آیا می‌دانستید که تجسم اطلاعات طراحی شده است تا به ما کمک کند داده ها را به سرعت محاسبه کنیم؟! ما می توانیم از آن برای کشف روابط بین داده ها، تایید ایده هایی که در مورد داده ها می توانیم داشته باشیم، یا برای توضیح داده ها در یک روش آسان برای جذب استفاده کنیم. ما همچنین ممکن است از آن تا زمانی استفاده کنیم، که به وظایف اخلاقی خود توجه داشته باشیم و به متقاعد کردن افراد برای تایید داده ها کمک کنیم.همانطور که حجم داده های موجود برای ما به طور چشمگیری در هر زمینه ای از تلاش ها و فعالیت ها در حال افزایش می باشد، به کاربردن تجسم اطلاعات یک مهارت در محل کار و دانشگاه نیز در حال افزایش است.
این موضوع به این خاطر است که شما باید چنین بازنمایی هایی را با دقت در طرح های خود و برای آسایش نسبی کاربران و به منظور کمک به فرآیندهای تصمیم گیری آنها در برابر ملاحظات، هدف قرار دهید. یعنی آنچه آنها به دنبال دستیابی به آن هستند و چگونگی تحلیل شما می تواند به آنها کمک کند.
کاربرد اول: درک کردن کاربر
برای درک مفهوم اولیه و کاربرد تجسم اطلاعات بر روی لینک تجسم اطلاعات چه کمکی به ما می‌کند؟ کلیک کنید.
جنبه ی ” نامشخصی ” در ارائه ی اطلاعات به منظور درک اطلاعات و برای متقاعد کردن کاربران وجود دارد. همانطور که گفته شده که ۳ نوع دروغ وجود دارد: ” دروغ های عادی، شاخدار و آماری ” (این سخن معمولا به “مارک تواین” نسبت داده شده است). با در نظر گرفتن اطلاعاتی که برای نشان دادن در اختیار داریم و اطلاعاتی که برای خروجی گرفتن به کار می گیریم، اکنون ” دروغ عادی، دروغ شاخدار و تجسم اطلاعات ” وجود دارد.
طراحان برای تصمیم گیری در مورد این که مرزهای اخلاقی مردم را از طریق تجسم اطلاعات برآورده کنند، تصمیم می گیرند. به عنوان مثال، شما می توانید نموداری را نشان دهید که بیان کننده ی این موضوع می باشد: ” ۷۰ درصد افرادی است که از هومئوپاتی استفاده می کنند، احساس بهتری نسبت به افرادی دارند که هومئوپاتی را تجربه نکرده اند “اما این واقعیت را نباید نادیده گرفت که ” ۷۰ درصد از افرادی که تحت درمان از نوع پلاسبو هستند احساس بهتری نسبت به آنهایی دارند که تحت درمان با پلاسو را قرار ندارند.
هومئوپاتی(به انگلیسیHomeopathy ) یا همسان درمانی یک شیوه پزشکی جایگزین است که “ساموئل هانمن” در سال ۱۷۹۶ ابداع کرد.
” دروغ به طور خود به خود در شما حس گمراه شدن از واقعیت را ایجاد می کند (مانند تقلبی بودن پول های قدیمی ). ”
مهمترین چیز آگاهی از تفاوت و نحوه ی تردد از نزدیک ترین مسیر به مسیرهاییست که می تواند برای کاربران شما و کاربردهایی که در نظر دارند، مفید باشد. ( سعی کنید برای جلوگیری از دروغ گفتن به کاربر راه های متفاوتی را برای رسیدن به هدفشان در نظر بگیرید )
کاربرد دوم: تحلیل اکتشافی
یک تصویر جغرافیایی می تواند داده های مهمی را در مورد وقوع بیماری در خود داشته باشد. در یک نگاه، ما می توانیم خوشه هایی با فرکانس بالا را ببینیم و اهمیت آن را در مورد علل احتمالی، عوامل مشارکت و غیره بدست آوریم. تصویر زیر میزان فراوانی سرطان ریه را در ایالات متحده به صورت منطقه ی جغرافیایی نشان می دهد.
نقشه برداری از داده های بیماری مانند نمونه ی فوق، محققان را قادر به بررسی ارتباط بین یک بیماری و منطقه ی جغرافیایی می سازد. مهم است که به این نکته توجه داشته باشیم که این داده ها و نمودارها دلیل افزایش سرطان در جنوب شرقی ایالات متحده را توضیح نمی دهند اما حاکی از آن است که در بعضی نواحی احتمال ایجاد شدن بیماری وجود دارد و این موضوع ارزش تحقیق بیشتری را می طلبد.
تجزیه و تحلیل اکتشافی از طریق تجسم اطلاعات به شما اجازه می دهد تا ببینید که در داده ها ممکن است روابطی وجود داشته باشد. زیرا شما می توانید به کشف عوامل، پیوندها و دلایل آن براساس واقعیت های موجود بپردازید.
کاربرد سوم: تجزیه و تحلیل به روش تایید کردن
ما همچنین می توانیم از تجسم اطلاعات برای کمک به تایید درک و تجزیه و تحلیل اطلاعات خود استفاده کنیم. به عنوان مثال، چنانچه شما به روابط بین دو قیمت سهام پی ببرید می‌توانید طرح کلی داده ها را ترسیم کرده و ارتباط بین آن دو را مشاهده کنید.
برای تجزیه و تحلیل به روش تاییدی، ما از تجسم اطلاعات با پیگیری و ردیابی یک جفت از رفتارهای نمونه و مقایسه ی آنها به منظور ایجاد ارتباط و پیوند استفاده کنیم. ما ممکن است از نمودار بالا برای نشان دادن شباهت های حرکت “براونین” بین مجموعه ای از ذرات استفاده کنیم؛ یا ما می توانیم از آن برای بررسی شکاف در رابطه با انتهای یک نمودار استفاده کنیم. به عنوان مثال، امکان دارد که ما دو آزمایش را پیش بینی نماییم که در هر یک از آنها گروهی از ذرات گرد و خاک از طریق سیلندر حاوی متان با دو غلظت متفاوت جریان دارد.
هر دو جریان ذرات گرد و غبار شامل برخورد آنها با مجموعه ی بیشتری از ذرات کوچکتر متان می باشد، سپس همه ی آنها با سرعت های مختلف و ظاهرا در جهت های تصادفی در حال حرکت هستند. در این جریان ذرات گرد و غبار به طور نامنظم حرکت می کنند ( همانطور که در خطوط ناهموار نشان داده شده است ).
در آزمایش اول ( خط سبز ) آنها متان کمتری برای مقابله دارند_ با این وجود در هر دو آزمایش ذرات گرد وغبار حداقل تا پایان جریان با نسبت های گاز موجود در اطراف آنها مطابقت بیشتر یا کمتری دارند. ما ممکن است بخواهیم آنچه را که در آزمایش دوم اتفاق افتاده است را بررسی کنیم به طوری که مشاهده کنیم که چرا ذرات گرد و غبار مجبور به حرکت به شکلی متفاوت در جهت دور از سیلندر هستند.
