术可视化此类数据成为一种被回避的可能性。然而，阿尔珀等人在[1]中有趣地开启了探索利用立体深度通过3D技术可视化数据某些方面的新可能性的大门。他们提议使用立体深度来突出节点‐链接图中的节点。在这种情况下，节点‐链接图的可视化方式与二维表示相同，但它们被渲染在立体显示平台上。这使得被突出的节点可以位于更靠近观察者的平面上，由于深度线索的作用，这些被突出的节点看起来比其他节点更大，从而获得所需的重要性。在我们看来，这一想法有助于弥合2D显示器与3D技术之间的差距。

在2D显示器中，设计者被迫将所有数据元素堆叠在二维平面上。这需要降低视觉维度，可能导致两个主要缺点：首先，由于我们的视觉系统天生用于感知和解释三维空间[20]，这种做法可能会分散其注意力；其次，它可能损害可视化大数据的可扩展性[20]。然而，在3D显示器的情况下，设计者可以选择将数据分层布置于该技术所提供的三维空间中，以减少杂乱并提高对底层数据的理解能力。这也有助于为大数据设计可扩展的表示形式。此外，这种方式补充了人类的视觉系统，因为人类天然地在三维世界中感知数据。为了在3D平台上实现对非空间数据（如图）的令人满意的可视化，设计者需要开始探索新的方向，以利用3D技术所提供的立体深度，类似于[1,20]所提出的方向。

在立体显示平台上渲染2D节点链接表示支持一种自然的 focus+context 交互方案。在这种情况下，立体深度可以被用来突出显示或编码某些数据特征，因为被突出显示的区域被置于观察者的焦点上，而图的其余部分则保持在更深层的平面上。这有助于将整个图的上下文保留在背景中。

在本研究中，我们利用立体深度来编码复合图中节点之间的结构关系。在复合图中，存在两种主要的关系类型：结构关系和邻接关系。一种用于复合图的传统可视化方案是使用包含表示[15]来可视化结构关系。在这种情况下，复合节点包含其内部结构，而邻接关系则通过节点之间的显式边来表示。我们在图可视化领域中利用三维技术，使得观察者能够在三维世界中展开复合节点。

为此，我们先前提出了一种名为ExpanD[2]的新方法，用于在深度上展开复合节点。该方法帮助观察者在三维世界中选择目标复合节点，此时会创建一个更靠近观察者的新的平面，其中包含所选展开节点的子节点。

然而，本文的重点是我们在不同背景的30名参与者中进行的一项控制实验用户评估研究，旨在通过不同配置来评估ExpanD方法。本研究的目的是了解观察者通过展示复合节点之间的结构关系来检测立体深度变化的能力。我们希望了解图的大小以及添加透明度对观察者在准确率和效率方面检测深度变化能力的影响。因此，我们在控制实验期间测量了参与者的准确率水平和检测速度。此外，我们还通过封闭式问题收集反馈，以从观察者的角度衡量他们对我们利用立体深度以及在其中使用透明度的方法的接受度。研究结果表明，在某些情况下，立体深度可用于编码复合图的数据特征。此外，结果显示我们方法的接受度较高。另一方面，我们也发现在某些情况下我们所提出方法存在一些不足之处。

本文的其余部分结构如下：首先，我们概述相关工作。然后介绍在深度上展开和收缩复合节点的方法。接着，我们解释所进行的用户评估研究的设置。之后，我们展示并讨论该研究的结果。最后，我们对全文进行总结。

相关工作

三维布局已在此前的许多研究中被使用。根据韦尔[25]的观点，三维节点链接可视化可以减少边交叉，从而更容易识别某些元素的邻接关系。这也使得从特定节点出发计算可到达的节点数量的任务变得更加容易。然而，由于透视视图的存在，在三维中渲染图环境可能导致对某些节点重要程度的错误结论。这是因为一些节点渲染得比其他节点更靠近虚拟相机视点，从而导致较近的节点产生视觉强调。这种强调来源于图布局算法或观察者视点，而非数据集本身。此外，三维布局需要大量的视点导航操作。该过程会影响观察者保持布局的心理地图，因为图每次可能出现不同的样子 [1]。

三维布局示例

三维布局的少数示例包括：由蒙兹纳在[18]中提出的双曲布局，用于在三维世界中展示信息结构；由罗伯逊等人在[21]中提出的锥形树布局，作为一种用于层次结构的纯三维布局；以及由田中等人在[22]中提出的树立方技术，该技术将传统的树状图算法[23]扩展到三维世界。这些示例基于使用动画三维可视化和光照来表现深度感知。使用此类可视化的主要缺点是额外的遮挡可能妨碍布局元素的可见性。此外，上述提到的例子在将节点定位到三维空间时，并未考虑深度值的变化，这会影响数据感知的水平[8]。为了实现这一目标，三维布局需要特殊的3D显示器来获得正确的视觉印象。

考克本和麦肯齐[8]开展的一项研究对2D、2.5D和3D布局在物理和虚拟平台上的效率进行了评估，作者得出结论：立体三维效果对于更有效地利用空间记忆以完成诸如构建查看者对文档排列的心理地图等高级任务而言是必要的。由于这一发现，许多科学可视化应用正从3D显示设备中获益，因为这些应用中的许多对象本质上就是3D对象[13]。

已有许多示例由[9, 12]提供，以展示使用第三维度编码数据不同方面的可用性。这通过将2D图表示的子集隔离到单独的层上来实现，从而创建了2.5D。在这种情况下，第三维度可用于编码数据的方面，而不是节点之间的关系[5]。例如，布兰德斯等人在[5]中使用第三维度来显示节点‐链接图随时间的演化，其中他们将每一层编码为图在某一时刻的2D表示。在伊兹和冯的另一个例子中 [12]，第三维度被用来通过一组透明层描绘图中聚类的层次嵌套。

然而，上述示例并未利用立体深度线索，也未提供定量研究来衡量其方法的可用性。

信息可视化中的立体深度

许多研究也已经开展，以展示在高分辨率立体显示器上使用三维图可视化技术的效率。根据韦尔和弗兰克[26]的研究结果，只有在支持立体线索和实时旋转的情况下，才建议使用3D图可视化。

许多应用利用立体视觉效果作为一种分离图像集合的技术，这些图像与背景具有相同的纹理。此外，深度线索还被用于在三维世界中分离重叠标签，以减少杂乱效应 [19]。在 [21]罗伯逊等人通过调整深度的变化来过滤信息，从而减少杂乱现象。而德尔等人[10]则评估了前注意视觉特征作为虚拟现实环境中的突出显示技术。他们表明，立体深度具有额外的优势，能够促进直观交互技术的实现，即根据信息的重要程度将其推向观察者或远离观察者。而在 [6]布罗伊等人则聚焦于汽车中集成的3D显示器的使用场景。他们试图确定在此类使用场景下感知3D内容的舒适区域。此外，他们还研究了在此类情况下用户能够准确区分两个深度平面所需的最小距离。

在[1]，阿尔珀等人中，开启了利用立体深度来突出2D图表表示中某些节点重要程度的大门，使得被强调的节点被置于更靠近观察者的新的深度层，而其余图保持原位，从而创建了2.5D表示。他们还进行了一项定性用户评估研究，以评估观看者检测深度变化的能力。他们的研究结果展示了一条有前景的方向，为进一步在图可视化中更多地利用三维技术提供了可能。

在[7]，布鲁斯和佐佐斯研究了视觉注意力在机器和灵长类动物立体视觉中的必要性和效用。更具体地说，他们阐明了双眼竞争领域以及三维空间中的注意力所出现的问题。他们的主要关注点是理解实现适当注意力行为的主要条件。因此，他们概述了现有的实现双眼注意力的计算模型，然后开发了一个立体注意力框架以扩展自然双眼域。而在[24]，王等人提出了一项有趣的研究，通过双目视差展示立体显示器在感知深度方面的影响。该研究在双目眼动追踪实验背景下进行，通过在立体显示器上呈现合成刺激来开展。他们的研究结果表明存在一种深度偏差，即比远处物体更靠近观察者的物体更早吸引注意力。在他们的情况下，位于物体上的注视点数量随物体深度而变化，即场景中最接近的物体始终吸引最多的注视点。沿深度方向的注视分布显示出随着观看时间增加而产生的收敛行为。

在我们的研究中，我们专注于使用立体深度来展示复合图中聚类的层次嵌套。

深度中复合图的扩展

在本节中，我们提出了立体展开技术 ExpanD [2]，该技术利用三维技术于图可视化领域，使观察者能够在三维世界中使用立体深度线索来展开复合节点。

我们的技术通过在深度上展开复合节点，以交互方式支持对复合节点的探索。这是首个尝试将二维表示与三维技术相结合，以探索复合图中结构关系的方法。该方法利用立体深度来编码底层复合图中节点之间的结构关系（见图1）。在复合图中，主要有两种关系类型：structural关系和adjacency关系。一种主要的传统复合图可视化方案是使用包含表示 [15] 来可视化结构关系。在这种情况下，复合节点包含其内部结构，而邻接关系则通过节点之间的显式边来表示（见图1.a 上方的图）。

探索此类图表主要有两种操作，即展开操作和收缩操作。展开操作用于打开复合节点以显示其内部结构，而收缩操作用于关闭已展开的节点。当展开一个复合节点时，视图中会显示一个新的细节层级。这需要改变初始图布局的布局结构。在传统的二维表示中，必须沿所有可能的水平或垂直方向移动所有节点，以便将新的视觉元素融入当前场景。这就导致了节点大小的变化：被展开的节点会被放大，而未展开的节点则会被缩小。这一过程在许多情况下会产生不理想的图表表示，降低了图表的可读性，尤其是在处理大型图表时。

通过我们提出的技法，观察者可以在三维空间中展开任一复合节点。这将导致打开一个更靠近观察者的新平面，其中包含被展开节点的子节点。在这种情况下，与被展开节点处于相同细节层级的折叠节点将被渲染在更远离观察者的层中（见图1.c）。

我们的技术有助于交互式地可视化复合图中不同层次的细节。我们设计该技术，使新的细节层次与一个具有明显深度值且更靠近观察者的层对齐，而非与剩余的图表对齐。在实现过程中，可以通过输入深度值或使用滑块图形用户界面，按需更改任意两层之间的深度值。此外，观察者还可以交互式地更改其他图表设置，例如深度层的透明度，此时较远的层看起来比靠近的层更加透明 （参见图1.b）。伊兹和冯 [12] 提出使用透明度来展示聚类图的层次关系。这有助于降低不同深度层上各视觉对象之间的遮挡比率。自然地，这也增强了对位于较近层上的较近对象的关注度。在本例中，各深度层的透明度通过公式1进行分配：

$$
\text{Transparency} = 1.0 - \sqrt{\frac{\min(\max D - \text{compLevel}, \text{Layers})}{\text{Layers}}}
$$

这里，$\max D$ 表示图中最后的层次层级的值，$\text{Layers}$ 是一个参数，表示可以通过图形用户界面滑块由查看者交互式控制的可见层的数量（我们将其默认值设为 3），而 $\text{compLevel}$ 是组件的层级。

此外，我们设计的技术能够对展开的复合节点的子节点数量敏感。为此，它会根据子节点的总数来估算子容器的大小。在此过程中，我们使用了AlTarawneh等人在[4]中提出的CluE算法。在这种情况下，父节点及其子节点可以使用不同颜色在不同的平面上进行可视化。为了区分已展开的节点和未展开的节点，我们使用不同的样式进行可视化，例如，将已展开的节点可视化为二维灰色框，而子节点则可视化为蓝色形状。为了显示层次层级的变化，我们根据层级调整灰色的色调。例如，较近的平面使用较深的灰色表示，而较远的平面则使用较浅的灰色。

我们技术的一个主要优势是它可以与多种多层布局算法配合使用，正如我们之前在应用领域 [3] 中所展示的那样。例如，它能够很好地与正交布局算法、Sugiyama算法以及网格布局算法协同工作（有关图可视化技术的详细信息，请参见 [14]）。然而，我们尚未将其与力导向布局算法进行测试。此外，我们的技术使用慢动画来展示图的变化过程。这有助于观众跟踪图中发生的一系列变化，同时保持其心理地图。

用户评估研究

使用我们的技术，我们设计并开展了一项用户评估研究，以了解和评估观察者通过展示复合节点之间的结构关系来检测立体深度变化的能力。我们使用了两个测试类别，在每个类别内比较结果。第一个测试类别采用了两种图的大小，而在第二个测试类别中，我们重点关注评估观察者检测立体深度变化的能力——使用透明效果和不使用透明效果的立体深度（参见图1中具有和不具有透明效果的图）。在这两种情况下，我们在控制实验中测量了参与者的准确率水平和检测速度。此外，我们通过带有李克特量表的封闭式问题收集了参与者的反馈，以评估他们对我们方法的整体接受度以及对透明效果使用的接受度。

目标与假设

我们的研究目标是：
- G1 : 测量图的大小对观察者使用复合图检测立体深度变化的能力的影响。
- G2 : 使用复合图测量透明度对观众检测立体深度变化能力的影响。

我们预期，底层图的大小会影响观察者准确高效地检测立体深度变化的能力。其次，我们预期在图节点上添加透明效果可以改善观察者对图表的感知，使他们能够轻松识别处于不同立体深度层级的目标节点。因此，我们将 graph size 作为第一类测试中的自变量，而将 node transparency 作为第二类测试中的自变量。 depth detection accuracy 和 depth detection speed 在两种情况下均被视为因变量。基于我们的目标和预期，我们提出了以下假设：

图大小的影响:
- 假设 H1 ：图的大小影响观察者准确检测立体深度变化的能力，即：准确率(小尺寸图) > 准确率(大尺寸图)
- 假设 H2 ：图的大小影响观察者准确检测立体深度变化的速度，即：时间(小尺寸图) ≤ 时间(大尺寸图)

节点透明度的影响：
- 假设 H3 ：启用节点透明度参数可提高深度检测准确率，即：准确率(透明度开启) > 准确率(透明度关闭)
- 假设 H4 ：启用节点透明度参数会降低深度检测速度（所需时间更少），即：时间(透明度开启) ≤ 时间(透明度关闭)

用户接受度：
- H5 ：用户更倾向于使用透明度参数来检测立体深度变化，即：(支持使用透明度参数的参与者人数) > (反对使用透明度参数的参与者人数)
- H6 ：用户更倾向于将立体深度作为编码结构关系的线索，即：(支持使用立体深度编码结构关系的参与者人数) > (反对使用立体深度编码结构关系的参与者人数)

根据我们的假设集和变量，我们为本研究定义了以下指标：
- 准确率 ：正确答案数量与总回答数量之间的比率。
- 速度 ：每项任务所用的时间。
- 用户接受度 ：我们通过封闭式问题收集了参与者对我们方法以及透明度参数使用的接受度反馈，每个问题提供了基于李克特量表的五个不同选项（评分范围为1到5，表示参与者对每个问题的同意程度）。此外，我们增加了一个“不知道”选项，以应对参与者不确定答案的情况。

研究设计与流程

评估研究在实验室条件下设计为一项平衡设计研究，每位参与者最多用时30分钟。参与要求仅限于观看者能够正常感知三维效果，并具备一定的图表阅读经验。因此，我们从计算机科学领域的学生、研究人员和教授中选取了参与者。

我们成功招募了30名参与者（9名女性和21名男性）参加我们的实验。参与者的年龄范围为22至60岁，平均年龄32岁。其中，有13名参与者在日常生活中佩戴隐形眼镜或眼镜。这些参与者在实验过程中也继续使用他们的隐形眼镜或眼镜。每位参与者在实验开始前需填写一份前测问卷表，以收集其背景信息，例如年龄、性别、视力/感知问题或任何形式的色盲，以及观看3D电影或使用3D技术的经历。所有参与者均表示他们了解多种3D技术，并有过佩戴3D眼镜观看3D电影的经验。在完成前测问卷表后，实验者向参与者展示了一个三维图，并询问其是否能够识别深度变化。

研究是在一台24英寸–16:9 Zalman立体3D显示器上进行的，配备有3D眼镜。屏幕分辨率为1920 x 1080像素（由于采用被动式立体显示技术，每只眼睛为1920 x 540像素），响应时间为5毫秒，水平刷新率为38至40千赫兹，垂直模式为56至75赫兹。参与者正坐在3D显示器前，佩戴Zalman 3D眼镜。允许参与者调节座椅高度，直到正确看到3D效果为止。所有参与者的屏幕距离尽可能保持一致，眼睛到屏幕的最小距离为35厘米，最大值为80厘米。

为了尽量减少实验者效应并提高研究的可重复性，我们使用了标准化说明和材料。研究方案及 accompanying 材料的设计使得在初始设置完成后，参与者与实验者之间无需进一步互动。

配置和任务

所有任务均为完全自动化，参与者需要根据他们在3D显示器上观察到的内容回答一组问题。每项任务在三种不同配置下执行，其中配置1和配置2用于比较图的大小的影响，而配置2和配置3用于比较透明效果的影响。任意两层之间的深度差为10厘米，节点使用不同的颜色、形状和纹理进行可视化（与其所在层无关）。在实验开始时，我们首先展示了一个如图2.a所示的初始图。然后我们解释了该初始图的行为，并向参与者展示了如何通过展开父节点来显示当前图中每个节点所代表的一个可能的细节层次（见图2）。

使用的三种配置为：
- 配置1 (Conf1) : 一个包含13个节点、9条邻接边和3层的图。第一层包含6个节点，第二层包含4个节点，第三层包含3个节点。
- 配置2 (Conf2) : 一个包含56个节点、28条邻接边和4层的图。第一层包含6个节点，第二层包含13个节点，第三层包含32个节点，第四层包含16个节点。
- 配置3 (Conf3) : 与配置2相同，但启用了透明度效果。

我们设计了以下四个任务：
- 任务1 ：基于深度尺度，在展开一个复合节点（即 节点A） 后，我们提出了以下问题：
- 两个被询问的节点（即nodeA和nodeB）的深度值是多少？
- 这些被询问的节点（nodeA和nodeB）是否具有相同的深度值？
- 另一个被询问的节点（即nodeC）的深度值是多少？
- 任务1描述 : nodeA和nodeB节点位于同一层，具有相同的深度值。唯一的区别是nodeA是一个已展开的复合节点，因此其内部节点显示在更近的深度层中；而nodeB不是一个已展开的节点。最后，nodeC位于图的另一侧。
- 任务2 : 找出三个被询问的节点（即nodeA、nodeC和nodeD）之间的关系。
- 任务2描述 : 父‐子关系通过包含表示来呈现，其中父节点是包含子节点的节点。在此任务中，参与者需要区分节点之间的结构关系和邻接关系。在这种情况下，nodeA是nodeC的父节点，而nodeC是nodeD的父节点。
- 任务3 : 四个被询问的节点（即nodeA、nodeB、nodeX和nodeY）的深度值是多少？要求参与者尽快给出答案。
- 任务3描述 : 所有这些节点具有不同的深度值，并且具有不同的形状和颜色。此外，它们位于不同位置。
- 任务4 ：折叠一个被要求的节点（即，nodeA），并展开另一个被要求的节点（即，nodeY）及其一个子节点（即，nodeZ）。找出变化过程后的深度层数。
- 任务 4 描述 ：在此任务中，我们使用慢速动画实时更改图的场景以展示变化过程。然后要求参与者跟随该变化过程，并通过提供场景中的层数以及所选节点的深度值来报告最近的变化。在此情况下，节点A被折叠，节点Y被展开，随后是节点Z。

要求参与者通过组内设计方式在所有三种配置上完成四项任务。为了减少学习效应并尽量降低偏差，我们对每位参与者所经历的配置顺序以及每种配置内的任务顺序进行了随机化处理。从配置2收集的数据被用于两个测试类别的分析。

结果与讨论

在本节中，我们描述并分析了两个测试类别的收集结果，即考察图的大小和透明度对观察者准确高效检测立体深度变化能力的影响。

表1显示了在配置1和配置2中所有四个任务的总体结果（中位数和标准差），以比较图的大小对观察者检测立体深度变化能力的影响。图3以可视化形式展示了结果，便于快速概览。在此情况下，图的大小被视为自变量，因为我们希望了解其对观察者的影响。在大多数任务中，参与者在配置1（即小尺寸图的配置）中的准确率高于配置2（即大尺寸图的配置）。在全部四个任务中，配置1的总体平均准确率为0.95，而配置2为0.89，比率为1.18。当我们通过配对t检验对假设H1进行统计检验时，得到 t=2.3038, df= 3, standard‐error‐of‐ difference= 0.025，双尾 p‐value= 0.1046。因此，该结果不显著。尽管增加图的大小可能会影响观察者准确检测深度的能力，但这种差异并不十分明显。这意味着图的大小对观察者准确检测深度变化的影响不大。然而，在非常巨大的图的情况下，这种影响可能在某种程度上达到显著水平。

在参与者对两种配置（即配置1和配置2）中深度变化的检测性能方面，我们在所有四项任务中均观察到混合的结果，存在一些轻微差异，有时偏向配置1，有时偏向配置2。参与者在这四项任务中的总体平均性能为：配置1耗时11.87秒，配置2耗时12.22秒。尽管图的大小差异相对较大（即13个节点和9条邻接边对比56个节点和28条邻接边），但两者之间的差异并不显著。当我们通过应用配对t检验对两种配置的结果进行统计检验时假设H2；我们得到 t= 0.2870, df= 3, standard‐error‐of‐ difference= 1.193，以及双尾 p‐value= 0.7928。因此，结果不显著。

通过分析两种配置（即配置1和配置2）的结果，我们可以得出结论：在正常情况下，图的大小对观察者检测深度变化的影响极小。因此，立体深度可以被有效地作为突出复合图某些重要特征的额外线索，正如我们用于展示复合图中的结构关系一样。然而，图的大小可能在非常巨大的图的情况下产生显著影响，这将是我们未来研究的方向。

为了研究透明度参数在观察者检测立体深度变化过程中的影响，我们比较了配置2和配置3的结果。在此场景中，透明效果被视为自变量，而图的大小以及不同层之间的节点分布在两种配置中保持相同。表2显示了配置2和配置3在全部四项任务中的总体结果（中位数和标准偏差），图4则以可视化形式提供了结果概览。

这两种配置的比较结果提供了一些有趣的发现。当我们分析参与者在所有四项任务中的平均准确率时，结果非常清楚地表明，不使用透明效果时，参与者的准确率明显更高（即总体为89%），而启用透明效果时准确率则明显较低（即55%）。然而，从另一方面比较参与者在两种配置下的性能时，我们得到了相反的结果。当参与者在未启用透明效果的配置下（即配置2）工作时，在所有四项任务中花费的时间更长（即总平均为11.32秒），相比之下，在启用透明效果的配置下（即配置3）工作时总平均时间为5.29秒。

当我们从准确性角度通过配对t检验来检验假设H3，检查这两种配置（即配置2和配置3）的结果时，得到 t= 4.7154, df= 3, standard‐error‐of‐ difference= 0.072以及双尾 p‐value= 0.0181。因此，该结果具有统计学显著性。此外，当我们从性能角度通过配对t检验来检验这两种配置的结果时，在统计学上支持我们的假设H4；我们得到 t= 3.6607, df= 3, standard‐error‐of‐difference= 0.871，以及双尾 p‐ value= 0.0352。因此，此情况下的结果也是统计学显著的。

这些结果拒绝了我们的假设H3，但接受了假设H4。这表明，尽管透明度参数有助于参与者快速得出结论，但在准确检测深度变化方面作用不大。事实上，正如封闭式问题中的反馈所表明的那样，透明度参数反而使参与者在准确检测深度变化时感到困惑。因此，在此类情况下需要非常谨慎地使用透明度参数。

在表3中，我们展示了参与者以封闭式问卷形式给出的反馈。接受度通过每个问题中各个选项获得的票数来衡量。关于与透明度参数使用相关的问题，参与者的反馈明确支持上述发现，因为大多数参与者更倾向于不使用透明效果，并且认为透明效果并不容易使用。这表明大多数参与者不认可假设H5。而关于与我们使用深度线索在复合图中编码结构关系的方法相关的问题，参与者在所有情况下都明确给出了积极的反馈。这表明参与者接受了我们的假设H6，并认可了深度提示可以作为一种突出显示技术，例如我们在案例中使用它来编码复合图中的结构关系。

结论与未来工作

本文中，我们提出了一种利用立体深度来突出复合图中节点间结构关系的方法。该方法受到阿尔珀等人在 [1]中首次提出的立体突出显示技术的启发。我们的技术的主要贡献在于能够通过将图的部分内容拉近至观察者，从而在二维图中对其进行探索。这有助于保留其他突出显示属性（如颜色和/或形状）用于编码其他数据属性。使用该技术的一个主要优势是能够自然地实现聚焦+上下文视图。

我们重点关注了为评估图的大小和透明效果对参与者准确且高效地检测立体深度变化能力的影响而开展的用户评估研究。此外，我们还收集了参与者对我们方法以及使用透明效果的接受度反馈。研究结果揭示了一些有趣的发现，促使我们继续沿此方向深入探索，因为大多数参与者高度接受我们的方法。有趣的是，透明度参数并未显著提高检测准确率。然而，它加快了参与者查找所选节点所需深度值的速度。这些发现也为我们进一步详细研究这种行为背后的原因打开了思路。

深度线索相较于其他静态视觉线索优势较少，因为它仅提供了节点集的空间关系彼此相关联。这基于格式塔理论 [17]，该理论指出在此情况下，深度线索强于颜色线索。然而，据 [1] 近 8∼10% 的人群患有深度盲视问题。另一方面，大约 10% 的男性和不到 1% 的女性存在一定程度的色盲 [11]，这使得他们也难以将颜色作为线索使用。这表明设计者需要开始考虑结合这两种线索，以帮助这些人在某些应用中克服困难。未来，我们计划对不同大小的图表进行进一步研究，以推广我们的发现。此外，我们还打算探究颜色或形状等其他线索与深度线索结合时所产生的影响。